清華大學牽頭國際團隊提出全新人工智能框架，突破傳統推理局限性

作者丨論文團隊

編輯丨ScienceAI

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，在國際頂級物理學評論期刊《Nature Reviews Physics》在線發表題為《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）的重要評論文章。

該論文提出了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。

突破科學推理的「第三種路徑」

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。

研究團隊指出，反繹推理（abduction），即「對最佳解釋的推斷」，為揭示隱藏機制提供了新路徑。然而，傳統反繹推理受限于人類認知與計算能力，難以在海量數據和復雜模型空間中有效探索。

團隊首次系統提出，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科學副駕駛」：三步式智能反繹推理框架

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）；并進一步，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 2：面向網絡動力學的神經符號回歸方法。

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

[2] Zihan Yu. 「Discovering network dynamics with neural symbolic regression.」 Nature Computational Science, 2025. DOI: 10.1038/s43588-025-00893-8