AI与数学的协同进化:从随机动力学约简到数学模型自动建模|AI for Math读书会第二季第7期

· 2026-11-16 14:30 · 1 阅读

集智俱乐部 2026-11-16 14:30 日本

2026年11月17日(周二)19:30-21:30分享

导语

本期为AI for Math读书会第二季第7期,北师大系统科学学院博士生刘凯威将带我们追问:观测越细噪声越多,模型越大因果越模糊,约简究竟该留下什么?报告从有效信息与因果涌现出发,串起神经信息压缩、神经微分方程等路径,并引入不依赖粗粒化策略的近似可逆性判据,看数学如何为AI搭骨架、AI如何建模数学。

为系统梳理 AI 在科学与数学领域的最新进展,集智俱乐部联合同济大学数学科学学院长聘副教授陈小杨、北京工业大学数学统计学与力学学院副研究员诸葛昌靖共同发起「人工智能与数学」读书会第二季。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9月22日起,每周二19:30-21:30线上开展,持续8-10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。

图片

报告简介

AI时代的海量数据与复杂系统建模面临根本张力:观测越细,噪声与冗余越高;模型越大,因果结构越模糊,约简由此上升为连接数据、动力学与可解释性的核心方法论问题。

本次报告沿动力学模型的降维困境与和AI结合的必要性展开,提出现实问题中随机性不可避免,建模视角需转向以概率转移算子为数学根基、以神经网络为实现方案的约简路径。因果涌现可作为搜索AI模型或复杂系统动力学骨架的评判依据,其核心工具有效信息度量系统在干预下的因果效应强度,宏观有效信息超过微观即发生因果涌现,这为表示学习提供准则:好的粗粒化应最大化因果效应而非仅优化预测精度;神经信息压缩已能从时间序列中同时学习粗粒化与宏观动力学,神经微分方程则将其连续化,使机器学习灵活性与微分方程归纳偏置形成协同。

然而对粗粒化策略的依赖构成理论隐患:若因果涌现判定随方案而变,其客观性便受质疑;近似可逆性提供绕行路径——马尔可夫动力学中有效信息与可逆性近似线性相关,可逆性可由转移矩阵奇异值直接计算,无需预设宏观变量,若推广至连续与非马尔可夫系统,将为约简提供"策略无关"判据。

综上,AI时代大数据约简不应止于维度压缩,而应追问是否保留因果骨架;因果涌现提供形式化语言,近似可逆性提示摆脱粗粒化任意性的出路,关键挑战在于将其推广至连续随机动力学与真实高维数据,真正做到用数学搭建AI、用AI建模数学的协同进化。

分享大纲

  • 背景:AI时代的大数据与复杂系统的约简

  • 动力学模型

    • 已知模型

    • 现有降维方法

    • 随机性的不可避免

  • 因果涌现与AI的骨架

    • 基础概念有效信息

    • 基于因果涌现的机器学习模型

    • 机器学习与数学协同拟合动力学

    • 神经微分方程的引入

  • 不依赖于粗粒化策略的度量

    • 近似可逆性

    • 泛函与动力学

  • 总结与展望

核心概念

动力学,因果涌现,有效信息,神经网络,泛函分析

主讲人介绍

主讲人:刘凯威,北京师范大学系统科学学院博士研究生。研究领域涉及统计学的生存分析、贝叶斯统计,以及系统科学的复杂网络重构、规模法则、因果涌现等。目前已在National Science Review、npj Complexity、Physica D、Physical Review E等学术期刊发表多篇学术论文。

参考文献

  1. Ruyi Tao, Veronica R. Cappelli, Kaiwei Liu, et al. Predicting Company Growth using Scaling Theory informed Machine Learning. npj Complexity, 2026

  2. Zhipeng Wang, Yingqi Rong, Kaiwei Liu, et al. Causal Emergence of Consciousness through Learned Multiscale Neural Dynamics in Mice. arXiv:2509.10891, 2025

  3. Kaiwei Liu, Linli Pan, Zhipeng Wang, et al. Singular-value-decomposition-based causal emergence for Gaussian iterative systems. Physical Review E, 2025, 112(5): 054225

  4. Mingzhe Yang, Zhipeng Wang, Kaiwei Liu, et al. Finding emergence in data by maximizing effective information. National Science Review, 2024, nwae279

  5. Kaiwei Liu, Bing Yuan, Jiang Zhang. An Exact Theory of Causal Emergence for Linear Stochastic Iteration Systems. Entropy, 2024, 26(8): 618

  6. Bing Yuan, Jiang Zhang, Aobo Lyu, et al. Emergence and Causality in Complex Systems: A Survey of Causal Emergence and Related Quantitative Studies. Entropy, 2024, 26(2024): 108

  7. Kaiwei Liu, Xing Lü, Fei Gao, et al. Expectation-Maximizing Network Reconstruction and Most Applicable Network Types Based on Binary Time Series Data. Physica D: Nonlinear Phenomena, 2023, 454(2023): 133834

  8. Jiang Zhang, Kaiwei Liu. Neural Information Squeezer for Causal Emergence. Entropy, 2022, 25(1): 25

时间信息

⏰ 时间:2026年11月17日(周二)19:30-21:30

📍 线上:腾讯会议  

📍 直播:微信视频号 + 集智俱乐部B站号同步放送

感兴趣的朋友请扫码报名加入读书会,报名后可进入学员群参与交流讨论。

直播信息

报名读书会:AI for Math

为厘清 AI 在科学与数学领域的机遇与局限,集智俱乐部联合同济大学数学科学学院长聘副教授陈小杨、北京工业大学数学统计学与力学学院副研究员诸葛昌靖共同发起「人工智能与数学」读书会第二季。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。

读书会自2026年9月22日起,每周二19:30-21:30线上开展,持续8-10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:

https://pattern.swarma.org/mobile/study_group/91?from=wechat

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:

为维护学术交流的专业性与聚焦度,本读书会对讨论内容作如下约定:

我们鼓励围绕数学、人工智能、复杂科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。

点击“阅读原文”,报名读书会

阅读原文

跳转微信打开

本文转载自微信公众号「集智俱乐部」,查看原文。版权归原作者所有,如有侵权请联系删除。