四位研究者（從左至右）：呂琳媛、劉宇、胡脊梁、陸超超

專訪四位復雜系統研究者：跨學科研究中的復雜科學

霍金在新千年來臨時直言：21世紀是復雜性的世紀。但我們很少聽到哪位學者聲稱自己是“復雜科學家”，因為對復雜性的探索深入各個學科。

本期訪談的四位受訪者所在的學科領域，均與復雜科學有著千絲萬縷的聯系：網絡方法作為抽象建模的手段，近20年在社會、經濟、人工智能等領域應用廣泛，成為復雜科學最亮眼的領域；生命起源問題則直指復雜系統的創造與演化過程，甚至讓我們得以超越地球生命的視野，在宇宙尺度追問生命是什么；生態系統研究既是復雜科學的主要來源之一，也在復雜系統方法的幫助下不斷取得突破，幫助人類認識到自己也只是系統的一部分；機器學習領域的因果革命以及向新一代人工智能的邁進，則有望破解復雜系統中的涌現之謎。

1/復雜系統的骨架：網絡

專訪呂琳媛

受訪人 _ 呂琳媛（電子科技大學基礎與前沿研究院）

采訪人 _ 劉培源

請介紹一下您的研究方向。

呂琳媛：我主要從事統計物理與信息科學交叉領域的前沿研究，關注網絡信息挖掘的基礎理論和關鍵方法。網絡信息挖掘是復雜系統研究的重要方向，其核心是研究如何快速、高效地從大規模網絡中挖掘出有價值的信息。這方面的研究不僅為理解大腦、信息、城市等各類復雜系統的結構、功能、演化機制提供了理論框架和方法論支撐，也具有重要的應用價值。近年，我們重點關注網絡高階分析（即以一種新的高階視角對網絡進行研究）方面的理論及應用研究。

為什么復雜系統研究需要復雜網絡？

呂琳媛：復雜網絡是描述復雜系統的抽象模型。其中，節點表示復雜系統的組成元素，節點之間的連邊表示各元素之間的相互作用。真實世界中的許多復雜系統都可以用復雜網絡的形式進行描述，不同系統所具有的共性都蘊含在其所對應的網絡結構中。復雜網絡也為不同學科領域的復雜系統研究提供了重要的理論和方法支持，是復雜系統研究發展到21世紀，伴隨著互聯網、大數據、人工智能的發展涌現的一個新興前沿方向。

請談談您在鏈路預測和節點排序兩方面取得的主要研究成果。

呂琳媛：我們知道，一個網絡包含兩個基本要素，即連邊（或鏈路）和節點。在網絡的框架下，網絡信息挖掘就可以從對連邊和節點的認識出發，分別對應重要鏈路挖掘和重要節點挖掘問題。其中，前者又可細分為對缺失鏈接的預測（即鏈路預測問題）和對虛假鏈接的識別問題，而后者本質上是對節點的重要性進行排序。

鏈路預測，即基于已觀察到的網絡結構來預測網絡中未連接的兩個節點之間形成鏈路的可能性，預測對象既包括可能在觀察中被忽略的鏈路，也包括未來可能出現的鏈路。鏈路預測本質上是從網絡鏈路的微觀層面解釋網絡結構生成的原因，具有廣泛的應用場景。例如，其可用于在線社交網絡的好友推薦、指導生物網絡的結構驗證實驗、預測疾病和致病基因的關系。

鏈路預測
呂琳媛 周濤
高等教育出版社, 2013

在網絡中，重要節點是指相比其他節點能夠對網絡的結構與功能發揮更大影響的一些特殊節點。節點排序（或稱節點重要性排序、重要節點挖掘）旨在將這類特殊節點識別出來。對重要節點挖掘的研究不僅具有理論意義，也可以解決與社會經濟相關的現實問題，如遏制傳染病傳播、控制社交媒體輿情。

近年，我們利用統計物理學的理論和方法解決了信息領域的若干重要問題，原創性地提出了以系綜理論和似然分析為基礎的網絡信息挖掘基礎理論體系，以及以擴散動力學為基礎的系列網絡信息挖掘方法，相關研究推動形成了一個新的物理、信息交叉研究方向，成果也獲得廣泛應用。

比較有代表性的是，在鏈路預測方面，我們首次提出網絡鏈路可預測性的概念并給出定量刻畫指標，被國際同行稱為鏈路預測領域的一個里程碑；在重要節點挖掘方面，我們首次揭示了過去30年被認為不相關的三個重要指標——度中心性、H指數和核數——的內在聯系（即網絡的DHC定理），并提出有效挖掘網絡中重要節點的系列算法，解決大規模演化網絡的重要節點識別難題。目前已有部分研究成果被應用于網絡輿情監控、致病基因預測、醫保欺詐識別、電子商務服務等實際系統中。

2021年復雜系統研究者獲得諾貝爾物理學獎，這對復雜科學意味著什么？

呂琳媛：這是諾貝爾物理學獎首次被授予與復雜系統相關的研究者，對復雜系統研究具有里程碑意義，對于從事相關研究的學者也是一個極大的鼓舞。這既說明復雜系統領域的研究和重要成果已經獲得科學界的認可，也表明通過具體系統研究來發展復雜系統的基本理論仍然任重道遠。我相信，這一事件將推動復雜系統研究進一步發展，尤其是在當今的數字化時代，復雜系統與復雜網絡的理論和方法有了更廣闊的用武之地，在其與人工智能、生物、社會、經濟等多學科交叉融合的過程中不斷涌現出更具挑戰的新問題，有待進一步探索。

恭喜您獲得國際網絡科學學會2022年Erdo?s-Re?nyi獎，您怎樣評價中國學者在復雜科學領域的貢獻？

呂琳媛獲2022年Erd?s-Rényi獎
圖源：集智俱樂部

呂琳媛：在我國，最早由錢學森先生與一批科研人員對復雜系統進行了積極的探索，知名系統科學專家方福康老師也是其中一員，他也是我的母校北京師范大學管理學院（現在的系統科學學院）的創始人。錢老等前輩早在20世紀70年代就對復雜性科學進行了研究，創造性地建立了系統科學與系統論。21世紀前夕，小世界網絡、無標度網絡等的提出使許多物理學家（尤其是統計物理學家）認識到，使用復雜網絡作為復雜系統研究工具的重要作用。我國學者對復雜系統及復雜網絡的研究主要分為三條路徑：一條以理論物理、統計物理學者為代表，強調對復雜系統基礎理論的研究；一條以計算機、控制領域學者為代表，關注對系統的管理、控制以及在工程領域的應用；還有一條關注復雜系統方法在社會經濟領域的應用。在復雜系統研究的各個方向，中國學者的研究貢獻都越來越突出。

中國復雜系統研究的發展，從相關會議的舉辦可見一斑：中國網絡科學論壇自2004年起已舉辦了18屆，全國復雜網絡學術會議自2005年開始已舉辦了17屆，還有中國系統科學大會、全國統計物理與復雜系統學術會議等眾多相關會議在持續舉辦，說明復雜系統研究在我國愈發受到重視。另外，2018年，國際網絡科學冬季會議（NetSci-X）首次在中國杭州舉辦，國際網絡科學大會（NetSci）于2022年7月在上海順利召開，標志著國內網絡科學研究得到了國際同行的認可。在一些領域，我們已經和國際同行處在同一水平，甚至做出了自己的特色。當然，要想完全引領發展，還有很長的路要走。基于中國人固有的系統整體思維觀、互聯網在中國本土的廣泛應用以及國家對科技創新的高度重視，我們堅信，未來中國一定有機會成為全球復雜系統研究的高地。

當前熱門的跨學科研究對復雜科學的意義是什么？

呂琳媛：這是好事。傳統的科研模式已不能適應飛速發展的社會需要。網絡時代，不管是科研活動內部，還是科研與經濟活動之間，除了分工，更需要合作。這里所說的合作不是像組裝零件那樣簡單，而是一種有機的整合。應該說，在萬物互聯的今天，分工就是為了更好地合作。對于科研活動（特別是交叉科學的研究）而言，我們既需要在各自的學科領域進行深入持續的研究，也要看到其他學科前沿的發展及其與自身研究的關系，這樣才有可能取得更有影響力的研究成果。另外，今天人類面對的問題越來越復雜，已經很難從單一學科去解決，這也為復雜科學這類交叉研究提供了大展拳腳的契機。當然，這種交叉一定是圍繞關鍵科學問題來展開的，而不是簡單地為交叉而交叉。

您怎樣看復雜科學與人工智能的結合？

呂琳媛：人工智能技術為復雜系統研究提供了前沿方法，在提升解決相關問題的準確性和計算效率等方面具有顯著優勢。尤其是在當前海量數據的背景下，考慮到數據的高維度、強噪聲、稀疏性、異質性等性質，人工智能技術可以有力賦能數據的收集、處理及提取復雜系統的特征和要素等重要環節。復雜系統研究與人工智能技術的結合是未來一個極具潛力的方向。

復雜科學的前景如何?

呂琳媛：我認為，在未來的幾年里，復雜系統的研究將在腦科學、數字治理、軍事科學等多個領域開花結果。隨著理論和研究方法的深入發展，復雜系統研究將會為這些領域帶來新的研究視角及方法。以復雜網絡為例，近期我們關注的網絡高階分析在腦網絡等研究領域取得了初步的成果，這些成果為我們認識人類大腦提供了新的洞見，為臨床應用和開發類腦計算框架開辟了新途徑。我們相信，將復雜系統的理論和方法與具體的研究背景和研究問題相結合，具有解決已有難題的巨大潛力。我們也清楚地認識到，現實世界中的真實系統具有特征多變、動態演化、不可預測的特點，且對效率、精度和成本的要求更高。在這種情況下，如何發展更符合現實的復雜性科學理論和方法，并將其有效地應用于真實系統中，還需要更進一步的研究實踐工作，也需要不同領域學者的參與和合作。

2/生命起源與復雜性

專訪劉宇

受訪人 _ 劉宇（北京師范大學珠海校區復雜系統國際科學中心）

采訪人 _ 梁金

請談談您的研究方向。

劉宇：我是物理學出身，博士讀的是應用數學，現在的研究方向是生命起源的建模，涉及生命起源理論、自我復制、信息演化、生物信息學、神經網絡模塊等。目前，我的主要研究課題包括：信息是通過怎樣的作用產生和積累的，這種作用如何塑造了演化，以及我們如何在真實的蛋白質和基因序列中發掘這種作用的痕跡（即重復和層次嵌套結構）以應用到實際問題的解決中。

生命起源的基本問題是什么？

劉宇：生命起源的基本問題是“自我復制”（或自復制）怎樣產生。因為自我復制被公認為是生命的主要特征之一，包括我在內的部分學者甚至認為，自我復制是生命最主要的特征。生命，包括組成生命的細胞，都可以自我復制：從一個變成兩個，兩個變成四個。但非生命物質——大到一塊石頭，小到一個分子——都無法復制自身。為什么一群不能自我復制的分子放在一起形成了系統，這個系統卻能夠自我復制？這是一種涌現現象，也是生命起源的關鍵。

我們可以從不同角度去研究自我復制的問題。我主要從復雜科學，也即更偏理論的角度出發來研究自我復制的機制、能力是怎樣涌現的。但也有很多其他研究角度，比如合成生物學的角度，研究如何從合成蛋白質或者合成核糖核酸（RNA）開始，逐步制造出人造細胞；再比如化學的角度，我們可以通過構造一些真實的化學反應體系并調整優化，看其能否出現自我復制的性質。

怎樣理解自我復制的過程？

劉宇：關于自我復制，目前已經有相對成熟的理論解釋，尤其是在微觀層面，比較經典的是“自催化集”理論。雖然任何基本的化學反應都不能實現物質的自我復制，但通過某些方法能夠把許多化學反應耦合在一起，變成一個系統，這個系統就有可能實現自我復制。化學反應系統要實現自我復制需要具備兩個條件：第一個條件是，這個系統里的每一個方程的反應物都來自系統里其他方程的生成物，相當于一個頭尾咬合的過程；第二個條件是化學反應的產出比，要求方程中某種物質的產出量比消耗量多。只要一個化學反應網絡滿足這兩個條件，就會出現“自催化”，即能實現自我復制。如果產出不比消耗多，就只是單純的催化反應。這里所謂的自我復制，指的都是作為系統、整體的復制。如果輸入的反應物充足，那么系統里的東西的個數就會以指數形式增長。從更高層次看，系統就實現了自我復制。

At Home in the Universe
Stuart Kauffman
Oxford University Press, 1995

在生命起源的過程中，蛋白質和脫氧核糖核酸（DNA）何者先出現？

劉宇：這個問題看起來像“蛋生雞還是雞生蛋”的問題。生命或者組成生命的細胞要實現任何功能，都需要蛋白質的參與，即便是DNA的復制也是如此。蛋白質參與實現細胞功能的過程，被統稱為代謝。DNA是儲存信息的物質，蛋白質的信息被編碼在DNA中，所以蛋白質的形成也離不開DNA。此前主要有兩派觀點，他們也代表兩條研究路徑：“信息為先”一派認為DNA或RNA等儲存信息的遺傳物質先出現，“代謝為先”一派則認為蛋白質等功能分子先出現。我們覺得這兩條研究路徑最終會走到一起，我們近期的工作似乎能在理論上看到這一點。這個看似悖論的問題，其實只是同一個系統在不同層次的特征而已。在低的尺度上看是自催化過程，在高的尺度上看則是自我復制。

能夠演化出復雜性的系統具有什么特征？

劉宇：如果一個系統具備兩個特征——能夠“成核”、能夠“復制”，這個系統就一定能實現從簡單到復雜的演化。我們稱之為梯徑系統，這也是我們最近在進行的研究。所謂成核，就是系統產生新的組件，比如舊技術被改造成新技術，或現有蛋白質被改造成新蛋白質，改造的過程就是形成新組件的過程。生命顯然具備這一特征。另外，一個系統中只要有部分組件能夠復制，這個系統就具有了能夠復制的特征。生命顯然也具備這一特征。實際上語言也具備類生命的特征，發明新詞就是成核，別人用了你發明的新詞就是復制。

生命演化的過程是一個修修補補的過程，伴隨著適應和優化，可能并不是從簡單到復雜的單向演化。雖說人類從單細胞生物演化而來，比單細胞生物復雜，但這并不意味著單細胞生物消失了。甚至“人類比細菌復雜多少”這個問題也有待深入研究，二者的差異可能并沒有想象中那么大。所以，如何找到合適的工具來度量復雜性也是關鍵問題之一，這是后續生命起源理論研究的重要議題，也是我們的一個研究方向。

生命起源研究與復雜科學的關系是什么？

劉宇：生命起源是復雜科學中的一個很重要的問題。實際上，生命起源及其背后的信息演化、自我復制問題，甚至是科學的終極問題之一。當然，生命起源問題不僅僅能夠用復雜系統理論來解釋，更可以從化學、物理學、合成生物學、人工智能等角度切入。

在復雜科學領域，我們主要用抽象理論而非實驗來研究生命起源，這是復雜科學的優勢。復雜科學更關注框架，而框架中待填充的實體是可變的。我們建立關于自我復制、生命起源的模型，可以不去關心具體依附的物質是什么，不去考慮化學約束或物理約束，純粹將其抽象為數學上的客體。如果我們能在理論上解釋生命怎樣起源，我們還可以把它應用在其他天體上，去看上面有沒有符合生命特點的事物，而不必考慮其是否和地球生命同源或相似。

3/生態系統的復雜性

專訪胡脊梁

受訪人 _ 胡脊梁（麻省理工學院生命系統物理學中心博士在讀）

采訪人 _ 劉培源

請介紹一下您的主要研究方向。

胡脊梁：我們團隊主要結合實驗和理論，研究復雜生態群落與復雜生態網絡背后的動力學、穩定性、生物多樣性及其隨著時間演化的特征；主要以微生物群落為模型，在廣泛的參數范圍內觀察生態系統的結構和動力學，尤其關注系統發生分叉的臨界點，關注兩個乃至更多物種間相互作用時網絡社團結構的組裝規則。

在上述基礎上，我個人的研究更關注上百種細菌組成的復雜生態系統，基于統計物理和平均場論等方法建立模型，尋找復雜生態系統涌現出的控制參數，以少量可測量的群落特征預測其動力學演化和生物多樣性。

怎樣理解生態系統與一般復雜系統的異同？

胡脊梁：生態系統與一般復雜系統的相同點是它們的變量和單體數量都很龐大，不同的物種既和其他物種有相互作用，也和環境有很強的相互作用，從而形成一個物種和物種、物種和環境的復雜的相互作用網絡。

生態系統的獨特性在于，其是由不同物種和它們所在的環境（也即生物部分和非生物部分）共同組成的開放的系統。它一定會和外界有能量或物質的交換。另外，生態網絡中不同物種的相互作用機制及其強度的區別極大，所以形成的復雜網絡的異質性很高。生態系統的另一個特點是，環境的作用極其重要。例如，對于同一組菌群，其在不同的營養物質、溫度等環境條件下可能達到完全不同的系統穩態。

生物多樣性的起源是什么，是如何被破壞的？

胡脊梁：首先，生物多樣性的成因不難理解，一個群落在演化的過程中會不斷產生突變，經過足夠長的時間，就會形成新的物種。不斷產生多樣性是自然進化的過程。當新物種從一個生態系統中產生，或從外界入侵一個新生態系統時，它有三種可能的命運：適應性差，于是衰落；很適應并且融入系統；很強勢，但破壞了系統。統計顯示，給定環境中的生物多樣性會維持在某些穩態附近震蕩。

從動力系統的角度來看，生物多樣性主要取決于其所在的環境，尤其是某種環境下生態系統中相互作用的強度、豐富程度及韌性。在一個競爭較弱的環境里，生物多樣性可能較高，而在一個競爭較為激烈的環境中，生物多樣性則相對較低。這也是為什么一些入侵物種非常有害，因為它們和當地原有物種的相互作用很強，如形成激烈的捕食或競爭關系，可能導致當地物種滅絕。在現實中的大規模生態系統里，多樣性與復雜性之間往往相互權衡。換言之，高度多樣化的生態系統，其復雜性一定有所減弱，物種間的相互作用也更弱。

多樣性-復雜性散點圖：越多樣的系統，復雜性越低
圖源：集智俱樂部

復雜科學的哪些前沿方法已被應用于生態系統研究？

胡脊梁：復雜系統和復雜網絡的粗粒化方法是我們目前重點關注并力圖應用于生態系統研究的前沿方法：我們不需要用生物群落所包含的所有種群數來描述群落，而是找到少數的控制變量，用少量參數來描述生態系統，就像用溫度和壓強來描述大量氣體分子的行為。

4/從因果到涌現：邁向新一代人工智能

專訪陸超超

受訪人 _ 陸超超（劍橋大學機器學習組博士在讀）

采訪人 _ 梁金

請談談您的研究方向。

陸超超：我的主要研究興趣是因果機器學習。通常所說的機器學習，其目的在于從數據中發現模式，然后根據模式做出預測。預測之所以困難，是因為我們處在一個復雜的世界。一個極端的例子是混沌現象：即使所有的函數都是確定的，仍然會產生蝴蝶效應，微小的初始變化會導致迥然不同的結果。

我們的工作是在傳統機器學習的基礎上引入因果機制，用結構因果模型來建模數據生成過程。這樣就可以提供一個非常通用的框架，來描述數據分布是怎么變化的，從而更好地預測和應對外部的變化。因果機器學習是處理數據變化的理想框架之一，正在成為新一代人工智能的重要基礎。

請具體介紹一下因果機器學習。

陸超超：因果機器學習是一類用因果模型建模數據生成過程的機器學習方法的總稱，其目的是更好地處理現實生活中大量存在的數據分布變化的場景，其兩個重要的子方向是因果表征學習和因果強化學習。

為什么
朱迪·珀爾 達納·麥肯齊
中信出版集團, 2019

因果表征學習的目標是，從低層次、高維度的數據中學習高層次、低維度的因果表征。一個好的因果表征不僅可以極大簡化機器學習分類器或預測器的設計和學習，還可以有效地應對新場景中的數據分布變化。對于分類任務，例如判別某張圖片是否為貓，人們會根據形狀是否像貓而做出判斷，所以，在該任務中，形狀是因果表征。而人們不會根據背景、顏色、姿態等判斷出圖片是否為貓，所以這些特征不是因果表征。對于預測任務，例如場景中貓的背景等變化并不會影響分類器的性能，因為背景信息不是貓的因果表征，它不會被分類器利用。

我們知道，強化學習是讓智能體（agent）在與環境交互的過程中學習的策略，因其在AlphaGo等擊敗人類頂尖玩家的游戲中的運用而廣為人知。但是，傳統的強化學習無法應對環境的變化，即在一個環境中學習到的策略很難遷移到另一個環境中。因果強化學習則是讓智能體在和環境的交互過程中學習和發現其因果模型。因為因果模型是描述環境變化的理想工具之一，根據因果模型來優化自身策略，可以更好地應對環境變化，進而指導、優化下一步交互——這正是對人類行為的模仿。也因此，因果強化學習實質上是一種通用學習算法，有廣泛的應用潛力，正在向計算機視覺、醫藥健康、推薦系統、自動駕駛等領域滲透。

因果科學的方法怎樣應用于復雜系統研究？

陸超超：因果表征學習作為因果科學的前沿方法，可以用于研究復雜系統中的涌現現象。涌現是從微觀到宏觀的產生過程，這與因果表征學習恰好對應。因為表征學習也是一個從微觀到宏觀的學習過程，它從一些微觀的信息（比如圖像或者音頻）中可以學到宏觀的、可解釋的因果變量。

例如對于文本，單看一篇文章中的字之間的關系很復雜，但如果把文章做抽象概括，每一段話都有一個中心意思，你可以只看每段話的中心意思，這樣整篇文章的邏輯結構就變得清楚了。另一個例子是圖像，圖像中低層次、高維度的像素之間的關系很復雜，但如果我們能從圖像中學習到視角、顏色、形狀等高層次、低維度的宏觀變量，就能更好地理解圖像。因果表征學習，就是要從這些低層次、高維度的數據中，學習到高層次、低維度的變量。這些變量就是更宏觀的概念，便于人類理解并發現復雜數據中更本質的規律。

（原載于《信睿周報》第83期）