回放：AI+复杂系统 | CNCC论坛分享

2022年12月8日，由CCF主办，清华大学电子工程系城市科学与计算研究中心承办的“AI+复杂系统”前沿探讨论坛在线上成功召开。此次论坛由专题报告分享和panel议题探讨两部分组成。复杂系统研究在解决城市治理和公共卫生事件应急管理所面临的国家重大需求中发挥着重要作用，这一领域的早期研究积累了海量的各类复杂系统时序数据与模式数据，本次论坛通过融合以机器学习为代表的人工智能技术，为复杂系统的描述、预测与理论发现提供一条全新的路径。

中国科学院大学党委副书记金德鹏出席论坛并致辞。电子科技大学教授周涛、同济大学物理科学与工程学院长聘教授严刚、南方科技大学理学院统计与数据科学系研究员胡延庆、中国人民大学高瓴人工智能学院长聘副教授孙浩、芝加哥大学博士后研究员徐丰力出席论坛并作主题分享。清华大学电子工程系长聘副教授李勇、清华大学电子工程系博士后研究员丁璟韬主持论坛。

论坛议程

近年来，AI技术得到了快速发展，深刻改变着很多问题解决的方案，复杂系统在解决国家重大需求中发挥了重要作用。如何把AI技术和复杂系统研究更好地结合起来，充分利用AI技术带来的新研究模式，同时结合大量的数据，为复杂系统的研究带来新的研究范式，这是本次论坛的想法和目标。金德鹏教授希望通过主题报告和议题研讨，为“AI+复杂系统”的研究方向起到一定的促进作用。

金德鹏致辞

周涛教授作题为《对比机器学习与机制模型——以链路预测为例》的主题报告。周教授介绍了网络科学中最为基础的链路预测问题，即通过已有的网络结构去预测真实存在但尚未观测到的网络链路。周教授还通过案例展示，分析了机器学习和机制模型的优劣势，他指出，对于网络预测而言，机制模型在小样本学习、不均衡样本学习以及抓取网络演化核心规律方面，具备一定的优势。

周涛分享

胡延庆研究员分享了《复杂网络结构可预测性的极限》的主题报告。复杂网络作为一种通用的数据表示形式，广泛存在于生物学、推荐系统、社交媒体等各个领域，同时复杂网络的结构预测技术同样应用广泛，而学术界始终缺乏对于网络本身可预测性的基本理解，就此胡老师提出，利用信息论和统计物理两个领域中熵的相关理论，对网络结构预测极限进行了研究，结果发现来自不同领域很多大小不一的网络，其结构的最短压缩长度和可预测性之间存在一个普遍的线性关系。同时，基于香农信源编码定理，在随机网络上证明了这种关系，并利用其推导出网络结构预测算法的性能上界，揭示出包括机器学习在内的预测算法性能尚存在多大的提升空间。该性能界可用于指导未来在线商业推荐系统、蛋白质相互作用探测等场景中的算法设计。

胡延庆分享

严钢教授作主题为《复杂系统的网格结构与动力学推理》的报告，随着数字化和微观实验技术的蓬勃发展，诸多学科领域都积累了关于实际复杂系统的观测数据，特别是大量节点的活动序列数据，如何从这些观测数据中发掘复杂系统的底层原理是学界和业界都普遍关心的科学问题。严教授首先介绍了数据驱动的复杂系统推理的发展和挑战，讲述利用人工智能辅助的方式在复杂系统的网络结构和动力学推理上取得的最新进展，最后讨论该方向上仍待解决的难点问题。

严钢分享

孙浩教授作《从数据中自动发现物理规律》的报告。科学探索也许是人工智能领域新兴而最具有星辰大海想象空间的方向之一。孙教授介绍了，在过去几个世纪中，科学家们前赴后继，探寻简单、优雅、和谐的数学符号方程，来描述大千世界的普适规律，从经典力学、电磁学到量子力学，一个又一个被发现的规律，当AI成长为挖掘海量数据信息的关键利器，它为探索科学问题开启了一扇新的大门。孙教授分享了符号学习与推理基本概念和方法，讨论如何从数据中自动提取数理方程，进一步探索用于描述未知系统状态的控制方程或定律。

孙浩分享

徐丰力博士后研究员作《数据驱动的复杂科研团队结构识别》的主题分享。随着现代科学的快速发展与跨学科研究的日益普遍，科研合作的规模与复杂性在近数十年间发生了显著增长，这使得科研团队成为了现代科学的重要引擎。徐丰力研究员对科研团队结构与科学创新之间的关系进行一系列分享，通过分析大量论文的贡献声明，介绍一种数据驱动的能自动识别科研团队结构的AI模型，并通过分析超过1600万篇学术论文对应的科研团队结构与多个科研表现指标的关系，探讨科研团队结构在促进创新、产生高质量研究以及培养青年科学家方面的关键作用。

徐丰力分享

接下来的panel研讨，几位嘉宾一共探讨了三个主要的议题。在探讨“从复杂系统的发展历史来看，当前面临什么挑战？AI有哪些潜力帮助这些挑战？”问题中，嘉宾们讨论了上世纪70年代发展起来的借助较简单机制模型刻画系统复杂性的研究以及大数据时代data-driven的复杂网络研究，认为现有研究在处理实际系统复杂性上仍有所欠缺，探讨了大规模复杂系统模拟仿真推演、网络科学代数方法、知识与数据结合的AI技术等可行路径。进一步地，对于“AI如何助力复杂系统的自动建模与模式挖掘？”，AI往往擅长在一个给定的问题下可以快速搜索、试错迭代，而人类擅长基于关心的事物来抽象、定义问题，两者可以起到很好的互补作用，因此可以设计一个类人的AI角色，帮助我们去发现形成一个特定的简洁定律描述复杂系统的动态过程、动力学问题等。最后，随着越来越多的AI技术得到应用，其自身已形成“复杂系统”，例如推荐系统中人与算法交互形成的算法茧房、回音室效应等有意思的现象，我们能否借助复杂性的视角理解AI、解决其发展过程中的问题，实现“From AI for Complex System to Complex System for AI”？这也是大家一致认为极具前景的研究问题。在这些议题的讨论中，各位嘉宾都充分表达了自己的观点看法，对于今后“AI+复杂系统”的前沿研究提供了洞见和可行方向。

Panel讨论

论坛最后，李勇老师感谢各位老师的报告分享，并为各位嘉宾颁发了感谢证书。

总结致谢