简介
时空复杂系统广泛存在于自然、社会和工程领域，其演化关系到地球环境、城市运行、海洋演变、能源安全、公共健康等重要科学与工程问题，是AI4Science面向科学发现与复杂决策的重要研究对象。近年来，围绕时空基础模型、多任务预训练、基准评测、强化学习等方向，时空人工智能正逐步形成面向多领域共享的基础能力，推动复杂系统研究由单一预测任务向统一建模、复杂推理和自主决策拓展。然而，面向真实科学问题，时空AI仍面临基础网络架构适配性不足，预训练模型跨任务泛化能力有限，统一公平的Benchmark体系难建立，以及物理规律、领域知识与人工智能模型融合不充分等关键挑战。本论坛以“从预测到发现：时空AI驱动复杂系统科研新范式”为主题，将围绕上述议题展开讨论，并聚焦气象预测、海洋涡旋分析、智慧城市与复杂网络优化等典型场景，探讨通用人工智能方法与领域知识的深度融合，推动复杂系统研究由预测走向认知、决策与科学发现。我们将邀请来自人工智能、数据科学及AI4Science领域的专家学者，共同探讨时空AI驱动复杂系统研究的关键理论、核心技术及未来发展方向，促进跨学科交叉融合与创新合作。该选题紧扣AI4Science的发展前沿，回应复杂系统研究中预测能力向科学发现转化不足、数据丰富而知识提炼有限等关键挑战，兼具理论创新价值与重大应用意义。期待为CNCC搭建高水平的学术交流平台，推动时空AI驱动复杂系统科学研究新范式的发展。
简介为官网原文，部分内容可能未写完。
人员
主席
- 王飞 · 中国科学院计算技术研究所
嘉宾
- 邵泽志 · 中国科学院计算技术研究所
- 黄高 · 清华大学
- 杨彬 · 华东师范大学
- 龙明盛 · 清华大学
- 范长俊 · 国防科学技术大学
报告安排
时空AI驱动复杂系统科研：现状与挑战
王飞 · 中国科学院计算技术研究所
简介
时空复杂系统广泛存在于气象、海洋、交通、能源等领域，是AI for Science的重要研究对象。随着泛时空数据的快速积累和人工智能技术的发展，时空AI正逐步由面向单一任务的专用模型迈向基础模型、预训练模型和跨领域泛化，为复杂系统建模、预测与科学发现带来了新的机遇。然而，泛时空AI驱动复杂系统科研仍面临基础网络架构不适配、预训练模型泛化能力不足、公平评测体系缺失以及领域知识融合困难等共性挑战。本次报告将围绕这些关键问题，结合基础模型、基准评测及典型AI for Science场景的研究进展，探讨时空AI驱动复杂系统科研的发展现状、关键挑战与未来方向。
时空多任务基础模型：通用泛化与海洋智能实践
邵泽志 · 中国科学院计算技术研究所
简介
近年来，面向时空数据的基础模型逐渐成为AI for Science的重要研究方向。气象、海洋等领域的数据虽然来源和形态各异，但普遍具有多变量耦合、时空关联和动态演化等共性，并涉及预测、分类、重建等多类任务。然而，如何构建具备多任务泛化能力的基础模型，并对其跨数据、跨任务能力进行公平评测，仍处于探索阶段。本报告将介绍我们在时空多任务智能领域的代表性工作，包括多任务时间序列基础模型“宙斯”、多元时间序列多任务评测基准BasicTS+，以及面向海洋涡旋的多任务“观沧”系统。该系统覆盖涡旋状态分析、水下三维结构重建、运动轨迹和关键参数预测等任务，探讨从基础模型、基准评测到海洋科学应用的技术路径，以及泛时空智能赋能复杂海洋系统认知与科学发现的潜力。
强化学习驱动的时空动态计算与复杂推理
黄高 · 清华大学
简介
本报告聚焦强化学习驱动的高效时空动态计算与复杂推理方法。首先，针对视觉数据中普遍存在的时空冗余问题，将介绍如何突破现有视觉模型的并发式计算范式，将视觉识别任务重构为序列学习模型，并借助强化学习构建最简学习过程，实现计算效率的显著提升。其次，报告将剖析当前强化学习驱动的大模型后训练技术所面临的主要局限，并探讨可能的突破方向。最后，将介绍一种具备自进化能力的强化学习后训练框架，在无需人工标注数据的条件下，显著提升大模型在数学、编程等复杂推理任务中的性能。
OpenTS: 时间智能与自主决策
杨彬 · 华东师范大学
简介
时间序列数据是描述工业系统、能源网络、城市运行、自然环境、金融市场等动态系统的核心数据模态，换言之，时间序列数据是描述世界动态演变的“语言”。时间智能与自主决策围绕“动态世界建模”这一目标，旨在通过“时序语言”构建时序基础模型，实现对动态系统的感知、预测与决策。报告人阐述构建时序基础模型时需要面临的核心挑战，并提出AGREE原则，即自动化（Automation）、通用性（Generalization）、鲁棒性（Robustness）、可解释性（Explainability）和轻量化（Efficiency）。报告人将介绍其团队基于AGREE原则开发的时序基础模型OpenTS，即其在预测性维护、智慧城市、防灾减灾上的应用。
气象大模型：物理智能的理论与实践
龙明盛 · 清华大学
简介
近年来，物理智能（Physical AI）领域备受关注。2023年，美国哈佛大学联合多家单位在《Nature》上发表题为《Scientific Discovery in the Age of Artificial Intelligence》的论文，指出人工智能技术大大加速了科学研究，可以获得传统方法无法发现的科学洞见。然而，如何实现物理规律与人工智能的深度融合，仍然处于研究探索的早期阶段。本报告将介绍大数据系统软件国家工程研究中心与中国气象局天气预报大模型团队在人工智能气象大模型领域的代表性工作，包括极端天气临近预报大模型NowcastNet、人工智能临近预报系统“风雷”和全球中短期天气预报系统“风清”等，探讨科学机器学习这一物理智能范式的重要进展。
AI for Combinatorial Problems in Complex Networks
范长俊 · 国防科学技术大学
简介
本报告探讨如何利用人工智能方法（如强化学习、图神经网络）解决复杂网络中的组合优化问题，包括网络瓦解、自旋玻璃基态求解等。AI方法能学习高效启发式策略，克服传统算法的计算瓶颈，为AI for complex system提供新思路。