从轨道拟合到演化闭合：动力系统理论与人工智能融合的基础命题

摘要：动力系统理论以“状态如何随时间演化”为核心，长期构成理解复杂自然系统、工程系统和社会系统的数学底座。人工智能以大规模数据、优化算法和高维表示学习拓展了复杂系统的建模、预测与生成能力。然而，当前二者的融合仍常被简化为两个方向：用动力系统解释神经网络，或用神经网络求解动力学问题。本文提出，更具基础性和前瞻性的目标，是从“轨道拟合”走向“演化闭合”：构建能够同时刻画状态空间、演化算子、不变量、随机扰动、物理约束、逻辑验证和控制反馈的科学智能体系。该体系不应满足于对历史轨迹的短期预测，而应具备从有限观测中恢复隐含状态变量、从含噪数据中识别稳定结构、从高维动力过程中提取可解释方程，并在物理与数学约束下实现可验证外推的能力。面向气候、能源、生态、量子、生物医药和自主实验等复杂场景，动力系统理论为人工智能提供稳定性、可控性、遍历性、分岔、吸引子和结构保持等核心语言；人工智能则为高维、非线性、随机和无限维动力系统提供新的计算工具。本文认为，科学智能的关键不在于以更大模型替代理论建模，而在于建立一种能够在数据、方程、几何、概率、证明和控制之间形成闭环的演化智能范式。

关键词：动力系统；人工智能；科学智能；物理一致性学习；神经算子；符号回归；演化闭合；复杂系统

一、问题的重新定位：人工智能必须理解“演化”

动力系统理论的根本对象并不是某一条孤立轨道，也不是某一个可以被解析写出的方程，而是状态在时间维度中持续演化时所呈现的结构。在线性系统中，人们关注谱、稳定性、收敛和振荡；在非线性系统中，人们关注吸引子、极限环、分岔、混沌、遍历性和不变测度；在无限维系统中，偏微分方程、半群、耗散结构和长期动力学成为核心对象；在随机系统中，噪声不再只是测量误差，而是可能参与状态转移、极端事件和分布演化的内在机制。洛伦兹关于确定性非周期流的经典工作表明，即使是确定性系统，也可能由于非线性结构而对初始条件呈现敏感依赖，由此奠定了现代混沌理论的重要图景[1]。

这一理论传统与人工智能的核心问题并非外在相遇，而是内在同构。神经网络不是静态函数表，而是由参数更新、非线性激活、层间映射、归一化、注意力机制和优化路径共同构成的高维非线性动力系统。模型训练是参数空间中的随机动力过程，模型推理是表示空间中的状态传播，模型泛化是训练轨道对未见分布的稳定外推，模型失效则可能表现为轨道漂移、错误吸引子、病态收敛、隐空间坍缩或长期误差放大。由此看，动力系统理论不是人工智能的外围工具，而可能成为解释和设计科学智能的底层语言。

当前人工智能的主要成功仍建立在经验拟合之上。模型可以在训练分布附近获得惊人的预测或生成能力，却往往难以回答三个对于科学研究不可回避的问题：第一，模型学习到的状态变量是否具有真实物理或机制含义；第二，模型学习到的演化算子是否遵守守恒律、对称性、边界条件、稳定性和因果约束；第三，模型能否在分布外扰动、参数漂移和长期演化中保持结构一致性。动力系统理论长期处理的正是这些问题。

因此，动力系统与人工智能融合的真正命题，不应被理解为“用人工智能加速求解若干动力学方程”，也不应停留在“用动力学隐喻解释深度网络”。更具基础性的方向，是重构科学智能的对象、目标和评价标准：对象从样本点转向状态空间，目标从误差最小化转向演化规律恢复，评价从短期预测精度转向长期稳定性、结构可辨识性、物理一致性和控制可闭环性。

二、从“轨道拟合”到“状态空间重构”

复杂动力系统的第一个难题，是状态不可完全观测。气候、生态、能源、金融、神经、生物医药和量子系统通常只暴露少量可测变量，而真正支配演化的隐变量、慢变量、耦合项、边界条件和约束结构隐藏在高维相空间中。传统建模依赖研究者预先设定变量和方程形式；数据驱动方法则希望从观测轨迹中反推状态空间和演化规则。

Takens 延迟嵌入定理为这一问题提供了深刻启示：在一定条件下，单一标量时间序列的延迟坐标可以重构原系统吸引子的几何结构[2]。这一思想对人工智能具有基础意义。真实世界的高维观测并非均匀铺满高维空间，而往往依附于较低维的本征流形；模型的学习过程，也可理解为从冗余观测中寻找可演化的隐状态表示。因此，泛化能力不应仅被解释为统计插值能力，而应被追问为：模型是否恢复了足以支撑未来演化的状态坐标。

但状态空间重构不同于一般意义上的降维。普通表示学习可以为了分类、检索或压缩而牺牲动力学含义；科学智能则必须恢复具有演化意义的状态变量。一个可用于科学发现的潜在空间至少应满足三个条件：其一，能够由有限观测稳定重构；其二，其内部轨迹能够被相对低复杂度的演化算子描述；其三，其坐标变换不破坏守恒律、拓扑结构和可控性。否则，模型即便在短期预测中表现良好，也可能只是学习到了局部相关性，而非系统的真实动力结构。

从这个意义上说，未来面向动力系统的人工智能研究，首要任务是从“特征表示学习”升级为“状态空间识别”。其学习对象不是孤立的输入—输出映射，而是由状态、控制、扰动和约束共同决定的演化关系。为避免符号泛滥，本文仅保留一个最小表示：x(t+1)=Φ(x(t),u(t),ξ(t);θ)。其中，x 表示状态，u 表示控制或外部输入，ξ 表示随机扰动，Φ 表示待识别的演化算子，θ 表示物理、几何、统计和控制约束。

表 1 从轨道拟合到演化闭合的范式差异

三、把人工智能视作动力系统：解释、诊断与设计

把神经网络看作动力系统，并非修辞性的类比，而是已经形成一系列可操作模型。残差网络可以被解释为离散时间动力系统，连续深度模型进一步把层间传播解释为常微分方程流。神经常微分方程模型使用神经网络参数化隐状态导数，并通过微分方程求解器得到输出，从而在深度学习和连续时间动力系统之间建立了直接联系[3]。

这一视角改变了对网络结构的理解。层数不只是工程意义上的深度，而可被视为演化时间；激活函数不只是非线性变换，而影响相空间流的光滑性、奇异性和梯度传播；残差连接和门控机制不只是训练技巧，而可能改变系统的雅可比谱、稳定域和吸引结构；注意力机制也不仅是相关性检索，而可被理解为状态依赖的非局部耦合算子。

泛化问题因此获得了新的解释路径。传统理论强调容量、正则化、样本复杂度和边界；动力系统视角进一步关注训练轨道的稳定性、参数空间的吸引域、隐状态流形的漂移以及扰动下的轨道一致性。如果模型收敛到尖锐、脆弱或高度非稳态区域，微小输入扰动可能导致输出突变；如果模型被过强约束在局部极小盆地，则可能缺乏分布外探索能力。

必须强调的是，将“吸引子”“混沌边缘”“分岔”等概念直接套用于大规模神经网络仍存在风险。大模型参数空间维度极高、损失景观非凸、训练数据非平稳，许多低维动力系统直觉不能未经检验地迁移。因此，前沿方向不是泛化地谈论“网络存在混沌”，而是发展可计算、可观测、可验证的人工智能动力学指标，例如局部 Lyapunov 指数、雅可比谱分布、隐状态轨道曲率、表示流形漂移、吸引域稳定性、长期误差增长率和参数扰动敏感性。只有这些指标能够与任务性能、域外鲁棒性和安全边界建立定量关系，动力系统视角才会真正转化为人工智能设计理论。

四、把动力系统作为人工智能对象：预测、方程发现与算子学习

人工智能促进动力系统研究的直接路径，是从数据中预测轨迹、识别方程和学习解算子。对于混沌系统，机器学习可以在有限 Lyapunov 时间内提高短期预测能力；储备池计算已被用于从观测数据预测大规模时空混沌系统[4]。但这类方法不能消除混沌系统对初值误差的内在敏感性。对强混沌系统而言，更合理的目标不是无限期精确点预测，而是预测统计结构、吸引子性质、极端事件概率、可控窗口和不变测度变化。

在方程发现方面，稀疏动力学识别方法通过稀疏回归从观测数据中识别非线性动力系统的控制方程，为“数据到公式”的自动发现提供了代表性路径[5]。其核心假设是，许多物理系统虽然表现复杂，但在合适的候选函数库中通常只由少数关键项支配。该方法的意义不在于把神经网络作为终极模型，而在于把数据驱动结果重新拉回可解释方程、变量关系和科学理论。

在偏微分方程和无限维动力系统方面，物理信息神经网络将微分方程残差、初边值条件和数据误差共同纳入损失函数，用神经网络求解或发现非线性偏微分方程[6]。神经算子进一步把学习对象从有限维向量映射扩展为函数空间之间的映射。傅里叶神经算子通过在傅里叶空间参数化积分核来学习一族偏微分方程的解算子，而不是逐个求解单一方程实例[7]；深度算子网络则基于算子逼近思想，学习输入函数到输出函数之间的非线性算子映射[8]。这些工作表明，人工智能正在从函数拟合进入算子学习阶段。

但这些进展仍暴露出共同瓶颈。数据噪声会破坏导数估计，隐变量会造成方程不可辨识，候选函数库会限制符号发现，神经网络解算器可能违反守恒律，分布外参数区域可能导致外推失败。更深层的问题在于，预测准确与结构正确并不等价。一个黑箱模型可以给出低误差预测，却没有可解释方程；一个稀疏方程可以简洁可读，却可能遗漏隐变量、随机项或多尺度耦合。因此，人工智能求解动力系统的目标必须从“高精度拟合”升级为“结构可辨识、约束可验证、误差可传播、控制可闭环”。

五、演化闭合：动力系统与人工智能融合的核心范式

本文以“演化闭合”概括动力系统与人工智能融合的前瞻范式。所谓演化闭合，并不是说系统不受外部影响，而是指模型在状态表示、演化预测、物理约束、随机扰动、逻辑验证和控制反馈之间形成自洽闭环。一个真正面向科学发现的人工智能系统，至少需要五个层面的闭合能力。

第一，状态闭合。模型需要识别足以描述系统未来演化的状态变量，包括可观测变量、隐变量、慢变量、外部输入和观测不确定性。没有状态闭合，模型只能进行相关性预测，无法形成可解释动力结构。

第二，算子闭合。模型需要学习稳定的演化算子，而不只是对有限轨迹插值。Koopman 算子理论提供了一条重要路径：通过寻找合适的可观测函数，把非线性动力系统嵌入到更高维空间中的线性演化结构中；深度学习已被用于发现这种 Koopman 表示，以服务非线性系统预测和控制[9]。

第三，约束闭合。科学系统通常受守恒律、对称性、边界条件、稳定性条件和拓扑结构约束。哈密顿神经网络通过哈密顿力学归纳偏置学习并保持守恒结构，显示出结构保持模型相较普通网络更适合某些物理系统[10]。这提示我们，未来模型结构应更多嵌入守恒型、耗散型、辛结构、梯度流、对称群和不变测度等动力系统先验。

第四，不确定性闭合。现实复杂系统普遍含噪声、随机扰动、重尾事件和观测缺失。人工智能模型不仅要给出确定性轨迹，还要描述概率分布、极端事件风险和误差随时间的传播。随机动力系统、随机偏微分方程和非平衡统计物理应成为动力系统与人工智能融合的基础组成部分，而非后处理修正项。

第五，控制闭合。动力系统理论的终极目标之一是控制。人工智能不应只预测系统未来，还应回答如何干预系统，使其进入期望吸引域、避免临界转变、抑制灾变分岔或优化长期收益。这对于气候适应、能源调度、生态修复、量子控制、药物给药和自主实验尤其关键。

专栏 1 演化闭合的四个可检验命题

六、复杂应用中的共性问题，而非领域清单

气候系统、能源系统、生态系统、量子系统和生物医药系统表面上差异巨大，但从动力系统与人工智能融合的角度看，它们共享同一组基础难题：高维状态不可完全观测，多尺度变量强耦合，长期演化受非线性反馈控制，噪声和极端事件不可忽略，外部干预会改变系统吸引域或分岔结构。

气候系统的关键不只是提高短期天气预报精度，而是识别长期统计结构、极端事件风险、反馈环路和临界阈值。代表性机器学习天气预报模型已经展示出中期天气预报能力[11]，概率机器学习天气预报模型进一步将集合预报与不确定性刻画纳入数据驱动框架[12]。这些进展证明，数据驱动模型可以进入传统数值预报的核心场景；但对于气候科学而言，仍需追问模型是否保持物理守恒、极端尾部分布和跨气候态外推能力。

能源系统的关键在于多主体、多约束和强随机性。新能源发电波动、电网负荷变化、储能调度和市场机制相互耦合，需要模型在不确定性下同时满足稳定、安全和效率约束。生态系统则更强调吸引域、临界转变和不可逆退化。人工智能若仅拟合历史种群或环境数据，可能无法识别系统接近临界阈值的早期信号。

量子系统的关键在于态空间高维、退相干、控制精度和测量扰动。人工智能可用于量子态控制和实验策略优化，但必须嵌入量子动力学、幺正演化、开放系统和测量约束。生物医药系统则呈现强异质性、隐变量、多层级耦合和个体差异。肿瘤生长、药物代谢、免疫反应和传染病传播都不是单一曲线拟合问题，而是参数、机制和干预共同演化的动力系统问题。

这些应用说明，动力系统与人工智能融合的共性价值不是替代领域理论，而是建立跨领域可迁移的演化建模原则：在具体领域知识约束下，从数据中恢复可解释状态变量和可控制演化机制。

七、从概率生成到证明携带式发现

动力系统与人工智能融合最终会触及科学发现的严密性问题。大语言模型和生成式人工智能可以提出假说、生成公式、构造代码或给出推导，但科学发现要求的不只是“看起来合理”，而是可检验、可复现、可证伪。对于数学和理论科学，这一要求表现为形式化证明；对于物理和工程系统，则表现为可重复实验、守恒检验、误差界和反例分析。

神经符号系统为此提供了一条重要路径。已有工作通过神经模型提供构造性启发，再由符号引擎执行欧氏几何证明，展示了“神经直觉—符号验证”的双系统潜力[13]。另有研究将大语言模型生成的程序候选与自动评价器结合，用进化式搜索发现数学构造，显示出生成模型可以在严格评价器约束下参与数学发现[14]。这些进展对动力系统与人工智能融合具有直接启示：未来模型不应只输出预测轨迹或拟合方程，而应输出带有验证链条的候选理论。

所谓证明携带式发现，并不要求每一个科学问题都被完全形式化，而是要求人工智能输出尽可能附带可检查结构：候选方程的适用范围、变量可辨识条件、守恒与边界检验、参数敏感性分析、反例搜索策略、控制稳定性证据以及实验复现路径。对于动力系统而言，这种验证链条尤其重要，因为短期预测误差可能掩盖长期结构错误。

八、当前瓶颈：哪些问题必须被正面解决

第一，可观测性与隐变量辨识不足。许多复杂系统只能获得稀疏、间接或带噪观测。若隐变量不可辨识，人工智能生成的方程可能在形式上正确、实质上错误。未来需要把延迟嵌入、因果发现、多模态观测、主动实验和不确定性量化结合起来，提高状态空间重构的可靠性。

第二，公式唯一性与结构泛化不足。符号回归和稀疏识别可能产生多个在训练数据上等价的方程，但这些方程在域外条件下行为完全不同。解决这一问题不能只靠拟合误差，而要引入守恒律、维度分析、对称性、边界条件、多初值验证和反例搜索。

第三，高维与无限维系统的可计算理论不足。神经算子和物理信息神经网络已经提供了重要工具，但在强湍流、奇异边界、多尺度耦合和长期积分中仍可能出现稳定性与误差积累问题。未来需要把数值分析、泛函分析、算子理论和深度学习误差理论结合起来，建立可证明的稳定性条件。

第四，从预测到控制的闭环不足。很多人工智能模型停留在离线预测，缺乏对干预、反馈、安全约束和长期收益的建模。动力系统的核心优势在于把预测、解释和控制统一起来。人工智能若不能进入控制闭环，就难以成为真正的科学智能系统。

第五，评价体系仍偏向短期平均误差。面向动力系统的人工智能评价应增加长期稳定性、吸引子保持、分岔识别、极端事件预警、守恒误差、控制代价和域外鲁棒性等指标。否则，模型可能在短期预测上优越，却在科学意义上不可用。

九、面向未来的研究议程

其一，发展动力系统基础模型。现有基础模型主要面向文本、图像或多模态数据，未来需要面向轨迹、场、算子、相空间和实验反馈构建基础模型。这类模型的预训练目标不应只是重建观测，而应包括预测演化、保持不变量、识别控制变量、估计不确定性和发现方程结构。

其二，发展结构保持神经架构。不同动力系统需要不同结构先验：守恒系统需要辛结构和能量保持，耗散系统需要吸引子和 Lyapunov 函数，随机系统需要分布演化和噪声建模，反应扩散系统需要空间局域性和多尺度耦合。通用深度网络必须与动力系统类型相适配。几何深度学习所强调的低维结构、对称性和物理世界规则，为此提供了重要的统一语言[15]。

其三，推动数据驱动方程发现与形式化验证结合。未来的方程发现不应只输出一个拟合公式，而应输出候选方程、适用条件、误差界、守恒检验、反例搜索和可复现实验方案。对于数学推导和控制理论，还应进一步引入形式化证明和神经符号系统。

其四，构建从观测到干预的自主实验闭环。科学智能的高级形态不是静态模型，而是能够主动选择实验、更新假说、修正模型和优化控制的自主系统。动力系统理论提供了最自然的闭环语言：观测更新状态，模型预测未来，控制选择干预，实验反馈修正演化算子。

其五，建立长期演化评价基准。面向动力系统的人工智能基准不应只考察单步误差或平均精度，而应系统考察长期误差增长、吸引子统计、物理约束违背率、分布外参数外推、极端事件捕捉、反事实干预和控制稳定性。只有评价体系改变，模型研究才会真正从轨道拟合转向演化闭合。

结语：从会预测的模型，到懂演化的科学智能

动力系统理论提醒我们，世界不是静态样本集合，而是由状态、时间、约束、扰动和反馈构成的演化过程。人工智能的突破证明了大规模数据拟合的力量，但科学发现需要的不只是拟合，而是对演化规律的恢复、解释、验证和控制。

动力系统与人工智能的融合，最终应形成一种新型科学智能：它能够从有限观测中重构状态空间，从复杂轨迹中发现演化算子，从随机扰动中识别稳定结构，从物理约束中保持可解释性，并通过反馈控制改变系统未来。其核心方向，是从数据驱动的轨道拟合走向数学约束下的演化闭合；从黑箱预测走向可验证推演；从离线建模走向自主实验与控制。只有当人工智能能够理解并调控系统如何演化，它才可能真正成为面向复杂世界的科学发现引擎。

参考文献

1. Lorenz, E. N. Deterministic nonperiodic flow. Journal of the Atmospheric Sciences 20, 130–141 (1963). DOI: 10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2.

2. Takens, F. Detecting strange attractors in turbulence. In Rand, D. A. & Young, L.-S. (eds.) Dynamical Systems and Turbulence, Warwick 1980, Lecture Notes in Mathematics 898, 366–381 (Springer, 1981). DOI: 10.1007/BFb0091924.

3. Chen, R. T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. Neural ordinary differential equations. Advances in Neural Information Processing Systems 31 (2018). URL: https://papers.neurips.cc/paper/7892-neural-ordinary-differential-equations.

4. Pathak, J. et al. Model-free prediction of large spatiotemporally chaotic systems from data: a reservoir computing approach. Physical Review Letters 120, 024102 (2018). DOI: 10.1103/PhysRevLett.120.024102.

5. Brunton, S. L., Proctor, J. L. & Kutz, J. N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proceedings of the National Academy of Sciences 113, 3932–3937 (2016). DOI: 10.1073/pnas.1517384113.

6. 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. Journal of Computational Physics 378, 686–707 (2019). DOI: 10.1016/j.jcp.2018.10.045.

7. Li, Z. et al. Fourier neural operator for parametric partial differential equations. International Conference on Learning Representations (2021). URL: https://openreview.net/forum?id=c8P9NQVtmnO.

8. Lu, L., Jin, P., Pang, G., Zhang, Z. & Karniadakis, G. E. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature Machine Intelligence 3, 218–229 (2021). DOI: 10.1038/s42256-021-00302-5.

9. Lusch, B., Kutz, J. N. & Brunton, S. L. Deep learning for universal linear embeddings of nonlinear dynamics. Nature Communications 9, 4950 (2018). DOI: 10.1038/s41467-018-07210-0.

10. Greydanus, S., Dzamba, M. & Yosinski, J. Hamiltonian neural networks. Advances in Neural Information Processing Systems 32 (2019). URL: https://proceedings.neurips.cc/paper/2019/hash/26cd8ecadce0d4efd6cc8a8725cbd1f8-Abstract.html.

11. Lam, R. et al. Learning skillful medium-range global weather forecasting. Science 382, 1416–1421 (2023). DOI: 10.1126/science.adi2336.

12. Price, I. et al. Probabilistic weather forecasting with machine learning. Nature 637, 84–90 (2025). DOI: 10.1038/s41586-024-08252-9.

13. Trinh, T. H. et al. Solving olympiad geometry without human demonstrations. Nature 625, 476–482 (2024). DOI: 10.1038/s41586-023-06747-5.

14. Romera-Paredes, B. et al. Mathematical discoveries from program search with large language models. Nature 625, 468–475 (2024). DOI: 10.1038/s41586-023-06924-6.

15. Bronstein, M. M., Bruna, J., Cohen, T. & Veličković, P. Geometric deep learning: grids, groups, graphs, geodesics, and gauges. arXiv:2104.13478 (2021). URL: https://arxiv.org/abs/2104.13478.