从动力学到涌现：复杂系统的科学解读框架论

大家好！我是郑志刚，来自华侨大学系统科学研究所以及信息科学与工程学院。今天我将与大家分享的主题，是如何从科学视角理解与研究涌现。

“涌现”这一概念在复杂系统研究中至关重要。理解和研究涌现，意味着要探寻其中的规律、法则，追溯其本源。规律是事物发展过程中的本质联系和必然趋势，法则是对规律的总结和提炼，而本源则是事物产生和发展的根源。只有深入探究这些方面，才能真正从科学的视角把握涌现行为。

从科学视角研究涌现，能够帮助我们更好地理解复杂系统的运行机制，为解决实际问题提供理论支持。无论是在自然科学领域，还是在社会科学领域，涌现现象都普遍存在。通过对涌现的研究，我们可以揭示出隐藏在复杂现象背后的简单规律，从而推动科学的发展和进步。

一、复杂性的涌现：诗与歌的回忆

涌现问题的研究，本身就是一部宏大而激荡人心的学术叙事。请允许我从我的人生和研究生涯讲起。

80年代初，Prigogine访问北师大。

20世纪80年代初，著名物理化学家、诺贝尔奖获得者Prigogine教授访问了北京师范大学，这一事件意义非凡，标志着复杂性涌现研究在国内迈出重要一步。第一张照片定格下了年轻学子们簇拥这位学术大家的动人瞬间。照片里年轻学子们围在Prigogine教授身边，眼中满是对复杂系统新思想的好奇与向往，正是这一次访问，把非平衡热力学、耗散结构这些关于涌现和自组织的前沿火种，播进了中国学者和年轻学生的心里，也为国内后来几十年复杂性科学的研究埋下了伏笔，我自己对涌现问题的兴趣，也正是从这段学界流传的故事里开始生根发芽的。

Prigogine教授和他的中国学生们。从左至右：清华大学李如生教授、北京师范大学胡岗教授、方福康教授、漆安慎教授。（感谢狄增如教授提供）

这张照片感谢狄增如教授提供，是Prigogine教授和他的中国学生们的珍贵合影，从左至右分别是清华大学李如生教授、北京师范大学胡岗教授、方福康教授、漆安慎教授。李如生教授从事非平衡化学反应及其耗散结构的研究，可惜90年代就英年早逝。胡岗教授长期开展非线性动力学、随机动力学等方面的研究，其研究领域广泛，在物理学最著名期刊“物理评论快报”发表30多篇研究工作的记录是我国同一代研究者中的佼佼者，影响了一大批包括我在内的青年科研工作者。漆安慎教授是我国从复杂系统角度开展生物系统免疫问题研究最早的学者之一，90年代末“非线性科学丛书”中的《免疫的非线性模型》一书就是漆先生的大作。方福康教授长期从事经济复杂性的研究，也是我国系统科学学科发展史上的标志性推动者和践行者。他在非平衡相变等基础理论研究中取得重要成果，在北京师范大学创办系统理论本科专业，设立系统科学一级学科博士点，奠定了北师大系统科学学科的发展基础，为我国系统科学学科建设作出卓越贡献。在担任北京师范大学校长期间，他明确了建设综合性、研究型一流大学的办学方向，其学者与校领导的双重角色充分彰显出杰出的才能。

我于1988年进入北师大物理系求学，有幸恰逢复杂性研究的蓬勃兴盛之时，彼时相关领域研究如火如荼，各类前沿理论与新锐观点层出不穷。1992年我本科毕业，决意继续深造，师从胡岗先生攻读硕士，并于1994年顺利直博。1996年，未毕业的我以博士后身份进入香港浸会大学胡斑比先生的非线性研究中心，两位胡先生都成为我的学术和人生导师。下方左侧的照片，是我1996年抵达浸会大学后，与同来访问的胡岗教授的首张合影。

1997年，我博士毕业后留在北师大工作。由衷感念那些为我开启科研之门的恩师们，留校后我的科研与教学工作进展顺遂，并于2001年破格晋升为教授。2004年，我以裘棤学者身份重返斑比先生课题组访问，下面右边与课题组的珍贵照片，同样具有特殊意义。胡斑比先生一直担任浸会大学物理系系主任和非线性科学研究中心主任，在任期间推动了大半个中国的非线性科学发展事业，他为非线性科学和统计物理做出的重要贡献被学界铭记。这些时间节点串起了我在复杂性涌现研究的发展脉络，让大家可以看到我在这一领域从萌芽到发展的历程。于我而言，这是串成美好回忆的诗与歌。

左图：1996年与胡岗教授在香港浸会大学的合影；右图：2004年与胡斑比先生在香港浸会大学课题组的合影。

1.1 布朗运动——随机动力学（1992-）

我的学术起点，是1992年开启的布朗运动——随机动力学领域研究。

时间回溯到1827年，Robert Brown首次观察到了布朗运动，这一现象就像一颗投入平静湖面的石子，激起了科学界对微观世界的探索涟漪。1905年，Albert Einstein利用随机行走从理论上对布朗运动进行了解释，他的研究为统计物理学的发展奠定了重要基础，就如同为一座高楼大厦搭建了坚实的地基 [1]。

1908年，Paul Langevin提出了朗之万方程 [2]，从动力学视角描述了布朗粒子的运动，随机力的引入为研究随机过程提供了有力的工具，从微观层次为科学家们配备了一把精准解剖随机世界的手术刀。

1913年，Adriaan Fokker和Max Planck在随机过程的研究中做出了重要贡献，他们从统计和宏观角度提出随机动力学的统计分布满足的演化方程 [3,4]，推动了随机动力学理论的完善，如同为一幅精美的画卷添上了浓墨重彩的一笔。1931年，Andrey Kolmogorov建立了概率论的公理化体系，为随机动力学的发展提供了严密的数学基础，这就像是为一座宏伟的建筑构建了稳固的框架 [5]。

这些科学家们的研究一步步推动着布朗运动——随机动力学领域的发展，也为我在这片学术耕地上的探索提供了丰富的养分和坚实的基础。

在胡岗先生的指导下，我的第一个工作是周期势场中的布朗运动一般解的问题，这是一个很具代表性的物理问题，布朗运动本身在材料科学、生物学、环境科学乃至金融领域都有广泛应用，而周期势中的布朗粒子动力学是普遍存在的研究热点，在该体系中能探究粒子运动轨迹、平均速度、扩散系数以及马达效应等诸多有趣的物理现象，目前相关研究主要集中在理论分析与模拟层面。这个纯理论的研究花费了我一年多的时间，终以两套优雅的解析理论画上圆满句号 [6]。

自1992年开启的随机系统研究并未就此终结，而只是一个开端。在后续研究中，我将研究场景拓展至具有相互作用的粒子、非对称周期势场等，结合耦合系统、生物分子马达开展了一系列研究，宛如随机世界中一颗花粉颗粒或一只蚂蚁，在随机行走里不断探寻心仪的新课题 [7-9]。这也促成了我与合作者2025年在科学出版社出版的专著《生物分子马达的统计物理与复杂输运》[10]，该书入选软物质前沿科学丛书。

开启的随机性研究也引发了我新的思考。当随机性与非线性复杂系统相遇，会产生众多的非平庸宏观行为 [11]，而这也引发了两个基本问题。首先，随机性从何而来？在自然科学的诸多领域，随机性似乎无处不在。以布朗运动为例，科学家们的不断探索揭示出分子热运动是产生随机性的一种原因。然而，随机性的只是来源于分子碰撞的“多”吗？这也引发第二个问题：随机性与动力学有何关系？或者说，力学描述下的确定性系统是否也会产生不确定性和随机性？一旦如此，动力学与统计之间的关系就变得复杂而微妙，这意味着统计性的出现。看来研究随机性与动力学的关系，有助于我们更好地理解复杂系统的行为和规律。

1.2 涌现的力量：从动力学到统计物理学（1995-）

对于随机性与统计基础的思考，成为我从1995年开始的第二片研究之地——统计物理学基础问题，这也是我博士学位论文的主体研究课题。

在力学的确定性世界里，拉普拉斯决定论占据主导。但混沌现象的发现，揭示了牛顿力学并非无懈可击：确定性系统会因动力学不稳定，衍生出如蝴蝶效应般的不确定性与随机性。那么动力学的不稳定、不确定与统计之间究竟有怎样的关系呢？

而今我们知道，相比于经典力学聚焦于确定性，统计物理学是理论物理学的重要分支，它是研究量变到质变的学科，从物质的微观结构和相互作用出发，架起了微观到宏观、简单到复杂之间的桥梁，致力于解决层次跨越的问题。它不仅是连接系统微观和宏观描述之间的桥梁，同时也是联系物理学和其他学科之间的纽带，在过去的近两个世纪中，是最活跃、成果最多的学科领域之一，更是物理学大厦中唯一一门以跨越层次作为基本课题的学科。

1859年，Maxwell发现气体分子的速度分布律；1868年，Boltzmann提出了更一般的分子统计分布律，并提出熵的统计解释，把物理体系的熵和概率联系起来，阐明了热力学第二定律的统计性质，引出能量均分理论。这些重要发现都来自气体的分子运动论。1889年开始，Gibbs撰写了一部关于统计力学的经典教科书《统计力学的基本原理》。Gibbs在撰写经典教科书《统计力学的基本原理》时，使用刘维尔的成果，对玻尔兹曼提出的系综这一概念进行扩展，建立了一般的统计系综理论，从而将热力学建立在了统计力学的基础之上 [12]。

回归统计物理学的概率性建构逻辑，其植根于微观分子运动层面，随机性是其不可或缺的核心基础。早期玻尔兹曼提出各态历经假说，之后发展为数学家开展的以动力系统为基本研究对象的遍历性理论 [13]。遍历理论将动力系统按随机性由弱到强分为回归性、遍历性、混合性、混沌性（Kolmogorov系统）和双曲性（Anosov系统）、Bernoulli性等，越强的随机性则带来更强的统计性，促使具有微观动力学的多体体系实现各种宏观涌现。遍历性理论在动力学和统计之间搭建起过渡的桥梁，动力学系统的全局性混沌[14]是系统统计规律成立的根本要素。

回溯学科发展历史，这些关键时间节点无疑在该领域的演进中具有重要价值，值得我们深入探究其中蕴含的奥秘，进而更为透彻地理解动力学与统计之间的微妙关联。

从上面可以得到一个重要结论——统计物理学在物理学发展历程中具有开创性意义，它是首个冲破还原论藩篱的学科。作为物理学的重要支柱之一，统计物理旨在研究宏观现象的微观机制，诠释宏观系统的物理特性，为具有复杂相互作用的多体系统建立一般性理论，来理解和刻画超越微观相互作用所能预言的整体行为或涌现现象。同时它不仅是连接系统微观和宏观描述之间的桥梁，更是联系物理学和其他学科之间的纽带，在过去近两个世纪中是最活跃、成果最多的学科领域之一，自上世纪中叶以来关于非平衡及复杂系统的研究，更是让它成为了联系数学、化学、生物和计算科学等众多自然科学的高度交叉学科，建立和发展了一大批新兴研究方向。这意味着我们不能再局限于传统的还原论思维，而要以新的视角去探索物理世界。

当我们接受力学系统的概率性和统计性时，就可以在保留哈密顿量、拉格朗日量等力学能量函数的基础上，运用统计方法构建新的逻辑体系，进而探寻新的物理学规律。这种方法为我们打开了一扇新的大门，让我们能够从不同的角度去理解和解释物理现象。

从系统科学思想来看，存在还原论和整体论两种观点。还原论关注热力学单元的力学和相互作用规律，以及哈密顿函数；而整体论则强调统计性。系统论的关键要求是实现从微观到宏观的跨越。统计物理学没有摒弃任何一方，而是将二者巧妙结合，因而达成了从微观向宏观的跨越。

从动力学到统计物理学，涌现展示出强大的力量。这种力量促使我们重新审视物理世界的规律，不再仅仅关注微观层面的细节，而是更加注重宏观层面的整体表现以及从微观到宏观涌现的机制。统计物理学的发展，让我们能够更好地理解复杂系统的行为，为解决实际问题提供了有力的工具。

我的博士学位论文聚焦于统计物理学基本问题，获得了好评，2001年入选第三届全国百篇优秀博士学位论文 [15]。该奖项是国内博士学位论文领域具权威性的评选，1999年起开始举办，历年入选论文均代表了相关学科的高学术水平。在多年的思考基础上，近二十年后，我与胡岗先生合著的《从动力学到统计物理学》一书2016年在北大出版社出版 [16]，该书已成为很多同行的案头书，这使我们深感欣慰。

热力学第二定律作为宏观规律中最难理解的物理学定律之一，是物理学运动的代表性宏观涌现定律，更是复杂系统动力学规律最早且最大胆的探索。它本质上阐述了宏观非平衡性及其演化方向，体现为复杂系统涌现出时间箭头。

从分子运动论的视角来看，人类对热力学第二定律的理解曾困难重重，且这一认知困境至今仍未完全消解。不过，当系统足够小时，热力学过程的方向性能够被逆转。近年来，少体系统的热力学研究从微观层面阐明了热力学过程的方向性，还以Jarzynsky等式等取代传统热力学不等式，来展现热力学不可逆过程 [16,17,18,19]。

我与胡岗先生在2001年发表的研究表明 [20]，混沌遍历少体硬球系统在不可逆过程中，可通过大量相同系统的系综平均消除涨落，或者在系统粒子数足够多时，热力学第二定律都能成立。这一结论在多种实验中得到验证，为混沌少体力学系统到常规热力学系统的不可逆过程建立了桥梁，揭示了遍历混沌性对少体系统满足热力学第二定律的关键作用。

1.3 复杂系统的同步、集群与有序（1998-）

1998年起，我开辟了第三片学术研究领域，将研究目光聚焦于同步、集群与有序问题。早在1673年，Christiaan Huygens就观察到了钟摆同步的有趣现象，这可被视为同步研究的早期探索。无独有偶，1680年，Engelbert Kaempfer发现了萤火虫的同步闪光现象，再次印证了物理学与生命科学神奇的同步发展。同步问题的理论研究真正突破发生于非线性动力学的兴起，标志性的事件包括1963年Winfree提出的耦合相位振子模型[21]和1975年Kuramoto提出的可解模型 [22]。这些探索为研究同步现象提供了重要的理论框架，帮助我们理解众多振子如何在相互作用下达到同步状态，在物理学、生物学等多个领域都有广泛应用 [23,24,25]。

多振子体系微观层次的同步涌现是一个值得深入探讨的现象。这是我们1998年取得的突破性研究成果 [26,27,28]。我们的研究表明，大量振子的同步是以同步分岔树的方式来进行的，即系统在耦合强度改变时振子会从部分到整体同步，就像一棵树状分支，反映了系统从无序到有序的转变过程。同步与相空间维数转变的关系揭示了系统动力学行为的变化。相空间维数的改变可能会导致同步状态的转变，从低维到高维的变化可能会使系统从简单的同步模式转变为更复杂的同步形式。这一关系有助于我们理解系统在不同条件下的动态行为，以及如何通过调整系统参数来实现期望的同步状态。

同步分岔的研究充分展示了复杂系统内在的有序性转变，这种转变行为在混沌系统中同样存在，会以更为丰富的混沌同步形式蕴含在混沌的无序背后。我们开展了大量研究，这些研究成果收录在2000年出版的“非线性科学丛书”之一《混沌控制》[29]和2004年出版的专著《耦合非线性系统的时空动力学与合作行为》[30]中。这两本书对于20多年来年轻一代的科研工作者的成长起到了重要作用。 

与同步和有序相关的内容是复杂系统真正的一片天地。我们随后的大量研究包括同步理论问题的探讨及其应用拓展。我们长期坚持的方向是利用统计物理学方法求解各种不同场景下的同步涌现特征和规律。除此以外，与同步有关的应用有相当多的主题。第一个是神经动力学，神经信号的整合需要同步，而过度同步却属于神经疾病，兴奋性神经元网络需要一定比例的抑制性神经元来加以平衡，使得神经网络的工作既稳定又灵活 [31]。我还在华侨大学指导电气专业的研究生，该方向涉及的电网运行稳定性是至关重要的问题，它就密切联系着电网中的同步，是复杂网络同步的重要拓展 [32]。第三个研究方向聚焦活性物质的集群动力学 [33]。集群行为的产生很大程度上依赖于智能体的取向一致性，它在很多情况下依赖于时域的同步。

大家可以看到，这些神奇的巧合都密织在一起，这就是复杂系统的可爱之处，它们在微观上支撑起了宏观涌现的产生。上述在各个不同领域的研究探索，引发了我们对于复杂系统涌现动力学的一般性思考，这也是我们2019年出版的一套《复杂系统的涌现动力学》上下册专著[34]的最直接初衷。这套书和我2016年的《从动力学到统计物理学》一书今天集智也在做签名销售，非常感谢大家的厚爱！这些努力都是我们试图从更大更广阔的视野对涌现的思考。

二、涌现: 从“多者异也”到自组织

下面我想从物理学视角切入涌现这一大自然运行机制背后的逻辑。我们知道，物理学作为科学金字塔最底层的基础科学，其研究对象涵盖宇宙万物，聚焦于万事万物的时间与空间规律。历史上它也是还原论思想大为成功的试验场，科学家依据不同的时间和空间尺度，构建了众多学科分支。这些描述不同时空尺度的物理学分支既存在差异，又具有普适性。

世界的复杂性决定了层次性的存在，而如何实现从微观作为一个层次到宏观作为另一个层次的跨越，是物理学面临的重要问题。涌现概念的提出为解决这一问题提供了新的视角，物理学家、诺贝尔奖获得者Philip Andersen提出了“多者异也” [35]，强调了还原论下对层次跨越的纠结和困境，即将万事万物还原成基本规律的能力，并不意味着我们自然就拥有从这些规律重建宇宙的能力。这表明，微观层面的规律在宏观层面可能会涌现出全新的现象和规律，微观的简单性并不直接等同于宏观的简单性 [36]。在不同的语境下，涌现在物理学中也被称为“演生”，“层展”，前者的基本要义在于强调在跨越层次产生新行为的过程与动力学，而后者强调了跨越层次而产生的全新现象。

涌现，在物理学中最生动的展示是相变。我们可以从同步与物理学的热力学相变研究做一对比来找到重要启示。

先看铁磁相变。磁性材料由大量具有自旋取向的粒子组成，材料整体的磁性取决于有多少比例的粒子选择同一取向。可以发现，在高温下，自旋取向高度无序，这种无序是由环境温度涨落导致的，涨落使得自旋的取向处于无序状态。但另一方面，自旋间的相互作用能够克服这种涨落带来的取向无序性，使自旋极化，也就是取向一致，从而实现有序。由此可见，材料的总磁矩在高温下为零，当温度低于某一临界值时则变为非零，进而产生统计意义上的对称性破缺。

类似的规律同样存在于振子同步现象中。从同步转变角度看，也存在无序和有序两种状态。无序状态体现为自然频率的异质性，即各个个体的自然频率存在差异，缺乏一致性。但当耦合强度足够大时，就能克服这种动力学无序性，进而形成相位集群，达成有序状态。

同步转变与铁磁相变的范式涌现一致性，反映了物理学中从无序到有序的转变机制。正如复杂系统研究指出的，复杂系统由大量相互作用单元构成，同步性源于单元间相互作用、系统内在动力学演化等因素，而相变可表现为系统同步性的变化，自组织现象能让系统在无外部干预的情况下从无序状态演化到有序状态。这类现象对于我们理解物理系统的本质和规律具有重要意义。

在物理学的研究中，我们不能仅仅局限于还原论，还需要关注整体的涌现现象。只有这样，我们才能更全面、深入地理解宇宙万物的运行规律，推动物理学不断向前发展。

2.1 多体物理学：凝聚态物理学的演生

物理学进入20世纪以来，遇到的更多的是多体（例如多原子、多电子）系统展现出的诸如相变等集体行为，其微观行为需要以量子物理学为基础，而多体的研究则需要结合统计物理学、群论等基于整体的分析，由此出现了最早的关于晶体结构和物理性质研究的固体物理学 [37]。随着研究的深入，科学家将研究对象扩展到凝聚态物质。Landau对称破缺理论和重正化群理论是研究大部分物质态及物质不同态之间相变的框架，是当前诸如液晶显示、磁性材料记录等研究领域的理论基础。随着对更多复杂物质的研究，多体物理学进一步拓展至包括液晶、胶体、等离子体等在内的物理体系研究，由此诞生了具有更一般意义、涵盖更多凝聚物质的凝聚态物理学 [38]，乃至专门以大量复杂物质如液晶、胶体为研究对象的软凝聚态物理 [39]。这些新兴领域涵盖了多体物理学、量子区域复杂系统等多个方向，充分展现了凝聚态物理的研究范畴与理论应用价值。凝聚态物理学的各种理论，包括晶体结构理论、能带理论、元激发与准粒子理论、非平衡输运理论、波与物质作用理论、相变理论、弹性力学理论、流体力学理论、晶体生长理论等，都是站在整体层面，从微观-宏观角度建立的。

举个例子。我们经常会问一个常识性问题：光为什么可以穿过玻璃？实际上这个问题涉及光与不同物质的作用。光能否穿过物质取决于物质对光是否吸收，而吸收与否则取决于物质的能带结构。固体物质的能带理论告诉我们，材料的能带包括导带与价带，二者之间的带隙大小是决定材料导电、光学等性质的关键参数。金属材料的价带和导带重叠或仅存在极小的能带隙，电子容易从价带进入导带，从而可以自由运动；而玻璃的主要成分二氧化硅属于绝缘体，它的带隙较大，一般为9电子伏特，可见光的能量不足以将处于价带的电子激发到导带，因此可见光不会被玻璃吸收，从而可以“透明”地穿过玻璃，不过当二氧化硅暴露在紫外光下时，会吸收能量并激发电子跃迁到导带中，这时它会具备一定的光导电性能。由此可以看出，上述问题的本质是能带问题，这是一个材料的整体问题。

2.2 自组织：物理-数学-控制-演化的法则

实际上，大量有趣的问题早已超出上述研究的传统物理学领域。当我们将视角投向热力学平衡态以外，那些传统物理学不曾涉足甚至被排除在研究范畴外的领域时，会发现一片值得物理学家深耕的新天地。

就涌现这一概念而言，它强调通过自组织完成从微观到宏观的过渡，而涌现的自组织理论能在多个领域得到体现。在离开平衡态的物理化学系统中，人们都发现了新现象。

Rayleigh-Benard对流是流体动力学中的经典现象。Benard在20世纪初叶通过实验观测到存在温度梯度的流体薄层会形成特殊流动结构。1916年，Rayleigh对该现象进行了初步理论分析。当流体处于上冷下热的温差环境，上下温差较小时，传热为热传导方式。当温差超一定限度，下方受热膨胀的流体因密度下降获向上浮力，在浮力与黏滞力平衡作用下，原本局部静态的液体分子自组织形成宏观对流模式。这一过程的临界条件可通过无量纲Rayleigh数判断，当Rayleigh数大于某临界值，流体层失稳形成对流。

Belousov和Zhabotinsky研究了非平衡化学反应，1952年，Belousov率先以硫酸铈盐作催化剂，进行柠檬酸的溴酸氧化反应，当把反应物和生成物的浓度控制在远离平衡浓度的时候，他发现某些组分如溴离子和铈离子的浓度会发生周期性的变化，造成溶液的颜色在无色和黄色之间周期性变化；之后Zhabotinsky接过相关工作加以改进，还发现反应过程中溶液会出现同心圆形或旋转螺旋状的卷曲花纹波这类空间有序结构。他们的研究证实，非平衡下的化学反应不再维持化学平衡时的物质浓度不变，而是通过自组织产生周期性的浓度变化，呈现出宏观的振荡现象。

生命系统中存在生物膜、离子通道、门、催化剂等大量多样的微观非平衡物质结构，为涌现的自组织现象提供了丰沃的土壤。在这样的环境下，自组织现象频繁发生，展现出微观与宏观之间的奇妙联系。下面我们通过几个具体的例子来深入了解这种自组织现象。例如，氨基酸是组成蛋白质的基本单位，构成生物体的氨基酸有20多种，众多氨基酸分子以特定方式相互作用、自组织，形成具有特定结构和功能的蛋白质。蛋白质在生命活动中发挥着至关重要的作用，它可以作为结构蛋白构成羽毛、肌肉、头发等生物体结构，绝大多数酶这类蛋白质还能催化细胞内的生化反应，此外像血红蛋白这类蛋白质承担着运输功能，胰岛素、生长激素则能调节生命活动，抗体还能发挥免疫作用，可以说一切生命活动都离不开蛋白质。

细胞作为生命的基本单位，其内部的各种生物分子和细胞器通过自组织形成了有序的结构和功能，实现了细胞的正常生理活动。同样，组织和器官也是由细胞通过自组织形成的，它们协同工作，实现了生物体的各种生理功能。这些例子不仅充分展示了生命系统中微观元素通过自组织形成宏观现象的神奇过程，也表明生命系统中的自组织现象是普遍存在的，它是生命得以维持和发展的重要机制。

生命节律，即生物体内在的周期性生理与行为变化规律，是生命科学领域的重要研究方向。昼夜节律、心跳节律等各种生物节律，是微观层面的基因调控、生物化学反应和细胞活动自组织在宏观上表现出有规律的生命活动。涌现的自组织理论在不同领域的体现，揭示了微观与宏观之间的奇妙联系。2017年，诺贝尔生理学或医学奖授予了Jeffrey Hall、Michael Rosbach和Michael Young，以表彰他们在揭示生物钟分子机制方面的开创性贡献。他们的研究深入阐明了生物钟如何通过基因与蛋白质的反馈环路，在分子层面上调控生物体的昼夜节律，这一发现不仅深化了人类对生命基本运作原理的理解，也为睡眠障碍、代谢性疾病等与节律相关的健康问题提供了重要的科学依据 [40]。

再看大脑，大脑包含数以亿计的微观神经元，这些神经元有着细胞体、树突、轴突等结构，会通过动作电位传导、神经递质释放等方式完成信号传递，它们之间借助复杂的连接形成神经网络并进行自组织，而且有研究通过单神经元记录实验证实，后顶叶单细胞水平的神经元活动能反映知觉意识形成过程中的证据积累，最终大脑多个区域的神经回路协同工作，涌现出意识、思维等宏观层面的高级功能。这是微观元素自组织形成宏观现象的典型例子。

在以生物个体为基本组成的种群层次，动物的集群与协同行为是一种迷人而复杂的现象，蝴蝶、鸟群、蚂蚁、鱼类、牛群、羊群、蝗虫等的集群协作、游动、向心运动、迁徙等。比如高密度状态下的蝗虫，会从随机跳跃运动转变为同向绕圈的集体运动；鱼类集群也被证实存在自组织结构特征。这些现象均体现为智能体的自组织涌现，目前已有研究者对鸟群、鱼群等生物群体智能行为的涌现机理进行揭示，并开展数学建模等相关研究。

自组织理论从多学科视角呈现出不同内涵。物理学视角下，系统通过与外界交换物质、能量和信息，不断降低自身的熵，也就是无序度，进而提高和维持有序度。以生命为例，生物通过摄取食物获取能量，排出废物，与外界进行物质和能量的交换，从而维持自身的有序结构。从系统论角度看，系统在内在自组织机制驱动下，能自行从简单原生状态向复杂结构发展。这就好比一个生态系统，最初或许只是简单的物种组合，但在内在机制的驱动下，逐步演化出复杂的食物链、生态平衡等结构。在进化论视角中，系统在遗传、变异和自然选择机制作用下，组织结构和运行模式不断自我完善，以提高对环境的适应能力。综合来看，不同学科视角下的自组织理论虽然侧重点不同，但都揭示了系统从简单到复杂、从无序到有序的发展规律，为我们理解各种复杂系统提供了多元的视角。

自组织理论结合物理学的发展代表就是Prigogine的耗散结构理论 [41]。该理论有效解决了平衡态和非平衡态热力学，特别是关于第二定律涉及的退化和进化的迷思。该理论认为，远离平衡态的开放系统，能够通过与外界交换物质和能量，在涨落的触发下，借助非线性相互作用，自发形成有序的耗散结构。这一理论打破了过去人们认为热力学平衡态才是有序稳定结构的认知，第一次从热力学层面清晰地解释了非平衡系统中自组织有序结构产生的机制，也为解释生命这类远离平衡态的有序系统提供了核心的理论框架。

自组织理论结合复杂系统动力学的代表是Haken提出的协同学理论 [42]，它进一步从动力学角度揭示了自组织的内在逻辑，指出系统中大量子单元通过协同作用，会在临界点发生对称性破缺，由序参量主导系统演化，最终自发形成宏观的有序结构。这两个理论分别从热力学和动力学层面，为自组织现象提供了核心的物理学基础，也将自组织研究从物理化学领域拓展到生命、社会、工程等更广阔的领域。

从非线性控制的视角来看，自组织本质上是系统不依赖外部特定指令，通过内部反馈机制自发形成有序动态的过程，这种自发调控的特性为我们理解具备自适应、自修复能力的复杂系统提供了重要的启发。在高级层面，复杂系统的个体已不是简单的原子分子等单元，而是具有适应能力的主体。以Holland为代表的学者提出的复杂适应系统理论指出 [43]，复杂系统的主体会随着环境变化不断调整自身行为和规则，通过相互适应协同，在宏观层面涌现出新的复杂层次和结构。这也把自组织和演化的概念更紧密地结合在了一起。

可以看到，自组织并不是某一个学科独有的概念，它从物理出发，不断在数学、控制、演化等不同领域生长出不同的内涵：从系统论视角看，它是系统在内在机制驱动下自行从简单向复杂发展的过程；从热力学视角看，它是系统通过与外界交换物质、能量和信息提升有序度的过程；从进化论视角看，它是系统通过自我完善提升环境适应能力的过程。自组织理论由耗散结构理论、协同学、复杂适应系统理论、突变论等构成，最终成为我们理解涌现现象的核心框架之一，它基于开放性、远离平衡性、非线性相互作用等自组织机制，系统性地解释了宏观有序结构如何在微观相互作用下自发产生的根本逻辑。

2.3 少者异也：适应性与反馈

对于涌现，Andersen提出了“多者异也”，那么这里的“多”究竟是什么？中国古代哲学中有“混沌初开：一生二，二生三，三生万物”的说法，这其实揭示了一种从简单到复杂、从单一到多元的演化过程。“一”代表着最初的混沌统一状态，随着发展衍生出“二”“三”，直至无穷无尽的万物，这体现了“多”的涌现。

在物理学领域，“混沌初开”联系着大量很有趣的问题，最有代表性的当数“三体问题”和“周期三”。三体问题是指三个质量、初始位置和初始速度都为任意的可视为质点的天体，在相互之间万有引力的作用下的运动规律问题。Poincare对三体问题的研究表明，这样的系统不仅不存在解析解，而且轨道呈现难以预测的不稳定特征，庞加莱是混沌研究的鼻祖 [44]。

相信喜欢复杂系统的朋友大多看过刘慈欣的小说《三体》[45]，其时空背景是有两颗恒星影响下的行星。在两颗恒星的影响下，行星运行会是规则的，称为恒纪元，也可能是混沌的，称为乱纪元。生活在这颗行星上的三体人着实不易，必须学会在两种不同纪元之间切换与生存，还不可避免地会遇上三体极端事件带来的毁灭性灾难。

混沌的解已经很复杂，即使初始条件有极小的差异，后续的运动状态也会截然不同，这就如同从混沌中衍生出了复杂多样的结果，这是“多”的一种具体表现。华人数学家李天岩和他的导师J. Yorke通过研究简单的离散映射，提出“周期三意味着混沌” [46]，以此表明，系统一旦出现周期三的运动模式，就会出现复杂的混沌运动。

很多的研究表明，在三个相互作用分子的层面，系统就会表现出一些宏观的特征，这说明，成千上万的分子组成的系统的涌现往往在少数层次就已经表现出来，“多”并非产生涌现行为的必需要素 [47]。

因此在复杂系统的研究中，我们提出“少者异也”这一概念，以此与“多者异也”形成有益的互补。如何理解“少者异也”呢？我们认为，反馈机制是组织系统产生异于单元行为的重要机制。例如，当系统拥有基础的拓扑结构时，只需通过拓扑形成反馈机制，就像构建性非线性系统控制中通过动态状态反馈来优化系统控制效能一样，结合系统的非线性机制，能够涌现出整体上不同于单元行为的动力学结构，特别是产生宏观的极限环振荡。

以可激发单元（如神经元）组成的Winfree环 [48]和由基因组成的调控网络[49]为例，其内在调控反馈可以生动地展现上述过程，产生振荡。Winfree环依托可激发网络的特性形成自持续振荡，而基因调控网络的振荡则源自基因和蛋白质之间的自反馈或耦合反馈，这类振荡在激素水平、代谢等诸多生物学过程中普遍存在，对应于神经系统的“记忆”和生物体内的各种生物钟调控。是非线性赋予了系统的多种选择性，使得定态解失稳。这意味着系统不再局限于单一的稳定状态，而是有了更多变化的可能 [50]。

而反馈机制在其中也起着至关重要的作用。正反馈就像一个助推器，能够促进振荡模的增长，让系统的变化更加剧烈；负反馈则像是一个稳定器，可以使振荡模稳定下来，避免系统过度波动。

这种“少者异也”的现象，为我们理解复杂系统的涌现提供了新的视角。它告诉我们，即使是少量的元素或部分，在特定的拓扑结构和反馈机制下，也能产生独特而复杂的宏观行为。这对于我们深入研究复杂系统的动力学特性，以及揭示系统从微观到宏观的转变机制，都具有重要的意义。

三、涌现：自上而下，自下而上

复杂系统的涌现特征具有跨层次性、可观察、可测量、可表征性以及层次可分离性。涌现的跨层次性表明，高层次的行为是由低层次组分相互作用后整体涌现出来的，低层次单个组分并不具备这种行为，这从另一个侧面体现了从微观到宏观的过渡。

可观察、可测量、可表征性方面，宏观量通常可表示为低层次物理量的集体或平均，宏观量会随条件变化出现定性变化，也就是相变。相变分为一级相变、二级相变等不同类型，其中二级相变在宏观性质未发生明显变化的情况下，会发生对称性的突变，即对称破缺，比如无外磁场时的超导-正常相变就属于这类情况。除了对称破缺，相变过程中还会出现遍历性破缺和拓扑性质改变。而在生成扩散模型的研究中也发现，这类模型会经历二阶相变，该现象就对应着自发对称破缺，这也印证了相变伴随对称性改变的特性。

可分离性意味着层次间可解耦，存在一套宏观变量使微观和宏观产生分离，统计物理中宏观量等于微观量的统计平均，还会出现维数的巨变。

3.1 序参量理论

序参量用于描述、辨识与区分复杂系统中不同的序或有序状态。序参量是人为定义还是系统内禀？这个问题由协同学给出答案。在复杂系统中，序参量是从大量微观变量中涌现出来的宏观变量，是微观子系统集体运动的产物、合作效应的表征和度量，反映系统整体的有序程度。它属于‘慢变量’，由系统内部子系统间的相互作用和能量耗散等因素决定，一旦产生还能影响和支配系统的演化，这也是协同学中的役使原理。比如在激光系统中，光强是序参量；在化学反应中，浓度是序参量。当系统无序时，序参量为零；当变化穿越临界点时，序参量编委非零，系统出现有序结构。传统序参量的寻找往往依赖直觉，通过分析系统对称性与具体物理条件实现；而内禀序参量的获取则可依托理论方法，与之相关的协同学数学技术十分丰富。

涌现研究存在自上而下与自下而上两种基本范式，与之对应，序参量理论也分为自上而下和自下而上两类。这两种范式为我们研究复杂系统的涌现提供了重要途径。

在复杂系统的涌现研究中，自下而上的序参量理论遵循统计物理和协同学原理，从大量微观变量出发，通过个体间的相互作用和能量耗散等因素，让序参量从微观层面自然涌现出来，反映系统整体的有序程度。就如同在研究大脑、蛋白质等系统时，从微观粒子的相互作用入手，探寻宏观层面的涌现现象。

基于微观建模的自下而上序参量理论以还原论为基础，通过微观建模挖掘复杂系统涌现的内禀机理；在方法论层面，依托统计物理学或协同学原理构建序参量及其动力学，这本质上是一个降维过程。基于统计物理学的降维技术包括系综理论、投影算子、主方程、截断理论，还可以结合对称性和不变性理论；基于动力学与统计的降维技术则可依托协同学原理，利用流形分析、中心流形定理、绝热消去、平均法等，进行快慢变量的分析、辨识与分离以达到降维的目的。

基于微观建模的自下而上序参量理论

当复杂系统是一个黑箱，即我们只有微观的时空数据时，基于微观数据重构的自下而上序参量理论就发挥了重要作用。该范式基于还原论，通过利用微观数据进行动力学或拓扑（网络）重构，并利用聚类分析方法提取关键模式（成分）以实现降维，得到重构的宏观序参量动力学，并以此挖掘复杂系统涌现的内禀机理。在方法论上通过对不同外界条件或参数下系统中的大量数据进行聚类，发现数据的分组结构，利用时域/空域Fourier分解、小波分解、EMD、DMD、VMD等方法进行主模式辨识与提取，利用动力学相空间重构（PSC）、网络动力学重构（NDC）、Koopman方法、本征微观态理论（EMS）等实现序参量动力学的重构 [51]。

基于微观数据重构的自下而上序参量理论

自上而下的序参量理论则是凭借经验构造序参量，以唯象方式建立其动力学模型。该范式先从宏观视角切入，基于对系统的观察与认知人为定义序参量，进而探究其在系统中的演化规律与作用机制。

上述两大类序参量理论范式各有优势和适用场景。自下而上的理论能深入揭示系统内部的微观机制，而自上而下的理论则能从宏观层面快速把握系统的整体特征。在实际研究中，应根据具体问题灵活运用这两种理论，相互补充，以更全面、深入地理解复杂系统的涌现现象。

3.2 涌现研究：理论与方法

在涌现研究中，有一系列实用的工具和方法：

非线性动力学涵盖稳定性分析与分岔，能帮助我们深入了解系统在不同条件下的状态变化和发展趋势，判断系统是否稳定以及何时会出现分岔等情况。

流形分析包括稳定（不稳定）流形和中心流形定理，该方法可从几何维度助力我们把控系统动态，其中稳定流形可引导系统趋近稳定状态，不稳定流形则可映射系统潜在的偏离方向。

多时间尺度分析采用快慢变量和平均法，当系统存在多时间尺度演化特征时，可有效区分主导因素与次要因素，从而简化分析流程。

拓扑几何分析运用辛几何、微分几何、KAM定理和Poincare - Birkhoff定理等，从拓扑结构层面研究系统，揭示系统的深层次几何性质和动态规律。

统计分析包含Perron-Frobenius理论、遍历理论、平均场理论、重整化群理论和临界理论等，可从大量数据中挖掘系统的统计特征和规律。平均场理论能将复杂多体问题简化为单体问题，在气体、固体、液体研究及复杂网络分析中被广泛应用，帮助挖掘系统统计特征；重整化群理论则在量子场论、统计力学领域发挥重要作用，近年来拓展到非线性动力系统分岔、非平衡相变、复杂网络动力学等大量复杂系统涌现行为的研究中。

由于系统不同层面都需要动力学描述，非线性动力学理论适用于不同层次的分析。此外，复杂网络理论与方法也在涌现研究中发挥着重要作用，它能描述系统中个体之间的相互关系和连接结构，为理解系统的整体行为提供新视角 [52, 53, 54, 55]。

四、展望与思考

下面我想尝试从科学研究的基础范式来探讨一下关于复杂系统及其涌现问题的探究模式。科学研究通常遵循三部曲，即寻规律、探法则、溯本源，这是由浅入深、由表及里的科学探究模式。

经典力学的发展便充分体现了这一点。开普勒仰望星空，通过观测天体运行数据，总结出天体运行相关规律，但这样的数据囿于时空尺度的限制，难以得到宇宙级、长时的数据。伽利略作为实验室构建的第一人，通过在人工建立的实验室中测量可控实验数据，归纳出力学相关规律。在前人寻规律基础上，牛顿提出力学三定律和万有引力定律，探求运动和力的因果法则，找到了宇宙运行的基本法则。拉格朗日和哈密顿则建立了分析力学，借助能量函数、约束条件和变分，遵循最小作用量原理，对运行法则进行溯源。

不过，复杂科学的研究三部曲并非如此简单机械，也不一定遵循这样的顺序。在当下人工智能的助力下，复杂科学研究需要螺旋式上升的多轮、反复研讨过程。这意味着需打破传统研究模式的局限，灵活运用多元方法与工具，持续开展深度探索。这对我们提出了更高的要求，需要我们以更开放的思维、更创新的方式去进行科学研究，不断推动复杂科学向前发展。

涌现研究的“自上而下-自下而上”范式本质上是系统科学的基本方法。系统科学是在还原论和整体论之间架起了桥梁，既不否定对微观机制的探究，也强调宏观层次的独特性质，让我们得以跳出非此即彼的研究框架，更全面地触碰复杂系统的本质。

系统学有一个最简单且基本的原理，即系统的结构与环境共同决定其功能，而系统的功能又会反过来影响结构与环境，二者呈现出相互影响的双向关系。这意味着系统并非静态的，而是在结构、环境与功能之间不断动态调整和变化。系统功能通常不能简单地归结为各组分自身功能的相加，这种现象被称为“涌现”，也就是“1 + 1 > 2”。这体现了系统的整体性和复杂性，整体所具有的特性和功能是部分所不具备的 [56]。

还原论一直以来都是推动人类文明进步的基石，也是系统论产生和发展的基础。不过，系统论既不同于单纯的还原论，也不是整体论，而是二者的辩证统一。这种统一使得系统论有超越还原论的可能，能够更全面、更深入地理解和解释复杂系统。

从复杂系统的系统论角度来看，涌现是系统由许多简单部分相互作用时，自发产生的全局性特性或行为，包括动力学涌现、结构涌现和统计涌现，这些涌现特性无法直接从个体部分的性质推导出来。涌现又可分为弱涌现和强涌现，其中弱涌现的全局行为可通过理解个体规则和相互关系逐步推导，比如气体分子的相互作用能解释气压和温度等宏观特性；强涌现的全局行为则无法通过个体部分理解直接推导，常见于神经网络、生命现象等复杂系统中。同时，系统具有自适应性，个体以及复杂网络在其中发挥着重要作用，还会出现意识、智能、群体行为等涌现现象，比如人类大脑包含数十亿个活动简单的神经元，却能通过相互作用产生意识和智能；每只蚂蚁个体行为简单，但蚁群却能通过集体合作展现出寻找食物、建立巢穴等高度协调的复杂群体行为。尤其值得注意的是，人工智能和生成式智能的涌现可能不只是简单的“多者异也”，控制、反馈、自组织和临界性等关键要素可以共同塑造系统的整体行为和发展。

涌现是复杂系统大量个体的集体抉择。正如复杂系统研究指出的，复杂系统由无数个体组成，聚集在一起会呈现出不会体现在个体特性中、也无法轻易从个体特性中预测的集体特性，不同个体对规则的不断重复可以产生复杂的自组织行为。在不同约束条件下，个体间通过各种交互规则，或协同或竞争，形成不同时空尺度的集体形态。这一点在鸟群、细菌群落、智能活性粒子机器人组等活性物质系统中得到验证：这类系统中的个体无需更高层次的指令，就能自发形成有序的集体形态。这里的交互规则丰富多样，涵盖物理与非物理、互易与非互易、对齐与同步等。

我们可以选择慢主导、快跟随的策略，也就是协同学中的支配原理。在状态空间里，沿着中心流形演化，也就是依据序参量来行动。这样，我们就能穿越复杂的能量景观，最终抵达集体抉择的“吸引子”。

涌现的微观－宏观叙事是复杂科学的核心场景之一，这不仅需要科学的严谨，还需要激情的驱动。恰似我们穿行于人生的山谷，既要以理性为灯指引方向，也要以无畏热情披荆斩棘，方能在复杂莫测的人生之路上不断前行，实现自我的突破与成长。

回顾我投身复杂性研究的人生历程，恰似从一个山谷迈向另一个山谷的旅程。当我们历经艰辛爬上山顶，视野豁然开朗，能看到众多山谷，还能听到山谷中音乐的回响。此时，我们站在临界态，拥有无尺度的视野，面临着抉择。我愿分享草就的一首小诗，与各位朋友共享今天在集智谷的思想碰撞和涌现狂欢：

人生，就是

从一个山谷

到另一个山谷的旅程

当你努力爬上山脊

你能看到众多的山谷

听到山谷中音乐的回响

抉择，在临界态

无尺度的一览众山

于是又开始了

山谷中的涌现

山谷间的相变

这场朝向另一个山谷的复杂性探险旅程，我们已然窥见谷底隐约的路径，也聆听到山谷中悠悠的音乐回响，吸引着一代代研究者不断前行，去揭开涌现背后更深层的奥秘，为人类理解复杂世界打开更开阔的大门。

谢谢大家！

详情请见：

涌现动力学如何用来分析复杂系统？ | 新课上线

在神经系统中意识的生成、城市交通的拥堵演化、全球产业系统的协同与失稳之中，始终潜藏着一条贯穿微观与宏观的因果脉络：个体行为本身或许简单，却能在尺度跃迁中孕育出高度组织化、难以还原的整体结构。复杂现象并非微观规则的线性叠加，而是源于多尺度动力学作用下逐步形成的因果组织。正是在这一背景下，因果涌现理论被提出，并在因果涌现 2.0、工程化涌现以及多尺度因果抽象等工作中推进，逐渐发展出一套融合动力学分析、信息论度量以及谱方法与人工智能工具的研究框架，从而将研究重心从“复杂性本身”转向“因果结构如何出现、如何被度量并在现实系统中发挥作用”。

为系统梳理因果涌现领域的最新进展，北京师范大学系统科学学院教授、集智俱乐部创始人张江老师领衔发起「因果涌现第七季」读书会，组织对该主题感兴趣的研究者与探索者共同研读前沿文献、交流研究思路。读书会将于2026年2月22日起每周日上午（创建读书会暂定时间为10:00-22:00）线上开展，持续约10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。

推荐阅读

1. 山谷中的脑力激荡——六位重磅嘉宾揭秘AI时代下的复杂科学

2. Complexity, let's rock!

3. 综述：涌现自组织的原理

4. 涌现——AI“思考”背后的科学｜杨明哲

5. Patterns：量化涌现复杂性

6. 诚招系统科学/AI/物理背景的内容创作者

7. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

8. 高考分数只是张入场券，你的科研冒险在这里启航！

9. 加入集智字幕组：成为复杂科学知识社区的“织网人”

#原创

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

本文旨在梳理整合信息论（IIT）1.0的内容和发展脉络

整合信息论（Integrated Information Theory, IIT）是探索意识本质的开创性理论框架。Giulio Tononi最早在2004年提出了首个版本的IIT，并给出了具体的数学框架。本文旨在梳理IIT1.0的内容和发展脉络。

1. 历史溯源

意识包括对自身内在事物的觉察，以及对外部环境中的状态或对象的认知。千百年来，哲学家、科学家和神学家们一直在广泛解释、分析和辩论关于意识的理论^[1]。直至19世纪末，心理学家威廉·詹姆斯^[2]率先将有关意识的讨论和研究带入到了科学研究的范畴里，尤其是启发了后续关于意识的神经关联（Neural Correlates of Consciousness, NCC）的一系列科学研究^[3]。在现代意识研究中，“现象意识”这一专业术语是所有意识形式的通用同义词，或简称“体验”，不区分内在与外在，或高阶与低阶类型。随着脑科学研究的进步，“任何形式的经验现象的存在”成为那些神经科学家工作的基础，他们试图分析意识现象学与其相关信息处理在大脑中的精确关系。这一神经科学目标是寻找“意识的神经关联”^[4]，即确定足以产生特定意识体验的最小神经机制。然而，NCC研究主要回答“意识与何处相关”，却未从根本上解释“主观体验如何从物理系统中产生”以及“意识有多少”。

整合信息论由Giulio Tononi于2004年提出，从意识的现象学公理出发，反向推导出意识必需的物理基础，并提出了整合信息的量化指标——Φ值，用以衡量一个系统的意识水平。整合信息论试图回答意识的两个核心问题：
意识的“数量”：一个系统具有多强意识（意识的程度或水平）。
意识的“质量”：一个系统具有何种意识（意识的具体内容或体验）。

整合信息论不仅尝试直面“物理系统如何产生主观”这一根本问题，也首次使意识的定量化、跨系统比较成为可能^[5]，为构建可验证、可计算意识科学奠定了重要基础。

2. 意识的现象学特性

2.1 分化（Differentiation）

意识体验具有高度的特异性与丰富性。也就是说，在任一时刻，我们都可能处于大量彼此截然不同、泾渭分明的意识状态之中——例如此刻所看到、听到与感受到的复杂场景，与前一刻可能完全不同。

这一现象表明，清醒意识是由大量具体内容所构成的结构化状态。换言之，从可能状态空间的角度来看，意识系统具有极强的区分能力，能够在众多可能状态中实现精细而明确的区分。

在整合信息论中，这一特性被概括为系统的“分化”，即系统能够支持的可区分状态的数量与多样性。一个分化程度较高的系统，其内部因果结构允许系统在不同条件下进入大量彼此不同的状态，从而对应于丰富而具体的主观体验。

这一性质在形式化上通过有效信息（Effective information, EI）来计算。有效信息衡量的是一个系统（或子系统）能够对另一个系统施加的可能因果效应范围^[5]。 为了评估这种因果影响的“特定性”，IIT在计算EI时引入了一种理想化操作：将系统某一部分的输入替换为最大熵的随机噪声源（即完全不确定的输入）。在这一设定下，可以考察系统的因果结构本身能够区分多少种不同的输入情形，并相应地产生多少种不同的输出结果。

因此，如果一个系统在这种最大不确定性的条件下，仍然能够产生大量彼此区分明确的因果影响（即具有较高的有效信息），则说明其内部因果结构具有较强的区分能力，能够支持丰富多样的状态。这正对应于现象学意义上的“分化”：即意识体验在内容上的高度特异性与多样性。这点也呼应了香农信息论中的一个直觉：一个系统能够区分的可能状态越多，其所蕴含的信息量就越大（尽管这一量化指标也与状态的分布有关）。

2.2 整合（Integration）

意识体验不仅是特定的一个体验，同时它一定是一个整体的体验，不可被分割，这便是整合信息论所有公理里最著名的整合公理（Integration）。

整合的本质是因果上的不可分割性。整合在IIT1.0中定义了意识的“存在形式”——它必须是统一的。而信息性（Information） 则定义了意识的“丰富内容”。一个具有高整合性的系统，其整体对自身的因果效力，大于其各部分因果效力之和。

IIT1.0用数学量Φ（Phi）来精确衡量这种不可分割的程度。Φ值量化了当系统在自然的关节处被分割为两部分时，其内在因果结构所损失的信息量。 所谓“自然的关节处”（natural joint），是指一种假想的最优切分方式：在所有可能的划分方案中，选择一种使系统被分割后所造成的信息损失最小的划分。

一个系统的Φ值越高，意味着它作为一个统一整体的不可还原性越强，根据IIT，其意识水平也就越高。 IIT1.0理论认为，意识与整合信息的能力有关。这一观点可能看起来并不自明，也许是因为我们在大部分生命历程中都拥有意识，因此习以为常。为了获得一些视角，借助一些思想实验来说明主观体验的关键特性是有用的：它的信息性、统一性以及时空规模。

意识体验中的信息整合在现象学上是显而易见的：当你有意识地“看到”某一图像时，这个图像会被体验为一个整体，不能被分割成独立体验的组成图像。例如，无论你多么努力，你都无法独立体验颜色和形状，也无法独立体验视觉场左半部分与右半部分。实际上，唯一可以做到的方法是物理上将大脑一分为二，以阻止两半脑之间的信息整合。但这样一来，这种分裂脑手术会产生两个独立的意识主体，每个主体都有较小的可用状态库和更有限的性能。

考虑另一个思想实验：你可能昏迷数天，只在清醒一秒钟，然后又回到昏迷状态。只要你的丘脑-皮层系统在这一秒钟内能够正常运作，你就有意识。也就是说，一个系统不必探索其状态库来拥有意识，或知道自己应有多有意识：重要的是，这个状态库潜在上是可用的。

此外，IIT1.0理论能够直接解释为何意识与大脑某些部分相关联以及与某些整体功能模式的关联。

3. 概念的定义和计算

信息整合度 Φ 的计算过程如下：首先，将复杂网络抽象为由大脑构成的因果网络，其中节点对应神经元，连边表示神经元之间的突触连接；其次，将连边理解为节点之间的因果作用，其强度由有效信息刻画；最后，系统的信息整合程度定义为其在最优二分划分下的最小因果连接强度，即各子网络之间因果瓶颈处的有效信息。具有最大整合信息的子网络，被认为是意识发生的区域。

3.1 有效信息

有效信息是一种因果效应度量，用于衡量子系统A对子系统B的因果影响。它是一种特殊的互信息，即在最大熵干预的前提下，度量A、B两个部分的互信息。具体公式为^[6]：

其中，MI(A:B)=H(A)+H(B)−H(A,B)表示互信息，用于衡量A与B之间的统计依赖性；A^Hmax表示在切断A的输入连接后，向其注入最大熵噪声的扰动状态（见图1），这种扰动确保了A的输出变化完全由独立噪声驱动，从而纯粹反映A对B的因果作用。在一个连续的马尔科夫动力学系统中，最大熵分布取决于约束条件。在IIT的具体计算实践中，尤其是在假设系统满足线性高斯动力学的情况下，最大熵噪声通常建模为高斯分布：（ cp为噪声强度，I为单位矩阵）；在一个离散的马尔科夫动力学系统中，向其注入最大熵噪声，则是对系统做do干预（do-operator），将A系统状态分布干预成其定义域上的均匀分布（A^Hmax∼U）。有效信息的高低直接反映了A与B之间因果连接的强度与特异性：若因果连接紧密且分化度（即为子集的状态多样性）高，EI值较高；反之，若连接微弱或因果效应单一，EI值趋近于零。若需详细了解离散以及连续的马尔科夫动力学系统的有效信息计算可以参看有效信息词条。

为了全面评估子系统A与B之间的因果交互，因此可以引入双向有效信息，定义为两个方向EI值的总和：

EI(A⇌B)=EI(A→B)+EI(B→A)

这一度量捕捉了A与B之间双向的因果流动，强调了交互的非对称性——即EI(A→B) 与 EI(B→A) 可能显著不同。双向有效信息是识别系统内部整合能力的关键基础，因为它反映了任意两个部分之间可交换的因果信息总量。

图1双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)

3.2 意识的“量”

3.2.1 最小信息二分（MIB）

最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使归一化有效信息（EI）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。 它的具体计算步骤如下：

1. 选择子系统S⊆X，其中 X包含n个元素，S包含k个元素（2≤k≤n）；

2. 枚举所有二分切割 [A:B]_S，需满足A∪B=S（覆盖子集）且 A∩B=∅（无交集），归一化有效信息后，有效信息最小的二分割即为所求。

最小信息二分MIB(S)公式定义为：

含义为在所有二分切割中选取归一化有效信息最小的划分。

归一化有效信息的计算公式为：

其中对于一个连续的马尔科夫动力学系统的最大熵A^Hmax的计算方式为：

其中 m=dim(A)表示 A的维度。

而对于一个离散的马尔科夫动力学系统的最大熵A^Hmax的计算方式为：

同样的m=dim(A)表示A的维度。

经过了上面的一系列运算，对于集合S的整合信息量Φ(S)最终根据定义：

ϕ(S)=EI(MIB(S))

须注意，此处使用的是MIB(S)对应的未归一化的有效信息值。

3.2.2 整合信息(Φ)

上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。

ϕ指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，ϕ是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度^[7]。表达式为：

ϕ(S)=EI(MIB(S))

其中，S表示待分析的子系统，MIB(S)代表最小信息的二分切割（即在所有对S的二划分中找到能够让两个子网络间有效信息最小的那个划分），EI即有效信息（Effective Information）。该指标通过计算系统“在最小信息二分切割下可交换的有效信息量”，来衡量系统的信息整合能力，ϕ值越高，表示系统越能作为一个整体进行信息整合，而非仅仅是独立部分的集合^[5]。

3.2.2.1 Φ 值大小的影响因素

除网络拓扑结构外，连接强度也会影响 Φ 值大小。一般而言，Φ值随连接平均强度的增加而增加，但并非强度越大越好，强度分配模式同样关键。当平均强度一致时，不同的强度分配模式会导致 Φ值差异显著。在保持网络连接总强度不变的情况下，从每个节点都是自环的模式逐渐过渡到每个节点都平等地与其他节点等强度相连，Φ值会先增大后减小。这表明，节点并非简单地将连接强度等同分配给所有其他节点，而是需精心选择连接对象，将大量连接强度分配给少数几条连边，且这些连边要尽可能连接其他具有较少连接的节点，此时Φ值更大。此外，动力学也会影响 Φ值。通过调节系数c可调整噪声对系统的相对影响大小，结果显示，噪声越强，Φ值越小，网络整合度越低。

若将连接视为多个节点建立的信道，由于Φ值是一种有效信息，信道带宽越高，Φ值越大。在同等带宽下，节点彼此之间的连接模式极为重要，只有当每个节点尽可能连接不同的节点，增大连接的多样化，最终的Φ值才会更大。

3.2.3 复合体（complex）

在前述内容中，已给出了系统整合信息ϕ 的计算方法，然而，在确定系统整体的整合信息量水平时，还需要进一步考虑其子集，因为有可能会出现子集的整合信息程度会大于整体的情况，这时整体的整合信息量就由子集主导。为了更好地说明这种情况，IIT1.0引入了复合体（complex）的概念，其定义为复合体是系统X的一个子集S，需要满足以下条件：

1、信息整合能力：ϕ(S)>0，即子集内部能通过因果交互整合信息；

2、最大性：S不被任何其他具有更高ϕ 值的子集包含，换言之，复合体是局部最优的信息整合单元。

系统中ϕ 值最高的复合体称为主复合体，代表系统整体信息整合能力的上限：

同时，该复合体的整合信息量ϕ也是整个系统的整合信息量Φ。

3.3 意识的“质”

3.3.1 有效信息矩阵

在整合信息论中，有效信息矩阵是定义意识体验具体内容与质性的核心数学对象。如果说Φ值量化了意识的“量”（整合程度），那么有效信息矩阵则完整刻画了意识的“质”（独特体验）。它被概念化为感质空间的几何或拓扑结构蓝图。

有效信息矩阵是一个方阵，其行和列对应于系统主复合体中所有可能的元素子集（或基本元素本身）。矩阵中的每个条目EI(X→Y)表示从一个特定子系统X到另一个子系统Y的有效信息值。

每个EI(X→Y)的计算遵循IIT对有效信息的标准定义：

• 对子系统X施加最大熵干预（即，将其输出替换为所有可能状态上的均匀随机噪声）。

• 在Y中观察由此引发的状态分布。

• 计算X的最大熵分布与Y的响应分布之间的互信息。这个值衡量了X的所有可能输出能在Y中产生多少可区分的因果效应。

该矩阵包含了主复合体内每一对因果方向的潜在影响力。因此，它不是一个描述观察到的平均活动的“功能连接”矩阵，而是一个描述 全部因果可能性 的“因果潜力”矩阵。

IIT提出，主复合体中的每个基本元素（或功能单元）构成了一个抽象感质空间的一个维度。然而，仅有维度不足以定义体验的质性——关键在于这些维度之间的关系。

结构决定质性的示例——考虑两个极其简单的系统，每个都由四个元素组成，且计算出的Φ值相同（Φ=10比特）：

• 系统A（发散结构）：元素1强连接至元素2、3、4，但后三者之间彼此无直接连接。

• 系统B（链式结构）：元素1连接至2，2连接至3，3连接至4。

图2对于具有相同Φ值的两个复合物，有效的信息矩阵和活动状态

具有相同Φ值的两个复合物的有效信息矩阵和活动状态如图2所示。图2a.因果相互作用图和复合物分析，图2a.中展示了两个系统，一个具有“发散”结构（左），另一个具有“链”结构（右）。复合物分析表明，两者都包含一个由四个元素组成的复合物，其Φ值为10。

图2b.为有效信息矩阵，其中展示了上述两个复合物的有效信息矩阵。对于每个复合物，所有二分均通过在上行列出一个部分（子集 A）和在下行列出互补部分（子集 B）来表示。中间是每个二分中从 A 到 B 和从 B 到 A 的有效信息值，颜色编码为黑色（零）、红色（中间值）和黄色（高值）。

图2c.是状态图，图中展示了两个复合体的五个代表性状态。每个状态由每个复合体中四个元素的激活状态表示，这些元素排列成一列（蓝色：激活元素；黑色：非激活元素）。

这五个状态可以被认为是由于系统的内在动力学或环境输入而随时间演变的。尽管两个复合体的状态相同，但由于有效信息矩阵的差异，它们的含义也不同。最后四列代表四个特殊状态，对应于每次只激活一个元素的状态。如果能够达到这些状态，它们将最接近于该复合体中特定元素所贡献的特定“感觉”。

尽管意识“量”相同，但两者的有效信息矩阵截然不同。系统A的矩阵显示出一个中心枢纽与多个终端的关系；系统B的矩阵则显示出一个顺序链式关系。IIT认为，这种信息关系结构的差异，直接对应着意识体验质的差异。系统A的体验可能像一个中心主题带有多个附属属性；系统B的体验则可能像一段线性的序列或流程。

3.3.2 感质空间（qualia space）

感质空间是整合信息论中用于形式化描述意识体验具体内容（即“质性”）的核心抽象模型。它是一个高维的、结构化的数学空间，其几何或拓扑形态完全由物理系统的因果结构决定。IIT提出，每一种可能的意识体验，都对应于此空间中的一个特定点或区域；而体验之间的相似性与差异性，则对应于空间中点与点之间的距离与关系。

1. 定义与构建原理

感质空间并非一个预先存在的容器，而是从一个系统的主复合体中“涌现”出来的关系结构。

• 维度：构成主复合体的每一个基本功能单元（例如，一个神经元集群或一个信息处理模块），被定义为感质空间的一个独立维度。因此，一个具有N个功能单元的主复合体，其感质空间就是一个N维空间。

• 结构：这些维度之间的关系并非彼此正交、独立。它们之间的“夹角”或“连接强度”，由有效信息矩阵中的条目精确界定。矩阵中两个单元之间的有效信息值越高，意味着它们在因果上耦合越紧密，在感质空间中对应的两个维度也就越“接近”或关联越强。

• 构建：因此，有效信息矩阵是感质空间的生成蓝图。通过这个矩阵，可以计算出空间的内在几何（如维度间的距离、曲率）或拓扑（如连接图）。一个高度整合、结构复杂的主复合体，将产生一个维度极高、内部结构极其丰富的感质空间。

2. 核心作用：将体验映射为数学对象

感质空间的概念，旨在为第一人称的主观体验提供一个第三人称的、可数学描述的对应物。

• 体验即位置：在任一时刻，主复合体内所有功能单元的特定活动模式（例如，特定神经元的放电率），为感质空间的每个维度提供了一个坐标值。这组坐标在空间中唯一地确定了一个点。这个点就代表了系统在该时刻的完整意识体验。

• 质性差异即几何差异：两种不同体验（如“看到红色”与“听到中音C”）之间的质性差异，对应于它们在感质空间中相距甚远，且可能位于由不同维度子集所张成的不同子空间中。而相似体验（如“深红”与“浅红”）则在空间中彼此邻近。

• 解释现象学关系：意识体验中固有的现象学关系（例如，红色与橙色感觉上比红色与喇叭声更接近），被直接归因于感质空间的几何结构。负责编码红色的神经元集群与编码橙色的集群，它们之间的有效信息值（因果互动）高于它们与听觉集群之间的值，因此在感质空间中，前两者对应的维度夹角更小，距离更近。

感质空间是IIT试图桥解释义鸿沟的关键尝试。它将“难以言喻”的感质，转化为可原则上从系统物理状态计算得出的空间结构。它使比较不同系统（人、动物、潜在的人工智能）的意识内容成为理论可能——即比较它们的感质空间几何。简而言之，感质空间 是IIT将意识质性数学化、几何化的雄心勃勃的理论工具。

4. 计算案例

为了将整合信息论的形式化定义转化为直观理解，本小节通过一个高度简化的计算案例，逐步演示Φ值的核心计算流程^[8]。考虑一个由若干元素组成的系统X。每个元素（例如，可类比为大脑中的一个皮层微柱）可以处于不同的离散活动状态。系统的动力学由元素间的连接权重矩阵定义。我们的目标是：分析系统X的所有可能子集，计算每个子集的整合信息量Φ，并最终识别出系统中的复合体——即那些具有正Φ值且不被更高Φ值子集所包含的元素子集，它们被认为是意识体验的潜在物理载体^[9]。

4.1 四节点系统的计算示例

图3 有效信息、最小信息二分法与复合体

考虑一个系统X，其中包含多个元素。论文通过分析其中一个由四个元素{1,2,3,4}组成的子集S来演示（图3c）：

计算发现，子集{3,4}和{1,2}的Φ > 0。 然而，子集{1,3}、{1,4}、{2,3}、{2,4}以及所有三个或四个元素的组合（如{1,2,3}）的Φ = 0。 因此，{3,4}和{1,2}都是复合体。它们彼此没有重叠，且都不是对方的一部分。 假设{3,4}的Φ值更高，那么它就是该系统在这一尺度下的主复合体。

4.2 连续系统的计算

下面，为了展示ϕ的计算，让我们考虑一个简化的连续模型，即一个线性动力学高斯噪声模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为神经元组，其活动变量表示各组在数百毫秒内的放电率，彼此间的相互作用^[6]，我们可以用一个线性化的动力学对其进行描述：

其中，为一个标准高斯噪音^[10]，c为一个常数，因此cR表示该向量受强度为c的独立高斯噪声R驱动，A代表X的邻接矩阵，它刻画了X中各个元素之间的联系方式。

我们仅关注该系统的内在属性，并忽略来自环境的外部输入。因此，我们计算该随机过程的熵（H）是计算有效信息EI关键步骤（详细计算过程参看本词条2.1章节），其计算过程如下：

其中协方差矩阵A是由：

计算的，这里 I为单位矩阵，A为系统的邻接矩阵。

4.3 八节点网络算例

如图4a所示，存在一个由8个节点构成的网络。其中，节点1、2、3和4构成紧密连接的集团，节点5、6和7构成另一个集团，8号节点作为信号源，指向所有节点。节点状态受指向自身的网络邻居状态以及噪声变量R的影响。

针对该网络，可计算每个子网络的 ϕ值如图4b所示，各子网络的包含节点情况如图4c所示。图4b的横坐标为 ϕ值，纵坐标是所有子集编号；图4c中，横坐标表示节点标号，纵坐标表示子集标号，深灰和浅灰格子分别代表因果瓶颈的划分情况（即深灰和浅灰各占一半划分）。

图4 一个八节点的网络构成的简单线性系统(a), 所有子集的φ值计算(b)，各个子集对应的节点元素，以及最小划分情况(c)

从图中可知， ϕ值最大的子网络是由节点1、2、3、4构成的彼此互联的社团，其 ϕ值达到21比特。紧随其后的是者四个节点中的任意三个节点构成的子网络，它们的 ϕ值相近，仅略低于四节点的社团。再之后是节点5、6、7构成的社团，其 ϕ值略高于20。整个网络的 ϕ值约为 7。而网络整体的 Φ应取所有子网络中的最大 ϕ值，即由节点1-4构成的子网络的21比特。

4.4 不同网络结构的 Φ 值

在网络动力学（因果机制）不变的情况下，可比较不同网络结构对整体网络 Φ值的影响。如图5所示，仅给出 Φ值（因整个网络就是 ϕ值最大的子网络），虚线对应因果瓶颈（有效信息最小）的划分处。图A-E均由8个节点构成，图A为单链结构，图B是单链成环结构，图C为双链结构。从A 到C，Φ 值不断增加，在双向连接时达到最大，因为此时左右两部分信息流最大，节点更易形成一个整体。图D和图E呈现中心-外围的连接模式，Φ值较小，因其网络构成过于集中化。

图5 五个不同的网络结构及其它们的φ值

从图5中可知，阴影部分为复形，每个组中都标出了Φ的值。图5的A-E代表不同的有向图结构:（A）有向路径、（B）单向环路、（C）双向环路、（D）扇出有向图（一对多的发散结构）、（E）扇入有向图（多对一的汇聚结构）。

4.5 Φ 值最大化结构

固定节点数、动力学以及每个节点的连边总数，图4展示了使 Φ值最大的八节点网络结构。该网络连接紧密，看似随机却与随机连边网络有显著差异。其特征如下：

• 节点邻居异质性强：每个节点的邻居差异大，不同节点邻居的匹配度仅0.14（相似邻居的比例），而同等规模随机网络的匹配度为0.218。

• 出入平衡：几乎每个节点仅有2个输入连边和2个输出连边，这与随机网络中少数节点拥有更多连接不同。

• 双向互惠连接少：该网络几乎不存在双向互惠连接（即A指向B且B也指向A），而随机网络中此类连接大量存在。此网络具有很高的整合度，Φ值达60.76比特，同等规模随机网络的Φ值仅35.66比特。

图6 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构

5. 神经科学上的应用

IIT1.0最初并未直接用于大规模神经数据分析，而是提供了一种解释框架，用以理解不同脑结构在意识中的作用。例如，Giulio Tononi提出，丘脑—皮层系统由于其高度递归连接与双向交互结构，具有较高的整合信息能力，因此更可能构成意识的神经基础；相比之下，小脑尽管包含大量神经元，但其连接模式以局部前馈为主，跨模块整合较弱，因此被认为对意识贡献有限^[11]。

这一观点为解释不同脑区在意识中的差异作用提供了一个结构性标准，即：不是神经元数量，而是因果整合结构决定意识水平。

5.1 临床意识评估中的近似应用

由于IIT1.0中Φ的计算复杂度极高，难以直接应用于真实脑网络，研究者发展了一系列基于IIT思想的近似指标，用于评估意识状态。

其中最具代表性的工作是由Marcello Massimini等人提出的扰动复杂性指数（PCI）方法^[12]。

其基本思想为：

对大脑施加外部扰动（如经颅磁刺激，TMS）； 使用脑电（EEG）记录系统响应； 测量扰动后信号的时空复杂性，作为系统信息整合能力的近似。

该方法已被用于：

麻醉深度评估； 昏迷与植物人状态区分； 临床意识障碍诊断。

尽管PCI并非IIT1.0中严格定义的Φ，但其设计明确受到整合信息论启发，被视为IIT思想在临床中的重要落地。

将IIT1.0应用于神经数据时，通常首先将尖峰放电、局部场电位（LFP）、脑电（EEG）或功能磁共振（fMRI）等数据离散化为二元向量。常见做法是将时间切分为等长时隙，并对每个通道施加阈值，将其编码为“高/低”或“有/无”活动状态。随后，再由观测数据统计或模型拟合得到TPM。 典型流程如下：

1. 对神经数据^[13]进行预处理、去噪与标准化；

2. 依据实验设计选定时隙长度与离散化阈值；

3. 构造系统状态空间；

4. 统计状态转移频率或拟合转移模型；

5. 由 TPM 计算 EI、MIP 与 Φ。

在神经科学语境中，IIT1.0的核心含义是：当一个神经系统内部具有更强的相互作用、反馈环路与整体协同，而不是仅由彼此独立的局部模块构成时，其 Φ 值往往更高。相反，若系统只是由彼此几乎独立的单元拼接而成，则其集成信息较低。

这一思想与某些神经结构的经验观察相一致。例如，丘脑—皮层网络通常被视为高度整合的系统，而小脑虽然神经元数量丰富，却因局部模块化强、跨模块交互相对有限，通常被认为对意识整合的贡献较低。

总体而言，IIT1.0在神经科学中的贡献在于提供了一种从“信息整合”角度理解意识相关神经机制的形式化框架。它将神经系统视为可离散化的因果动力系统，并通过 TPM、有效信息、MIP 与 Φ 等工具，将“意识水平”与“系统内部因果整合”联系起来。尽管其原始定义在实际神经数据中的可计算性有限，但这一框架为后续的意识测量、麻醉评估与脑网络比较研究奠定了重要基础^[14]。

6. 理论的局限

尽管整合信息论为意识研究提供了一个形式化的信息论框架，但其在理论定义与实际应用层面均存在若干局限。这些问题在后续发展中逐步推动了IIT2.0与IIT3.0的提出与修正。

6.1 计算复杂度与可扩展性

IIT1.0的一个核心问题在于其计算复杂度。整合信息 Φ 的计算依赖于对系统所有可能划分方式的枚举，并在每一种划分下计算有效信息。这一过程的复杂度随系统规模呈指数级增长，使得该方法在实际神经系统（如大规模脑网络）中的直接应用受到显著限制。

在后续版本中，IIT2.0尝试通过改进归一化方法与划分策略，对计算过程进行一定程度的简化；而 IIT3.0 则进一步引入“概念结构”（conceptual structure）与“机制—结果库”（cause-effect repertoire）的框架，从而在理论层面重新组织计算对象，但整体复杂度问题仍未根本消除。

6.2 建模假设与因果结构

IIT1.0依赖将系统建模为二态离散单元，并假设系统以同步、马尔可夫方式演化。然而，实际神经系统具有连续动力学特征、异步更新机制以及多时间尺度依赖关系，这与 IIT1.0 的基本假设存在差异^[15]。

此外，神经数据在离散化过程中需人为设定时间窗口与阈值，这种建模选择可能对最终的 Φ 计算结果产生显著影响。IIT2.0在一定程度上放宽了对系统划分与归一化方式的限制，但并未从根本上解决连续系统建模的问题；IIT3.0 则转向更加抽象的因果结构描述，试图弱化对具体离散化方案的依赖。

IIT1.0的理论基础建立在系统内部因果]关系的可识别性之上，其计算过程假设能够获得完整且准确的转移概率矩阵（TPM）。然而，在实际神经科学研究中，系统往往存在未观测变量、噪声干扰以及测量分辨率限制，使得真实因果结构难以精确重建。

这一问题导致IIT1.0在应用中通常依赖观测数据近似替代理想的因果干预过程，从而在一定程度上削弱了其理论定义与经验测量之间的一致性。IIT3.0对此进行了回应，通过引入“内在因果性”（intrinsic causation）的概念，强调系统自身的因果结构而非外部观测分布^[16]，但这一转变也增加了理论的抽象程度。

6.3 度量定义与可验证性范围

在IIT1.0中，整合信息 Φ 的定义依赖于最小信息分割（MIP）以及基于互信息的度量方式。然而，不同归一化策略与距离度量可能导致不同的最优划分结果^[17]，从而影响 Φ 的数值解释。

IIT2.0对归一化方法进行了修改，以减少划分选择对结果的敏感性；而IIT3.0则进一步放弃单一标量 Φ 的充分性，将系统描述扩展为高维“概念结构”，并采用新的距离度量（如概率分布间的距离函数）来定义整合程度。这一变化标志着从“单值指标”向“结构性描述”的转变。

IIT1.0提出了“意识对应于信息整合”的理论命题，但其具体预测在经验层面的可验证性仍存在争议^[18]。例如，不同系统在具有相似 Φ 值时，是否必然对应相似的意识状态，仍缺乏一致结论。

此外，IIT1.0对不同神经结构（如丘脑—皮层系统与小脑）的解释依赖于其整合程度的差异，但这一解释在不同实验范式中并非总能得到直接验证。为弥补这一问题，后续研究提出了多种近似指标（如基于扰动响应的复杂性测度PCI），用于在实际数据中间接评估系统的整合水平。

总体而言，IIT1.0的局限主要体现在计算复杂性、建模假设、因果可观测性以及度量定义等方面。这些问题并未否定其理论价值，而是推动了整合信息论框架的持续演化。IIT2.0通过对信息度量与划分策略的修正，提高了方法的稳定性；IIT3.0则在更深层次上重构了理论基础，将关注重点从单一数值指标扩展至系统的整体因果结构。该发展路径反映了从“可计算性”到“本体论一致性”的逐步转向。

本词条由集智俱乐部众包生产，难免存在纰漏和问题，欢迎大家留言反馈，一经采纳，可以获得对应的积分奖励噢！

加入我们

亲爱的社区伙伴与知识探索者：

我们诚挚邀请热爱知识分享的您，加入集智百科词条编写志愿团队！无论您是领域专家，还是对特定主题充满热忱的学习者，这里都有您的舞台。通过编写百科词条，您将为全球读者传递权威知识，同时获得专家指导与个人能力跃升的双重成长。

📝 志愿者职责

• 创作新词条：覆盖复杂系统、人工智能等前沿领域

• 迭代经典内容：更新现有词条，守护知识的准确性与时效性

• 质量守护者：参与内容校对审核，共建精品知识库

🌟 我们期待您

• 集智读书会成员（需完成一期字幕任务）

• 拥有清晰表达复杂概念的写作能力

• 对特定领域有深度研究或强烈兴趣

• 具备信息检索与整合素养

• 怀揣责任感与协作精神，愿为知识共享赋能

🎁 您将收获

• 百科积分（支持兑换集智俱乐部周边：文化衫、复杂科学知识卡以及提现）

• 集智俱乐部创始人张江教授亲自指导写作

• 科研志愿者晋升通道：表现优异者可加入张江教授科研团队从事科研志愿者

你的百科贡献之路，从一字一句开始！

第一步，从成为一名字幕志愿者开始！

只需完成一期读书会讲座字幕任务，这不仅是贡献，更是一次深度的学习。字幕任务过关后，您将升级为“百科志愿者”，开启编辑词条、整理术语的进阶旅程。

从字幕到百科，这是一条清晰的成长路径。立即行动，从第一个任务开始你的升级吧！

扫码加入

意识科学读书会

从神经元放电到自我意识的涌现，意识是人类最稀松平常的主观体验，也始终是科学中最迷人的问题。在“我是谁”的终极追问下，当我们深入意识的机制与机理，会发现更值得深思的是，无论是神经机制的功能整合、信息的跨脑区传递，还是现象意识的主观性质，不同层面的问题都在共同指向一个核心挑战：物理过程如何产生主观体验？功能计算如何关联现象感受？局部神经活动又如何整合为统一的意识？而要回答这些问题的并不简单，它可能会挑战我们对世界和实在，乃至科学方法本身的理解。

为了对意识问题进行系统探讨，集智俱乐部联合来自哲学、认知神经科学、计算机科学、复杂科学领域的研究者共同发起「意识科学读书会」，跨越理论与实证、功能与现象、生物与人工的视角，全面深入研讨意识这一现象本身。重点探讨当代主流意识理论的核心主张与分歧，神经机制与主观体验之间的桥梁，以及AI意识、脑机接口等技术如何重塑人类意识主体的边界与文明的未来。

详情请见：走向意识科学：从现象之窗到理论之梯

推荐阅读

1. 从“连接”、“整合”再到“自由”：一条被忽视的意识科学纽带

2. 124位科学家批评整合信息论是伪科学：我们该如何探讨意识难题？

3. Tononi亲临解读丨整合信息论：意识本位的研究新范式？

4. 诚招系统科学/AI/物理背景的内容创作者

5. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

6. 高考分数只是张入场券，你的科研冒险在这里启航！

7. 加入集智字幕组：成为复杂科学知识社区的“织网人”

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

集智学术年会6位重磅学者围绕“AI时代下的复杂科学”展开深入讨论

圆桌主持人：

张江：北京师范大学系统科学学院教授，集智俱乐部创始人，集智学园（北京）科技有限公司创始人兼董事长，集智研究中心理事长，National Science Review 编委成员。

论坛嘉宾：

郭雷：中国科学院院士、现任中科院数学与系统科学研究院特聘研究员、中科院国家数学与交叉科学中心主任、中科院信息技术学部主任、亚洲控制协会主席等。

陈关荣：香港城市大学讲座教授， 北京大学长江讲座教授。法国诺曼底大学荣誉博士学位，欧洲科学院院士，发展中国家科学院院士。

狄增如：北京师范大学系统科学学院教授，珠海校区复杂系统国际科学中⼼主任，国际系统与控制科学院院⼠。

樊京芳：北京师范大学系统科学学院教授、院长，国家级人才计划入选者（2025年获批国自然青A，2020年获批国家高层次人才计划-青年项目），德国波茨坦气候影响研究所客座教授。

兰岳恒：北京邮电大学物理科学与技术学院教授，北京邮电大学“数学与信息网络”教育部重点实验室副主任，Communications in Theoretical Physics和Modern Mathematical Physics编委成员。

刘泉影：南方科技大学生物医学工程系长聘副教授，PI，广东省杰青、深圳市优青。深圳全域智能科技有限公司创始人。

与集智俱乐部的结缘与最初印象

张江：非常感谢各位老师、各位朋友以及长期支持集智俱乐部的同仁来到现场，参与今天的圆桌论坛。首先，我想邀请各位老师分享一个问题：各位是什么时候接触集智俱乐部的？初次接触时，对集智的第一印象是什么？我想先请郭雷老师回答。顺便补充一句，二十年前我就跟随郭老师，在中国科学院系统所做博士后。当时集智俱乐部已经在悄悄开展一些线下活动，不过郭老师可能并不知情。今天也想借这个机会请教一下郭老师，您现在怎么看待我当年的这些尝试？

郭雷：谢谢张江。时间过得很快，转眼已经二十年了。张江是在2006年来到系统所做博士后，但在那之前，我就已经听韩靖提到过集智俱乐部。张江早在2003年便创办了这个平台。当时韩靖向我介绍，说有一位年轻人非常热衷于复杂系统的传播与推广，强力推荐他到系统所工作。不过你来系统所后做的那些线下活动，我当时确实不知道。

张江：那如果当时知道，您会支持吗？

郭雷：当然会支持。今天看到集智俱乐部能够持续发展二十多年，并产生如此广泛的影响，我感到由衷高兴。很多人或许不认识张江本人，但一定知道集智俱乐部。这本身就说明，它已经成为一个具有广泛影响力的平台。我对此表示诚挚祝贺，也感到非常高兴。

张江：谢谢郭老师的支持。接下来请陈关荣老师分享。陈老师可以说是集智俱乐部非常资深的支持者，多年来为我们撰写了大量科普文章。

陈关荣：我大概是在十年前左右接触集智俱乐部。第一次是在一次复杂网络会议中认识张江，当时了解到他正在从事复杂性相关的科普推广工作。事实上，我从上世纪90年代起便一直研究非线性系统控制与非线性动力学，而这些都属于复杂性研究的重要组成部分。2000年以后，我又开始从事复杂网络研究，因此很自然地对集智俱乐部所做的事情产生了兴趣。后来，我和张江有了更多合作，还共同组织过两次短期复杂科学课程：一次是复杂网络系列课程，邀请了十余位老师授课；另一次是混沌理论课程，分别邀请了十余位老师授课。因为当时正值疫情期间，大部分活动都在线上进行。慢慢地，我对集智产生了很强的归属感，感觉自己像集智的自家人一样，非常熟悉了。

张江：谢谢陈老师。下面请狄增如老师。狄老师曾担任北京师范大学系统科学学院院长，也是我的老领导。狄老师，您第一次听说集智俱乐部是什么时候？

狄增如：张江从郭雷老师那里博士后出站后，便进入了北京师范大学系统科学学院，因此我很早就认识他，也较早接触了集智俱乐部，并参与过不少线下活动。我印象特别深的一次活动，是早年在北京师范大学北太平庄附马路对过有一个新闻电影制片厂。当时那个厂区正处于转型阶段，有很大的空间，集智就在其中举办了一场活动。可能连张江自己都已经忘记了。那时候，张江一直在努力寻找各种空间和资源，以支撑集智俱乐部的发展。我们学院里的很多老师，包括樊老师，当时都在思考：集智俱乐部究竟能不能长期坚持下去？大家也都在帮助它寻找更可持续的发展模式。所以今天看到集智能够坚持到现在，而且始终保持学术上的纯粹性，我认为非常难得。它不仅推动了系统科学和复杂系统研究的传播，也成为北京师范大学系统科学学院在学科建设与社会推广中的一个重要案例。谢谢张江，我们始终把集智俱乐部视为系统科学自己共同体的一部分，我相信我们系统科学学院将来一定能把自己的事情办好。

张江：谢谢狄老师的支持。下一位是樊京芳老师，也是我现在的领导，有请樊老师。

樊京芳：我第一次听说集智俱乐部，大约是在2011年至2012年。当时我还在中国科学院理论所读博士，只是有所耳闻，但一直没有机会深入参与。真正与集智产生较深联系，是在2019年我于德国从事博士后研究期间。当时我在线上做了一次报告，也算是第一次真正参与集智的活动。2020年底回国后，2021年我专门去过一次集智位于丰台的办公空间。给我最大的感受，是那里拥有大量优秀书籍和学习资源，让人非常受启发。后来在2024年，我们地球科学读书会在集智门头沟的场地举行活动，那里甚至还有音乐室和架子鼓。我个人一直觉得，系统科学学院与集智俱乐部之间，是一种“互相成就”的关系。

我还想分享一个有趣的小故事。我们有一位国际合作伙伴，研究地球科学与非线性科学。有一次，他投稿时编辑留言说：“虽然我没完全看懂你的文章，但我经常看集智俱乐部的视频，因此我猜测你应该是华人学者。”这让我非常感慨，也说明集智的影响力已经扩展到国际范围，不仅渗透在我们的日常生活、科研中，还涉及科学、艺术、音乐等多个领域。所以就像刚才说的，未来系统科学学院和集智俱乐部，还会继续共同成长。

张江：谢谢樊老师。接下来是兰岳恒老师，兰老师也是我们最受欢迎的集智学员讲师之一，非常感谢兰老师给我们讲的那些课程。

兰岳恒：我很早就接触系统科学。年轻时曾读过许多钱学森先生关于系统科学的著作。刚才郑志刚老师提到一句很有意思的话——“喜欢系统科学的人，通常都有一点文艺气质”，我觉得很有道理。我还去过两次美国的圣塔菲研究所（Santa Fe Institute），当时就想，我们中国有没有这样的平台呢？直到后来，我在线上看到了集智俱乐部的各种宣传，我特别喜欢集智推的大量文章，他们会把文章整理成一个整体，分各个部分推荐，我在那里下载了很多文章来读，很多文章不仅有原文，还有总结与导读，非常好。

真正开始合作，是在2024年冬天，当时集智邀请我做报告，后来我又连续开展了两个系列课程：一个是重整化群（renormalization group），另一个是库普曼算子（koopman operator）。我有一个很深的感受：在线上给学员授课，有时比传统课堂更有活力。许多学员会主动阅读文献、分享资料，甚至推荐一些我此前都没有注意到的文章。这种互动式学习让我非常受启发。我觉得集智开辟了一种新的学习模式，在今天，很多人对传统大学教育存在反思，而集智所形成的这种开放、主动、轻松的学习氛围，恰恰可能是一种新的方向。

张江：谢谢兰老师。最后一位是刘泉影老师，也是我们在座最年轻的嘉宾，有请刘老师介绍一下自己。

刘泉影：大家好，我是刘泉影。非常感谢集智邀请我参加今天的论坛。现在我逐渐意识到，集智邀请我来座谈的原因：我既可以作为女性青年学者代表，也可以在各位前辈老师面前作为学生代表——我刚离开学生时代不久，2019年回国在南方科技大学组建自己的实验室，至今已经发展了六年。

我刚回国不久，就和集智实现了“双向奔赴”。2022年，我受到集智的邀请，开始筹备“神经动力学模型读书会”，并在2023年正式成型。我长期从事脑科学研究，而大脑本身就是一个高度复杂的动力学系统。所以在研究过程中，我一直在使用动力学和复杂系统的方法，最初更多是从工程工具的角度出发，后来逐渐开始意识到复杂系统理论本身的重要意义。今天非常开心，有机会学习到更理论、更深刻的复杂系统知识，这也启发了我对大脑的更深层次思考。脑科学的建模中，对大脑的观测是多尺度的，从微观到宏观，有各种观测工具，而我们在现实中应用脑机接口时，一般讲究宏观层面的解码。今天听完大家关于“从无序到有序，再到集体涌现”的讨论后，我开始重新思考：我们对大脑功能的理解，是否在尺度上过于简化？很多脑功能之所以难以解码，或许并不是因为技术不足，而是因为我们没有找到真正匹配脑功能的尺度层级。或许我们需要在多个尺度上，找到与脑功能相匹配的尺度，才能更好地研究大脑的活动和功能的因果关系。这是我今天的小小收获，也是我未来会深入研究的方向，谢谢各位老师给我这样的交流和学习机会。

张江：谢谢刘老师。

话题一：科研工作中 AI 工具的应用、

正面价值与潜在风险

张江：接下来，让我们重新回到本次圆桌论坛的主题——“AI时代下的复杂科学”。前段时间，我在网上读到一篇文章，作者是一位从事 AI for Science 方向研究的博士生。他在文章中提到，他发现自己做的研究毫无意义了，原因在于他发现，如今的大模型——例如 Claude 等——已经能够完成他们原本正在开展的大部分研究工作，而且完成得相当出色。更令他感到震撼的是，这些模型不仅不需要像研究人员那样长期撰写论文、反复调试代码，甚至在很多情况下还能表现出极高的智能化水平。事实上，我们已经看到，近年来许多具有颠覆性的技术突破都发生在人工智能领域。AI 的高速发展本身，也正在以极强的冲击力改变传统行业与既有研究范式。因此，我想请教各位老师：在各位目前的科研工作中，是否已经开始使用这些 AI 工具？它们给各位带来的影响，更多是积极的推动，还是潜在的挑战与风险？

郭雷：我认为，AI 首先带给我们的，是一种“赋能”。

面对复杂系统研究，以前很多“做不好”“做不了”的问题，现在因为有了 AI 这样一种新的工具体系，开始变得可行。从感知、认知，到预测、决策、控制以及行动等各个环节，人工智能都能够发挥重要作用。

如果从系统科学的层次结构来看，按照钱学森先生提出的四个层次——系统论、系统学、系统技术科学以及系统工程，每一个层次，AI都能赋能。进一步说，即便在系统学内部的系统方法论、系统演化论、系统认知论、系统调控论、系统实践论等方向，AI同样都能发挥赋能作用。

举一个具体例子。我们目前正在推进一个与司法领域相关的智慧司法项目，其核心思路，就是将当前的大模型技术，与我们过去在系统辨识和控制理论中的方法相结合，并重点应用于司法量刑等场景。

确实，原先我们无法处理的一些问题，现在有了大模型之后，变得可行了。我个人还有一个很深的感受：过去，自然科学与人文社会科学之间存在着相当明显的鸿沟，而在大语言模型出现之后，这种鸿沟正在逐渐缩小。不同学科之间的交叉融合，也因此拥有了更大的可能性。

因此，总体而言，我认为 AI 为科学研究带来了非常重要的发展机遇。

张江：谢谢郭老师。在此也向各位年轻的同学、老师，推荐郭老师的文章《系统学是什么？》，里面高度概括了人工智能的发展以及系统科学的相关进展，非常值得一读。

陈关荣：关于“是否使用 AI 开展科研，以及 AI 所带来的正面与负面影响”这个问题，我想结合自己的研究经历，分享一点个人体会。

科研工作中经常需要处理数据，无论是小数据还是大数据，以前我们经常做的是“数据拟合”。所谓更高层次的大数据处理，其实是在观察到大量数据之后，试图推测这些数据背后究竟对应着怎样的函数曲线、怎样的数学规律。

很多研究者已经在这个方向努力了很多年，但始终存在一个重要瓶颈：我们虽然能够拟合曲线，却很难进一步推导出这些数据背后真正对应的微分方程，或者说，很难真正建立起其内在的数学模型。原因在于，真实系统背后的微分方程往往是高维、非线性、复杂耦合的，而过去的计算能力和分析手段，很难支持这样的工作。

AI 出现之后，这项研究开始取得新的进展。目前，我建议博士后推进这部分工作。AI 最大的优势之一，在于其极强的计算能力。

这里举个例子。我们可以先假设一个微分方程：设 x 的导数等于某个函数，然后尝试在方程中加入一个 x² 项，让 AI 自动求解，再将求解结果与真实数据进行比较。如果效果不好，我们再将 x² 项替换为 x³ 项，重新求解，如此类推。AI在整个迭代过程的速度非常快。

过去，我们主要是在“调参数”；而现在，我们已经能够进一步“调方程”——不仅可以调整参数，还可以修改方程中包含哪些项、每一项采用什么函数形式。这个工作量非常大，而AI能很好地帮忙，效果也很好。这就是从数据驱动的数学建模，最终得到一个微分方程的数学模型。而对于科研工作者而言，一旦得到微分方程模型，后续的分析、预测与控制研究便能够系统展开。

当然，AI 也存在明显的风险。

最大的问题在于：AI 有时候会犯错，而更危险的是，我们往往并不知道它已经出错了和错在哪里，这很要命。有一次，学生发现按照AI给出的结果，不符合一些基本原理，我们静下心来讨论后，才发现确实有问题。但很多时候，我们根本看不出来这种错误。如果这种错误结果被进一步应用到工业、军事、航空航天等高风险领域，其后果可能是不可挽回的。因此，我认为这也是 AI 当前最值得警惕的潜在风险之一。

狄增如：非常高兴能参加这样一个关于人工智能的论坛。刚才我和樊京芳老师聊天，他问我有没有提前准备发言。我说，这样的讨论肯定还是要认真准备的，否则很难与大家进行深入交流。事实上，“智能化时代”已经成为所有人都无法回避的现实议题。郭雷老师所主持的系统科学大会，去年主题就是“系统科学与智能化、系统化时代”；而今年十月将在武汉科技大学举办的第十届系统科学大会，主题则进一步确定为“人工智能与复杂系统”。这本身就说明，人工智能已经成为系统科学领域无法绕开的核心议题。

关于这个问题，我想谈几点看法和大家交流。

第一，人工智能确实值得高度关注。今天，人工智能已经造就了“人与机器共同创造”的时代，它正在成为创新活动和知识生产的重要技术支撑。例如，在蛋白质材料研究、全球气候变化研究等方向，人工智能已经展现出非常广泛的应用潜力。

就在不久前结束的太原网络科学工程论坛上，李勇老师专门介绍了利用人工智能技术挖掘复杂系统涌现性的相关研究，做得非常精彩，也非常具有启发性。因此，我认为，AI 已经成为科学研究中的关键支撑工具。

第二，我特别认同孙茂松老师在 2024 年系统科学大会上的一个观点：人工智能不仅应该作为一种工程技术工具，更应该成为一个值得深入研究的科学对象。换句话说，对人工智能本身形成科学层面的认识，其意义可能比单纯把它当作技术工具更加重要，这是我们必须关注的一点。

大家都知道，目前以大语言模型为代表的 AI 技术架构，其本质仍然是一种统计推断机制。它最大的优势，在于拥有海量的人类世界知识。

很多人觉得它似乎已经具备“推理能力”，但实际上，它并不是真正意义上的逻辑推理，而是一种建立在大规模统计关联基础上的结果生成。之所以看起来像“会推理”，是因为它掌握了极其庞大的知识，并能够在这些知识之间建立复杂关联。

这就是它的优势，也让它表现得比任何一个人类个体都要强——我们人类个体掌握的知识有限，更难建立起海量知识之间的关联，而AI的创造性，正是源于它掌握的知识多、能建立关联。

但与此同时，我们也需要保持清醒认识，不必被 AI 当前的表现“吓到”。真正值得研究的问题在于：为什么当数据规模足够大、参数规模足够多之后，会涌现出这种类似“推理”的能力？这背后究竟发生了什么？我认为，这是未来非常值得深入探索的重要科学问题。

第三，目前很多专家都认为，以大语言模型为核心的现有技术架构，并不是实现通用人工智能（AGI）的最终路径。

我个人也认同这一判断。仅仅依赖算力堆叠和规模扩张，并不一定能够真正实现人类智能。当然，究竟什么是人类智能、什么是意识，我们目前还没有统一的科学认识，但如果未来真的希望实现通用人工智能，那么一定还需要新的技术创新与理论突破。

前几天，我们还注意到谷歌科学家提出的一项新研究。其中一个重要观点是：当前的人工智能不可能真正拥有“意识”。原因在于，我们的计算都是在人类意识的指导下开展的。符号之所以具有意义，是因为人类认知与意识赋予了它解释框架；如果脱离了人的意识，这些符号本身其实并没有意义。

因此，其逻辑顺序应该是：先有人的认知与意识，然后才有计算与结果，而不是反过来——仅靠计算本身，并不能自然地产生意识。这是一项很有意思的最新研究成果。

第四，未来人工智能技术架构的真正创新，必须依靠系统科学的发展，以及我们对大脑的认识。非常高兴大家认可和支持集智俱乐部，我们希望通过这个平台，让大家在系统科学领域深耕，进一步深化对大脑与智能本质的认识，并在此基础上，推动下一代人工智能技术的发展。

樊京芳：我可能还只能算是 AI 领域的一名“小学生”。真正开始在科研一线系统性地使用 AI、并围绕 AI 开展研究，其实是从 2025 年 1 月才正式开始的。2024 年底，国家自然科学基金委给予了我一个原创探索计划项目，项目要求以“系统科学理论 + AI + 地球科学交叉”的方式开展研究。我提交的方案后来得到了基金委的认可，被认为具有一定原创性，因此最终获得了立项支持。

由于我本身是理论物理出身，所以最初对于 AI 其实一直持有一种相对保守的态度。我会觉得 AI 更像是一个“黑盒子”，因此在心理上并不愿意轻易接受它。很多时候，当我研究一个问题时，会习惯性地追问其背后的物理机制和内在规律，而 AI 在相当程度上并不能直接回答这些问题。

但后来，当我真正放下偏见、开始深入使用 AI 之后，我才意识到它的能力确实非常强大。可以说，它几乎对所有行业都构成了挑战，甚至已经使部分传统行业逐渐消失。例如翻译行业，就已经受到了非常明显的冲击。

与此同时，AI 也为科研带来了很多新的可能性。比如，我们可以利用它润色论文，甚至帮助生成质量非常高的学术文本，尤其是在英文表达方面，很多时候人类研究者确实已经很难与之相比。这本身就是一个非常重要的机遇。

当然，机遇背后也一定伴随着挑战。因此，我们真正需要思考的问题，并不是简单地“接受”或者“拒绝”AI，而是如何更好地驾驭它，让它真正服务于我们的科研工作。刚才郭老师提到的司法大模型，我也想补充一句，您那个项目应该是刘老师牵头的，去年十一月份我参加基金委重大项目中期评审时，也了解到这个项目，非常好，我当时也投了支持票。

回到我自己的研究，从 2025 年正式启动项目之后，我们逐步将系统科学与数理思维融入 AI 研究之中，目前也取得了一些阶段性成果。从发文章的角度来看，效果还不错，我们把系统科学、数理思维融入AI，发表了一些顶级期刊论文，比如我们有一篇论文刚刚被 Nature Intelligence 接收，另外还有一篇关于气象预报的论文也即将发表。

这说明，我们不能简单地“拿来”AI就用，而是要加入自己的思考。尤其是系统科学，我认为它是研究AI底层逻辑的绝佳工具——AI的底层逻辑，不是单一的数学、物理学科能解决的。

当然，对于未来，我也存在一些担忧。比如现在出现的OpenClaw，它们甚至开始尝试自主建立社区，而不再需要人类深度参与。如果未来 AI 能够进一步掌握资源与能源，例如控制电力系统，那么理论上，它甚至可能逐渐摆脱对人类的依赖，反过来将人类“圈养”起来。这种风险并非完全不存在。

因此，在未来的发展过程中，我们如何在立法、安全治理等层面，对 AI 的使用进行有效约束，我认为会成为一个非常关键的问题。实际上，目前 OpenClaw 已经暴露出不少潜在风险。

兰岳恒：我对此非常认同智能与生命是复杂系统最重要的体现形式之一这一观点。在我看来，AI 的出现，为我们提供了一个前所未有的机会。因为 AI 本身，就是一个全新的大型复杂系统，而且是一个具有极强功能性的复杂系统。而对AI本身的研究——正如刚才几位老师所提到的——也已经成为一个极其重要的问题。

有了 AI 这样一个工具之后，我们实际上可以对它进行各种层面的分析与拆解。因为 AI 的很多组成部分、运行机制与结构层次，都是可以被人为控制和观察的。这一点，为复杂系统研究提供了一个非常理想的平台。

另外，AI 所展现出的强大能力，也使得跨学科、跨领域研究变得比过去更加容易。这对于系统科学而言，也是一个利好消息。不过，正如很多技术一样，它的优势与风险其实是同时存在的。

我认为，AI 最大的问题之一，就在于它“过于便利”了。很多人可能不再愿意真正深入某个领域进行长期研究，而是直接调用 AI 工具，快速得到一个“看起来还不错”的结果。久而久之，就没有人愿意去做细致的理论研究了。这对系统科学来说，是一个非常大的损害——大家会觉得“有AI就够了，何必还要系统科学”。

但实际上，系统科学最重要的特点之一，恰恰在于它要求研究者跨越不同领域，学习多学科知识，并在此基础上完成总结、抽象与理论提升。而现在，AI 虽然能够整合各个领域的信息，却并不真正“理解”这些知识。长远来看，这反而可能削弱系统科学进一步发展的动力，这是我们需要解决的问题。

刘泉影：我的情况和前面几位老师恰好相反：我今天没有做任何提前准备。这并不是因为我不重视这场论坛，恰恰相反，正因为我非常重视，所以我反而有些担心自己的思考会被 AI “污染”。

我担心的是：如果我提前去搜索、阅读大量 AI 生成的内容，那么我最后表达出来的观点，可能会逐渐变成一种标准化、大众化的答案，而失去真正属于自己的思考。

现在大家常用的大模型就那么几个，比如Kimi、DeepSeek、GPT等等。这意味着，某种程度上，十四亿中国人可能正在共享着有限的几套思维模式与表达方式。我觉得这是一个非常可怕的现象，因为它会让“复杂性”本身逐渐消失。

所以，为了尽可能保留思想本身的复杂性，我没有做任何背景功课，当场想到什么就说什么，而是希望自己在现场想到什么，就真实地表达什么。我希望能够尽量维持这种思想的多样性，以及多样性所带来的未来可能性。

这也是复杂系统对我最大的吸引力。

我自己的研究方向是大脑智能与人工智能。在我看来，无论是人脑智能还是人工智能，本质上都是由大量多元、异质的单元共同组成的。它们在整体层面形成了一个复杂而具有独特优势的智能系统。这种现象本身非常有趣。

也许，智能的本质就在于“复杂”——在于大量单元各自独立工作，又能形成整体性的复杂关联，从而带来智能的涌现。

当然，关于大脑架构与人工智能架构之间的关系，我们过去一直认为，人工智能的发展应该受到大脑机制的启发。但现在看来，两者未必完全一致，甚至可能正在逐渐分离。

不过，无论是在哲学层面、复杂系统科学层面，还是工程实现层面，它们之间都既存在相似性，也存在差异性，而这些问题都非常值得深入研究。

我目前比较担忧的一点，是实验室里的学生，一旦尝到使用 AI 工具快速发表论文的“甜头”之后，可能会逐渐失去对真正原创性科研的追求。因为现在很多情况下，只要利用 AI 工具快速提升一点性能，就能够发表论文，而且在某些热门方向上，甚至能够在短时间内连续发表一系列文章。这种快速reward反馈机制，很可能损害学生的科研品味，使他们逐渐失去挑战更难、更独特的科学问题的动力。虽然我们实验室是全面拥抱人工智能，但我有一个深层的担忧：现很多从事 AI 工具研究的人，每天都在思考新的模型架构、新的损失函数，多拿一点数据训练，性能就能提升，但与此同时，他们可能正在逐渐失去一种真正重要的东西——那就是哲学层面的思考能力与长远视野。而这种远见，并不是简单依靠工程训练就能够获得的，它必须建立在对某一领域深层次理解的基础之上，也必须建立在扎实的科学素养之上。

因此，我其实非常希望，未来仍然会有一部分人，坚持站在复杂系统科学的角度，继续使用经典理论、扩展经典理论，去理解和审视那些新出现的智能现象。因为，发展 AI 很重要，发展复杂系统科学同样重要，更深入地理解智能本身，也同样重要。

但智能的本质，未必能够仅仅通过工具性能的不断提升而自然实现。

我举一个简单的例子。过去在人类使用马车的时代，人们可能会不断研究：怎样调整挥鞭频率、怎样改变缰绳力度，才能让马车跑得更快。但如果人类始终停留在这个框架里，那么蒸汽机时代、电车时代就永远不会到来。

同样，如果我们一直局限在现有框架下，沿着现有的模型路线，做更大数据、更大的模型，就可能丧失新一代模型颠覆性创新的可能性。为了这种可能性，我们还是要让这个世界变得更复杂一些。

张江：谢谢刘老师。刚才几位老师的分享都非常精彩，也都非常深刻。我简单总结一下：

首先，无论是青年学者，还是像陈老师、郭老师这样的资深专家，大家整体上都在积极拥抱 AI 工具，这一点非常值得敬佩。

与此同时，各位老师也都提出了许多值得警惕的问题，例如 AI 工具可能带来的思维同质化、科研品味下降，以及技术滥用等风险。这些问题，确实值得我们认真思考。

话题二：

AI时代系统科学与复杂性科学的未来突破方向

张江：接下来，我们进入第二个话题的讨论。我想请各位老师围绕这样一个问题展开交流：在 AI 时代，无论是系统科学还是复杂性科学，在人工智能研究、社会治理，以及生命本质、智能本质等重大问题上，未来最有可能出现的核心突破方向是什么？

兰岳恒：我认为，AI 的研究绝对离不开系统科学，尤其离不开复杂系统研究。系统科学有几个非常核心的关注对象，包括结构、动力学、功能、演化，以及环境对系统的调控关系。

而复杂系统本身，又有两个极其重要的特征。

第一个特征是“层次性”。复杂系统中的大量单元，在相互作用过程中，会自发形成不同层级的结构。但在当前很多 AI 研究中，对于这种层次性的体现和理解，其实仍然是不够的。

当然，AI 本身并不是完全没有层次，它内部当然存在层级结构。但问题在于，我们并没有真正把每一个层次的作用机制充分理解清楚，也没有真正建立起不同层次之间的系统整合机制。

而系统科学告诉我们，一个完整的认知体系，不可能一步到位地产生，而是需要在不同层次上逐步建立，再进一步整合。因此，层次性本身是极其重要的，但目前 AI 研究对于这一点的重视程度，我认为仍然不足。

第二个重要特征，是动力学意义上的“涌现性”。我认为，这会成为未来 AI 智能研究中的核心问题之一。

但目前的问题在于：究竟什么是“涌现”？事实上，直到今天，这个概念都还没有一个被广泛接受的统一定义。如果连定义本身都不清晰，那么相关研究就很难真正建立明确的发展方向。

不过，系统科学领域的研究者，其实已经围绕“涌现”开展了很多非常出色的工作，也形成了较为系统的理论思考。因此，我认为，复杂系统研究在未来 AI 发展中将发挥越来越重要的作用。

现在网络上有一句流行的话，叫作“压缩即智能”。所谓“压缩”，本质上是在复杂现象中提炼出更简洁、更普适的规律。而我认为，这其实也是一种“涌现”——一种概念层面的涌现。AI 的出现，为研究这种现象提供了非常强大的工具，但与此同时，我们对“涌现”本身的科学认识，其实仍然远远不够。

除此之外，“适应性”同样是生命与智能最重要的体现之一。生命是在不断适应环境的过程中逐渐演化出来的，而智能也是如此。如果用今天更现代的话语来描述，其实这就是“学习”的过程：系统不断感知外界环境与模式，并调整自身结构和行为，从而适应环境。

但遗憾的是，在当前很多神经网络研究中，这种关于“适应性”的理解并没有得到充分重视。很多研究更关注模型框架本身，却较少进一步追问：这种适应机制背后，是否存在某种统一理论？

而系统科学恰恰告诉我们，一般系统论是可能存在的。郭老师此前在文章中对此也有非常精彩的阐述。我认为，这些问题未来都值得进一步深入研究。

另外，还有一个非常关键的问题，就是“鲁棒性”。复杂系统中的很多部分、很多相互作用关系——除了极少数核心部分之外——本身都具有不确定性，甚至组织结构本身也可能不断变化。那么，在外界扰动与不确定条件下，究竟什么会发生变化？什么保持不变？什么是关键性的？什么又是非关键性的？

这些问题，我认为都是未来复杂系统研究与 AI 研究中的核心议题。

刚才我提到的这些方向，其中有一些已经开始受到关注，但系统科学最核心的两个问题——层次性与涌现性——我认为仍然没有得到足够重视。我也非常希望，我们这些从事系统科学研究的人，能够真正把这些理论应用到神经网络研究之中，真正推动 AI 性能与智能水平的提升。因为只有当系统科学真正展现出其现实价值时，才会有更多人真正重视这些理论。否则的话，很多人可能根本不会去关注它。

狄增如：刚才兰老师特别强调了“层次性”，那我想进一步补充一点，就是复杂系统中的“关联性”。

首先，我特别想提到郭老师在 2016 年发表的一篇文章。我认为，那篇文章非常系统地阐释了系统科学的研究理念，是一次非常优秀的系统科学科普。

为什么我会强调“理念”的重要性？因为思想观念与方法论层面的变革，往往是一切科学突破的基础。如果在认识论层面没有真正发生转变，那么很多所谓的创新，其实最终还是会回到原有框架之中，很难形成真正意义上的突破。

当前，还原论的影响依然非常强大。很多时候，我们嘴上说自己是做复杂系统的，但真正去设计技术路线时，又会不自觉地回到还原论的思路上。

举个简单的例子，我们一直希望推动中医药的科学化发展。而在还原论思维主导下，逐渐形成了一个新的研究方向——“中药组分学”。它的基本逻辑是：中药的作用来源于其中一个个具体成分，因此只要分析每一种成分的含量、比例与作用机制，就能够解释中药的整体效果。但事实上，中医药体系显然并不是这样运作的。

中药讲究“君臣佐使”，强调药物之间的配伍关系，本质上强调的是不同要素之间的关联性。然而，二十世纪以来，我们几乎所有的研究方法与技术路线，都是围绕还原论发展起来的。因此，当我们真正希望去研究这些“关联”时，反而会发现缺乏合适的技术手段。

今天，我们已经拥有大量分析单个成分、单个变量的技术，但却很少真正发展出能够有效度量、刻画和分析“关联关系”的技术体系。这也是我们复杂性研究面临的一个挑战性问题：我们必须真正超越还原论，既要在思想方法上实现变革，也要在研究关联、研究层次的技术手段上实现创新，这样才能促进各个领域的科学认识和发展。

郭雷：关于张江刚才提出的问题，我个人是这样理解的：AI已经开始全方位地改变了我们的工作方式、娱乐方式、生产方式和生活方式。今天大家经常提“AI for Science”，但在我看来，其背后最核心的东西，其实是“AI for Complex System”。因为简单系统，其实不需要用这么复杂的AI去研究，AI真正能发挥作用的，一定是复杂系统。

所以从某种意义上说，“AI for Science”本质上几乎可以等同于“AI for Complex System”。

而复杂系统所涉及的每一个方向，未来都存在被突破、甚至被颠覆的可能性。在这一点上，我还是比较乐观的，具体就不展开讲了。

樊京芳：我想谈两个方面。

第一个方面，其实与“创新是如何产生的”有关。今天在座的有做科研的，也有做艺术、做音乐的。大家可以认真想一想：你们最满意、最欣赏的那些作品或者想法，往往是不是都不是在高度紧张、疲惫和焦虑的状态下产生的？

很多时候，真正具有创造性的灵感，反而是在一种非常放松的状态下突然“涌现”出来的。我觉得这是一个非常值得思考的问题。

第二个方面，是关于能耗问题。我本人没有真正近距离观察过超大型 AI 系统的运行状态，但我们实验室自己有 GPU 机房。每当机器执行非常繁重的任务时，你会明显感觉到整个机房持续轰鸣，而且能耗极高。

也就是说，AI现在和人类大脑有一个很大的区别：AI处理复杂问题时，非常耗电；而人类在涌现新创意时，往往是在放松的状态下，比我们现在这种紧张的状态更容易产生新想法。我认为，要让AI变得更智能，或许可以尝试让它在低能耗的情况下，涌现出新的创新点。

另外，我还想强调一个问题，那就是“数据”的重要性。我不知道大家有没有听过一个笑话：一个研究生问导师，把自己的研究想法给AI，会不会被AI窃取？导师回复说，你的想法属于“垃圾”，可能不仅不会被窃取，你的想法属于“垃圾数据”，AI不仅不会窃取，反而可能会被你污染。这虽然是个笑话，但也反映了数据质量的重要性。

以我自己的研究方向为例。我从事的是地球科学研究，涉及深海、深空、深地等领域，而这些方向的数据本身就非常稀缺。如果缺乏高质量数据，那么想真正建立高质量 AI 模型，其实是非常困难的。因此，在很多前沿性、战略性领域，高质量观测数据依然是不可替代的基础。

嘉宾寄语

张江：最后，我想邀请各位老师，用一句话送给今天在场的各位朋友，以及集智俱乐部社区的所有成员和长期关注我们的粉丝们。

郭雷：AI给复杂系统研究带来了很好的机遇，同样，复杂系统科学也可以推动AI研究；

陈关荣：AI本身就是一个复杂系统，它背后隐含着很深奥的复杂性，所以我们要用研究复杂理论的方法和思维，去研究AI、使用AI、发展AI。

狄增如：我们真正应该担忧的不是机器越来越像人，我们应该担忧的是人越来越像机器。

樊京芳：感谢集智俱乐部给我机会，让我能坐在这里和大家交流思想，尤其是给了年轻人一个非常好的视野——包括我的儿子也来了，谢谢集智。

兰岳恒：我们要拥抱AI，破解AI，超越AI。

刘泉影：保持简单，保持复杂。

张江：非常精辟，再次感谢各位老师今天的分享！

集智俱乐部学术年会（科学节）演讲回放可扫码查看详情：

网页链接：https://pattern.swarma.org/study_group/81

推荐阅读

1. Complexity, let's rock!

2. AI时代的复杂系统科学：为科学研究提供普适范式

3. 2028全球智能危机：AI冲击下的复杂系统演化

4. 诚招系统科学/AI/物理背景的内容创作者

5. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

6. 高考分数只是张入场券，你的科研冒险在这里启航！

7. 加入集智字幕组：成为复杂科学知识社区的“织网人”

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

22026年5月18日（周一） 13:30-16:15分享

课程简介

统计模型会告诉你运动与胆固醇正相关——但如果你强制一个人运动，胆固醇反而会下降。相关性与因果性的裂缝，恰好是当前大多数机器学习系统的致命弱点：它们善于在固定分布中预测，却无法回答"如果我这样做，会发生什么"。这门课正面解决这类问题。

课程以图灵奖得主 Judea Pearl 的因果推断体系为核心框架，沿“观察→干预→反事实”三层因果阶梯展开。第一层以贝叶斯网络为工具，精确刻画变量之间的相关关系与条件独立结构；第二层引入因果图（DAG）和 do 算子，区分条件概率 P(Y|X) 与干预概率 P(Y|do(X))，并通过后门调整、前门调整、工具变量等方法，在无法实施随机实验的条件下识别因果效应；第三层借助结构因果模型（SCM）进入反事实推理——用“溯因→作用→预测”三步回答“如果当年选了另一条路，结果会不同吗”。

本课程面向具备基础概率论知识的 AI 与系统科学方向学生，学完后，学员能够用贝叶斯网络建模变量依赖结构；用 d-分离判断图中的条件独立关系；通过后门准则和 do-calculus 从观测数据识别干预效果；以及用 SCM 的孪生网络框架完成反事实计算。

课程大纲

1. Why Causality?

2. Association: Bayesian Network

3. Intervention: Causal Graph

4. Counterfactual: Structural Causal Graph

关键术语

1. 因果阶梯（Ladder of Causality）：Pearl 提出的三层认知框架——相关（见）、干预（做）、反事实（想），所需信息量和推理能力依次递增

2. do 算子（do-operator）：表示主动将 X 固定为 x 的数学符号 do(X=x)，区别于被动观察条件概率 P(Y|X=x)

3. 后门路径（Backdoor Path）：从处理变量 X 出发、含有指向 X 的箭头的非因果路径，是混淆偏差的来源

4. 后门准则（Backdoor Criterion）：判断变量集 Z 能否通过调整消除混淆、使 do(X) 可从观测数据识别的图形条件

5. d-分离（d-separation）：在给定观测集 Z 下，判断图中两变量集是否条件独立的图形准则

6. 碰撞变量（Collider）：两个箭头同时指入的节点；控制 collider 会打开原本被阻断的路径，产生伪相关

7. 结构因果模型（SCM）：由内生变量 V、背景变量 U、结构方程 F 和 U 的分布组成的四元组，是反事实推理的数学基础

8. 工具变量（Instrumental Variable）：不受不可观测混淆影响、仅通过处理变量影响结果的外生变量

9. 前门准则（Front Door Criterion）：通过中介变量 M 分两步识别因果效应，适用于后门路径因不可观测混淆无法被调整的场景

推荐书籍

课程信息

课程主题：因果科学简介

课程时间：2026年5月18日（周一） 13:30-16:15

课程形式：腾讯会议（会议信息见群内通知）/北师大海淀区线下授课（助教可协助入校）；集智学园网站录播（3个工作日内上线）

课程主讲人

张江，北京师范大学系统科学学院教授，集智俱乐部、集智学园创始人，集智科学研究中心理事长，曾任腾讯研究院、华为战略研究院等特聘顾问。主要研究领域包括因果涌现、复杂系统分析与建模、规模理论等。

个人主页：https://jake.swarma.org/

课程适用对象

1. 理工科背景高年级本科生

2. 理工科背景硕士、博士研究生

报名须知

1. 课程形式：

1. 参与方式：付费学员可参与腾讯会议直播/北师大海淀区线下授课（助教可协助入校）

2. 授课形式：

1. 平时：课堂讨论与内容共创

2. 结课：项目汇报

2. 课程周期：2026年3月2日-2026年6月22日，每周一 13:30-16:15进行。

3. 课程定价：399元

课程链接：https://campus.swarma.org/v3/course/5684?from=wechat

付费流程：

1. 扫码付费；

2. 课程页面添加学员登记表，添加助教微信入群；

3. 课程可开发票。

课程共创任务：课程字幕

为鼓励学员深度参与、积极探索，我们致力于形成系列化知识传播成果，并构建课程知识共建社群。为此，我们特别设立激励机制，让您的学习之旅满载收获与成就感。

课程以老师讲授为主，每期结束后，助教会于课程群内发布字幕共创任务。学员通过参与这些任务，不仅能加深对内容的理解，还可获得积分奖励。积分可兑换其他读书会课程或实物奖品，助力您的持续成长。

推荐课程

参考课程

1. 吴恩达：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

【集智学园网站资源】

6. 对复杂系统连续变化自动建模——Neural Ordinary Differential Equations解读https://campus.swarma.org/course/2046

7. 复杂网络自动建模在大气污染中的应用https://campus.swarma.org/course/1998

8. 两套因果框架深度剖析：潜在结果模型与结构因果模型https://campus.swarma.org/course/2526

9. 稳定学习：发掘因果推理和机器学习的共同基础https://campus.swarma.org/course/2323

10. 因果强化学习https://campus.swarma.org/course/2156

11. 张江：因果与机器学习能够破解涌现之谜吗https://campus.swarma.org/course/4540

12. 因果涌现理论提出者：Erik Hoel主题报告https://campus.swarma.org/course/4317

13. 如何从数据中发现因果涌现——神经信息压缩器https://campus.swarma.org/course/4874

14. 标准化流技术简介https://campus.swarma.org/course/1999

15. 带隐状态的强化学习世界模型https://campus.swarma.org/course/4848

点击“阅读原文”，报名课程

阅读原文

跳转微信打开

以积淀托举新锐，在传承中奔赴创新

论文题目：Aging and the narrowing of scientific innovation

论文链接：https://www.science.org/doi/10.1126/science.adf8732

发表时间：2026年5月7日

论文来源：Science

引言：

被延长的科研生涯，正在如何重塑科学？

当前全球科研生态正经历深刻重构：一方面，科研训练周期越来越长，年轻人进行独立研究的门槛不断抬高；另一方面，随着强制退休政策的取消，资深学者的职业生涯被大幅延长，科学界的年龄结构老年化。这一变化引发了一个核心却悬而未决的问题：学术经验的累积，究竟是推动科学突破的引擎，还是束缚颠覆性思想的枷锁？

传统观点认为，资深学者凭借深厚的知识储备与丰富的研究经验，更易做出开创性贡献。但也有假说提出，随着职业生涯推进，科学家会逐渐被既有知识体系锚定，难以跳出既有范式提出颠覆性问题。这两种对立的观点，始终缺乏大规模、长周期的实证检验。而这项研究通过利用大规模学术出版数据系统地回答了学术老龄化如何影响科学创新这一关键问题，为理解个体创新活动的内在规律提供了全新视角。

科研创新分化：

年龄规律、内在成因与群体传导

研究基于逾1200万名科学家的职业生涯数据，将科学创造力拆解为两个独立维度：“新颖性”（连接此前未关联的知识领域）与“颠覆性”（以新范式取代旧有理论）。在排除学科领域、发表年份、作者规模等干扰因素后，得出明确结论：学者职业生涯中，颠覆性创新产出概率会在前十余年快速下滑，之后长期维持低位。学者逐渐从范式革新转向体系内改良，阅历拓宽了知识整合的边界，却也禁锢了突破性思想的生长空间。

图1 怀旧、印记与科学记忆的老化

这一转变背后，潜藏着深刻的认知“怀旧效应”。从业时间越久，引用老旧文献的倾向越明显，逐渐固化在熟悉的知识网络中开展研究，难以主动探索全新学术方向。数据分析显示，科学家整个职业生涯中最高频引用的核心文献，大多集中于其学术生涯起步阶段（其首篇论文发表前两年左右）接触的学术成果。

1994 年，美国最高法院裁定废除大学强制退休制度，资深学者能无限期保留职位。研究团队把这一政策变化视作一次“自然实验”，并将同一时期的英国作为对照组，追踪两国论文引用年龄的变化轨迹。结果显示，1994年之后，相较于英国，美国论文的参考文献年龄出现显著上升。研究人员进一步对数字化档案普及、时代变化或不同学科发展趋势等解释进行了排除，结果依然成立。这意味着，当资深学者长期留在科研体系、代际更替减缓，整个科学界都会更会更多地依赖过去积累的知识。

研究人员认为，这种趋势不仅影响个人，科研队伍的年龄结构，正在影响一个领域产生新思想和推进创新的速度。数据显示，科研队伍相对年轻的国家，如中国、韩国和印度，产出颠覆性论文的比例更高，而那些拥有更年长科研队伍的国家，如美国、英国和日本，则表现出较低的颠覆率。

破局之路：

如何让科学同时拥抱经验与颠覆？

这项研究的结论，并非否定资深学者的价值，而是揭示了科学创新中经验与创造力之间复杂的内在张力。资深学者的知识积累是科学进步的宝贵财富，他们的组合式创新能推动学科的渐进式发展，解决复杂的现实问题。但当整个学术生态被怀旧效应主导，颠覆性创新的空间被持续压缩，科学就可能陷入渐进式改良的舒适区，错失范式突破的机会。

图2 团队年龄与创新张力：沉淀与突破的平衡

基于此，研究团队提出了一系列针对性的政策建议：首先，打破单一领导的团队结构，通过轮岗、扁平化管理等方式，让年轻学者更多参与团队决策，平衡资深领导的怀旧倾向。其次，在科研评价中区分组合式创新与颠覆性创新，对高风险、高潜力的突破性研究给予更宽容的支持，避免单一的引用量评价体系。此外，推动跨代际的学术交流与合作，鼓励资深学者与年轻学者共同开展研究，通过思想碰撞打破认知锚定。

结语：科学的未来，

需要经验的沉淀，也需要颠覆的勇气

从个体的认知怀旧，到团队的偏好传递，再到国家层面的生态固化，这项研究为我们描绘了学术老龄化如何一步步收紧科学创新的边界。它提醒我们，延长的职业生涯并非科学创新的“永动机”，经验的积累也可能成为思想突破的枷锁。科学的发展从来不是一条线性的道路，而是渐进式改良与颠覆性突破交替推进的过程。在重视资深学者经验的同时，我们更需要警惕学术生态的认知固化，为年轻学者的颠覆性探索提供土壤，为挑战旧范式的研究提供支持。唯有让经验与颠覆在学术生态中和谐共生，科学才能在稳定中不断突破，真正实现站在巨人肩膀上，再向前迈一大步。

论文作者：

推荐阅读

1. 前沿综述：社会科学进入黄金时代

2. Science综述：计算社会科学十年，反思与展望

3. Science经典回顾：计算社会科学诞生宣言

4. 计算社会科学既做解释又能预测？芝大学者这样说

5. 诚招系统科学/AI/物理背景的内容创作者

6. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

7. 高考分数只是张入场券，你的科研冒险在这里启航！

8. 加入集智字幕组：成为复杂科学知识社区的“织网人”

#速递

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

2026年5月18日周一晚上19:30-21:30分享

报告简介

免疫系统依托持续的物质能量代谢交换维持远离热力学平衡的耗散结构稳态，可以看作是是代谢网络重构驱动系统稳态相变的涌现性表现。细胞代谢网络是免疫细胞静息活化、功能分化、免疫记忆形成等免疫行为的核心物质与能量底层基础，决定了免疫系统各类正常生理及病理异常行为的演化走向。正常生理状态下，免疫细胞依托糖代谢、脂代谢、氨基酸代谢及线粒体呼吸代谢的协同调控，依托正负反馈动态维持免疫临界稳态，兼顾免疫防御应答效率与免疫耐受稳定，保障机体免疫自组织有序运行。从复杂科学核心理论来看，免疫调控网络与代谢调控网络形成双向联动、深度嵌套的无标度耦合复杂系统，mTOR、AMPK、HIF-1α等核心枢纽分子贯穿两大网络体系，单一节点的微小代谢扰动可通过非线性级联放大效应引发全局免疫系统稳态漂移。

免疫细胞不同功能表型的定向分化，本质是代谢稳态的多稳态相变过程：静息态免疫细胞以氧化磷酸化与脂肪酸氧化为核心代谢模式，维持免疫系统基础稳定临界态；促炎效应免疫细胞受外界抗原刺激后快速启动有氧糖酵解重编程，通过代谢正反馈环路驱动免疫系统激活相变，快速放大炎症防御应答；调节性抑制免疫细胞则依托脂代谢强化与线粒体功能稳定，通过负反馈调控制衡过度免疫激活，避免系统紊乱失控；而免疫记忆的形成并非简单信号留存，而是代谢网络拓扑结构永久性重塑与代谢表观遗传修饰固化的长期系统演化结果。同时，免疫微环境代谢资源竞争、代谢废物累积形成局部自组织博弈格局，进一步介导免疫细胞适应性重塑，决定局部免疫抑制或激活的差异化涌现状态。通过代谢重塑调控肿瘤细胞和免疫细胞的代谢特点，构建适合肿瘤细胞生长和生存的肿瘤微环境。并且通过代谢中间产物的异常变化调控表观遗传修饰进一步影响免疫细胞的基因表达程序，促进肿瘤逃避免疫监视。核心诱因为免疫-代谢耦合复杂系统临界稳态失衡与有序结构破缺。综上，从复杂科学视角厘清免疫现象的代谢底层基础，打破了单一靶点研究的局限，转向系统代谢稳态重塑干预肿瘤提供全新理论支撑。

复杂科学视角下，免疫现象的代谢基础研究实现了从 “线性还原” 到 “系统网络” 的认知跃迁，为肿瘤等疾病提供了新的治疗思路。在复杂科学视角下，提升肿瘤免疫代谢网络鲁棒性，并非单纯杀伤肿瘤，而是以系统稳态为核心，增强正常免疫代谢网络的抗干扰、代偿、自我修复能力，同时削弱肿瘤恶性网络的鲁棒优势，最终实现机体抗肿瘤免疫系统的稳定可持续运行。当前，临床肿瘤治疗已在代谢联合免疫治疗、CAR-T 代谢优化、个体化代谢分型等方面取得突破性进展，但仍面临网络复杂性、技术瓶颈、转化障碍等挑战。未来，依托AI与多组学技术构建全局免疫代谢网络模型，研发精准代谢检测技术和分型诊疗，推行多靶点联合干预模式，迈向精准化、系统化、个体化的全新阶段，为改善肿瘤等复杂疾病临床预后开辟新途径。

分享大纲

核心概念

代谢是一切生命现象的物质基础，代谢活动不仅是免疫细胞能量供应的基础，更是其功能调控的关键因素。理解肿瘤免疫代谢调节的底层机制，有助于更好地解释临床现象、设计更好的免疫调节治疗策略，以期操控免疫治疗反应的演变方向实现控瘤技术水准的提升。

免疫-代谢耦合复杂系统

免疫系统并非由线性信号通路简单控制，其本质是一个基于持续物质能量交换维持的“耗散结构”。它的稳态是代谢网络动态重构所驱动的“涌现性”表现。免疫调控网络与代谢调控网络深度嵌套，形成了双向联动、具有“无标度”特性的复杂耦合系统。mTOR、AMPK等分子是贯穿两大网络的枢纽，这意味着对单一代谢节点的微小扰动，可能通过非线性级联放大效应，引发整个免疫系统稳态的全局性“漂移”。这一视角打破了传统单一靶点研究的局限，将免疫现象理解为复杂系统的整体行为。

代谢稳态与免疫相变

免疫细胞的功能表型定向分化，实质上是其内部代谢稳态发生“多稳态相变”的过程。静息态细胞依赖氧化磷酸化维持基础稳定；促炎效应细胞在激活后迅速重编程为有氧糖酵解，通过代谢正反馈环路驱动系统向“激活相”转变；调节性细胞则强化脂代谢以施加负反馈，防止过度激活。免疫记忆的形成更是代谢网络拓扑结构永久性重塑和表观遗传修饰固化的结果。同时，微环境中代谢资源的竞争与废物累积，构成局部“自组织博弈”，最终介导免疫抑制或激活等差异化状态的“涌现”。

肿瘤免疫代谢干预的新范式

从复杂科学视角看，肿瘤生物学行为演变与“免疫-代谢耦合系统”的临界稳态失衡密切相关。因此，治疗思路应从传统顾此失彼的“线性还原”式杀伤，转向以“系统稳态”为核心的新范式。以免疫重建为中心的控瘤治疗策略目标表现为一体两面：一是提升机体正常免疫代谢网络的“鲁棒性”，即增强其抗干扰、代偿与自我修复能力；二是削弱肿瘤恶性网络的鲁棒优势。实现这一目标的理想途径是基于第一性原理对肿瘤生态学，尤其是系统免疫学的深刻洞察，这需要多靶点联合干预（如代谢联合免疫治疗、CAR-T代谢优化），并依托AI与多组学技术构建全局网络模型，以期精准的代谢分型与个体化诊疗，最终引导机体抗肿瘤免疫系统回归稳定、可持续的运行状态。

然而就现实而言，有两大临床标准可作为实现这一理想的现实抓手：一个是TMB/MDT，尽可能集思广益优化方案并彻底贯彻实施。另一个是全程管理，将简约的切片式管理转化为与宿主整体状态时空演变相呼应的系统管理。当然这种范式的管理，显然极其消耗资源的。未来，以AI和第一性原理结合的数字孪生技术，必可革命性改善这一局面。

主讲人介绍

主讲人：崔久嵬，教授，博士生导师，吉林大学肿瘤研究所所长，吉林大学第一医院肿瘤科主任。主要研究方向为肿瘤免疫治疗。主持教育部重大科技创新项目、国家自然科学基金重点专项项目等，以通讯作者在JAMA Oncol、Mol Cancer、Genome Biol等期刊发表相关研究成果。兼任中国抗癌协会第九届理事会常务理事、中国临床肿瘤学会（CSCO）常务理事、中国医师协会肿瘤医师分会常务委员、CSCO免疫治疗专委会副主任委员、中国抗癌协会肿瘤营养专业委员会副主任委员等学术任职。荣获中国肿瘤青年科学家奖、吉林省科学技术奖一等奖、吉林省青年科技奖特别奖、中国肿瘤营养杰出贡献奖、“人民好医生”优秀风范奖等奖励。

参考文献

1. Hu T, Liu CH, Lei M, Zeng Q, Li L, Tang H, Zhang N. Metabolic regulation of the immune system in health and diseases: mechanisms and interventions. Signal Transduct Target Ther. 2024 Oct 9;9(1):268.

2. Mogilenko DA, Sergushichev A, Artyomov MN. Systems Immunology Approaches to Metabolism. Annu Rev Immunol. 2023 Apr 26;41:317-342.

3. Wu G, Fan X, Cheng L, Chen Z, Yi Y, Liang J, Huang X, Yang N, Yin J, Guo W, Huang Y, Yin S. Metabolism-driven posttranslational modifications and immune regulation: Emerging targets for immunotherapy. Sci Adv. 2025 Sep 12;11(37):eadx6489.

4. Trefny MP, Kroemer G, Zitvogel L, Kobold S. Metabolites as agents and targets for cancer immunotherapy. Nat Rev Drug Discov. 2025 Oct;24(10):764-784.

5. Lv Y, Li Z, Liu S, Zhou Z, Song J, Ba Y, Weng S, Zuo A, Xu H, Luo P, Cheng Q, Zhang C, Ning J, Chen Y, Zhang Y, Liu Z, Han X. Metabolic checkpoints in immune cell reprogramming: rewiring immunometabolism for cancer therapy. Mol Cancer. 2025 Aug 2;24(1):210.

6. Zhang Y, Zhuang W, Zhu H, Meng F, Chen M, Guo Y, Fan J, Sun Y, Ji T. Neuroimmunometabolic co-evolution in the tumor micro- and macroenvironment. Cell Metab. 2026 Apr 7;38(4):655-672.

读书会在做什么

免疫复杂性读书会，从2026年4月13日开始，每周一晚19：30，连续半年，聚焦免疫复杂性主题。

读书会主题划分为三个模块：

【导言】生命科学范式漫谈

由资深生命科学研究者朱景德教授激情畅谈复杂系统范式对于生命科学研究的意义。

【机制解读篇】

由中国学者敖平教授介绍基于普适的达尔文演化力学这个第一性原理发展起来内源性网络理论在理解复杂生命现象中的应用；这部分的整体架构是以EVO-DEV-ECO框架展开的，邀请国内研究免疫机制演化和发育的顶尖团队，分享他们的研究成果。同时对免疫机制的核心问题如免疫代谢、T细胞功能调控网络、神经-免疫的对话由长期关注此问题的资深学者展开探讨。

范式转换需以方法论为基础，由在此领域深耕的青年才俊介绍干湿结合的生物学机制研究方法，免疫稳态与免疫韧性是免疫健康的主旋律，我们也尝试基于复杂科学视角尝试对其进行解读……

【数理建模篇】

数学本质上是一种对认知进行准确描述和具有很强逻辑性的语言，由通用的数学符号体系建立起来的数学语言作为科学基础的工具为人类深化对自然界的认知起了不可或缺的作用，数学在不断演化中发展，同时不断拓展着人类的认知边疆。

不少物理学家都曾感叹数学不可思议的有效性，数学，尤其是对称性思想在构建物理学宏伟大厦的过程中是不可缺少的工具。数学在科学发展史上的巨大作用，使得科学家们又尝试以数学工具介入对生命现象的探索，但又难免惆怅：喟叹其不可思议的无效性。

癌生物学家 Robert Weinberg 提出“数学能否帮助人们理解生物系统复杂行为的合理性”这样一个极具挑战的问题。应用数学家林家翘先生提出“20世纪的应用数学聚焦于物理学问题，21世纪的应用数学数学应致力解决生物学问题”，预示了数学与生命科学交叉融合的重要性。在数理建模篇，将由国内一流的数学生物学团队介绍他们在这一领域的探索，侧重于肿瘤免疫相互作用的数学建模，尝试通过机理与数据驱动相结合的研究手段，采用微分方程组(随机或确定性)并结合随机模拟来描述肿瘤免疫响应的动力学演变过程。

虚拟细胞在当前AI高歌猛进的时代背景下似乎成了时代的宠儿——2026年伊始，最小人造细胞JCVI-syn3A的数字克隆取得新的进展——虚拟细胞精确复现了细胞分裂动力学周期和关键事件。虚拟细胞是理解生命现象的前沿领域，被寄希望应用于药物研发和临床药理学领域。本次读书会邀请到了首届全球虚拟细胞大赛冠军团队百图生科技术副总监郭玉成博士，他将对该次突破性虚拟细胞建模的技术路线进行解读，郭玉成博士目前已经着手在实验室复现此次虚拟细胞的动力学过程。

【工程技术篇】

这一模块将从国药之光康方生物双抗类药物的研发实践开始，讨论免疫调节工具研发的工程实践，药物的临床验证和优化使用情况。最后聚焦到临床痛点，宿主治疗响应的评估与监测，提高药物有效率的联合治疗和系统管理策略。

模块的设计初衷是希望通过系统回顾双特异性抗体的研发逻辑、PD-1抑制剂的临床药理、免疫紊乱的抗炎治疗、情绪应激与免疫应答之间的机制，结合几个具体的典型案例，来讨论：

宿主免疫对治疗响应的监控与控制，

如何优化肿瘤免疫联合治疗方案？

进而在本模块跨学科讨论的基础上回归到第一性原理，探讨新生物视角下临床困境的出路和科学探索方向。

【总结】

由在肿瘤免疫学领域深耕20余年的张晓实教授主持讨论，主题是“提高肿瘤免疫治疗应答率的联合用药策略和系统管理框架”。

时间信息

2026年4月27日（周一）晚19:30-21:30，腾讯会议线上进行，感兴趣的朋友扫码报名加入免疫复杂性读书会后，可进入学员群进行交流。

报名读书会：

「免疫复杂性读书会：范式、理论与工具」

免疫复杂性读书会，是一个以免疫现象为核心场景，以复杂科学为方法论，试图整合机制研究、数理建模、研发和临床实践问题来思考21世纪生命科学认知范式转型的跨学科研讨社群。

讲者们来自各自领域的一线前沿，将基于自己长期的工作积淀与思考展开演讲，同时提供精要的参考文献。

本读书会将围绕一个临床问题——如何优化以免疫治疗为中心的控瘤策略？——来展开讨论。

试图以范式思考与理论建模视角，回归到第一性原理的起点，去重构认知框架，激发对话与洞见。

发起人团队认为，将免疫系统视为动态复杂适应性网络，基于认知范式思考肿瘤免疫治疗的瓶颈——或能对当前免疫治疗的困境有所突破，构建出一套有效的联合治疗原则性框架，为临床实践提供指引。

扫描海报中二维码报名参加读书会

报名方式

第一步：微信扫码填写报名信息。

扫码报名

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：

我们鼓励围绕系统肿瘤免疫学、系统生物学、复杂网络与数学生物学及相关具体问题的深入探讨。为保证讨论质量，请避免发表脱离本期读书会主题、缺乏实证基础或过于空泛的哲学思辨类内容。

若讨论内容明显偏离主题，经主持人提醒后仍未调整，为维护整体学习环境，我们将不得不将该成员请出讨论群，并根据其实际参与进度，对未参与部分按比例办理退费。

感谢您的理解与配合，让我们共同营造一个专注、深入、有收获的共学空间。

加入社区可享核心资源

成为会员即可解锁完整学习生态，包括：线上实时问答、全部课程录播回看、独家资料共享、高质量社群交流、第一手信息同步，以及通过参与共创任务获取积分等权益。

特色退费与激励机制

我们提供以下两种途径，让您的投入获得实际回馈：

1. 任务达标退费路径

   认领并合格完成任意三期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。

2. 运营成长激励路径

   合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。

推荐阅读

达尔文力学——生命的力学

王小川：理解“复杂”，开启生命世界观丨新书《复杂》

前沿进展：新冠病毒感染与免疫系统协同响应的动力学机制

前沿进展：ATP水平与水解自由能怎样共同影响细胞的钙信号调控系统走向“分叉”

基于网络的机器学习方法预测癌症患者的免疫治疗反应 | 复杂性科学顶刊精选9篇

生命复杂性读书会：从微观到宏观，多尺度视角探索生命复杂系统的构成原理

随机动力学读书会：大模型、金融波动、生命演化背后，那只“看不见的手”

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

记忆存取与遗忘机制的新解释框架

刷短视频时，平台似乎总能“刚好知道你想看什么”；用AI写文案时，模型可以顺畅地接着你的思路往下生成；而当我们回忆童年趣事，一些零散的线索——一段旋律、一种气味——往往就能勾起完整的场景。

这些看似毫不相关的体验，其实都指向一个共同的问题：信息是如何被“存住”，又是如何被“找回”的？

在人工智能中，一个常见的解释是键值记忆（key–value memory）：系统通过线索定位信息，再提取对应内容。近年来，神经科学研究也提出类似视角。2025年发表于 Neuron 的论文《Key-value memory in the brain》尝试用“索引—内容分工”来理解大脑：海马体更偏向提供检索线索，新皮层更多承担信息存储。

这并不意味着大脑就是一个简单的“键值系统”，但这个框架提供了一种有启发性的统一视角，让我们重新审视一个熟悉却复杂的问题：记忆是如何被组织的，又为什么会“遗忘”。

一、什么是键值记忆？AI的“记忆秘诀”很简单

键值记忆听起来专业，实则逻辑我们每天都在用：手机通讯录里，姓名是“键”（Key），电话号码是“值”（Value），找姓名就能快速查号码——这就是它的核心：“键”定位，“值”存储，分工明确。

AI领域里，键值记忆早已是标配：ChatGPT等大模型的Transformer架构、检索增强生成（RAG）技术，核心都是键值配对。它的优势，源于对传统记忆模型短板的突破。

传统自联想记忆（Auto-Associative Memory）（如图1左图所示），可以追溯到神经科学先驱约翰·霍普菲尔德在上世纪提出的Hopfield网络。在这个模型中，记忆以整体模式的形式被存储：只要给定一个不完整或带噪声的输入，网络就会自动“收敛”到最接近的完整记忆。这种机制就像把照片和名字写在同一张纸上——回忆时需要同时还原整个内容，因此一旦信息变多或彼此相似，就容易混淆或出错。

而键值记忆将“定位”和“存储”分开：“键”只负责找位置，“值”只负责存内容，像书的目录（键）和正文（值），各司其职、互不干扰。以回忆过程为例，只需要给模型一个轻量的Key，而不是一个全量的内容，就能实现Key到Value的查找。

键值记忆的流程只有两步，和查字典、找通讯录完全一致：

1. 写入记忆：将“键”和“值”绑定存入系统（比如记单词时，拼写是键、中文意思是值）；

2. 读取记忆：用“查询线索”匹配键，提取对应的值（比如看到单词拼写，提取中文意思）。

图 1：自联想记忆与键值记忆的结构对比（作者绘制），前者通过整体模式匹配进行记忆恢复，后者将记忆拆分为“键”（用于定位）与“值”（用于存储），实现解耦检索。

神奇的是，Transformer、多层感知机（MLP）乃至人类大脑，都是这套流程的不同实现——这正是论文最核心的发现：人工与自然智能，记忆底层逻辑高度一致。

二、大脑的“键值分工”：

海马体是“索引员”，新皮层是“仓库管理员”

人类大脑本身就是一套天然的键值记忆架构，论文通过大量实验，明确了两个核心脑区的分工：海马体负责“键”，新皮层负责“值”。

简单认识两个脑区：海马体是“记忆之门”，体积小但关键，受损会导致无法形成新记忆；新皮层是“记忆仓库”，占大脑大部分体积，存储常识、技能、感官体验等。

过去科学家只知两者分工不同，却不懂协同逻辑。直到1995年O’Reilly等人的工作[1]发表，人们才认识到：海马体不存具体内容，只编“索引”（键）；新皮层不负责定位，只存“内容”（值）。

比如第一次去某一家特别的餐厅，海马体编码“键”——位置、装修、同行的人；新皮层存储“值”——味道、心情。后来看到相似装修（查询线索），海马体匹配键，从新皮层提取值，完整记忆就浮现了。

图 2：大脑中海马体和皮层的位置示意图，蓝色弯曲状的区域即为海马体图源[1]

论文基于大量经典认知神经科学实验，建立了海马体编码键、新皮层存储值的分工框架。其中两组实验证据[2][3]最直接、可重复性最强:

实验1：记忆并未消失，而是会随时间发生泛化，并可被线索重新精确化

为了检验记忆是在消失，还是在变得难以精确提取，研究者设计了经典的情境恐惧实验。大鼠在环境A中经历电击后，会形成情境特异性恐惧记忆。

在短期测试中，这种记忆表现得非常精确：大鼠能区分高度相似的环境B和完全不同的环境C，只在A表现出明显恐惧反应。但随着时间推移，这种精确性下降——大鼠开始对相似环境B也产生恐惧反应，表现出明显的“记忆泛化”。

关键发现是，这种变模糊的记忆并非真正丢失。当研究者只提供一个简单线索（例如将大鼠短暂带回环境A进行提示）后，大鼠对A与B的区分能力可以恢复，重新表现出对A的特异性恐惧反应。

这一结果表明：记忆内容本身仍然存在，只是随着时间推移，检索过程变得不稳定，导致提取结果变得泛化；而合适的线索可以重新激活原本精确的记忆，使其“从模糊回到清晰”。

图 3：小鼠情境恐惧实验流程图[4]。大鼠在环境A形成恐惧记忆，短期内可区分相似环境B与不同环境C，但随时间出现泛化；通过回到A进行提示后，记忆可重新恢复精确性。

实验 2：海马体通过拉开相似记忆的表征来减少混淆，实现索引分离

为了理解大脑如何区分高度相似的记忆，研究者让大鼠学习两条高度重叠的迷宫路线（约80%路径相同），并要求它们准确区分不同路线以获得食物奖励。

在学习初期，由于两条路线高度相似，大鼠容易混淆，对应的神经活动模式也彼此接近。随着学习深入，海马体中的表征逐渐发生变化：即使在重叠路段，两条路线的神经活动模式也被明显拉开，相似度持续下降。这种变化与行为表现直接相关——表征分离越明显，大鼠的区分准确率也越高。

相比之下，新皮层中的表征始终保持较高相似性，更稳定地反映路线本身的视觉与空间特征，并不会主动放大差异。

这说明，在面对相似记忆时，大脑并不是单纯依赖存储内容来区分，而是通过海马体提高不同记忆之间的区分度，减少检索时的相互干扰。相对而言，新皮层更专注于保持内容本身的稳定与完整。

从这个角度看，两者形成了一种分工：一侧负责把相似记忆区分开，另一侧负责把内容尽可能准确地保留下来。这种分工方式，与键值记忆中定位与存储分离的思路是相契合的。

三、我们到底为什么会“遗忘”？

从键值记忆的视角来看，遗忘不再被简单理解为记忆内容的逐渐消失。相关研究（如Berens et al.[4]提出，记忆表现下降往往可以拆解为两个维度：能否被提取，以及提取是否精确。很多情况下，大脑记忆一旦存储，就长时间保存在新皮层，不会被擦除；遗忘本质是海马体的“键”失效，找不到索引，无法提取内容。

这一观点与“键值记忆”框架形成了直接对应关系：如果将记忆内容视为“值”，将检索线索视为“键”，那么遗忘更可能发生在“键”失效或匹配困难的环节，而不是“值”本身被删除。在这一假说下，一个自然的问题是：这种“检索失败”是否能够在行为实验中被观察到。为此，研究者设计了两类经典实验。

第一类实验关注时间对记忆表现的影响。受试者需要记忆屏幕上目标出现的位置，并在不同时间间隔后进行回忆测试。结果显示：随着时间延长，能够成功回忆的人数下降，但只要能够回忆，他们报告坐标的精度与第一天毫无差别。这说明记忆内容（值）始终清晰，变弱的是海马体的索引能力（键）——时间久了，线索匹配效率下降，导致“搜不到”而非“记错了”。

第二类实验则考察干扰的作用。受试者依次学习多组单词列表，并在最后回忆其中某一组。结果发现，被遗忘程度主要取决于该组内部信息的复杂度，而与后续学习内容的长度关系不大。这意味着遗忘并非“新记忆覆盖旧记忆”，而是相似记忆的索引互相竞争、互相干扰，导致检索失败。

四：AI的“遗忘”，能被“唤醒”

有趣的是，键值记忆框架也为理解AI的“灾难性遗忘”提供了新视角。

在传统机器学习的解释中，当模型先学习识别“猫”，再学习识别“狗”时，“猫”的知识被新任务“覆盖删除”了。但在这篇论文所提出的框架下，可以从另一种角度理解这一过程：模型并非完全“忘记”了猫的知识，而是在参数空间中仍然保留相关信息的情况下，后续学习的表征在推理时占据了更强的激活优势，从而在检索阶段抑制了旧任务的输出。这与键值记忆中“内容仍在，但索引竞争导致无法顺利提取”的机制具有一定形式上的相似性。

这种视角也与人类记忆中的一些现象形成呼应。例如，在日常体验中，我们常常会出现“明明知道但一时想不起来”的情况。这类现象通常被解释为信息并未丢失，而是在提取过程中受到干扰或索引路径暂时失效。不过需要强调的是，人类记忆系统依赖海马体与新皮层的协同结构，而当前人工神经网络是单一参数系统，两者在实现机制上并不相同。

尽管如此，这种“现象相似但机制不同”的对应关系，为理解不同智能系统中的记忆可及性问题提供了一种统一的描述语言。

在机器学习研究中，类似的现象也在标准的连续学习（continual learning）设置中被反复观察。例如多任务学习MLP实验：任务1识别MNIST手写数字（0和1），准确率达99%；任务2识别FashionMNIST服饰（T恤和裤子），准确率达95%，不做任何抗遗忘处理。结果表明：任务2训练后，任务1准确率从99%暴跌到9%，复现“灾难性遗忘”。但推理时放大任务1的“键值对”分量（模拟激光激活大脑沉默记忆），无需重新训练，准确率随放大系数回升，最终回到99%。这类现象进一步提示，“遗忘”在许多情况下更接近于检索竞争，而非信息彻底消失。

图 4：连续学习中的遗忘与再激活 [5]。模型在先后学习任务1（MNIST）与任务2（FashionMNIST）后，任务1性能显著下降，但通过增强对应任务的激活路径，可部分恢复其输出能力。

这证明：任务1的记忆没被擦掉，只是被干扰成“沉默记忆”，放大键值分量就能唤醒——和人类的遗忘与唤醒，逻辑完全一致。

五、结语：人工与自然智能的“记忆共鸣”

这篇论文的核心贡献，并不在于提出某种新的工程方法，而在于提供了一种统一的解释框架——用键值记忆的视角，将脑科学、认知心理学与机器学习中的记忆机制联系起来，使“信息如何被存储与检索”这一问题可以在同一抽象层面被讨论。

需要指出的是，键值记忆仍是一种计算层面的建模工具，更适合作为解释框架，而非对大脑机制的最终定论。大脑记忆系统涉及多脑区协同与多尺度动态过程，其复杂性远超过简单的“键—值”二分结构。因此，这一框架的意义不在于宣称“大脑等同于某种计算模型”，而在于提供了一种跨领域可对话的概念语言，使不同学科能够在同一抽象层面讨论记忆问题。

在这一框架下，一些现象获得了更统一的理解：无论是人类记忆中的“暂时想不起来”，还是机器学习中的灾难性遗忘，都可以被看作是检索过程受阻或竞争增强的结果，而非信息完全消失。这一视角也为人工智能提供了启发：通过引入类似“索引与内容分离”的结构设计，或增强特定路径的选择性激活，有望提升模型在连续学习中的稳定性。

从更宏观来看，这种跨领域对照并不是结论，而是一种起点。它提示我们，当人工智能与神经科学在同一概念框架下对齐时，既可能加深对大脑的理解，也可能推动更具持续学习能力的人工系统设计。

感兴趣可查看论文官方代码仓库（https://github.com/kazuki-irie/kv-memory-brain），亲身体验键值记忆的魅力——了解AI的记忆逻辑，也是在了解我们自己的大脑。

参考资料

[1]McClelland, J.L., McNaughton, B.L., and O’Reilly, R.C. (1995). Why there are complementary learning systems in the hippocampus and neocortex: insights from the successes and failures of connectionist models of learning and memory. Psychol. Rev. 102, 419–457. https://doi.org/10. 1037/0033-295X.102.3.419.

[2]Wiltgen, B.J., Zhou, M., Cai, Y., Balaji, J., Karlsson, M.G., Parivash, S.N., Li, W., and Silva, A.J. (2010). The hippocampus plays a selective role in the retrieval of detailed contextual memories. Curr. Biol. 20, 13361344. https://doi.org/10.1016/j.cub.2010.06.068

[3]Chanales, A.J.H., Oza, A., Favila, S.E., and Kuhl, B.A. (2017). Overlap among spatial memories triggers repulsion of hippocampal representations. Curr. Biol. 27, 2307–2317.e5. https://doi.org/10.1016/j.cub.2017. 06.057.

[4]Gutiérrez B J, Shu Y, Gu Y, et al. HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models[J]. arXiv preprint arXiv:2405.14831, 2025.

[5]Gershman et al., Key-value memory in the brain, Neuron (2025), https://doi.org/10.1016/j.neuron.2025.02.029

[6]Berens, S.C., Richards, B.A., and Horner, A.J. (2020). Dissociating memory accessibility and precision in forgetting. Nat. Hum. Behav. 4, 866–877. https://doi.org/10.1038/s41562-020-0888-8.

[7]Wiltgen, B.J., Zhou, M., Cai, Y., Balaji, J., Karlsson, M.G., Parivash, S.N., Li, W., and Silva, A.J. (2010). The hippocampus plays a selective role in the retrieval of detailed contextual memories. Curr. Biol. 20, 13361344. https://doi.org/10.1016/j.cub.2010.06.068

[8]Chanales, A.J.H., Oza, A., Favila, S.E., and Kuhl, B.A. (2017). Overlap among spatial memories triggers repulsion of hippocampal representations. Curr. Biol. 27, 2307–2317.e5. https://doi.org/10.1016/j.cub.2017. 06.057.

[9]Berens, S.C., Richards, B.A., and Horner, A.J. (2020). Dissociating memory accessibility and precision in forgetting. Nat. Hum. Behav. 4, 866–877. https://doi.org/10.1038/s41562-020-0888-8.

作者：贾梓杏 中山大学物理与天文学院CIBR吉妮实验室实习生

审核：张江 北京师范大学系统科学学院教授

出品：中国科协科普部

监制：中国科学技术出版社有限公司、北京中科星河文化传媒有限公司

神经科学和人工智能领域的多位著名学者近日发表 NeuroAI 白皮书认为，神经科学长期以来一直是推动人工智能（AI）发展的重要驱动力，NeuroAI 领域的基础研究将推动下一代人工智能的进程。文章发表后引发热议：神经科学是否推动了人工智能？未来的人工智能是否需要神经科学？

本着促进神经科学、计算机科学、认知科学和脑科学等不同领域的学术工作者的交流与合作，集智俱乐部联合北京师范大学柳昀哲、北京大学鲍平磊和昌平实验室吕柄江三位研究员共同发起了「NeuroAI」读书会，聚焦在视觉、语言和学习领域中神经科学与人工智能的相关研究，期待能够架起神经科学与人工智能领域的合作桥梁，激发跨学科的学术火花。读书会已完结，现在报名可加入社群并解锁回放视频权限。

推荐阅读

1. 自然·神经科学评论：当 AI 开始同时“理解”大脑与行为

2. Google DeepMind：为何AI只能模拟意识，而无法具现意识

3. AI 也会“自我反思”？Claude 模型现内省迹象，大语言模型认知新突破

4. 机器人集群如何组装出有趣形状？| Nat. Commun. 速递

5. 诚招系统科学/AI/物理背景的内容创作者

6. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

7. 高考分数只是张入场券，你的科研冒险在这里启航！

8. 加入集智字幕组：成为复杂科学知识社区的“织网人”

#原创

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

2026年5月17日（周日）下午14:00-16:00分享

报告简介

本期报告聚焦Vibe Modeling 自然语言驱动数学建模技术框架，围绕 “自然语言→数学模型→可执行代码” 的全链路自动化核心，系统讲解技术定义、工作流程、智能体架构、技能体系与实战应用。报告结合易腐品供应链优化典型案例，详细阐述分层记忆、Skill 原子能力、多智能体协同及 Hermes 自进化智能体的设计理念与实现机制，清晰呈现 AI 如何自动完成意图理解、任务分解、模型构建、约束处理与代码生成，全面展示该技术在提升建模效率、降低专业门槛、实现经验沉淀与自我迭代方面的核心价值，为数学建模智能化、工程化落地提供完整思路与实践参考。

分享大纲

• Vibe Modeling 核心定义与本质

• 自然语言驱动自动建模全流程

• 供应链优化实战案例讲解

• 自进化 AI 智能体架构与记忆设计

• 技术核心价值、应用与现存挑战

核心概念

1. Vibe Modeling：以自然语言描述问题，AI 自动完成数学建模、生成求解代码的全流程自动化技术。

2. AI 智能体：具备感知、决策、执行、记忆能力，可自主完成建模任务的系统。

3. 分层记忆：Redis 短期记忆（实时交互）、向量库长期记忆（经验复用）、黑板架构共享记忆（多智能体协同）。

4. Skill（技能）：封装特定业务逻辑的原子能力单元，支持动态注入、自动生成与组合调用。

5. Hermes Agent：可自我进化的养成式智能体，通过经验沉淀自动生成 Skill，越用越智能。

6. 全链路自动化：自然语言输入→数学模型→可执行代码→模型求解的一站式落地。

主讲人介绍

主讲人：陈小杨，同济大学数学科学学院长聘副教授，国家级青年人才获得者。主要研究方向：曲率与拓扑， AI for math。曾主持国自然基金青年，面上各一项。在Geometry & Topology, Advances in Mathematics, Mathematische Annalen , Mathematische Zeitschrift 等知名期刊发表多篇学术论文，并获得2019 年世界华人数学家联盟最佳论文奖（若琳奖）。陈小杨老师还发起了人工智能与数学读书会，促进了人工智能与数学的交叉融合。

参考文献

1. D. Zheng etl. AI Co-Mathematician: Accelerating mathematicians with Agentic AI.  arxiv.2605.06651

2. GLM-5-team, GLM-5:From vibe colding to agentic eigineering. arxiv. 2602.15763

时间信息

2026年5月17日（周日）下午14:00-16:00，腾讯会议线上进行，微信视频号+集智俱乐部B站号同步直播，感兴趣的朋友扫码报名加入Vibe Modeling读书会后，可进入学员群进行交流。

直播信息

报名读书会：「Vibe Modeling」

集智俱乐部联合同济大学长聘副教授陈小杨和北京林业大学副教授李周园共同发起「Vibe Modeling」读书会，将在集体实践中探索 vibe modeling 在不同领域的通用模式与特殊需求，沉淀可复用的提示策略、评估方法与工作流，为这一范式搭建早期社区基础，助力 AI 赋能的跨学科研究与人才培养落地。

读书会自2026年5月17日起，每周日下午14:00-16:00线上开展，持续10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。

扫描海报中二维码报名参加读书会

报名方式：

第一步：微信扫码填写报名信息。

（扫码报名）

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：为确保专业性和讨论的聚焦，本读书会谢绝脱离 Vibe Modeling 读书会主题及相关问题的交流讨论；如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费。

加入社区后可获得的资源

完整权限包括：线上问答、录播回看、资料共享、社群交流、信息同步、共创任务获取积分等。

特色退费与激励机制

我们提供以下两种途径，让您的投入获得实际回馈：

1. 任务达标退费路径认领并合格完成任意两期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。

2. 运营成长激励路径合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。

推荐阅读

招募发起人：一场关于“Vibe Modeling”的读书会

人工智能与数学前沿综述：如何借助 AI 发现数学规律？

人工智能与数学读书会启动：AI for Math，Math for AI

探索理论生态学：洞察自然秩序之旅

地球系统科学读书会启动：统计物理与深度学习交叉前沿

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

5月16日下午14:00-16:00分享

内容简介

围绕复杂网络的最小支配集（MDS）与连通支配集（MCDS）优化，指出MDS可被局域统计物理模型精确预测，而MCDS因“连通性”全局约束难以被局域相互作用刻画而产生显著偏差，并提出用动物群体自组织机制为突破口来弥合这一冲突。在MDS上采用自旋玻璃框架的统计物理BPD算法，并结合核渗流理论与全域掐叶算法实现对最优基态能量的高精度预言；在MCDS上引入基于鸡群观测得到的“覆盖+连通”涌现机制，构建能同时表达支配与连通双约束的改进能量模型。通过两年生态散养鸡群的系统观察提炼局部交互如何维持群体覆盖与连通，将其转化为优化策略：在局域能量函数中加入动态交互权重与群体连通性惩罚项，从而以局部可计算的形式逼近全局连通约束，并进一步用于网络MCDS求解与鸡群分布调控应用。

分享大纲

内容1 统计物理方法求解复杂网络支配集问题：从MDS建模到MCDS拓展

• 内容1.1 MDS基本原理：最小支配集约束条件与网络覆盖目标

• 内容1.2 统计物理建模：复杂网络优化问题向物理能量函数的映射

• 内容1.3 MCDS核心矛盾：连通性约束引发的求解难点与优化瓶颈

内容2 自旋玻璃理论应用于生态养鸡系统研究：从个体交互到群体稳态预测

• 内容2.1 网络结构构建：将鸡群群居行为抽象为复杂网络模型

• 内容2.2 能量函数刻画：借助自旋玻璃框架量化鸡群个体交互关系

• 内容2.3 配比优化预判：确定公母配比最优区间并识别应激与失稳风险

内容3 非平衡态耗散结构理论解析鸡群生态系统：从开放系统到有序稳态

• 内容3.1 系统属性判断：生态养鸡场作为开放型耗散结构系统的基本特征

• 内容3.2 熵流机制分析：系统内外熵值流动规律与鸡群生长状态的关联关系

• 内容3.3 稳态维持路径：通过物质、能量与信息交换支撑鸡群整体有序演化

内容4 《黄帝内经》传统思想融入养殖科研体系：从哲学理念到系统调控

• 内容4.1 天人合一理念：自然生态养殖逻辑与环境适应思想的内在契合

• 内容4.2 阴阳平衡学说：鸡群系统动态熵平衡与群体稳定调控的对应关系

• 内容4.3 整体辨证思维：中医系统观与物理全域研究方法的融合路径

内容5 多理论融合创新与养殖实际落地应用：从统一框架到实操方案

• 内容5.1 理论框架搭建：融合统计物理、耗散结构与传统中医思想形成综合研究体系

• 内容5.2 种群结构调控：构建适配山地散养模式的鸡群种群优化模型

• 内容5.3 实践方案转化：支撑高福利、标准化生态养殖模式的落地应用

核心概念

• 最小支配集MDS Minimum Dominating Set MDS

• 连通支配集MCDS Minimum Connected Dominating Set MCDS

• 自旋玻璃理论 Spin Glass Theory

• 统计物理BPD算法 Belief Propagation Decimation BPD

• 全局拓扑约束 Global Topological Constraint

• 自组织涌现 Self-organized Emergence

• 动态交互权重 Dynamic Interaction Weights

• 连通性惩罚项 Connectivity Penalty Term

主讲人介绍

主讲人：玉素甫艾比布拉，现任新疆大学物理科学与技术学院副教授。2015年毕业于中国科学院理论物理研究所，获理论物理博士学位，同年9月入职新疆大学开展教学与科研工作。

长期致力于统计物理与复杂系统领域研究，在《Journal of Statistical Mechanics》和《Journal of Statistical Physics》等统计物理权威国际期刊发表论文6篇，研究成果聚焦复杂网络优化问题（如支配集、连通支配集）的统计物理建模，熟练运用自旋玻璃理论、和渗流理论等方法开展理论推导与算法优化。

近年将研究视角拓展至动物群体行为领域，通过观察生态养鸡过程中的群体自组织现象，探索从中提炼复杂系统的普适性规律与物理建模思想，力求实现物理理论与实际应用的跨学科融合，为复杂系统研究及生态养殖技术优化提供创新思路。

参考文献

1. Zhao J-H, Habibulla Y and Zhou H-J 2015 Statistical mechanics of the minimum dominating set problem J.

2. Habibulla Y 2017 Minimal dominating set problem studied by simulated annealing and cavity method: analytics and population dynamics J. Stat. Mech. 2017 103402

3. Habibulla Y, Zhou H J. Minimum connected dominating set and backbone of a random graph[J]. Journal of Statistical Mechanics: Theory and Experiment, 2024, 2024(6): 063402.

4. Cavagna A, Cimarelli A, Giardina I, et al. Scale-free correlations in starling flocks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(26): 11865-11870.

报名读书会：

「群体智能：从自然涌现到人机共创」

集智俱乐部联合北京师范大学系统科学学院韩战钢教授、暨南大学计算传播研究中心赵甜芳副教授、新疆大学物理科学与技术学院玉素甫·艾比布拉副教授等学者，共同发起本次「群体智能」读书会，尝试用一条普适的线索，把自然界的鸟群蚁群、人类社会的集群行为、以及人工智能时代的多智能体与群智优化，放在同一张地图上重新理解。读书会自2026年1月24日开始，安排在每周六下午 14:00–16:00，欢迎所有对群体智能如何涌现、如何被理解、以及如何被设计，感兴趣的朋友一起加入：带着问题来，带着更有趣的问题去。

视频号直播预约：

报名方式：

第一步：微信扫码填写报名信息。

（扫码报名）

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：为确保专业性和讨论的聚焦，本读书会谢绝脱离读书会主题和群体智能相关问题的空泛的哲学和思辨式讨论；如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费。

加入社区后可获得的资源

完整权限包括：线上问答、录播回看、资料共享、社群交流、信息同步、共创任务获取积分等。

推荐阅读

从鸟群到大脑：因果涌现能解释什么？ | 科普专访

细胞世界的“高速公路”：揭秘微小纹路如何让混乱的细胞群自发排队，走向有序公路

蚁迹寻踪——20年前的模拟程序重新登上集智百科了！丨集智百科

强化学习能否提高群体稳定合作的可能性？

空域的涌现：集群 | 涌现动力学第六课

萤火虫的同步闪烁：随机中怎样涌现出秩序？

人潮汹涌化“群旋”？科学家揭秘大型人群的“集群涡旋”之谜

蚂蚁组团更聪明？人类团队有时反而“拖后腿”！

复杂网络上的自组织与集体行为：从扩散、相变到博弈 | 读书会启动

羊的物理学——从相变到集体运动

PRE 速递：水母的群体相干机制

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开

今日见刊！深圳清华大学团队首次在开放流体环境中的机器人集群中实现可编程自组织临界性

论文题目：Self-organized Criticality in Aquatic Robot Swarm

论文地址：https://www.science.org/doi/10.1126/sciadv.aec6153

发表时间：2026年5月13日

发表期刊：Science Advances

当我们谈论“仿生”时，首先想到的往往是对生命结构与行为的模仿：仿生相机借鉴昆虫复眼的成像方式，无人机编队模仿鸟群的协同飞行，软体机器人模仿章鱼触手的柔性运动。这类研究关注的是生命系统“如何构成”。另一条路径则更强调“能够做什么”——让神经网络完成视觉识别，让强化学习代理学习博弈策略，让大模型生成文本与内容，本质上都是在复现生命系统的信息处理与行为能力。

但相比结构与功能，生命系统或许还有一个长期被忽视的维度：它们始终运行在某种特殊的动力学状态之中。越来越多研究发现，无论是神经元群体活动、群体行为，还是生态系统演化，许多生命系统都表现出接近临界态（critical state）的动力学特征。自组织临界性（Self-organized Criticality, SOC）正是描述这类现象的重要理论框架。在这种状态下，系统既不会陷入完全静止的有序，也不会滑向完全随机的混乱，而是维持在两者之间的临界区域，从而同时具备稳定性与敏感性。

于是，一个更进一步的问题出现了：如果我们不再执着于模仿生命的具体结构或单一功能，而是尝试直接构建一种能够维持“临界态”的人工系统，会发生什么？某些原本需要复杂控制与精细规划才能实现的群体协同行为，是否可能从这种动力学状态中自然涌现？

自组织临界态（SOC）：

生命系统常展现出的一种动力学特征

SOC是一类在自然界中广泛观察到的动力学现象（1–6）。1987年，Per Bak、Chao Tang和Kurt Wiesenfeld提出了一类可能具有普适性的动力学机制——SOC理论：许多开放耗散的复杂系统，在能量与信息的持续交换中，无需外部精细调节参数，仅通过内部的局部相互作用与能量耗散，就能自发演化到临界状态，并表现出幂律分布、无标度性和1/f 噪声等“指纹”。（7-9）。

这就像是沙堆模型：当沙粒不断落下，沙堆的坡度会自动维持在临界角度。此时，添加一粒沙子可能毫无动静，也可能引发一场涉及整个沙堆的崩塌（雪崩）。统计这些雪崩会发现，大小雪崩的频率遵循幂律——小崩塌频繁，大崩塌罕见，但没有特征尺度告诉你“最大的崩塌应该是多大”。

这种特征被认为与生命活动息息相关/越来越多研究发现，生命系统中的许多群体动力学过程也表现出接近临界态的特征。神经网络呈现幂律分布的神经元活动簇尺寸，以最大化信息容量（10–13）；鸟群在飞行中保持无标度关联，以平衡秩序与灵活性（14–16）。临界态赋予了系统全局敏感性与局部鲁棒性的奇特组合。

然而，在人工系统中物理实现SOC面临双重挑战：一类系统（如超冷原子气体）虽然能够观察到SOC，但环境相对孤立，无法与外部进行能量/信息交换（17,18）；另一类系统（如磁驱微机器人群）则高度依赖外部全局场驱动，个体自主性较弱（19–21），难以研究内禀的自组织动力学。

因此，水面机器人集群（Aquatic Robot Swarm，ARS）系统的突破，正在于它构建了一个开放、自主、物理耦合的仿生平台。通过可编程参数定量探索临界相变机制，弥合传统理论模型与真实系统之间的鸿沟。它为复杂科学的研究与建模提供了可扩展的实验工具。而在机器人学领域，这一仿生设计揭示了群体智能物理实现的一条路径：通过局部交互规则（趋光性与机械反馈）的耦合，去涌现全局协调行为。

水波与光：构建反馈的辩证法

这个机器人系统所呈现的“临界性”，究竟是通过怎样的物理交互机制被构建出来的？

每个机器人（约80cm³）都配备了三片振动TPU薄膜，通过振动产生水波反作用力推进。更重要的是，它们通过可见光进行“隐式通讯”：机器人向周围环境发射LED光信号，并通过光敏电阻感知同伴的光强分布，从而产生趋光性（phototaxis）（图1）。

这里形成了一个精妙的非线性反馈回路：

正反馈（长程吸引）：趋光性使机器人相互靠近，LED光线叠加形成更强的光场梯度，吸引更多个体；

负反馈（短程排斥）：振动产生的水波对邻近个体（约6cm内）产生物理排斥，防止无限聚集。

光场（长程）与水波场（短程）的耦合，构成了SOC所需的“雪崩”机制：局部的微扰可以通过光-水波的传导媒介传递至全局，而无需任何中央控制器或显式通信协议。

图1.ARS的设计。(A)每台机器人均配备有3个振动电机，这些电机与直径为3厘米的TPU薄膜相连，以便在水面上实现运动。机器人通过3个光敏电阻来探测光源的方向。机器人通过控制LED的亮度来与其他机器人进行信息交流。(B)TPU薄膜用边缘和O型圈固定在机器人本体上，以确保密封性。(C)机器人3次重复实验的MSD。(D)光源方位角w是由通过三个光电阻器获取的光强度值计算得出的，而光趋化效应则通过调整振动电机的驱动电压来实现。(E)多个机器人同时执行光趋化行为并展现出集体行为特征，它们会聚集在一起并形成大小不一的亚集群。

相关簇：如何量化“临界”

在给定上述光–水波耦合的局部交互机制之后，仍然需要回答一个更关键的问题：系统是否真正进入了自组织临界态。为此，我们需要从群体动力学中提取能够刻画“雪崩行为”的可观测量，并对其进行统计验证。

首先，需要定义“雪崩”是什么。本研究提出了“相关簇”（Correlated Cluster）的概念：在任意时刻，空间邻近（距离≤11cm）且速度对齐（夹角≤60°）的个体，通过传递性构成动态集群（图2）。这一定义捕捉的是动态的、功能性的群体结构，而非静态的几何邻近。研究团队将 64 个机器人均匀放置于水面，同时启动，捕捉实验图像，并通过图像处理获得机器人的位置变化。图 2B 展示了机器人群体中关联簇的典型构成。系统中形成的关联簇尺寸存在显著涨落，最小与最大关联簇相差约一个数量级。由于个体间的影响是具有传递性的长程作用，且个体间的反馈作用方向并不均匀，因此群体中相邻个体可能不属于同一关联簇，而两个不相邻的个体可能属于同一关联簇。

图 2C-F 的实验结果证实了ARS的临界态特征。关联簇的尺寸分布服从幂律分布 D(S) ~ S^(-τ)，标度指数 τ=1.68，与神经元的雪崩（τ≈1.5）、森林火灾（τ≈1.4）处于同一普适类。持续时间的分布也服从幂律，α=1.54，且尺寸与持续时间满足幂律关系，γ=0.74。功率谱分析进一步揭示 1/f 噪声（β=1.26），这是临界系统的“动力学指纹”。

图2.ARS相关簇。 (A)展示了一个由4个机器人组成的集群的相关簇情况，其中相关程度由欧几里得距离和机器人之间的速度角度来确定。(速度向量以及由此得出的角度值均根据连续视频帧间位置数据的变化计算得出时间差为Δt = 5帧(约3秒)，即i =Δr/Δt。)此示意图包含两个大小分别为3和1的相关簇。箭头表示机器人速度的方向，以红色圆点连接的个体直接相关，而由黑色虚线框围住的个体则属于同一相关集群。机器人的颜色与背景颜色与相应集群的大小相对应。(B)稳定系统中关联集群的典型构成情况，规模设定为N=64。颜色表示机器人个体所属关联集群的大小。箭头用于指示机器人速度的方向。(C)实验期间不同规模关联集群在不同时间点的出现次数。曲线下方区域的颜色对应相应集群的大小。 (D)相关簇大小对应的经验概率密度分布图以及(E)相关簇群的持续时间分布图，其中红色虚线为拟合曲线。p值表示幂律分布的拟合优度，p>0.1表明拟合效果可信(参见材料及方法部分(F)不同规模相关簇群的平均持续时间分布图，其中红色虚线表示拟合曲线。

普适性：不受系统尺度变化影响

在前述实验中，研究团队已经通过相关簇的统计特性验证了ARS系统在特定规模下呈现出典型的自组织临界行为。然而，一个更深层的问题在于：这种临界特征是否依赖于系统规模，还是在不同尺度下具有普适性。

为验证这一点，团队进一步构建了格点仿真模型（图3），系统性考察不同规模下群体动力学的统计行为。当系统规模从100扩展到10,000个体（100倍差异），幂律特性依然保持，标度指数稳定（图 3B 与 3C），且关联簇尺寸与持续时间之间也存在幂律关系（图 3D）。这种一致性突显了 SOC 在ARS系统中跨实现尺度的鲁棒性。尽管尺度相差 100 倍，我们观察到系统的幂律规律依然存在，且标度指数基本固定（τ、α 与 γ 的标准差分别为 0.0033、0.0015 与 0.00048）。这一结果表明，机器人群体系统的 SOC 特征不受系统尺度变化的影响，展现了有限尺寸标度的普适性，这也是 SOC 系统的特征之一。该结果源于系统的自相似结构，即子簇内部个体间的相互作用模式与整体群体动力学相似。这意味着一个双个体小组和一个大到几十个个体的集团，遵循同样的组织逻辑，就像地震无论大小都服从同样的统计规律一样。

图3.不同规模模拟中相关簇的统计结果。(A)一个规模为1000的模拟晶格，其中左图中的颜色表示晶格收集到信息的强度，右侧展示了部分相关簇的构成情况。颜色表示机器人个体所属的相关簇的规模。箭头用于指示机器人的速度方向。(B) 相关簇大小的经验概率密度分布图;(C)不同规模模拟中相关簇持续时间的分布情况，红色虚线表示N=1000时模拟数据的拟合曲线。在不同规模模拟中，不同规模相关集群的平均持续时间，其中红色虚线表示N=1000时模拟数据的拟合曲线。

自组织稳态：临界即吸引子

传统相变（如铁磁相变）需要精细调节温度至临界温度。但SOC系统的独特之处在于：临界态就是系统的稳态，无论初始条件如何，系统都会自发演化至此。

团队通过香农熵量化了这一点。实验发现，当发光强度和密度超过阈值，系统熵值迅速收敛至固定值（约3.5 bits），与具体参数无关。即使将亮度提高四倍，系统依然回到同一个临界吸引子（图4）。这与需要精确调控的传统相变形成鲜明对比——在ARS中，“临界”不是脆弱的平衡点，而是强大的吸引子。

图4.不同系统参数下实验与模拟中的香农熵与相关集群分布情况。(A)增加机器人亮度和群体密度的物理实验与基于晶格的模拟结果。(B)来自物理实验和模拟得出的相关集群分布情况。虚线表示对指数的最大似然估计。(C)N=500个代理的模拟中相关集群香农熵的时间演变过程，计算范围覆盖500个帧。每条曲线均为3次独立运行的平均结果。当光强度I < 4 cd时，香农熵会上升至明显的稳态值，且随着I的增大而逐渐升高。对于I ≥ 4 cd的情况，系统熵趋于稳定在接近3.57bits这一固定值附近。(D)不同光强度下关联集群分布情况。对于I < 4 cd的情况，曲线与幂律分布模式有所偏离。而当I ≥ 4 cd时，分布趋势与幂律分布相吻合，其中红色虚线表示I = 6 cd情况的拟合曲线。(E)随机器人密度(N=500个体、500个帧)变化时的香农熵演变情况。每条曲线均为3次独立运行的平均值。对于密度ρ < 3.99机器人/平方米的情况，熵呈现出对数增长，随后稳定在特定的稳态值上。当ρ大于3.99机器人/平方米时，熵会收敛到一个固定的值3.44 bits(F)不同密度下的关联集群分布情况。对于ρ < 3.99的机器人/平方米时，曲线与幂律分布模式有所偏离。当ρ为3.99的机器人/平方米时，分布趋势遵循幂律规律，其中红色虚线表示ρ = 10.20机器人/平方米时的拟合曲线。

从临界到功能：涌现的适应性

如果临界态只是静态的统计特征，那它不过是物理奇观。ARS的真正威力在于：处于临界态的系统，天然具备对外部刺激的适应性响应。

研究团队设计了一个被动刺激源：一个只发射红外信号、自身不移动的小物体。每个机器人通过红外接收器感知信号强度，并实时调节自身LED亮度：红外越强，发光越亮。

神奇的事情发生了：当刺激源放置在实验场中时，机器人通过趋光性向刺激源聚集。由于距离刺激源近的机器人收到的红外信号强，发光更亮，它们形成了一个亮度梯度，指向刺激源方向。即使单个机器人无法感知红外方向，集群作为一个整体，通过局部光强差异，自发产生了“方向感”和“推物行为”（图5）。

在这个实验中，虽然这种红外-光强的信号转换确实形成了梯度势能，然而设计者并没有把“向红外刺激源游动”的命令和定位功能设计进机器人系统中。事实上机器人成员在设计蓝图中只会向最靠近红外刺激源的最光亮的点（也许是最靠近刺激源的那个机器人）移动，它们并不具有克服这个点到刺激源之间的距离实行“捕获”的行为设计逻辑。然而最终ARS达成“捕捉”到刺激源的方式是因为通过内部势能产生碰撞和摩擦，相互推搡向刺激源进发，产生出目的导向的行为。

这种由外加场驱动的机器人集群的复杂运动，仅仅通过开放环境的复杂交互以及动力学耦合，让物理世界替机器人完成了算法设计，实现了标量的感知产生矢量的导航。机器人们既是边界约束的生产者，又是边界约束的响应者。系统通过自身运作，持续重构自己存在的物理条件。而每次行为和结构的重构都是对“更优位置”的物理试探，这是一种非常类似生物的行为。

基于这个实验，研究还展示了ARS桥接结构：当两个刺激源固定在场地中（相距40cm），32个机器人首先在各自刺激源周围形成集群，随后之间自发形成一条稳定的“桥”结构。这不是预编程的队形，而是临界态系统在双势阱中的自组织解。

更关键的是，这些功能性行为没有破坏系统的临界性。即使引入多个刺激源，关联簇的尺寸、持续时间分布依然保持幂律（τ≈1.66，α≈1.65），表明系统在响应外部任务的同时，维持了内在的临界动力学。这正是生物系统的特征：无论大脑在处理信息时，还是鱼群在转向时，都仍处于临界态。

图5. 受刺激源扰动下的ARS系统。(A)通过3D打印技术制造的物理刺激源，集成了红外发射阵列、电池和电压调节器，以提供稳定的外部红外信号。 (B)ARS向刺激源移动，红色箭头表示个体速度的方向。(C)包含八个机器人和一台刺激源的实验装置。(D)典型实验场景，有两只刺激源和N=64台机器人，初始时随机分布。绿色线条显示刺激物在超过600秒内的轨迹。(E)对应于(D)的机器人密度图，其中颜色表示通过高斯核密度估计法计算出的单位面积上的概率密度。(F)刺激源在推挤过程中的速度变化。(G)相关簇大小所对应的经验概率密度分布图，以及(H)在不同刺激源数量下的实验中相关集群的持续时间;红色虚线表示适用于Nsti=3所获得数据的拟合曲线。每种条件下的数据均取自3项独立试验，总计包含超过18,000个视频帧。(I)在不同刺激源数量条件下进行的实验中，不同规模的相关集群的平均持续时间，用红色虚线表示的是拟合结果用于Nsti=3条件下所获取数据的曲线。(J)当四个固定刺激源位于一个场地边缘时，32个机器人会自发地聚集向这些刺激源靠近;红线标出群体质心的轨迹。(K)当有两个固定刺激源(相距40厘米)时，32台机器人首先围绕它们形成局部集群，随后逐渐连接成稳定的“桥”状结构。