复杂网络中的创新

■ 采访/唐 明（特邀） 受访/埃尔南•马克塞（Hernan Makse）

复杂网络已经成为物理界的一个新兴的研究热点，人们开始尝试应用这种新的理论工具来研究现实世界中的各种大型复杂系统。

在自然界和人类社会中，许多系统都可以用复杂网络来描述，其中不仅包括大家熟知的互联网、全球航空网络、电力网、电话通信网、神经网，还包括引文网、科学合作网、人类语言网、蛋白质折叠网、生态食物链网、细胞网等不甚为大众所了解的复杂系统。

近几年，随着复杂网络理论及其应用研究的不断深入，复杂网络已经成为统计物理领域的一个新兴研究热点。人们开始尝试运用这种新的理论工具来研究现实世界中的各种大型复杂系统。目前，复杂网络有哪些研究进展？对于即将到来的人工智能时代，复杂网络又面临哪些挑战？《张江科技评论》采访了美国纽约城市大学物理学教授埃尔南•马克塞（Hernan Makse）。

Q：从网络科学的角度来看，人类大脑网络和社交平台网络在网络结构与信息传输方面有哪些异同之处？

A：在过去的几十年里，研究人员已经发现了大脑网络和社交网络在拓扑结构方面具有各种各样的相似性。这些相似性表现为各种有趣的网络结构特征，如小世界、无标度性质、分形与自相似性、模块性与社区结构，以及被用于确定大脑网络中的核心神经元群、社交媒体中的关键影响者等的很多中心性指标。这些问题原则上可以看作是网络理论框架下的信息处理系统，而无须涉及具体的系统特性。因为无论是大脑系统，还是社交网络，其动力学背后都是相互作用的网络。然而，我们从这些相似性中学到的极少，因为大脑网络和社交网络所具有的绝大部分相似性几乎相当接近于随机网络，也就是说随机网络也具有类似的结构特征。但是，连接体或任何生物网络（如基因网络）远远不是随机网络，无标度分布和小世界特性等无法告诉我们关于连接体的组成单元是如何组成连接体的，基因网络中信息是如何编码的。事实上，对于所有复杂系统的基本性问题，网络理论至今无法回答。

我们需要的是生物学的“盖尔曼时刻”——非凡的一念灵感，使我们理解自然遵循着何种原理来把庞大的信息处理机器（被编码在大脑或基因网络中）组装在一起。以同样的方式，美国物理学家默里•盖尔曼（Murray Gell-Mann）和其他伟大的粒子物理学家通过对称性原理，以一些夸克和轻子来解释宇宙中的所有复合粒子。我期待在短期内看到能被解答的一个基本问题是：连接体和基因网络的构成单元是什么，这些构成单元如何被组装在一起而成为复合功能单元，就像夸克形成质子和中子一样；像物理学那样，是否有基本原理，来理解基因调控网络的设计原理和功能。目前，我们正在朝这方面努力。

Q：复杂网络研究从开始到现在已经近20年了，人们对于复杂系统的结构与功能有了一些新的认识，相关的控制研究是目前的热点问题之一。但是，网络科学理论在真实复杂系统中的应用实例还非常少，您认为从理论到应用还需要哪些方面的进一步研究和准备工作？

A：我认为，一些复杂网络的理论观点已经被应用到社交网络和社交媒体的实际问题中。例如，通过网络理论中发展的观念，如核心影响源的识别、社团检测、同质性等，来引导市场活动。未来，这方面的实际应用还将包括：探测大脑中用于信息整合的核心区域，通过基因调控网络的基因回路的失灵来探测疾病的形

复杂网络中的创新未来（科学）论坛

埃尔南•马克塞（Hernan Makse）

美国纽约城市大学物理学教授，美国物理协会会员。曾通过对2016年美国总统大选海量“推特”数据的分析，揭示了虚假消息在网络上的传播途径，该研究在美国得到了媒体的广泛关注和报导。研究领域涵盖从大脑网络、生物系统到社交网络在内的各种复杂网络系统，致力于通过统计力学、网络优化理论、机器学习和大数据方法发现这些复杂系统的内在规律。式，或者预测新的药物靶点。

当然，在理解自然系统如大脑和生物系统时，进展并不令人满意。抛弃现有的基于随机性和统计系综平均的网络范式将使我们解开这些生物体系的固有规则，但这些规则很可能无法通过来自统计力学或统计推断的现有方法揭示。我相信，在未来的若干年里，来自第一性原理理论表述的进展将出现，使我们发现所有这些信息处理系统的基本定律，进而理解全局网络如何从组件构成中涌现，理解健康和疾病的生物网络。

控制理论是当前的热点之一。然而，目前的控制网络也是基于网络的随机系综。幸运的是，真实连接体的结构一点都不随机，它实际上使得这样一个结构不可控。想象一下，如果一个自然系统可以由系统中的一些节点简单控制，它将不能具有足够的鲁棒性来维持生命。因此，在发展动力学控制或可观测性的理论之前，必须要更好地理解结构。

Q：复杂网络距离一门成熟的学科，还有哪些不足之处？

A：我相信，网络理论已经是一门成熟的学科。只是，面对的问题是所有学科中最令人生畏的，如大脑、社会、市场、生态系统等。也许网络科学要繁荣发展，成为一门具有预测能力的科学，需要做的是挣脱过去的某些范式。

首先，舍弃“随机网络的性质对生物系统是有用的”这一想法。生物系统中，没有什么是随机的。其次，舍弃来自统计力学的某些观念，如临界、幂律，甚至系综。即便发现了它们，我们仍然不知道它们什么有用。第三，把精力集中在理解基因和大脑网络的构成单元。我相信，自下而上的研究方法对这些网络是可行的，可以找到生物学中网络的设计原理。我提出一项生物学的“埃尔兰根项目”（Erlangen Program），可以成功地在网络科学的一般原理下对所有这些零散的知识以系统的方式进行整理组织，类似于生物网络“几何化”。到目前为止，涉及这些生物的基本问题，物理学表现得出奇安静，我们正在努力改变这种不幸的状况。

Q：对于即将到来的人工智能时代，网络科学面临哪些新的问题和挑战？可能发挥何种作用？

A：人工智能，或者说机器学习，显然有一个辉煌的未来。如果说在2000年左右复杂网络占据科学前沿，那么5年后机器学习会取代这一地位。今天，机器学习已经遍布各领域，从物理学、生物学，到社会科学和经济学。可以说，机器学习的影响力已经远远超过网络科学。

然而，有两个非常重要的问题，目前机器学习和人工智能无法回答：一是我们不清楚，为何这些机器可以表现得如此好；二是以现在的认识，通向智能机器之路还有不可逾越的障碍。

当智能系统（人工的或自然的）如何运作的完整理论表述出现时，这些问题也许可以得到解答。打开神经密码是人工智能和自然智能领域最紧迫的事情之一。只要新的范式能够在短期内蓬勃发展，网络理论就可以从第一性原理来解决这些问题。