人工智能技术正从解决单一问题向提升复杂系统整体能力加速迈进，在高端装备设计、能源调度、交通管理、金融决策等多个领域，已初步展现出重塑系统运行模式的巨大潜力。为深入探讨AI技术如何突破传统方法局限，推动复杂系统的建模、优化与管理模式创新，CCF YOCSEF哈尔滨于2025年11月1日在哈尔滨工业大学科创大厦K1423会议室举办了主题为“AI4System：人工智能赋能复杂系统的创新与变革”的技术论坛。论坛由YOCSEF哈尔滨AC学术秘书丁小欧、AC学术秘书武国庆共同担任执行主席。

图1 论坛执行主席丁小欧主持论坛

论坛特邀多位来自学术界与产业界的专家进行引导发言，包括科大讯飞北京研究院副院长李家琦、哈尔滨工业大学副研究员王昊淳、副研究员燕钰以及哈电科技数字智能所所长助理毛静轩。同时，论坛还邀请哈尔滨工业大学教授王宏志、哈尔滨工程大学副教授卢丹、等作为特邀嘉宾参与思辨交流。

在引导发言环节，四位嘉宾围绕人工智能在各自领域的研究与应用展开分享，内容涵盖科技文献大模型、医学多智能体系统等方向。

首先进行引导发言的是科大讯飞北京研究院副院长李家琦。他介绍了大模型在科技文献知识服务中的最新应用成果，重点展示了团队研发的科技文献大模型3.0及“星火科研助手”。该系统新增深度研究、深度阅读、深度综述和深度推荐等功能，支持多模态理解与报告生成，并通过创新性的数据构造与多模态协同采样技术显著提升了回答效率

图2 李家琦进行引导发言

第二位引导发言者是哈尔滨工业大学副研究员王昊淳。报告题目为《从医学大模型到医学多智能体系统》。主要分享其团队制作的医疗AI 应用，体检报告智能分析系统可以自动生成结论和健康建议，支持问答和文献检索。人机辩论交互式决策会诊系统通过多智能体谢勇，提升疑难疾病会诊效率，系统内置病例、影像、知识和辩论四种智能体，支持透明化与可解释的医疗决策。

图3 王昊淳进行引导发言

第三位引导发言嘉宾、哈尔滨工业大学副研究员燕钰，以“人工智能在数据库系统调优中的应用”为主题展开报告。她指出，数据库作为典型的复杂系统，其调优面临配置多样化、数据规模庞大等挑战，传统方法难以应对动态变化的环境。她介绍了包括OtterTune与ResTune在内的多种AI驱动调优方案，展示了通过机器学习与深度学习实现自动化调优的可行性。同时，报告还探讨了轻量级旋钮评估器设计与迁移学习算法应用，提出可解释性调优的重要性，并总结了未来AI赋能数据库优化的发展方向。

图4 燕钰进行引导发言

第四位发言嘉宾、哈电科技数字智能所所长助理毛静轩，从产业视角分享了哈电集团在“AI+”专项行动中的探索实践。作为我国发电设备研发与制造的重要骨干企业，哈电集团近年来积极推进智能制造、研发创新与经营管理的数字化转型。毛静轩介绍，集团通过构建企业级RAG知识库和多模态混合AI架构，实现了从生产到运维的全生命周期智能化升级。数字孪生、智能诊断等技术的应用，显著提升了设备监测的精度与效率。未来，哈电集团将继续深化AI与装备制造业的融合，助力能源行业向更加灵活、低碳、智能的方向发展。

图5 毛静轩进行引导发言

在思辨环节，四位引导嘉宾与参会专家围绕三个核心议题展开深入探讨，现场思维碰撞、气氛热烈。

图6 嘉宾进行思辨发言

嘉宾对AI与复杂系统的关系、生成式AI是否能引发根本变革和AI演进过程中的技术红利问题进行了深入讨论。

思辨点1：AI能否找到一种统一的方法来描述复杂系统，打破学科界限，实现不同领域知识的互相借鉴？与会嘉宾围绕着三个子议题展开讨论：一是各类复杂系统在数据结构、动态特性与因果机制上的差异，以及AI是否可能探索更通用的系统表征方法；二是不同系统对“可解释性”“实时性”“鲁棒性”等特性的侧重点不同，AI建模是否能在保留领域特点的同时支持知识迁移；三是如果AI能够实现跨系统的统一建模，这是否会带来对复杂性认知的新视角，并对科学方法论产生潜在影响。

图7 针对议题一的思辨

与会讨论的主要观点可归纳为以下几个方面：

1. 不同领域的数据和规律差别很大，底层处理无需强制要求统一：图像有图像的做法，数学有数学的做法，工业传感器也有自己的门道。对于各领域的术语可以进行统一，把各自的结论、证据和关系，用同一套可读可查的描述方式串联起来。

2. 复杂系统底层的数据结构与函数关系千差万别，追求统一底层表征极为困难。更可行的路径可能是一种分层策略：在底层的特征提取阶段，尊重不同领域数据的特异性，采用高度适配的模型；而在更抽象的高层表征与交互层面，则有望实现知识的整合与统一。

3. 在AI应用于复杂系统的实践中，可解释性、实时性等属性与模型性能之间存在着固有的权衡。在高风险决策领域，可通过引入外部知识库（如专业数据库、文献）转为结构化命令，来增强模型决策的可解释性与可靠性。在对实时性要求极高的边缘计算场景，则需为特定任务设计高度精简的专用模型。

思辨议题二：生成式AI究竟仅能实现“工具升级”，还是能够引发“设计革命”，带来设计方式的根本变革？如何评估并界定从参数调整到系统模式创新的转折点？与会嘉宾围绕这些方向展开讨论：一是当生成式AI能够自主提出超越人类经验的新系统架构（例如能源-交通耦合网络）时，我们如何判断这是偶然涌现还是可控创新；二是如果AI驱动的设计不再依赖“问题-求解”的线性流程，而是通过生成、演化、选择实现自组织创新，这种从“人类中心主义”向“人机协同进化”的转变是否合理。

图8 针对议题二的思辨

讨论中主要涉及以下几个方面：

1. 人工智能的技术发展正在推动其自身从辅助性工具向生产流程中的关键节点演变。这一转变的核心在于，AI不再仅仅是被动响应指令的简单工具，而是逐渐成为能够承担特定任务、具有一定自主性的主体。

2. AI通过整合与人类已有的知识，能够给出超过人类个体经验局限的新方案，然而，当前AI的创新本质上仍是基于概率模型的复杂计算，缺乏真正的理解与直觉，其突破性更多体现在规模与效率上，而非创造的本质。

3. AI能力的提升正在推动人类角色的重点从直接操作转向更高层级的任务，包括定义问题框架、设定约束条件以及对AI的输出进行最终的价值判断与风险评估。同时，为确保AI在探索性创新中的可靠性与安全性，构建强大的验证机制变得至关重要。这要求我们发展出新的理论与技术，以便在赋予AI探索空间的同时，能够有效地引导其方向、评估其产出结果。

思辨议题三：在AI驱动复杂系统演进的过程中，如何设计治理机制既能保障技术造福大众，又能避免行业间内的马太效应？需要哪些创新机制以有效实现技术红利的公平共享？与会嘉宾围绕这些方向展开讨论：一是资源分配公平性——高算力、高质量数据与顶尖算法正集中于少数头部机构，这是否会导致AI赋能的复杂系统在区域或群体间形成“智能壁垒”，以及如何通过制度设计促进基础设施级AI能力的普惠化；二是参与机制包容性——在AI深度介入公共复杂系统时，普通公众是否具备足够的认知与渠道参与规则制定，以及可采用哪些技术手段保障民主性；三是价值导向与可持续性——当AI优化目标聚焦效率或利润时，可能牺牲公平或生态价值，我们能否构建“多目标对齐”的治理框架，将社会伦理、环境可持续性等非经济指标内嵌于复杂系统的AI决策核心。

图9 针对议题三的思辨

观点输出主要集中在以下方面：

1. 高质量的算力、数据与算法资源正日益向头部企业与机构集中，这可能形成“强者恒强”的马太效应，导致不同群体与区域间出现差异。然而，技术垄断不是必然的，通过推动算法模型、工具与部分数据的开源开放，能够有效降低中小企业和研究者的入门门槛，促进知识的流动。

2. 由于AI技术的复杂性与专业性，完全由公众主导规则制定并不现实。更可行的路径是建立一种“专家引导、公众反馈”的协同治理模式。在此模式下，技术专家与政策制定者负责牵头，设计初始的治理框架与规则，确保其科学性与可行性；而公众的角色则体现在规则落地后的实践反馈中，通过真实的使用体验来暴露潜在的风险。

3. 必须将公平、公正等目标，主动引入到AI系统设计与应用的全过程。这不仅是技术问题，更是制度与价值观问题。它要求开发者在算法层面引入伦理约束，同时也需要行业、标准组织乃至立法机构共同建立起明确的伦理规范与审计框架。

图10 论坛总结

最后，YOCSEF哈尔滨分论坛AC主席玄世昌对论坛作总结与展望。

图11 合影留念