清华联合 MIT、牛津等机构的研究《 Understanding emergence in complex systems using abductive AI 》，近日发表于《Nature Reviews Physics》。该研究提出 “反绎 AI” 框架，通过 AI 生成假设、验证测试、提炼解释，结合神经符号回归法，将复杂网络动力学的搜索效率提升 3 个数量级，能自动推导多尺度系统的动力学公式，为人机协同的科学发现新范式提供了落地方法。

导语

在过去半个多世纪中，复杂系统研究的核心科学问题始终聚焦于揭示跨尺度“涌现”现象背后的微观机制。诸如鸟群的协同飞行、生态系统的崩溃、城市交通的拥堵以及气候系统的突变等典型“涌现”行为，皆源于大量个体之间复杂的非线性相互作用。然而，这些宏观规律往往难以被传统的演绎（deduction）与归纳（induction）推理所捕捉。前者依赖既有理论假设，后者侧重经验统计总结，二者在应对高维、非线性、多层耦合的复杂系统时均表现出结构性局限，从而使相关理论进展长期停滞。

近日，清华大学电子工程系李勇教授、地球系统科学系陈德亮院士联合麻省理工学院（MIT）、牛津大学、加州大学洛杉矶分校（UCLA）等国际科研机构的专家提出全新的科学推理框架——反绎式人工智能（Abductive AI），旨在突破传统科学推理方法在理解复杂系统“涌现”现象时的局限，为跨学科科学发现提供新的计算思维和方法论支撑。

反绎推理突破“涌现”理解

复杂系统中常见的“涌现”（emergence）现象——例如鸟群的集群飞行、生态系统崩溃、城市交通拥堵或气候系统突变——源自微观个体之间的非线性相互作用，其宏观行为往往难以用演绎（deduction）或归纳（induction）推理解释。

为突破这一瓶颈，研究团队提出引入第三种推理范式——反绎推理（abduction），即“对最佳解释的推断”。反绎推理以观察为起点，从结果反向推测可能的因果机制。然而，传统反绎推理长期受限于人类认知与计算能力，难以在庞大的数据与模型空间中系统地探索潜在机制。AI的兴起为此带来了突破性机遇，本篇论文首次系统提出，将人工智能引入反绎推理过程，构建了“可计算的科学发现机制与系统框架”，实现从观察现象到理论解释的智能化闭环。

AI赋能的反绎推理框架

研究团队提出了一个由三部分组成的“反绎式AI”框架（见图1）：

1.假设生成（AI-S1）：通过深度强化学习（Deep RL）与扩散模型（Diffusion Model）等先进人工智能方法，在庞大的假设空间中生成潜在的微观机制模型；

2.验证测试（AI-S2）：利用神经算子（Neural Operator）、图神经网络（GNN）与物理信息神经网络（PINN）快速验证这些假设是否能重现观测到的宏观行为；

3.解释提炼（AI-S3）：采用符号回归（Symbolic Regression）与因果归因等方法，将计算结果转化为可理解的数理表达与因果关系。

图1 反绎式人工智能科学推理框架

这一流程不仅能预测复杂系统的行为，更能揭示复杂行为背后的生成机制。研究团队以生态系统与供应链网络为例，展示了AI如何自动识别关键节点并量化其对系统韧性的贡献，为理解网络崩溃与韧性机制提供了新思路。

揭示多尺度、多学科复杂系统“涌现”现象的微观动力学规律

在上述反绎式AI框架中，揭示复杂系统宏观行为背后的微观机制，关键在于从数据中提炼能够解释系统演化规律的数学表达式。为此，研究团队提出了面向网络动力学的神经符号回归方法（ND2）（图2）；符号回归是一种自动发现数学方程的算法，可在变量和运算符的组合空间中搜索最能刻画数据规律的表达式。然而，复杂系统中海量节点及其非线性作用使搜索空间随网络规模超指数增长，导致计算几乎不可行。为此，研究团队将神经网络与符号搜索相结合。其中，符号组件通过一套与节点数量无关的网络动力学算子描述系统动力学，从根本上抑制了搜索空间的爆炸式增长；神经组件则利用在大规模数据上预训练的网络引导搜索方向，使搜索更高效，速度提升约三个数量级。

图2 面向网络动力学的神经符号回归方法

自动发现高维网络系统微观动力学的机器智能方法

进一步，研究团队将其应用于从细胞尺度到城市尺度，跨越基因、生态和社会网络，发现了不同复杂系统背后的微观动力学规律（图3）。该方法能够自动从数据中推导系统动力学公式，将高维网络动力学问题降维为一维等价系统，并通过预训练神经网络实现高精度的动力学模型发现，从而在生物系统、生态系统与人类流动网络中显著提升模型预测能力，揭示跨尺度复杂系统背后的共同规律。基于这一研究思路，团队相关成果以题为《Discovering network dynamics with neural symbolic regression》（基于神经符号回归的网络动力学发现）发表于国际顶级期刊《Nature Computational Science》[2]。

该研究表明在反绎式AI框架下神经符号回归对于揭示复杂系统动力学规律、发现新科学知识方面的具体潜力，为基础科学研究和科学发现提供了全新的方法。

并进一步，研究团队将其应用于从细胞尺度到城市尺度，跨越基因、生态和社会网络，发现了不同复杂系统背后的微观动力学规律（图3）, 以题为《Discovering network dynamics with neural symbolic regression》（基于神经符号回归的网络动力学发现）发表于国际顶级期刊《Nature Computational Science》[2]。该研究表明在反绎式AI框架下神经符号回归对于揭示复杂系统动力学规律、发现新科学知识方面的具体潜力，为基础科学研究和科学发现提供了全新的方法。

图3 使用神经符号回归方法揭示多尺度多学科复杂系统的动力学规律

以“人机协同”推动科学发现新范式

研究团队强调，反绎式AI不是自主发现机器，而是研究人员的“智能副驾驶”。AI负责在海量数据和复杂假设空间中进行探索与验证，而研究人员提供目标、约束与理论判断。两者结合实现深度人机协同，将显著提升科学研究的创新效率与解释深度。团队的李勇教授说，反绎式AI代表着科学推理从‘数据驱动’走向‘解释驱动’的转变，将帮助我们从‘发生了什么’迈向‘为什么会发生’。陈德亮院士也觉得，在地球系统科学等高度复杂的领域，这种新范式有助于揭示气候系统中的隐藏反馈机制和临界行为，为理解和预测气候变化提供新视角。

研究团队未来将继续推动“人工智能 + 科学推理”的深度融合，应用于网络科学、系统生物学、城市系统、气候系统等关键领域，助力人类更好地理解复杂世界的自组织与演化规律。

论文信息：

[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

---

文章改编转载自微信公众号：集智俱乐部

原文链接：https://www.linkresearcher.com/theses/5a319c59-c692-481c-9848-f2cdc311b472

清华联合 MIT、牛津等机构的研究《 Understanding emergence in complex systems using abductive AI 》，近日发表于《Nature Reviews Physics》。该研究提出 “反绎 AI” 框架，通过 AI 生成假设、验证测试、提炼解释，结合神经符号回归法，将复杂网络动力学的搜索效率提升 3 个数量级，能自动推导多尺度系统的动力学公式，为人机协同的科学发现新范式提供了落地方法。

导语

在过去半个多世纪中，复杂系统研究的核心科学问题始终聚焦于揭示跨尺度“涌现”现象背后的微观机制。诸如鸟群的协同飞行、生态系统的崩溃、城市交通的拥堵以及气候系统的突变等典型“涌现”行为，皆源于大量个体之间复杂的非线性相互作用。然而，这些宏观规律往往难以被传统的演绎（deduction）与归纳（induction）推理所捕捉。前者依赖既有理论假设，后者侧重经验统计总结，二者在应对高维、非线性、多层耦合的复杂系统时均表现出结构性局限，从而使相关理论进展长期停滞。

近日，清华大学电子工程系李勇教授、地球系统科学系陈德亮院士联合麻省理工学院（MIT）、牛津大学、加州大学洛杉矶分校（UCLA）等国际科研机构的专家提出全新的科学推理框架——反绎式人工智能（Abductive AI），旨在突破传统科学推理方法在理解复杂系统“涌现”现象时的局限，为跨学科科学发现提供新的计算思维和方法论支撑。

反绎推理突破“涌现”理解

复杂系统中常见的“涌现”（emergence）现象——例如鸟群的集群飞行、生态系统崩溃、城市交通拥堵或气候系统突变——源自微观个体之间的非线性相互作用，其宏观行为往往难以用演绎（deduction）或归纳（induction）推理解释。

为突破这一瓶颈，研究团队提出引入第三种推理范式——反绎推理（abduction），即“对最佳解释的推断”。反绎推理以观察为起点，从结果反向推测可能的因果机制。然而，传统反绎推理长期受限于人类认知与计算能力，难以在庞大的数据与模型空间中系统地探索潜在机制。AI的兴起为此带来了突破性机遇，本篇论文首次系统提出，将人工智能引入反绎推理过程，构建了“可计算的科学发现机制与系统框架”，实现从观察现象到理论解释的智能化闭环。

AI赋能的反绎推理框架

研究团队提出了一个由三部分组成的“反绎式AI”框架（见图1）：

1.假设生成（AI-S1）：通过深度强化学习（Deep RL）与扩散模型（Diffusion Model）等先进人工智能方法，在庞大的假设空间中生成潜在的微观机制模型；

2.验证测试（AI-S2）：利用神经算子（Neural Operator）、图神经网络（GNN）与物理信息神经网络（PINN）快速验证这些假设是否能重现观测到的宏观行为；

3.解释提炼（AI-S3）：采用符号回归（Symbolic Regression）与因果归因等方法，将计算结果转化为可理解的数理表达与因果关系。

图1 反绎式人工智能科学推理框架

这一流程不仅能预测复杂系统的行为，更能揭示复杂行为背后的生成机制。研究团队以生态系统与供应链网络为例，展示了AI如何自动识别关键节点并量化其对系统韧性的贡献，为理解网络崩溃与韧性机制提供了新思路。

揭示多尺度、多学科复杂系统“涌现”现象的微观动力学规律

在上述反绎式AI框架中，揭示复杂系统宏观行为背后的微观机制，关键在于从数据中提炼能够解释系统演化规律的数学表达式。为此，研究团队提出了面向网络动力学的神经符号回归方法（ND2）（图2）；符号回归是一种自动发现数学方程的算法，可在变量和运算符的组合空间中搜索最能刻画数据规律的表达式。然而，复杂系统中海量节点及其非线性作用使搜索空间随网络规模超指数增长，导致计算几乎不可行。为此，研究团队将神经网络与符号搜索相结合。其中，符号组件通过一套与节点数量无关的网络动力学算子描述系统动力学，从根本上抑制了搜索空间的爆炸式增长；神经组件则利用在大规模数据上预训练的网络引导搜索方向，使搜索更高效，速度提升约三个数量级。

图2 面向网络动力学的神经符号回归方法

自动发现高维网络系统微观动力学的机器智能方法

进一步，研究团队将其应用于从细胞尺度到城市尺度，跨越基因、生态和社会网络，发现了不同复杂系统背后的微观动力学规律（图3）。该方法能够自动从数据中推导系统动力学公式，将高维网络动力学问题降维为一维等价系统，并通过预训练神经网络实现高精度的动力学模型发现，从而在生物系统、生态系统与人类流动网络中显著提升模型预测能力，揭示跨尺度复杂系统背后的共同规律。基于这一研究思路，团队相关成果以题为《Discovering network dynamics with neural symbolic regression》（基于神经符号回归的网络动力学发现）发表于国际顶级期刊《Nature Computational Science》[2]。

该研究表明在反绎式AI框架下神经符号回归对于揭示复杂系统动力学规律、发现新科学知识方面的具体潜力，为基础科学研究和科学发现提供了全新的方法。

并进一步，研究团队将其应用于从细胞尺度到城市尺度，跨越基因、生态和社会网络，发现了不同复杂系统背后的微观动力学规律（图3）, 以题为《Discovering network dynamics with neural symbolic regression》（基于神经符号回归的网络动力学发现）发表于国际顶级期刊《Nature Computational Science》[2]。该研究表明在反绎式AI框架下神经符号回归对于揭示复杂系统动力学规律、发现新科学知识方面的具体潜力，为基础科学研究和科学发现提供了全新的方法。

图3 使用神经符号回归方法揭示多尺度多学科复杂系统的动力学规律

以“人机协同”推动科学发现新范式

研究团队强调，反绎式AI不是自主发现机器，而是研究人员的“智能副驾驶”。AI负责在海量数据和复杂假设空间中进行探索与验证，而研究人员提供目标、约束与理论判断。两者结合实现深度人机协同，将显著提升科学研究的创新效率与解释深度。团队的李勇教授说，反绎式AI代表着科学推理从‘数据驱动’走向‘解释驱动’的转变，将帮助我们从‘发生了什么’迈向‘为什么会发生’。陈德亮院士也觉得，在地球系统科学等高度复杂的领域，这种新范式有助于揭示气候系统中的隐藏反馈机制和临界行为，为理解和预测气候变化提供新视角。

研究团队未来将继续推动“人工智能 + 科学推理”的深度融合，应用于网络科学、系统生物学、城市系统、气候系统等关键领域，助力人类更好地理解复杂世界的自组织与演化规律。

论文信息：

[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

---

文章改编转载自微信公众号：集智俱乐部

原文链接：https://www.linkresearcher.com/theses/5a319c59-c692-481c-9848-f2cdc311b472