The Innovation | 当认知科学遇上复杂系统：AI如何把“心智”变成可模拟的动态网络？

从“捡起一支掉落的笔”这样的瞬间动作，到“学习进步、情绪波动、症状变化”这种跨月跨年的过程，人类行为看似千差万别，但如果把时间拉长来看，却都来自同一件事：大脑、身体、环境和社会因素，在时间中相互作用。

过去，科学很难真正研究这种“动态交互”。而现在，AI第一次让我们有机会，把“心智”当作一个可以被测量、被模拟、甚至被预测的复杂系统。

导 读

传统研究常把心智拆成单个变量来解释，但真实世界更像一个会自我调节、会突然转向的系统。本文提出：AI正在成为复杂系统认知科学的“加速器”，让我们用高维、长程数据在多时间尺度上估计与模拟认知，从而把理论推向可检验、可应用的新阶段。

图1 AI与复杂系统思维如何贯通认知、心理健康与教育三大领域

一、为什么要把“心智”当作复杂系统？

我们日常的选择、情绪与学习，并不是由某个单一原因“线性决定”的；相反，它们往往来自神经、心理、社会与环境因素的耦合：认知不是一组变量，而是一个在时间中演化的系统。

- 同样的压力，在不同睡眠、社交与任务背景下，会导致完全不同的反应；

- 相同的学习材料，在不同动机与课堂互动网络里，会出现不同的掌握轨迹。

复杂系统视角关注的不是“哪个因素导致了X”，而是“这些因素如何在时间中相互作用生成X”。它强调非线性、反馈回路、稳定态（吸引子）与临界转变（tipping point）：系统可能长期稳定，也可能在某个阈值附近突然“跳变”。

二、AI在这里扮演两种关键角色：估计器与模拟器

要研究复杂系统，难点在于：数据维度高、变化快、时间跨度长。人工智能 （AI）/机器学习（ML）让两件事变得可行：

1）作为“估计器”（estimator）：从异质、时间序列数据中推断潜在状态、耦合关系与转变结构；

2）作为“模拟器”（simulator）：在计算世界里生成行为轨迹，测试系统稳定性、可控性与临界点。

在认知科学的研究中，传统统计会告诉我们“认知和什么有关”，而AI驱动的动态模型，已经开始回答下一步的问题：如果改变认知系统中的某一个环节，未来会发生什么？

三、三大应用场景：从实验室到真实世界

（1）实验认知科学：让AI代理去“跑”认知理论

在经典任务中（如规划、抽象、社会推理等），AI代理可以作为类人的“被试”或“对照”，帮助研究者把理论在更大尺度上做压力测试。更微观的层面上，小型循环神经网络（Tiny-RNN）甚至可以用极低维度去刻画个体的试次—试次决策策略，让偏好更新过程变得可视化。

（2）心理健康：用连续数据捕捉“情绪系统”的早期预警信号

手机与可穿戴设备提供了前所未有的纵向数据：睡眠规律、心率变异、步数、移动轨迹多样性、通话/短信节律、语音停顿与韵律等。这些“数字表型”可以帮助预测短期情绪波动、复发风险与治疗反应。更进一步，基于Transformer/大模型的方法可以把人生事件序列编码成可解释的向量表征，并与症状网络状态的迁移联系起来：当系统朝某个“危险吸引子”靠近时，触发面向临床或个体的提醒与干预。

（3）教育：把学习看作会扩散的“网络过程”，做真正的个性化

自适应学习系统把“诊断—干预—再诊断”做成闭环：

- 在个体层面：识别错误类型、更新技能掌握度（knowledge tracing），并模拟练习顺序与难度策略；

- 在班级层面：把师生与内容当作耦合网络，追踪策略与误解如何在同伴间扩散，为教师决策提供仪表盘。

这意味着，学习不再只是“分数变化”，而是一个可被建模、可被调控的动态系统。

四、落地之前必须面对：可信、可解释与公平

复杂系统模型如果要进入课堂与临床，必须更“可信”。文章指出了典型风险：生成式模型的幻觉、对小样本过拟合、跨人群/跨场景性能漂移，以及对弱势群体的偏差等。可行的改进路径包括：

- 用检索增强/受控模板让输出“有据可查”；

- 用可读的替代模型与校准不确定性提升可解释性；

- 用预注册压力测试与本地再校准防止漂移；

- 用分组报告与公平训练持续审计偏差；

- 让教师与临床工作者保持“人在回路”。

如果没有这些必要的保障，复杂系统模型可能会变成高科技加持下的“直觉判断”。

五、展望：走向真正的多尺度、可迁移、可持续的“系统智能”

未来值得优先投入的方向包括：

- 研发能捕捉多尺度时间交互与涌现现象的新一代架构；

- 建立跨长期人类数据的动态模型验证体系，并把模型策略嵌入真实系统做因果检验；

- 以参与式伦理框架、可审计机制与透明监督来构建可信治理；

- 用低资源方案与跨文化适配推动可持续部署。

当我们把认知、心理健康与教育放在同一个复杂系统工具箱中，跨领域的方法迁移与合作将变得更自然：同伴网络扩散模型可以启发症状传播建模，临界转变的早期预警也可能帮助识别学习倦怠的“系统性拐点”。

总结与展望

AI并不是要用“黑箱”取代理论，而是为复杂系统认知科学提供一套可操作的工具：用纵向高维数据估计系统状态，用可控模拟检验理论与干预。真正的挑战在于把模型做得更可信、更公平、更可解释，并在真实世界中实现可持续部署。我们期待与认知、教育、临床与数据科学同行开展合作，让未来的认知科学，不再只是单纯解释人类行为，而是学会与人类行为共同演化，让“认知理论”变成可以在真实世界中不断被验证和改进的系统。

责任编辑

钱思翀  首都医科大学附属北京安贞医院