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。
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。
团队首次系统提出， 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（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）;并进一步，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2 面向网络动力学的神经符号回归方法
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。
团队成员李勇教授表示：“ 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’。”
团队成员陈德亮院士指出：“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。”
国际合作与未来展望
该成果作为重要评论文章，在线发表于国际顶级物理学评论期刊 Nature Reviews Physics ，题为《Understanding emergence in complex systems using abductive AI》（利用反绎式人工智能理解复杂系统中的涌现现象）。该论文由清华大学丁璟韬、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。
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。
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
供稿｜电路与系统研究所
编辑｜陶旋姿
审核｜汪 玉 沈 渊 李冬梅
