復雜網絡中的創新

■ 采訪/唐 明（特邀） 受訪/埃爾南?馬克塞（Hernan Makse）

復雜網絡已經成為物理界的一個新興的研究熱點，人們開始嘗試應用這種新的理論工具來研究現實世界中的各種大型復雜系統。

在自然界和人類社會中，許多系統都可以用復雜網絡來描述，其中不僅包括大家熟知的互聯網、全球航空網絡、電力網、電話通信網、神經網，還包括引文網、科學合作網、人類語言網、蛋白質折疊網、生態食物鏈網、細胞網等不甚為大眾所了解的復雜系統。

近幾年，隨著復雜網絡理論及其應用研究的不斷深入，復雜網絡已經成為統計物理領域的一個新興研究熱點。人們開始嘗試運用這種新的理論工具來研究現實世界中的各種大型復雜系統。目前，復雜網絡有哪些研究進展？對于即將到來的人工智能時代，復雜網絡又面臨哪些挑戰？《張江科技評論》采訪了美國紐約城市大學物理學教授埃爾南?馬克塞（Hernan Makse）。

Q：從網絡科學的角度來看，人類大腦網絡和社交平臺網絡在網絡結構與信息傳輸方面有哪些異同之處？

A：在過去的幾十年里，研究人員已經發現了大腦網絡和社交網絡在拓撲結構方面具有各種各樣的相似性。這些相似性表現為各種有趣的網絡結構特征，如小世界、無標度性質、分形與自相似性、模塊性與社區結構，以及被用于確定大腦網絡中的核心神經元群、社交媒體中的關鍵影響者等的很多中心性指標。這些問題原則上可以看作是網絡理論框架下的信息處理系統，而無須涉及具體的系統特性。因為無論是大腦系統，還是社交網絡，其動力學背后都是相互作用的網絡。然而，我們從這些相似性中學到的極少，因為大腦網絡和社交網絡所具有的絕大部分相似性幾乎相當接近于隨機網絡，也就是說隨機網絡也具有類似的結構特征。但是，連接體或任何生物網絡（如基因網絡）遠遠不是隨機網絡，無標度分布和小世界特性等無法告訴我們關于連接體的組成單元是如何組成連接體的，基因網絡中信息是如何編碼的。事實上，對于所有復雜系統的基本性問題，網絡理論至今無法回答。

我們需要的是生物學的“蓋爾曼時刻”——非凡的一念靈感，使我們理解自然遵循著何種原理來把龐大的信息處理機器（被編碼在大腦或基因網絡中）組裝在一起。以同樣的方式，美國物理學家默里?蓋爾曼（Murray Gell-Mann）和其他偉大的粒子物理學家通過對稱性原理，以一些夸克和輕子來解釋宇宙中的所有復合粒子。我期待在短期內看到能被解答的一個基本問題是：連接體和基因網絡的構成單元是什么，這些構成單元如何被組裝在一起而成為復合功能單元，就像夸克形成質子和中子一樣；像物理學那樣，是否有基本原理，來理解基因調控網絡的設計原理和功能。目前，我們正在朝這方面努力。

Q：復雜網絡研究從開始到現在已經近20年了，人們對于復雜系統的結構與功能有了一些新的認識，相關的控制研究是目前的熱點問題之一。但是，網絡科學理論在真實復雜系統中的應用實例還非常少，您認為從理論到應用還需要哪些方面的進一步研究和準備工作？

A：我認為，一些復雜網絡的理論觀點已經被應用到社交網絡和社交媒體的實際問題中。例如，通過網絡理論中發展的觀念，如核心影響源的識別、社團檢測、同質性等，來引導市場活動。未來，這方面的實際應用還將包括：探測大腦中用于信息整合的核心區域，通過基因調控網絡的基因回路的失靈來探測疾病的形

復雜網絡中的創新未來（科學）論壇

埃爾南?馬克塞（Hernan Makse）

美國紐約城市大學物理學教授，美國物理協會會員。曾通過對2016年美國總統大選海量“推特”數據的分析，揭示了虛假消息在網絡上的傳播途徑，該研究在美國得到了媒體的廣泛關注和報導。研究領域涵蓋從大腦網絡、生物系統到社交網絡在內的各種復雜網絡系統，致力于通過統計力學、網絡優化理論、機器學習和大數據方法發現這些復雜系統的內在規律。式，或者預測新的藥物靶點。

當然，在理解自然系統如大腦和生物系統時，進展并不令人滿意。拋棄現有的基于隨機性和統計系綜平均的網絡范式將使我們解開這些生物體系的固有規則，但這些規則很可能無法通過來自統計力學或統計推斷的現有方法揭示。我相信，在未來的若干年里，來自第一性原理理論表述的進展將出現，使我們發現所有這些信息處理系統的基本定律，進而理解全局網絡如何從組件構成中涌現，理解健康和疾病的生物網絡。

控制理論是當前的熱點之一。然而，目前的控制網絡也是基于網絡的隨機系綜。幸運的是，真實連接體的結構一點都不隨機，它實際上使得這樣一個結構不可控。想象一下，如果一個自然系統可以由系統中的一些節點簡單控制，它將不能具有足夠的魯棒性來維持生命。因此，在發展動力學控制或可觀測性的理論之前，必須要更好地理解結構。

Q：復雜網絡距離一門成熟的學科，還有哪些不足之處？

A：我相信，網絡理論已經是一門成熟的學科。只是，面對的問題是所有學科中最令人生畏的，如大腦、社會、市場、生態系統等。也許網絡科學要繁榮發展，成為一門具有預測能力的科學，需要做的是掙脫過去的某些范式。

首先，舍棄“隨機網絡的性質對生物系統是有用的”這一想法。生物系統中，沒有什么是隨機的。其次，舍棄來自統計力學的某些觀念，如臨界、冪律，甚至系綜。即便發現了它們，我們仍然不知道它們什么有用。第三，把精力集中在理解基因和大腦網絡的構成單元。我相信，自下而上的研究方法對這些網絡是可行的，可以找到生物學中網絡的設計原理。我提出一項生物學的“埃爾蘭根項目”（Erlangen Program），可以成功地在網絡科學的一般原理下對所有這些零散的知識以系統的方式進行整理組織，類似于生物網絡“幾何化”。到目前為止，涉及這些生物的基本問題，物理學表現得出奇安靜，我們正在努力改變這種不幸的狀況。

Q：對于即將到來的人工智能時代，網絡科學面臨哪些新的問題和挑戰？可能發揮何種作用？

A：人工智能，或者說機器學習，顯然有一個輝煌的未來。如果說在2000年左右復雜網絡占據科學前沿，那么5年后機器學習會取代這一地位。今天，機器學習已經遍布各領域，從物理學、生物學，到社會科學和經濟學。可以說，機器學習的影響力已經遠遠超過網絡科學。

然而，有兩個非常重要的問題，目前機器學習和人工智能無法回答：一是我們不清楚，為何這些機器可以表現得如此好；二是以現在的認識，通向智能機器之路還有不可逾越的障礙。

當智能系統（人工的或自然的）如何運作的完整理論表述出現時，這些問題也許可以得到解答。打開神經密碼是人工智能和自然智能領域最緊迫的事情之一。只要新的范式能夠在短期內蓬勃發展，網絡理論就可以從第一性原理來解決這些問題。