张江：AI x 复杂科学 = 面向复杂系统的AI ——《面向复杂系统的人工智能》第一讲｜北师大随堂直播预告|北师大|张江|神经网络|面向复杂系统的人工智能

导语

一方面，人类面对各式各样的复杂系统之谜需要AI的助力——AI已经帮助人们尝试破解生命之谜、调控复杂的气候系统、甚至于独立完成独属于AI的科研探索；另一方面，狂飙的AI需要复杂系统思维进行全局性的思考——最近一篇名为“AI危机”的文章引爆全球，AI绝不仅仅是一个技术问题，它的快速发展关系到社会经济乃至地球环境的整体发展。因此，人工智能与复杂系统始终是两个双向奔赴的学科——我们既可以用AI技术来助理我们破解复杂系统，又可以利用复杂系统思维来理解AI技术。本讲座作为系列研究生课程《面向复杂系统的人工智能》的第一节课，将会想你综述这两方面的发展：包括面向复杂系统的数据驱动建模，以及AI时代下的复杂科学。

课程主题：面向复杂系统的人工智能

课程大纲：

背景：复杂科学与AI发展
面向复杂系统的数据驱动建模与调控
作为复杂系统的AI技术
AI时代下的复杂思维

课程时间：2026/03/02 13:30-15:30

腾讯会议：306-2978-5994

会议密码：147258

从技术突破到全球危机：AI奇点的复杂系统视角

在探讨“AI × 复杂科学”交叉融合之前，我们必须直面一个宏大的问题：人工智能的加速演化，是否正在将人类推向前所未有的技术奇点？

早在大模型浪潮初起之时，张江教授便发起「后 ChatGPT时代：从通用人工智能到意识机器」系列读书会，系统梳理大模型的技术原理、能力边界与潜在风险。在当时全球热议尚未形成之际，读书会就提出了更深层的思考：人工智能的加速演化，是否正逼近一个结构性的全球临界点？

在第12期主题「AI奇点与行星智能」中，张江教授从复杂系统视角全面评估AI对社会、经济、就业、教育及地球环境与可持续发展的潜在影响。他指出，人工智能革命并非孤立事件，而是嵌入在热力学第二定律与城市超线性规模法则推动的超指数增长结构中。技术奇点的临近，可能与气候系统的不稳定性叠加，形成真正的“行星级风险”。这一前瞻性判断，在AI飞速发展与全球能源压力同步上升的今天，愈发显得深远而警醒。（详情请见集智俱乐部2023年文章）

正是在这一思想脉络之下，本学期研究生课程《面向复杂系统的人工智能》正式开启。这门课程不仅教授机器学习、神经网络与大模型技术，更重要的是训练一种复杂系统视角——理解人工智能作为复杂系统的动力学特征，分析技术与社会、经济、生态系统之间的耦合机制，洞察结构性风险与临界转变。

在技术狂飙的时代，真正稀缺的能力不是掌握某一种算法，而是能够在多尺度结构中识别趋势、判断临界点，并以系统思维理解未来演化方向的能力。这门课程，正是一场面向未来的复杂思维训练。

课程背景

通用领域的自然语言交流、编写代码、蛋白质结构预测、新质子模型的发现、辅助数学定理证明，所有这些不同领域的难题都正在被新兴人工智能技术逐一攻破。人工智能，特别是以机器学习与神经网络技术为代表的智能技术，近年来获得了迅猛的发展，它正在与各个学科发生交叉、融合，逐渐演化为一种解决各种复杂系统问题的跨学科方论，成为支撑复杂系统分析与建模的重要新兴技术。

复杂系统是由大量的单元通过非线性的相互作用而形成的整体，并在不同尺度上展现出了不同的涌现现象和规律。一方面，机器学习与人工智能的新兴技术可以辅助我们发现这些复杂系统隐藏在不同尺度上的运行规律，并实现优化与控制，另一方面，从复杂系统中发展出来的理论与方法也可以帮助我们理解复杂人工智能系统的运行规律。

为了更好地融合复杂系统与人工智能这两个重大领域，北师大系统科学学院张江教授开设《面向复杂系统的人工智能》课程，内容包括但不限于：人工智能简介、机器学习基础、强化学习基础、因果推断基础、面向复杂系统的神经网络技术、在具体领域中的应用等。

另外，本课程的实践项目部分，将带领大家一起学习使用最新的AI编程工具，用“氛围编程”（Vibe Coding）方式完成小型AI项目。

专业术语

复杂系统、非线性动力学、涌现、多尺度建模、机器学习、大语言模型、数据驱动建模、复杂网络

课程信息

课程主题：AI x 复杂科学 = 面向复杂系统的AI

课程时间：3月2日（周一）下午13：30

课程形式：线上：腾讯会议

课程主题：面向复杂系统的人工智能

课程时间：2026/03/02 13:30-15:30

腾讯会议号：306-2978-5994

会议密码：147258

线下：北师大海淀校区七号教学楼106（北师大校外人士可通过联系集智小助手申请入校）

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。

教学目标

深入理解复杂系统数据驱动建模、决策与控制的基本问题和常用方法
熟悉并掌握面向复杂系统的各种人工智能技术，包括但不限于：机器学习、神经网络、大语言模型、因果推理、决策控制等。

本学期大纲（共48学时）

复杂系统与人工智能简介
机器学习基本概念
基本神经网络介绍
复杂系统自动建模框架
复杂动力学学习
生成式AI技术
大语言模型
图神经网络
因果科学简介
基于世界模型的强化学习
因果涌现与多尺度建模
用复杂科学方法理解人工智能大模型

考核方式

平时考核：课堂讨论与内容共创
期末考核：项目汇报

面向对象

理工科背景高年级本科生
理工科背景硕士、博士研究生

参考课程

吴恩达：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/
Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.

https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

Steve Brunton: Data Driven Science and Engineering, University of Washington

https://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

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/