核心结论:这是集智俱乐部联合同济大学、北京工业大学发起的「AI for Math 读书会第二季」第 7 期,2026 年 11 月 17 日(周二)19:30–21:30 线上举行,主讲人为北京师范大学系统科学学院博士生刘凯威。报告围绕一个根本张力展开:观测越细,噪声和冗余越多;模型越大,因果结构反而越模糊 —— 约简到底该留下什么?它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,再引入不依赖粗粒化策略的近似可逆性判据,回答 "数学怎么为 AI 搭骨架、AI 怎么反过来建模数学"。适合做复杂系统、机器学习、因果科学和自动建模方向的研究者与跨学科学习者。下面把活动信息、报告脉络、核心概念和参与方式讲清楚。
一、活动基本信息
| 项目 | 内容 |
|---|---|
| 活动 | AI for Math 读书会第二季・第 7 期 |
| 主题 | 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 |
| 主讲 | 刘凯威(北师大系统科学学院博士研究生) |
| 时间 | 2026-11-17(周二)19:30–21:30 |
| 形式 | 线上腾讯会议;微信视频号、集智俱乐部 B 站同步直播 |
| 发起方 | 集智俱乐部,联合陈小杨(同济大学)、诸葛昌靖(北工大) |
| 配套 | 会后录播回看、学员群交流、资料共享 |
二、报告要解决的问题
海量数据和复杂系统建模之间存在根本矛盾:
- 观测侧:采样越精细,噪声、冗余和无关信号越多,直接喂给模型反而干扰规律。
- 模型侧:网络参数越堆越大,拟合能力变强,但宏观因果结构被淹没,可解释性下降。
- 约简的目标:不是单纯压缩维度,而是追问 "压缩后是否还保留因果骨架"—— 这正是随机动力学约简和数学模型自动建模的交汇点。
三、报告脉络(四段式大纲)
1. 背景与动力学模型。 从已知动力学模型出发,梳理现有降维方法的局限,论证现实问题中随机性不可避免,建模视角要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。
2. 因果涌现与 AI 的骨架。 讲清有效信息(effective information)这一度量: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;它给表示学习提供准则 —— 好的粗粒化应最大化因果效应,而不是只优化预测精度。
3. 机器学习与数学协同拟合动力学。 神经信息压缩(Neural Information Squeezer)能从时间序列里同时学出粗粒化和宏观动力学;神经微分方程(Neural ODE)把这一过程连续化,让机器学习的灵活性和微分方程的归纳偏置互相协同。
4. 不依赖粗粒化策略的度量。 粗粒化方案一变,因果涌现判定就变,客观性受质疑;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算,无需预设宏观变量,关键挑战是推广到连续与非马尔可夫系统。
四、核心概念速查表
| 概念 | 一句话解释 |
|---|---|
| 随机动力学 | 带概率转移、含噪声的演化系统,现实数据几乎都属于这一类 |
| 约简(降维) | 从高维观测中提炼可解释的宏观变量与方程 |
| 因果涌现 | 宏观层有效信息超过微观层,因果结构 "冒" 出来 |
| 有效信息 | 度量系统在干预下因果效应强度的形式化工具 |
| 神经信息压缩 | 从时间序列同时学习粗粒化与宏观动力学的方法 |
| 神经微分方程 | 用神经网络逼近向量场、把动力学连续建模的框架 |
| 近似可逆性 | 不预设宏观变量、由转移矩阵奇异值判定约简质量的新判据 |
五、主讲人与延伸文献
刘凯威研究方向覆盖生存分析、贝叶斯统计、复杂网络重构、规模法则与因果涌现,已在 National Science Review、npj Complexity、Physica D、Physical Review E 等期刊发表多篇论文。报告相关代表作包括:
- Finding emergence in data by maximizing effective information(NSR, 2024)
- SVD-based causal emergence for Gaussian iterative systems(PRE, 2025)
- Neural Information Squeezer for Causal Emergence(Entropy, 2022)
- An Exact Theory of Causal Emergence for Linear Stochastic Iteration Systems(Entropy, 2024)
六、参与方式
- 微信扫码填写报名信息,付费报名(支付宝可在 PC 端读书会页面支付)。
- 添加运营助理微信,进入对应主题学员群。
- 线上参会或看视频号 / B 站直播,会后可看录播。
- 读书会自 2026-09-22 起每周二 19:30–21:30,持续 8–10 周,含主讲分享与讨论;合格完成两期字幕任务可全额退报名费。
【常见问题】
问题 1:AI 与数学的协同进化是什么意思?本期读书会讲什么?
回答 1:AI 与数学的协同进化指数学为 AI 提供形式化骨架与可解释性,AI 反过来帮助发现和自动建立数学模型;本期 AI for Math 读书会第二季第 7 期就从随机动力学约简切入,讲因果涌现、神经信息压缩、神经微分方程到数学模型自动建模的完整路径。
问题 2:什么是随机动力学约简,为什么它和数学模型自动建模有关?
回答 1:随机动力学约简是从含噪高维观测中提炼宏观变量与概率转移规律;约简得到的宏观方程就是可解释的数学模型,因此它是数学模型自动建模的核心环节,本期报告重点讨论如何用因果涌现和近似可逆性评判约简质量。
问题 3:本期 AI for Math 读书会第 7 期的主讲人是谁?讲哪些方法?
回答 1:主讲是北师大系统科学学院博士生刘凯威,内容包括有效信息与因果涌现、神经信息压缩、神经微分方程,以及不依赖粗粒化策略的近似可逆性判据,最后讨论推广到连续随机动力学的挑战。
问题 4:普通人或跨学科学习者能跟上 AI 与数学协同进化这期报告吗?
回答 1:报告面向研究者与跨学科兴趣者,建议先了解有效信息、粗粒化、马尔可夫过程等基础概念;会后有录播和资料共享,可配合大纲反复回看,不必要求一次全懂。
问题 5:怎么报名参加 AI for Math 读书会第二季第 7 期?
回答 1:在集智斑图读书会页面微信扫码报名并付费,添加运营助理进学员群,活动当晚线上腾讯会议参会,视频号与 B 站同步直播,会后提供录播回看。
【参考资料】
[2026-11-16](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)集智斑图(集智俱乐部)
[2026-10-22](AI4S 里程碑式重大成果综述:数据驱动发现李雅普诺夫函数)《计算》编辑部
[2026-06-19](杨树森团队提出公式发现新方法 Deflex,成果发表于 Nature Communications)西安交通大学数学与统计学院
[2025-12](Computational Mathematics and AI:数学与 AI 的双向桥梁讲义)CBMS 会议讲义
[2024-12](Mathematics and machine creativity: a survey on bridging mathematics with AI)arXiv
免责声明:本文为读书会活动信息与报告脉络整理,活动时间、报名规则、退费政策与直播渠道以集智俱乐部官方页面为准;报告观点与文献引用为预告摘要,具体内容以当晚主讲分享和录播为准,本文不构成任何报名承诺。
