導(dǎo)語

在過去半個(gè)多世紀(jì)中，復(fù)雜系統(tǒng)研究的核心科學(xué)問題始終聚焦于揭示跨尺度“涌現(xiàn)”現(xiàn)象背后的微觀機(jī)制。諸如鳥群的協(xié)同飛行、生態(tài)系統(tǒng)的崩潰、城市交通的擁堵以及氣候系統(tǒng)的突變等典型“涌現(xiàn)”行為，皆源于大量個(gè)體之間復(fù)雜的非線性相互作用。然而，這些宏觀規(guī)律往往難以被傳統(tǒng)的演繹（deduction）與歸納（induction）推理所捕捉。前者依賴既有理論假設(shè)，后者側(cè)重經(jīng)驗(yàn)統(tǒng)計(jì)總結(jié)，二者在應(yīng)對高維、非線性、多層耦合的復(fù)雜系統(tǒng)時(shí)均表現(xiàn)出結(jié)構(gòu)性局限，從而使相關(guān)理論進(jìn)展長期停滯。

近日，清華大學(xué)電子工程系李勇教授、地球系統(tǒng)科學(xué)系陳德亮院士聯(lián)合麻省理工學(xué)院（MIT）、牛津大學(xué)、加州大學(xué)洛杉磯分校（UCLA）等國際科研機(jī)構(gòu)的專家提出全新的科學(xué)推理框架——反繹式人工智能（Abductive AI），旨在突破傳統(tǒng)科學(xué)推理方法在理解復(fù)雜系統(tǒng)“涌現(xiàn)”現(xiàn)象時(shí)的局限，為跨學(xué)科科學(xué)發(fā)現(xiàn)提供新的計(jì)算思維和方法論支撐。

趙思怡丨編輯

論文題目：Understanding emergence in complex systems using abductive AI

論文鏈接：https://www./articles/s42254-025-00895-5

發(fā)表時(shí)間：2025年11月11日

論文來源：nature reviews physics

反繹推理突破“涌現(xiàn)”理解

復(fù)雜系統(tǒng)中常見的“涌現(xiàn)”（emergence）現(xiàn)象——例如鳥群的集群飛行、生態(tài)系統(tǒng)崩潰、城市交通擁堵或氣候系統(tǒng)突變——源自微觀個(gè)體之間的非線性相互作用，其宏觀行為往往難以用演繹（deduction）或歸納（induction）推理解釋。

為突破這一瓶頸，研究團(tuán)隊(duì)提出引入第三種推理范式——反繹推理（abduction），即“對最佳解釋的推斷”。反繹推理以觀察為起點(diǎn)，從結(jié)果反向推測可能的因果機(jī)制。然而，傳統(tǒng)反繹推理長期受限于人類認(rèn)知與計(jì)算能力，難以在龐大的數(shù)據(jù)與模型空間中系統(tǒng)地探索潛在機(jī)制。AI的興起為此帶來了突破性機(jī)遇，本篇論文首次系統(tǒng)提出，將人工智能引入反繹推理過程，構(gòu)建了“可計(jì)算的科學(xué)發(fā)現(xiàn)機(jī)制與系統(tǒng)框架”，實(shí)現(xiàn)從觀察現(xiàn)象到理論解釋的智能化閉環(huán)。

AI賦能的反繹推理框架

研究團(tuán)隊(duì)提出了一個(gè)由三部分組成的“反繹式AI”框架（見圖1）：

1. 假設(shè)生成（AI-S1）：通過深度強(qiáng)化學(xué)習(xí)（Deep RL）與擴(kuò)散模型（Diffusion Model）等先進(jìn)人工智能方法，在龐大的假設(shè)空間中生成潛在的微觀機(jī)制模型；

2. 驗(yàn)證測試（AI-S2）：利用神經(jīng)算子（Neural Operator）、圖神經(jīng)網(wǎng)絡(luò)（GNN）與物理信息神經(jīng)網(wǎng)絡(luò)（PINN）快速驗(yàn)證這些假設(shè)是否能重現(xiàn)觀測到的宏觀行為；

3. 解釋提煉（AI-S3）：采用符號(hào)回歸（Symbolic Regression）與因果歸因等方法，將計(jì)算結(jié)果轉(zhuǎn)化為可理解的數(shù)理表達(dá)與因果關(guān)系。

圖1 反繹式人工智能科學(xué)推理框架

這一流程不僅能預(yù)測復(fù)雜系統(tǒng)的行為，更能揭示復(fù)雜行為背后的生成機(jī)制。研究團(tuán)隊(duì)以生態(tài)系統(tǒng)與供應(yīng)鏈網(wǎng)絡(luò)為例，展示了AI如何自動(dòng)識(shí)別關(guān)鍵節(jié)點(diǎn)并量化其對系統(tǒng)韌性的貢獻(xiàn)，為理解網(wǎng)絡(luò)崩潰與韌性機(jī)制提供了新思路。

揭示多尺度、多學(xué)科復(fù)雜系統(tǒng)“涌現(xiàn)”現(xiàn)象的

微觀動(dòng)力學(xué)規(guī)律

在上述反繹式AI框架中，揭示復(fù)雜系統(tǒng)宏觀行為背后的微觀機(jī)制，關(guān)鍵在于從數(shù)據(jù)中提煉能夠解釋系統(tǒng)演化規(guī)律的數(shù)學(xué)表達(dá)式。為此，研究團(tuán)隊(duì)提出了面向網(wǎng)絡(luò)動(dòng)力學(xué)的神經(jīng)符號(hào)回歸方法（ND2）（圖2）；符號(hào)回歸是一種自動(dòng)發(fā)現(xiàn)數(shù)學(xué)方程的算法，可在變量和運(yùn)算符的組合空間中搜索最能刻畫數(shù)據(jù)規(guī)律的表達(dá)式。然而，復(fù)雜系統(tǒng)中海量節(jié)點(diǎn)及其非線性作用使搜索空間隨網(wǎng)絡(luò)規(guī)模超指數(shù)增長，導(dǎo)致計(jì)算幾乎不可行。為此，研究團(tuán)隊(duì)將神經(jīng)網(wǎng)絡(luò)與符號(hào)搜索相結(jié)合。其中，符號(hào)組件通過一套與節(jié)點(diǎn)數(shù)量無關(guān)的網(wǎng)絡(luò)動(dòng)力學(xué)算子描述系統(tǒng)動(dòng)力學(xué)，從根本上抑制了搜索空間的爆炸式增長；神經(jīng)組件則利用在大規(guī)模數(shù)據(jù)上預(yù)訓(xùn)練的網(wǎng)絡(luò)引導(dǎo)搜索方向，使搜索更高效，速度提升約三個(gè)數(shù)量級(jí)。

圖2 面向網(wǎng)絡(luò)動(dòng)力學(xué)的神經(jīng)符號(hào)回歸方法

自動(dòng)發(fā)現(xiàn)高維網(wǎng)絡(luò)系統(tǒng)微觀動(dòng)力學(xué)的機(jī)器智能方法

論文題目：Discover network dynamics with neural  symbolic regression

論文鏈接：https://www./articles/s43588-025-00893-8

發(fā)表時(shí)間：2025年10月23日

論文來源：nature computational science

并進(jìn)一步，研究團(tuán)隊(duì)將其應(yīng)用于從細(xì)胞尺度到城市尺度，跨越基因、生態(tài)和社會(huì)網(wǎng)絡(luò)，發(fā)現(xiàn)了不同復(fù)雜系統(tǒng)背后的微觀動(dòng)力學(xué)規(guī)律（圖3）, 以題為《Discovering network dynamics with neural symbolic regression》（基于神經(jīng)符號(hào)回歸的網(wǎng)絡(luò)動(dòng)力學(xué)發(fā)現(xiàn)）發(fā)表于國際頂級(jí)期刊《Nature Computational Science》[2]。該研究表明在反繹式AI框架下神經(jīng)符號(hào)回歸對于揭示復(fù)雜系統(tǒng)動(dòng)力學(xué)規(guī)律、發(fā)現(xiàn)新科學(xué)知識(shí)方面的具體潛力，為基礎(chǔ)科學(xué)研究和科學(xué)發(fā)現(xiàn)提供了全新的方法。

圖3 使用神經(jīng)符號(hào)回歸方法揭示多尺度多學(xué)科復(fù)雜系統(tǒng)的動(dòng)力學(xué)規(guī)律

以“人機(jī)協(xié)同”推動(dòng)科學(xué)發(fā)現(xiàn)新范式

研究團(tuán)隊(duì)強(qiáng)調(diào)，反繹式AI不是自主發(fā)現(xiàn)機(jī)器，而是研究人員的“智能副駕駛”。AI負(fù)責(zé)在海量數(shù)據(jù)和復(fù)雜假設(shè)空間中進(jìn)行探索與驗(yàn)證，而研究人員提供目標(biāo)、約束與理論判斷。兩者結(jié)合實(shí)現(xiàn)深度人機(jī)協(xié)同，將顯著提升科學(xué)研究的創(chuàng)新效率與解釋深度。

團(tuán)隊(duì)成員李勇教授表示：“反繹式AI代表著科學(xué)推理從'數(shù)據(jù)驅(qū)動(dòng)’走向'解釋驅(qū)動(dòng)’的轉(zhuǎn)變。它將幫助我們從'發(fā)生了什么’邁向'為什么會(huì)發(fā)生’?！?/span>

團(tuán)隊(duì)成員陳德亮院士指出：“在地球系統(tǒng)科學(xué)等高度復(fù)雜的領(lǐng)域，這種新范式有助于揭示氣候系統(tǒng)中的隱藏反饋機(jī)制和臨界行為，為理解和預(yù)測氣候變化提供新視角?！?/span>

國際合作與未來展望

該成果作為重要評論文章，在線發(fā)表于國際頂級(jí)物理學(xué)評論期刊 Nature Reviews Physics ，題為《Understanding emergence in complex systems using abductive AI》（利用反繹式人工智能理解復(fù)雜系統(tǒng)中的涌現(xiàn)現(xiàn)象）。該論文由清華大學(xué)丁璟韜、鄭瑜、徐豐力三位青年學(xué)者為共同第一作者，李勇教授與陳德亮院士為通訊作者。合作單位包括麻省理工學(xué)院、牛津大學(xué)、意大利國家研究委員會(huì)（CNR）、加州大學(xué)圣地亞哥分校（UCSD）、倫斯勒理工學(xué)院（RPI）等。

研究團(tuán)隊(duì)表示，未來將繼續(xù)推動(dòng)“人工智能 + 科學(xué)推理”的深度融合，應(yīng)用于網(wǎng)絡(luò)科學(xué)、系統(tǒng)生物學(xué)、城市系統(tǒng)、氣候系統(tǒng)等關(guān)鍵領(lǐng)域，助力人類更好地理解復(fù)雜世界的自組織與演化規(guī)律。