清華聯合國際團隊：理解復雜系統“涌現”新范式，人工智能賦能“反繹推理”丨自然·物理評論

導語

在過去半個多世紀中，復雜系統研究的核心科學問題始終聚焦于揭示跨尺度“涌現”現象背后的微觀機制。諸如鳥群的協同飛行、生態系統的崩潰、城市交通的擁堵以及氣候系統的突變等典型“涌現”行為，皆源于大量個體之間復雜的非線性相互作用。然而，這些宏觀規律往往難以被傳統的演繹（deduction）與歸納（induction）推理所捕捉。前者依賴既有理論假設，后者側重經驗統計總結，二者在應對高維、非線性、多層耦合的復雜系統時均表現出結構性局限，從而使相關理論進展長期停滯。

近日，清華大學電子工程系李勇教授、地球系統科學系陳德亮院士聯合麻省理工學院（MIT）、牛津大學、加州大學洛杉磯分校（UCLA）等國際科研機構的專家提出全新的科學推理框架——反繹式人工智能（Abductive AI），旨在突破傳統科學推理方法在理解復雜系統“涌現”現象時的局限，為跨學科科學發現提供新的計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.nature.com/articles/s42254-025-00895-5 發表時間：2025年11月11日 論文來源：nature reviews physics

反繹推理突破“涌現”理解

復雜系統中常見的“涌現”（emergence）現象——例如鳥群的集群飛行、生態系統崩潰、城市交通擁堵或氣候系統突變——源自微觀個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，研究團隊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，從結果反向推測可能的因果機制。然而，傳統反繹推理長期受限于人類認知與計算能力，難以在龐大的數據與模型空間中系統地探索潛在機制。AI的興起為此帶來了突破性機遇，本篇論文首次系統提出，將人工智能引入反繹推理過程，構建了“可計算的科學發現機制與系統框架”，實現從觀察現象到理論解釋的智能化閉環。

AI賦能的反繹推理框架

研究團隊提出了一個由三部分組成的“反繹式AI”框架（見圖1）：

1. 假設生成（AI-S1）：通過深度強化學習（Deep RL）與擴散模型（Diffusion Model）等先進人工智能方法，在龐大的假設空間中生成潛在的微觀機制模型；

2. 驗證測試（AI-S2）：利用神經算子（Neural Operator）、圖神經網絡（GNN）與物理信息神經網絡（PINN）快速驗證這些假設是否能重現觀測到的宏觀行為；

3. 解釋提煉（AI-S3）：采用符號回歸（Symbolic Regression）與因果歸因等方法，將計算結果轉化為可理解的數理表達與因果關系。

圖1 反繹式人工智能科學推理框架

這一流程不僅能預測復雜系統的行為，更能揭示復雜行為背后的生成機制。研究團隊以生態系統與供應鏈網絡為例，展示了AI如何自動識別關鍵節點并量化其對系統韌性的貢獻，為理解網絡崩潰與韌性機制提供了新思路。

揭示多尺度、多學科復雜系統“涌現”現象的

微觀動力學規律

在上述反繹式AI框架中，揭示復雜系統宏觀行為背后的微觀機制，關鍵在于從數據中提煉能夠解釋系統演化規律的數學表達式。為此，研究團隊提出了面向網絡動力學的神經符號回歸方法（ND2）（圖2）；符號回歸是一種自動發現數學方程的算法，可在變量和運算符的組合空間中搜索最能刻畫數據規律的表達式。然而，復雜系統中海量節點及其非線性作用使搜索空間隨網絡規模超指數增長，導致計算幾乎不可行。為此，研究團隊將神經網絡與符號搜索相結合。其中，符號組件通過一套與節點數量無關的網絡動力學算子描述系統動力學，從根本上抑制了搜索空間的爆炸式增長；神經組件則利用在大規模數據上預訓練的網絡引導搜索方向，使搜索更高效，速度提升約三個數量級。

圖2 面向網絡動力學的神經符號回歸方法

自動發現高維網絡系統微觀動力學的機器智能方法

論文題目：Discover network dynamics with neural symbolic regression 論文鏈接：https://www.nature.com/articles/s43588-025-00893-8 發表時間：2025年10月23日 論文來源：nature computational science

進一步，研究團隊將其應用于從細胞尺度到城市尺度，跨越基因、生態和社會網絡，發現了不同復雜系統背后的微觀動力學規律（圖3）。該方法能夠自動從數據中推導系統動力學公式，將高維網絡動力學問題降維為一維等價系統，并通過預訓練神經網絡實現高精度的動力學模型發現，從而在生物系統、生態系統與人類流動網絡中顯著提升模型預測能力，揭示跨尺度復雜系統背后的共同規律。基于這一研究思路，團隊相關成果以題為《Discovering network dynamics with neural symbolic regression》（基于神經符號回歸的網絡動力學發現）發表于國際頂級期刊《Nature Computational Science》[2]。

該研究表明在反繹式AI框架下神經符號回歸對于揭示復雜系統動力學規律、發現新科學知識方面的具體潛力，為基礎科學研究和科學發現提供了全新的方法。

并進一步，研究團隊將其應用于從細胞尺度到城市尺度，跨越基因、生態和社會網絡，發現了不同復雜系統背后的微觀動力學規律（圖3）, 以題為《Discovering network dynamics with neural symbolic regression》（基于神經符號回歸的網絡動力學發現）發表于國際頂級期刊《Nature Computational Science》[2]。該研究表明在反繹式AI框架下神經符號回歸對于揭示復雜系統動力學規律、發現新科學知識方面的具體潛力，為基礎科學研究和科學發現提供了全新的方法。

圖3 使用神經符號回歸方法揭示多尺度多學科復雜系統的動力學規律

以“人機協同”推動科學發現新范式

研究團隊強調，反繹式AI不是自主發現機器，而是研究人員的“智能副駕駛”。AI負責在海量數據和復雜假設空間中進行探索與驗證，而研究人員提供目標、約束與理論判斷。兩者結合實現深度人機協同，將顯著提升科學研究的創新效率與解釋深度。

團隊成員李勇教授表示：“反繹式AI代表著科學推理從‘數據驅動’走向‘解釋驅動’的轉變。它將幫助我們從‘發生了什么’邁向‘為什么會發生’。”

團隊成員陳德亮院士指出：“在地球系統科學等高度復雜的領域，這種新范式有助于揭示氣候系統中的隱藏反饋機制和臨界行為，為理解和預測氣候變化提供新視角。”

國際合作與未來展望

該成果作為重要評論文章，在線發表于國際頂級物理學評論期刊 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雜系統中的涌現現象）。該論文由清華大學丁璟韜、鄭瑜、徐豐力三位青年學者為共同第一作者，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院、牛津大學、意大利國家研究委員會（CNR）、加州大學圣地亞哥分校（UCSD）、倫斯勒理工學院（RPI）等。

研究團隊表示，未來將繼續推動“人工智能 + 科學推理”的深度融合，應用于網絡科學、系統生物學、城市系統、氣候系統等關鍵領域，助力人類更好地理解復雜世界的自組織與演化規律。

論文信息：

[1] Jingtao Ding, Yu Zheng, Fengli Xu, et al. “Understanding emergence in complex systems using abductive AI.” Nature Reviews Physics, 2025. DOI: 10.1038/s42254-025-00895-5

https://www.nature.com/articles/s42254-025-00895-5

[2] Zihan Yu, Jingtao Ding, Yong Li. “Discovering network dynamics with neural symbolic regression.” Nature Computational Science, 2025. DOI: 10.1038/s43588-025-00893-8

https://www.nature.com/articles/s43588-025-00893-8

復雜系統自動建模讀書會第二季

“復雜世界，簡單規則。”

集智俱樂部聯合復旦大學智能復雜體系實驗室青年研究員朱群喜、浙江大學百人計劃研究員李樵風、清華大學電子工程系數據科學與智能實驗室博士后研究員丁璟韜、美國東北大學物理系Albert-László Barabási指導的博士后高婷婷、北京大學博雅博士后曹文祺、復旦大學數學科學學院應用數學方向博士研究生趙伯林、北京師范大學系統科學學院博士研究生牟牧云，共同發起。

讀書會將于9月5日起每周四晚上20:00-22:00進行，探討四個核心模塊：數據驅動的復雜系統建模、復雜網絡結構推斷、具有可解釋性的復雜系統推斷（動力學+網絡結構）、應用-超材料設計和城市系統，通過重點討論75篇經典、前沿的重要文獻，從黑盒（數據驅動）到白盒（可解釋性），逐步捕捉系統的“本質”規律，幫助大家更好的認識、理解、預測、控制、設計復雜系統，為相關領域的研究和應用提供洞見。讀書會已完結，現在報名可加入社群并解鎖回放視頻權限。

詳情請見：

地球系統科學讀書會

世界氣象組織《2023年全球氣候狀況》報告確認2023年是有觀測記錄以來最暖的一年。氣候變化正在以高溫、干旱、洪水、野火和沙塵暴等極端天氣的形式吸引人們的廣泛關注。世界經濟論壇《2024全球風險報告》將氣候變化作為首要值得關注的風險。地球作為一個多要素、非線性的開放復雜系統，要素間相互作用關系復雜，往往牽一發而動全身。在人類活動深刻影響下，我們該如何理解并有效應對正在面臨的氣候變化以及其帶來的社會經濟等一系列議題，實現人類與地球的可持續發展？

為了能夠深入理解人類世背景下地球系統各要素之間復雜的相互作用與演化機制，并為人類應對未來的地球系統科學重大挑戰提供一套科學的認知框架，集智俱樂部聯合清華大學講席教授陳德亮、北京師范大學教授樊京芳、東莞理工學院特聘副研究員陳愛芳、南開大學副教授戴啟立老師和愛爾蘭都柏林大學博士生班嶄共同發起，將組織大家從新的研究范式出發梳理相關文獻，并深入研讀其中涉及的理論與模型。

詳情請見：

1.

2.

3.

4.

5.

6.