最后两个报告中，北京邮电大学石川教授■◆■★、西湖大学吴泰霖教授分别以图机器学习■■◆■★◆、扩散生成模型两个前沿AI技术为基础，展望在生物医药、工程复杂系统中的广阔应用空间。最后的圆桌讨论环节■◆★★◆，本论坛还邀请上海人工智能实验室白磊研究员、微软研究院郑书新研究员一同探讨“AI+复杂系统◆◆★■■★”的现状及发展路径■◆■★★◆。
AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。 一方面是 AI for Science，机器学习和其他 AI 技术可以用来解决科学研究中的问题◆★■★■，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，甚至像科学家一样进行科学发现，被称为科学发现的■★★■◆★“第五范式”。 另一方面是 Science for AI，科学尤其是物理学中的规律和思想启发机器学习理论，为人工智能的发展提供全新的视角和方法★■。
人工智能 （Artificial Intelligence, AI） 这个最早可追溯到20世纪50年代的研究领域■■★，也在经历了起初的发展和低谷之后，在21世纪第二个十年里取得了革命性进步。2012 年，谷歌公司研究团队开发的深度学习神经网络 AlexNet 在图像分类竞赛中战胜了传统方法◆★◆，这一事件引发了对深度学习的广泛兴趣；随后，2016 年，DeepMind 公司开发的 AlphaGo 击败了围棋世界冠军，这一里程碑事件标志着AI在复杂策略游戏中的巨大突破。在科学领域，AI技术也展现出了令人瞩目的应用★■■◆，其中一项备受瞩目的成就是 DeepMind 团队开发的 AlphaFold，其利用深度神经网络技术，成功地解决了蛋白质结构预测这一长期以来困扰科学家的难题。这一突破性的成果在 2020 年引起了广泛关注■◆◆，并被认为是AI在生物化学领域的重大突破，为新药物研发、疾病治疗等领域打开了全新的可能性，引发了“AI for Science”的研究热潮★◆◆◆◆。值得一提的是★★■■，刚刚揭晓的2024年诺贝尔化学奖得主中就有AlphaFold的开发人员。
尽管上述理论和模型为我们理解真实世界的复杂性提供了重要的工具，然而，现有研究在以下3个方向仍存在关键挑战。
复杂系统领域的研究已有半个世纪的历史◆■★，早期主要由物理学家以及少量数学家推动◆★◆◆■★，通过设计一些较简单的机制模型◆★，将自然界中的复杂性或者系统特征拆分成了若干简单的统计规律并将其作为复杂性的代表 [1] 。代表性理论包括突变理论、混沌理论、耗散结构理论、协同学理论、自组织理论等◆■。基于上述理论，代表性的机制模型被提出，有伊辛模型◆★、分形模型、元胞自动机模型等。然而，实际复杂系统远比这些要复杂◆◆★★，钱学森提出了■★★■★“复杂巨系统◆★■”的概念，指出生物体系统◆★★◆◆、人脑系统◆■★★★◆、地理系统、社会系统等皆属于此类，包含很多种类的子系统并有层次结构，子系统之间关联关系复杂，无法用统计方法略去细节概括起来 [2] ■★◆◆★★。
亚马逊Kindle Colorsoft彩色电纸书推出低价版，售价249.99美元
由中国计算机学会和清华大学电子工程系城市科学与计算研究中心联合举办的第三届★■■“AI+复杂系统”前沿论坛将于2024中国计算机大会（CNCC）期间召开。
有点陌生◆◆■◆！中国男篮三分21中10&命中率达47.6% 对手仅18投3中
本论坛已成功举办两届◆■◆，聚焦复杂系统科学与数据科学的交叉前沿研究问题，探讨数据密集型、人工智能（AI）方法驱动的复杂性科学研究新范式◆★★★◆，本届论坛将进一步展望AI for Complex System在地球系统、航空工程、城市社会治理等代表性场景的科学应用前景。
在这样的背景下，复杂系统研究与AI的结合，预示着一种新的可能性。传统复杂系统的研究范式是寻求基本原理的理论模型，然而在很多复杂问题中无法建立有效的理论体系。基于各类真实复杂系统收集的大规模数据，我们有望借助AI在理论难以触及的领域发展出新的知识获取和知识表达方法。这种以数据为中心■★■■■、AI驱动的复杂性科学研究新范式，有可能突破领域研究瓶颈，帮助我们更好地理解自然界和社会中的各类复杂现象、更可靠地预测和控制系统的未来行为，应对现实世界中的复杂问题和挑战[4-6]。
[4] 丁璟韬，徐丰力■■★★★，孙浩，严钢■★■，胡延庆◆■■，李勇，周涛. 人工智能驱动的复杂系统研究前沿[J]. 电子科技大学学报, 2024, 53(3): 455-461.
[5] 刘家臻◆★★◆，王寰东，丁璟韬◆■★■，颜欢，徐丰力，范长俊，李勇，刘忠. 人工智能时代下的复杂网络[J]■★★■◆. 指挥与控制学报■◆◆★★，2024，10（3）：255-263★◆◆★■■.
2） 复杂系统难以基于第一性原理精确、高效的仿真模拟。复杂系统规模宏大，且存在典型的多尺度和异质性，系统内部广泛存在的非线性动力学和非高斯 （幂律） 分布造成了系统演化的不确定性，使得当前复杂系统预测方法的长期预测真实性受到很大制约。
2021 年的诺贝尔物理学奖可视为这一领域的里程碑式事件◆★。这一年，奖项授予了三位在复杂系统研究领域做出了杰出贡献的科学家：真锅淑郎 （Syukuro Manabe） ，克劳斯·哈塞尔曼 （Klaus Hasselman） 和乔治·帕里西 （Giorgio Parisi） ★■★◆■。这一奖项的颁发，不仅肯定了复杂系统科学在揭示科学基本规律和改善人类福祉方面的重要贡献，更标志着这一领域的研究已经进入一个新的历史阶段，学界和社会可以进一步期待复杂系统科学发展带来的更多科学突破和社会应用。
作为一个研究对象涵盖基本物质、生命体和社会的跨学科研究领域，复杂系统的研究有助于增进对自然和社会现象的理解和预测，在解决人类面临的复杂问题中具有重要价值。
借助AI工具，我们能够更好的理解复杂现象背后的本质规律。同济大学物理科学与工程学院严钢教授的报告将介绍一种复杂系统的可解释推理方法◆■◆◆★，从真实数据中推断系统的随机动力学方程，并应用在自然界的鸟类集群行为与大脑中tau蛋白病理扩散过程两个真实系统中。北京师范大学系统科学学院樊京芳教授的报告将就复杂性理论以及AI如何应用于地球复杂系统进行阐述，以期理解和可靠预测气候变化的灾难性事件。
《编码物候》展览开幕 北京时代美术馆以科学艺术解读数字与生物交织的宇宙节律
AI自身已形成复杂系统，需要借助复杂性的视角理解 AI、解决其发展过程中的问题。在2022年的第一届论坛中，圆桌讨论环节嘉宾们从系统动力学理论角度提出与复杂系统高度强相关的统计物理方法可以用来分析一定理想化的机器学习方法，其中代表就是今年获得诺贝尔物理学奖的Hopfield网络。在今年的论坛中，南方科技大学胡延庆教授的报告从复杂系统建模的角度揭示了新冠◆■★★■“动态清零■◆■■”政策的基本原理和适用范围，将经验的方法转变为有科学理论支撑的防控策略；胡教授2022年论坛的报告中提出了网络结构预测算法的性能上界★◆■★，可用于指导未来推荐系统、蛋白质相互作用探测等场景中的机器学习算法设计。
2000年以来兴起的复杂网络研究方法是把各类复杂系统简化为节点以及连接节点的边的集合，节点代表系统的基本单元◆◆★◆，边代表各个单元之间的相互作用[3]★★■■■■。这类研究综合运用数学中的图论■■、物理中的统计力学方法，进一步结合数据驱动的计算方法，属于一种不同于传统复杂性研究的思路■■。自然界和人工环境中广泛存在的真实复杂系统均可以用网络数据的形式表示，如生物蛋白质相互作用网络■■、基因调控网络、神经网络、道路交通运输网、电力网、社会网络等。
3）复杂网络中的高阶拓扑特性难刻画。现阶段大多数关于网络的研究都集中在具有成对连接的网络上★★◆◆■。然而■◆■，许多系统中的互动经常发生在一个网络的3个或多个实体之间★■。高阶网络的研究不可避免地要对单 （复） 流型进行结合■◆■★★，即如何将代数几何和微分几何方法来表征高阶拓扑。
为回应这一交叉学科的热点话题，本次论坛邀请在复杂系统★★、AI领域有所建树的专家学者，探讨“AI+复杂系统◆★”的核心愿景。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号■◆★◆”用户上传并发布，本平台仅提供信息存储服务★★◆◆。
集智俱乐部联合斯坦福大学计算机科学系博士后研究员吴泰霖（Jure Leskovec 教授指导）、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣（Max Tegmark 教授指导），共同发起以”为主题的读书会，探讨该领域的重要问题■■，共学共研相关文献。 读书会已完结，现在报名可加入社群并解锁回放视频权限。
1） 真实复杂系统的动力学机理不明晰。真实系统拓扑结构和个体上的动力学往往非常复杂并存在强耦合，传统理论模型动力学交互函数与实际场景存在偏差★◆◆◆★，此偏差由于系统的高度非线性被进一步放大。需要更好地刻画真实世界复杂系统中的动力学机理，提高实际预测精度。
金童将叶落归根■◆■◆■！19岁转会费1.26亿 辗转四大豪门 25岁身价2000万
