人工智能时代交叉学科建设的科学表示重构

——共性科学问题、基础算法挑战与组织化科研路径

摘要：人工智能正在推动交叉学科建设从组织协同、资源整合和应用赋能，转向面向复杂系统共同结构的科学表示重构。本文认为，不同学科的深层共性不在于研究对象相似，而在于都面对“高维状态—受限观测—可信反演—机制抽象—闭环发现”的问题同构。为避免把人工智能简单理解为通用工具或大模型调用，本文提出以内蕴结构识别、机理约束表示、算子反演与不确定性闭合、神经符号规律发现、实验与计算闭环为核心的科学智能框架。文章进一步指出，内蕴流形不是一般降维隐喻，而是由有效自由度、动力学约束、对称性、守恒律、边界条件、因果结构和可验证实验共同限定的低复杂度科学表示。面向未来，交叉学科建设应形成共性科学问题池、科学智能基准平台、数据—模型—实验闭环基础设施和面向科学表示贡献的评价机制，推动人工智能从预测工具发展为发现机制、生成假说和组织科研的新型基础设施。

关键词：人工智能；交叉学科；科学表示；内蕴流形；可信反演；神经符号计算；AI for Science；组织化科研

Scientific Representation Reconstruction for Interdisciplinary Development in the Age of Artificial Intelligence

Abstract: Artificial intelligence is reshaping interdisciplinary research not merely by improving automation or prediction, but by changing how complex scientific objects are represented, inferred, validated, and transformed into actionable knowledge. This article argues that the next stage of interdisciplinary development should move beyond the administrative logic of assembling disciplines and the instrumental logic of applying generic AI tools. Its central task is to reconstruct scientific representations for complex systems. Across physics, chemistry, materials science, life science, engineering, space science, and information science, the surface objects differ substantially, yet many of the fundamental research bottlenecks share a common structure: high-dimensional states, limited and noisy observations, ill-posed inverse problems, mechanism abstraction, and closed-loop discovery or design. This common structure provides a more precise scientific basis for organizing interdisciplinary research in the AI era. The article proposes intrinsic-structure discovery as a core scientific problem. The intrinsic manifold discussed here is not a metaphor for dimensionality reduction or a visualization technique. It denotes a low-complexity scientific representation jointly constrained by effective degrees of freedom, dynamic laws, symmetries, conservation relations, boundary conditions, causal structures, and experimental verifiability. In this sense, intrinsic manifolds do not replace causal analysis, uncertainty quantification, or theories of emergence; rather, they provide a representational substrate on which variables can be defined, observations can be organized, inverse problems can be posed, mechanisms can be closed, and symbolic laws can be generated. The value of this concept lies in its ability to connect heterogeneous scientific data with mechanistic constraints and verifiable theoretical expressions. To make this perspective operational, the article identifies six classes of common scientific problems: identifying effective variables and intrinsic coordinates in high-dimensional systems; performing reliable inference under incomplete, indirect, and noisy observations; achieving multiscale and multiphysics operator closure; maintaining robustness under extreme conditions and out-of-distribution regimes; discovering mechanistic, causal, and symbolic laws; and building closed-loop systems for experiment, simulation, optimization, and design. Correspondingly, the foundational challenges for scientific AI are not limited to larger models or lower prediction errors. They include unified scientific representation, mechanism-constrained learning, neural operators and inverse modeling, uncertainty calibration, neural-symbolic translation, formal verification, foundation models for scientific domains, scientific agents, and self-driving experimental infrastructures. The article further proposes an organizational pathway for research universities and scientific institutions. Interdisciplinary development should establish a pool of common scientific problems, standardized “problem cards”, benchmark tasks for scientific intelligence, data-model-experiment closed-loop platforms, and evaluation criteria that reward interpretable variables, mechanism consistency, calibrated uncertainty, out-of-distribution reliability, reusable platform assets, and experimentally testable hypotheses. Such a pathway can transform AI from a local application tool into a strategic infrastructure for scientific discovery, while preserving the central role of domain experts in value judgment, mechanism interpretation, and empirical validation.

Keywords: artificial intelligence; interdisciplinary research; scientific representation; intrinsic manifold; reliable inverse inference; neural-symbolic computing; AI for Science; organized research

一、问题提出：交叉学科建设需要从组织协同转向科学表示重构

交叉学科建设已经成为科技前沿演进、国家战略需求牵引和研究型大学内涵式发展的共同命题。现有讨论通常从学科布局、平台建设、人才培养、资源配置和评价机制等角度展开，这些内容构成必要制度条件，但并不能自动产生具有原始创新意义的交叉科学问题。不同学科被组织到同一平台之下，并不意味着它们已经共享问题结构、数学语言和验证标准；多源数据汇聚到同一系统之中，也不意味着模型能够自动形成可解释机制和可迁移规律。

人工智能的快速发展使这一矛盾更加突出。一方面，大规模模型、科学基础模型、神经算子、物理约束机器学习和自动实验系统正在进入科学研究全过程，人工智能已经被用于结构预测、材料发现、气象预报、分子生成、实验设计、代码执行和结果解释等环节[2-4,19-25]。另一方面，科学研究追求的并不是任意高精度预测，而是可解释变量、可检验机制、可复现实验、可外推规律和可反驳理论。通用人工智能模型可以在数据分布附近形成强拟合能力，却未必知道哪些变量有科学意义，哪些约束必须满足，哪些结论可以外推，哪些输出只是统计相关或模型幻觉。

因此，人工智能时代交叉学科建设的关键，不宜被理解为“人工智能+若干学科”的应用扩散，而应被重新定位为“复杂系统科学表示的重构”。所谓科学表示，不只是数据编码或特征压缩，而是能够同时承载对象、观测、状态、约束、演化、因果、误差、实验和符号表达的结构化语言。只有当不同学科能够围绕这种结构化语言共同定义变量、组织观测、嵌入机理、开展反演、生成假说并接受验证，交叉学科建设才可能从外延协同进入内核共创。

本文的核心判断是：在人工智能与科学深度融合的新阶段，不同学科的深层共性不在研究对象相似，而在问题结构同构。无论是量子多体、复杂化学反应、材料构效关系、生命调控网络，还是复杂流场、等离子体、空间探测、深地成像和智能感知，均在不同程度上面对高维状态、受限观测、病态反演、多尺度耦合、机制抽象、分布外可靠性和实验闭环等问题。围绕这些共性问题发展科学智能，才是交叉学科建设能够形成持续策源能力的基础。

二、核心命题：为什么以“内蕴结构”作为科学智能的表示底座

本文使用“内蕴结构”或“内蕴流形”来概括高维复杂系统背后的低复杂度科学表示。需要首先澄清的是，这一概念并非指一般机器学习中的可视化降维，也不是把所有复杂问题都压缩成低维图像。本文所称内蕴流形，是指复杂系统在高维观测空间背后，由有效自由度、状态变量、动力学约束、几何拓扑结构、对称性、守恒律、边界条件、因果结构和实验可验证性共同限定的低维或低复杂度表示空间。它可以表现为连续流形、分片流形、低维吸引子、慢变量集合、反应坐标、序参量空间、图结构流形或受约束函数空间，但必须满足科学语义和验证要求。

这一概念的有效性不来自其覆盖范围，而来自四个判据。第一，变量可辨识：所学习的坐标应对应有效自由度、慢变量、序参量、反应坐标或可干预机制，而不是任意潜变量。第二，约束可内生：表示空间应能够嵌入守恒律、对称性、边界条件、稳定性、化学合理性、生物调控关系或工程安全约束。第三，演化可闭合：在该表示空间中，系统的状态转移、算子映射或机制关系应具有可描述、可计算和可外推的形式。第四，结论可验证：该表示应能支持反事实检验、实验预测、符号规律提取或跨场景复用。

将内蕴结构置于核心位置，并不意味着否定因果结构、不确定性量化、涌现机制或科学基础模型。更准确的关系是：内蕴结构提供变量和状态空间，因果结构描述这些变量之间的干预关系，不确定性量化刻画观测、模型和机制推断的可信边界，涌现机制解释跨尺度结构如何形成，科学基础模型则可能成为学习、组织和调用这些表示的计算基础设施。没有有效状态空间，因果发现容易退化为高维相关性搜索；没有观测算子和表示空间，不确定性量化难以区分观测缺失、模型错设和机制不完备；没有序参量和跨尺度映射，涌现机制难以转化为可计算理论；没有机理约束和验证闭环，科学基础模型容易停留在统计生成和任务编排层面。

因此，内蕴流形的“统摄力”不是替代其他框架，而是把其他框架放置到可计算、可验证的科学表示层上。其边界也必须清楚：并非所有科学问题都存在可稳定识别的低维结构；并非所有高维数据都能被单一流形描述；在强非平稳、强混沌、稀有事件、开放系统和社会技术系统中，低维表示可能是局部的、分片的、概率的或情境依赖的。正因为如此，内蕴结构发现必须与可识别性分析、不确定性校准、分布外诊断和实验验证共同推进。

表1 内蕴结构与相关科学智能框架的关系

三、共性科学问题：从对象差异到“高维状态—受限观测—机制闭环”的问题同构

系列跨学科前沿研讨所涉及的数学基础、复杂物质与生命系统、智能架构与动力系统、复杂物理与工程系统等问题，表面上分属不同学科，实质上不断指向同一类结构性瓶颈：高维复杂对象只能被有限、间接、噪声化或高代价的观测所触达，研究者必须在不完备信息中恢复有效状态、机理关系和可检验规律。由此，交叉学科建设的共性科学问题可以概括为“高维状态—受限观测—可信反演—机制抽象—闭环发现”的链条。

第一，有效变量与内蕴坐标识别。科学发现首先要求知道“什么变量真正重要”。在材料、分子、流体、等离子体、生命调控和智能系统中，原始观测维度往往极高，但支配结构转变、功能响应、细胞命运或长期演化的变量可能相对有限。问题不在于做更漂亮的降维图，而在于识别能够支撑干预、预测和理论表达的状态坐标。

第二，不完备观测下的可信反演。重大科学问题常常无法直接观测内部状态，只能通过光谱、波场、有限传感器、组学数据、显微图像或间接响应进行推断。这类问题不是普通监督学习，而是具有非唯一性、不适定性、先验依赖和噪声放大的反问题。可信反演必须同时给出候选结构、证据来源、先验作用、不确定性范围和需要进一步验证的实验条件。

第三，多尺度多物理场耦合与算子闭合。复杂系统往往跨越微观、介观和宏观尺度，涉及热、力、电、磁、化学、流体、生物调控等多种机制。仅学习输入输出函数无法解释尺度转换，也无法保证长期外推。关键在于学习受约束的演化算子、反应算子、传输算子或控制算子，并在守恒律、边界条件和统计结构下保持闭合。

第四，极端条件和分布外可靠性。科学模型的价值常常体现在训练数据之外：未知材料成分、罕见等离子体状态、极端天气、深地复杂介质、开放环境感知和生命系统扰动。评价指标不能只看平均误差，而应关注长期误差增长、极端事件捕捉、约束违背率、吸引子统计、失效边界和风险校准。

第五，机制、因果与符号规律发现。科学智能不能止步于黑箱预测。真正有价值的模型应能生成可被科学家检查的机制假说、候选方程、守恒关系、因果路径、程序结构或形式化证明对象。神经网络可以发现复杂模式，但这些模式只有通过符号化、理论推演、数值检验和实验验证，才能进入科学知识体系。

第六，面向实验与工程的闭环设计。复杂系统研究最终需要把知识转化为下一步实验、下一组参数、下一种材料、下一轮控制策略或下一项工程设计。科学智能必须从“回答给定问题”走向“提出下一步行动”，并在数据、模型、实验、仿真、知识库和专家判断之间形成可审计闭环。

表2 跨学科共性科学问题与人工智能基础能力

四、人工智能基础算法挑战：从可拟合模型到可发现系统

科学问题的共性决定了人工智能基础算法挑战的共性。当前AI for Science的代表性路线已经分别触及这些挑战：物理约束机器学习将方程残差、边界条件和守恒关系引入训练过程[5,11]；神经算子尝试直接学习函数空间之间的映射，为参数化偏微分方程、多物理场和复杂场问题提供新范式[12-14]；稀疏动力学辨识、AI Feynman和神经符号蒸馏展示了从数据或深度模型中发现显式规律的可能[15-18]；科学基础模型、自驱实验室和科研智能体正在把知识组织、实验规划、自动执行和结果解释连接起来[23-25]。但这些方向仍需要被整合为面向科学发现的底层架构，而不是并列工具箱。

第一，统一科学表征仍是根本瓶颈。科学数据包含时间序列、场数据、谱线、图结构、点云、显微图像、文本记录、实验元数据和仿真输出。简单多模态拼接不能保证科学语义对齐。面向科学发现的表征学习必须同时处理坐标系、单位、边界条件、采样机制、仪器噪声、数据缺失和学科知识图谱，使不同模态能够在同一对象和机制层面被比较。

第二，机理约束需要从外部惩罚变为模型内生结构。许多模型通过损失函数加入物理残差，但这种做法并不总能保证长期稳定、守恒一致或边界合法。未来更重要的是结构保持网络、等变模型、辛结构网络、梯度流模型、守恒/耗散分解、因果表示约束和可微求解器耦合，使约束直接影响模型结构、推理过程和生成空间。

第三，算子学习必须与反演和不确定性闭合结合。科学问题通常不是单纯学习正向映射，而是在有限观测下同时恢复隐状态、参数场、边界条件和演化算子。神经算子如果只追求计算加速，就可能成为更快的黑箱代理模型。真正的科学价值在于：所学算子是否跨网格、跨参数、跨边界稳定；误差是否可传播和可解释；反问题的多解性是否被刻画；模型何时越过可信区域能否被诊断。

第四，神经符号规律发现需要跨越“候选表达”和“科学知识”之间的鸿沟。符号回归可以给出候选公式，程序搜索可以生成候选算法，形式化验证可以检查某些证明对象，但科学发现还要求这些表达具有量纲一致性、边界适用性、机制解释力和实验可检验性。未来更可行的路径是建立“神经生成—符号计算—形式化验证—数值仿真—实验检验—专家判断”的协同工具链。

第五，科学基础模型和科研智能体必须接受机理约束与验证闭环的再定义。基础模型的优势在于跨任务知识组织、自然语言和多模态交互、代码生成、实验计划和流程编排。但科学研究不能把生成结果直接等同于科学结论。科研智能体的输出必须记录证据链、先验假设、数据来源、模型版本、参数设置、失败案例和验证结果，并接受领域专家审查。否则，自动化只会扩大伪规律、伪因果和低质量假说的传播速度。

五、组织化科研路径：从问题凝练到平台闭环

如果交叉学科建设的核心是科学表示重构，组织化科研就不能停留在“搭建平台、组织交流、支持交叉、完善评价”等一般表述，而应围绕共性科学问题形成可执行流程。本文建议将相关工作组织为“问题池—问题卡片—基准任务—闭环平台—评价机制”五个层次。

第一，建立共性科学问题池。问题池不是项目库或成果库，而是面向未来持续更新的科学问题集合。每个问题应明确研究对象、观测形态、潜在内蕴结构、机理约束、反演任务、符号化目标、验证路径和平台需求。只有当问题被写成可比较、可检验、可转化的结构，跨学科合作才不会停留在术语互译。

第二，形成标准化问题卡片。每张问题卡片至少回答八个问题：高维观测是什么；可能存在的有效自由度是什么；观测算子和噪声机制是什么；已知机理约束是什么；核心反演、预测或设计任务是什么；不确定性主要来自哪里；希望形成什么符号表达或机制假说；需要哪些实验、数据、算力、软件和专家共同支撑。问题卡片应成为种子项目遴选、平台任务设计和评价指标制定的前端依据。

第三，建设科学智能基准任务。AI for Science不能只沿用通用机器学习基准。应围绕典型反问题、动力系统、场预测、多尺度耦合、符号发现和闭环实验设计建设可复现实验基准。基准不仅包含数据和指标，还应包含物理约束、单位、边界条件、观测噪声、分布外测试、失败案例和验证协议。这样才能评价模型是否真正具有科学可靠性，而不只是竞赛式提升分数。

第四，建设数据—模型—实验闭环平台。平台建设不应等同于通用算力或大模型接口，而应包括多源科学数据治理、机理标签和实验元数据标准、可微正演/反演模块、科学基础模型适配、主动学习和实验规划接口、模型版本与不确定性记录、符号规律沉淀和知识图谱更新。这样的基础设施才能支撑从观测到表示、从表示到算子、从算子到理论、从理论到实验的连续积累。

第五，建立面向科学表示贡献的评价体系。交叉研究的贡献不应只由论文数量、短期项目经费或应用示范衡量，而应评价有效坐标是否可解释且可复现，机理约束是否被模型内生满足，反演结果是否经过不确定性校准，模型是否具备分布外外推和失效诊断能力，符号表达是否提出可检验预测，平台资产是否可被其他学科复用，研究是否产生新的实验方案、理论命题或工程设计原则。

表3 面向科学表示重构的组织化科研任务

六、风险边界：防止把科学智能写成新的技术神话

高水平的战略研究不仅要提出方向，也必须指出边界。首先，要防止“伪流形”。高维数据在有限采样和降维算法下几乎总能呈现某种低维结构，但这种结构未必具有科学语义。只有能够支持干预、外推、反演或符号规律生成的结构，才有资格被称为科学意义上的内蕴表示。

其次，要防止“伪因果”和“伪机制”。复杂系统中大量变量存在相关性，基础模型也可能生成貌似合理的解释，但科学机制必须能够经受反事实检验、实验扰动、跨条件复现和理论推演。因果语言不能成为对相关性的包装，机制解释不能成为黑箱输出的事后修辞。

再次，要防止“自动化幻觉”。科研智能体、自驱实验室和自动论文生成系统显示出重要潜力，但它们也可能加速低质量假说、不可复现实验和形式上完整但实质贫乏的研究结果传播。科学智能平台必须内建人机共审、实验安全、证据追踪、失败记录和伦理治理机制。

最后，要防止“平台替代科学”。平台、模型和流程只是条件，真正的科学判断仍取决于领域专家对问题价值、机制边界和验证路径的判断。组织化科研的目标不是用AI替代科学家，而是把AI的知识组织、模式发现、实验优化和工具编排能力，与科学家的理论直觉、实验经验和价值判断结合起来。

七、结论：从学科交叉到科学智能基础设施

人工智能时代的交叉学科建设正在进入新的阶段。其核心不再只是把不同学科组织在一起，也不只是把人工智能作为通用工具嵌入既有研究流程，而是要围绕复杂系统共同结构形成新的科学表示、基础算法和组织化科研路径。本文提出，高维复杂系统中的内蕴结构识别、机理约束表示、可信反演、算子闭合、符号规律发现和实验闭环，是人工智能时代交叉学科建设最具基础性和牵引性的共性科学问题。

以内蕴流形为代表的科学表示之所以具有战略意义，并不是因为它可以替代因果、不确定性、涌现机制或科学基础模型，而是因为它为这些问题提供了变量、状态、约束和验证的共同承载空间。未来交叉学科建设的竞争力，将取决于能否把分散学科问题转化为可共同攻关的问题池，把算法方向转化为可验证的科学智能基准，把平台建设转化为数据—模型—实验闭环基础设施，把成果评价转化为鼓励长期、可复用、可反驳科学贡献的制度体系。

面向未来，研究型大学和科研机构应把科学智能作为新型基础设施和组织化科研能力来建设：一方面，持续支持几何表示、神经算子、物理约束学习、因果表示、不确定性量化、神经符号计算、形式化验证和科学基础模型等底层方向；另一方面，围绕重大科学问题建设可复用数据、可审计算法、可验证实验和可沉淀知识的平台体系。只有这样，人工智能才能从提高效率的工具，进一步发展为揭示机制、生成理论和组织原始创新的科学智能体系。

参考文献

[1] 教育部, 财政部, 国家发展改革委. 关于深入推进世界一流大学和一流学科建设的若干意见[EB/OL]. 2022-02-14.

[2] Wang H, Fu T, Du Y, et al. Scientific discovery in the age of artificial intelligence[J]. Nature, 2023, 620: 47-60.

[3] National Academies of Sciences, Engineering, and Medicine. AI for Scientific Discovery: Proceedings of a Workshop[M]. Washington, DC: The National Academies Press, 2024.

[4] Carleo G, Cirac I, Cranmer K, et al. Machine learning and the physical sciences[J]. Reviews of Modern Physics, 2019, 91(4): 045002.

[5] Karniadakis G E, Kevrekidis I G, Lu L, Perdikaris P, Wang S, Yang L. Physics-informed machine learning[J]. Nature Reviews Physics, 2021, 3: 422-440.

[6] Willard J, Jia X, Xu S, Steinbach M, Kumar V. Integrating scientific knowledge with machine learning for engineering and environmental systems[J]. ACM Computing Surveys, 2022, 55(4): 1-37.

[7] Tenenbaum J B, de Silva V, Langford J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323.

[8] Roweis S T, Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science, 2000, 290(5500): 2323-2326.

[9] Coifman R R, Lafon S. Diffusion maps[J]. Applied and Computational Harmonic Analysis, 2006, 21(1): 5-30.

[10] Bronstein M M, Bruna J, Cohen T, Veličković P. Geometric deep learning: grids, groups, graphs, geodesics, and gauges[EB/OL]. arXiv:2104.13478, 2021.

[11] Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019, 378: 686-707.

[12] Lu L, Jin P, Pang G, Zhang Z, Karniadakis G E. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators[J]. Nature Machine Intelligence, 2021, 3: 218-229.

[13] Li Z, Kovachki N, Azizzadenesheli K, et al. Fourier neural operator for parametric partial differential equations[C]//International Conference on Learning Representations. 2021.

[14] Kovachki N, Li Z, Liu B, et al. Neural operator: learning maps between function spaces[J]. Journal of Machine Learning Research, 2023, 24(89): 1-97.

[15] Brunton S L, Proctor J L, Kutz J N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems[J]. Proceedings of the National Academy of Sciences, 2016, 113(15): 3932-3937.

[16] Champion K, Lusch B, Kutz J N, Brunton S L. Data-driven discovery of coordinates and governing equations[J]. Proceedings of the National Academy of Sciences, 2019, 116(45): 22445-22451.

[17] Udrescu S M, Tegmark M. AI Feynman: a physics-inspired method for symbolic regression[J]. Science Advances, 2020, 6(16): eaay2631.

[18] Cranmer M, Sanchez-Gonzalez A, Battaglia P, et al. Discovering symbolic models from deep learning with inductive biases[C]//Advances in Neural Information Processing Systems. 2020, 33: 17429-17442.

[19] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold[J]. Nature, 2021, 596: 583-589.

[20] Merchant A, Batzner S, Schoenholz S S, et al. Scaling deep learning for materials discovery[J]. Nature, 2023, 624: 80-85.

[21] Lam R, Sanchez-Gonzalez A, Willson M, et al. Learning skillful medium-range global weather forecasting[J]. Science, 2023, 382(6677): 1416-1421.

[22] Ramos M C, Collison C, White A D. A review of large language models and autonomous agents in chemistry[J]. Chemical Science, 2024, 15: 18409-18432.

[23] Pyzer-Knapp E O, Manica M, Staar P, et al. Foundation models for materials discovery - current state and future directions[J]. npj Computational Materials, 2025, 11: 61.

[24] Canty R B, Maffettone P M, Abolhasani M, et al. Science acceleration and accessibility with self-driving labs[J]. Nature Communications, 2025. DOI: 10.1038/s41467-025-59231-1.

[25] Lu C, Yamada Y, Lange R T, et al. Towards end-to-end automation of AI research[J]. Nature, 2026. DOI: 10.1038/s41586-026-10265-5.

[26] 李国杰. 智能化科研（AI4R）：第五科研范式[J]. 中国科学院院刊, 2024, 39(1): 1-9.

作者信息

作者单位：中国科学技术大学

通信作者：