清华大学地球系统科学系、电子系牵头国际团队在 Nature Reviews Physics 发文

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，提出了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。

突破科学推理的“第三种路径”

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。

研究团队指出，反绎推理（abduction），即“对最佳解释的推断”，为揭示隐藏机制提供了新路径。然而，传统反绎推理受限于人类认知与计算能力，难以在海量数据和复杂模型空间中有效探索。

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科学副驾驶”：三步式智能反绎推理框架

研究团队提出了一个由三部分组成的“反绎式AI”框架（图1）：

图1 “反绎式AI”框架用于发现复杂系统涌现现象背后的机制

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。

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。

以“人机协同”推动科学发现新范式

作者强调，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。

李勇教授表示，“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。它将帮助我们从‘发生了什么’迈向‘为什么会发生’。”

陈德亮院士指出，“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。”

研究团队表示，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。

该成果作为重要评论文章，以“利用反绎式人工智能理解复杂系统中的涌现现象”（Understanding emergence in complex systems using abductive AI）为题，在线发表在国际顶级物理学评论期刊《自然·物理综述》（Nature Reviews Physics ）上。

清华大学丁璟韬、郑瑜、徐丰力三位青年学者为共同第一作者，李勇教授与陈德亮院士为通讯作者。合作单位包括麻省理工学院、牛津大学、意大利国家研究委员会（CNR）、加州大学圣地亚哥分校（UCSD）、伦斯勒理工学院（RPI）等。

论文信息： 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

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。