研究方向 | 研究中心中文版本

未来研究方向

集智科学研究中心将秉持“营造跨学科探索小生境，催化复杂性科学新理论”的使命，推进复杂系统的理论研究工作。具体地，这里的复杂性科学新理论是指面向“复杂活系统”的一整套认知-分析-预测-再造的理论方法。这里的复杂活系统是指具有一定复杂性的生命及类生命系统。

探索更多

复杂活系统理论

系统特性

复杂系统真正的奥秘隐藏在一大类具有“活性”的生命及类生命的复杂系统之中，我们将其称为“复杂活系统”（Complex Vivid Systems）这类活系统展现了一系列新的涌现特征，包括：自适应性（Self-adaptive）、进化（Evolution）、自上而下的因果（Downward Causation）、目的性（Purposive）、自指性（Self-referential）、智能性（Intelligent）等。

研究价值

尽管这些特征目前尚未能得到明确的定义，但是它们却都与生命的起源、智能的本质、自我意识等重大科学问题相关。

研究挑战

对这些问题的探讨超出了传统物理属性的范畴，而明显具备更多的“信息”、“计算”、“同构”等特性，因而需要突破传统复杂科学研究的物理方法的限制。本研究中心的重要使命就是要针对这类“复杂活系统”建立新的复杂性理论。

因果与复杂系统

大量复杂活系统的“活性”能力的体现，恰恰在于这类复杂系统对底层因果规律的某种“超越”。例如，因果涌现（Causal Emergence）理论就指出，如果我们适当地对复杂系统进行粗粒化描述，那么，系统有可能展现出因果效应更强的动力学特征。因而，复杂系统能够在一定程度上与底层的因果规律产生“因果解耦”（Causal Decoupling）的现象。另一方面，复杂活系统还能展现出所谓的“向下因果”（Downward Causation）特性，即如果我们针对系统中的个体单元进行溯因，则很可能追溯到的是系统的整体特性而非其他个体的特征。更重要的是，这类向下因果很可能是涌现出来的，而非明确可观测的变量，这就为自上而下的控制提供了一种新的可能性，同时也为解释“自主性”、“目的性”等重要现象提供了新的可能。所有这些特性都揭示了复杂活系统中因果关系的特殊性和复杂性。因此，如何借助因果推断、因果机器学习、信息分解、复杂网络、神经网络重整化等技术手段探寻复杂活系统中普遍存在的跨尺度因果特性成为了重要的问题。

自指与意识机器

自指（Self-reference）最早是语言学中的一类现象，即一句话能够形成自我指涉，语言能够谈论语言本身。随后，哥德尔、图灵等人分别将自指能力引入到了数学公理体系和计算理论之中，得出了“不完备性定理”和“图灵停机”等著名“不可能性”定理。随后，冯诺依曼对自复制自动机（Self-reproducing automata）的研究指出，作为一种自动机构造的自指技巧还可以用来创建具备自我复制能力的复杂机器，从而在一定程度上绕过热力学第二定律的“束缚”，实现无损耗的结构复制，甚至于达尔文式的进化。由此可见，自指并非语言、数学的专利，它更是一种系统的功能属性，并在复杂活系统中起到了关键性的作用。自我意识是目前最大的未解决难题之一。什么样的复杂系统能够产生自我意识？这种自我反省的能力是如何进化而来的？我们是否能够构建具备意识的机器？我们猜测，这些问题都与自指具有深刻的联系，这是因为人类自我反省能力本身就是一种自指现象，即自己正在思考、指涉自身。那么，我们是否可以利用自指能力来定义意识本身？我们又是否可以凭借自复制自动机的技巧创建意识机器？这是我们关注的一个重大问题。

复杂系统自动建模

近期，基于神经网络、深度学习的人工智能技术为我们研究复杂系统提供了新的可能性。我们可以通过数据驱动的方式构建复杂系统模型，还可以在学习到复杂系统因果规律的同时，在“替代模型”上实现对原复杂系统的优化、干预与控制。进一步，我们还可以借助生成式AI技术，自动构建满足特定约束（如数据约束，条件约束）的复杂系统模型。这为复杂系统研究提供了全新的可能性。

复杂性阶梯理论

复杂科学的使命在于获得不同复杂系统背后的统一规律。然而，发现统一规律的前提是能够在一种不同的视角下重新看待、比较不同的复杂系统。复杂阶梯理论（Complexity Hieararchy）就是这样一种新的视角。该理论假设所有复杂系统将能按照其行为和功能上的复杂性排布成一个大致的阶梯，沿着阶梯向上，系统的复杂性将逐步提高，功能性将逐渐增多。在这个阶梯中，自指可能是系统实现从“物理”系统向“活”系统关键跃迁的重要环节。复杂阶梯理论将重点梳理现有复杂系统研究，明确它们在复杂阶梯上的定位，同时还将关注若干阶梯跃迁的重要环节，并寻求跃迁环节的重要规律，最终形成不同复杂系统的统一描述。