数字仿真网

引言：建模，作为仿真学科三项基本活动（建模、实现、实验）的基石，是在已有知识体系的框架下，通过概念抽象（一次建模）与数学刻画（二次建模），将客观世界“投影”在可被逻辑计算的“问题平面”上。这一过程，是依据多学科机理，将数学模型从混沌的问题中雕琢出来——我们称之为 “建模”。然而，在人工智能技术的席卷之下，数据驱动的方法，不再只是对传统机理模型进行“校准”与“补充”的配角。利用人工神经网络所构建的高维隐空间，能够捕捉并表达那些存在于人类既有认知框架之外的客观规律与复杂关联。于是，一种新的认知主体登上了历史舞台——智能代理模型。从微观的粒子运动到宏观的天气预报，它在准确性与效率上频频展现出超越传统数值模型的潜力。这标志着一个根本性的转变：我们认识世界的方式，正从基于第一性原理的“建模”，转向基于数据与学习的“训模”，这个带有人工智能特性的术语，正在深刻地影响着仿真学科的发展。

图1智能代理模型的特性简述

01牺牲泛化：多学科多范式建模

为了精确描述不同学科、不同形态的系统，学界发展出了丰富多彩的建模范式：连续时间模型、离散时间模型、离散事件模型、主体模型……它们共同构成了仿真模型的“族谱”。然而，不同范式往往使用不同的“语言”，难以直接对话。为此，人们引入“模型转换”机制，将异构模型翻译到统一的计算空间。但这一映射过程在追求通用性时，常常牺牲了模型的特异性，导致关键动态特征在翻译中被损耗或扭曲。最终，多模型集成往往沦为系统层面的“机械缝合”，复杂相互作用只能依赖外生定义的接口来勉强表达。这种为了特定领域精准而牺牲整体泛化的折中方案，体现了系统科学面临的鸿沟。以数字孪生为例，基于物理模型的数字孪生模型将物理世界和数字世界架起桥梁，是实现高效维护和决策的关键，但其本质还只是对现实世界的简化映射。

02只能意会：模型VV&A的极度困扰

“All the Models are Wrong, Some of them are Useful.（所有模型都是错的，但有些有用。）” 这句仿真界的经典格言，深刻地揭示了模型校核、验证与确认（VV&A）工作的本质与无奈。VV&A是严肃的科学问题，但长期缺乏普适的、直接的解决方案。VV&A过程高度依赖领域知识、采样数据、专家经验，往往需要各领域专家反复研讨来达成共识。这种高度“人治”的验证方式使得VV&A成为仿真置信度链条上最脆弱的一环，也成为难以大规模自动化的瓶颈。很可能人类知道如何评估一个好的模型，却很难将这种方法论本身形式化、自动化，而这种困境来自于传统建模方法的内生性问题，到底谁是对的，更多依靠的是人类主观认知。

图2 从多学科模型变换到智能代理模型

03超越查表：智能适配的代理模型——“隐空间”的升维打击

面对复杂系统的建模困境，工程上曾发展出各种经典的简化策略。在飞行器控制中，“查表法”广为应用——通过预先计算关键工况下的参数并制成表格，以弥补数学模型在实时控制中的响应不足。这本质上是一种零维的、离散的“降阶模型”。

而智能代理模型的崛起，标志着我们从“查表”走向了“查隐空间”。在AI4Science的浪潮中，从加速计算的降阶模型，到能够学习整个函数映射的神经算子（Neural Operator），智能代理模型展现出颠覆潜力。神经算子将神经网络推广到函数空间，能够学习输入函数到输出函数的映射，为求解偏微分方程提供了强大框架。例如，基于球面傅里叶变换的神经算子（SFNO）在天气预测中大显身手：它在单块GPU上可在13分钟内完成对一年大气状态的迭代预测，其速度超过传统数值预报的千倍，为极端天气预警提供了新路径。更重要的是，这些模型的计算效率与精度具有弹性伸缩，只要有足够的数据和算力，它们就能不断进化，在复杂系统仿真中展现出强大的适应力。这暗示了一种潜在的统一范式：将各种物理问题转化为“高维数据→神经网络→高维响应”的计算流程。

图3 基于智能代理模型的模型构建方式（以物理信息神经网络为例）

04训建融合：突破机理的高维认知

智能代理模型，因其“黑箱”特性而备受争议。它脱胎于人工神经网络，以训练和反馈为核心，这与机理驱动、逻辑透明的“白箱”建模形成了鲜明对照。然而，其强大的泛化能力与对人类认知的逼近，迫使我们重新审视“理解”的定义。智能模型通过在数百万甚至数十亿维的“隐空间”中构建复杂的表示，来达成对输入数据的“理解”。无数神经元间的连接与权重，隐喻了现实系统中各组分之间错综复杂的非线性作用。这一方面呼应了“自底向上”的涌现论哲学，即宏观的复杂性源于微观单元的简单互动；另一方面，它又彻底超越了人类直觉的线性认知樊篱。以蛋白质折叠为例，深度学习模型AlphaFold能够将氨基酸序列直接映射为三维结构，其CASP14比赛中的预测精度远超竞争对手，平均主链误差仅约0.96埃，而其他最佳模型的误差约为2.8埃。这一成果证明了黑箱训模模式可以揭示传统建模难以触及的规律。

科学史本身就是一部认知边界不断被打破的历史。从牛顿的绝对时空到爱因斯坦的相对论，人类每一次对世界“真相”的逼近，都伴随着数学工具与思维范式的升维。那么，高维隐空间，是否正是那个我们一直寻找的、能够更本质地表达世界复杂性的数学载体？由此，我们迎来了 “训建融合” 的新思路。它不再是“建模”与“训模”的二选一，而是一场深刻的融合。以机理模型为“锚点”和“向导”，确保学习过程不脱离物理常识（如通过物理信息神经网络PINNs）；同时，又以数据为“血液”，驱动模型在隐空间中探索那些人类尚未总结出的、却真实存在的规律。这个过程，如同“化茧剥丝”，不再试图一刀刻出真理的样貌，而是以谦卑的姿态，通过训练，一点点地“孵化”并认知世界原本可能的样子。

图4 从机理建模到建训融合建模

05结语

从“建模”到“训模”，并非简单的技术替代，而是一场认识论与方法论的深层变革。智能代理模型，作为“仿真智能计算”这一宏伟蓝图中的关键支柱，它架起了一座从可解释的“白箱世界”通往充满潜力的“黑箱宇宙”的桥梁。未来，只有将人类深厚的领域知识与强大的数据驱动模型相结合，才能在复杂系统科学中取得真正的突破。