全文链接：

https://doi.org/10.1073/pnas.2220283120

1. 人工智能：当前的技术水平

人工智能技术正处于关键发展阶段，尤其是深度神经网络（或称深度学习）在过去十年中崭露头角，因其在各领域的卓越建模能力而备受关注。这些领域包括临床医学中更准确的放射成像诊断和快速决策支持，还有自动驾驶汽车技术的不断进步。最近，2022年12月，ChatGPT这一基于深度学习的语言模型展示了深度学习的巨大潜力，为人工智能领域带来了新的希望。

深度神经网络属于机器学习的子领域，它们的任务是从各种数据类型中学习并提取有用的信息，包括表格数据、时间序列、图像和文本数据。这些模型通过多层结构进行计算，利用非线性函数进行权重计算，并通过在大型数据集上的训练来不断提高性能。

虽然深度学习取得了重大进展，但其他人工智能方法也在并行发展，有望克服深度学习的一些限制，特别是在复杂系统建模和实现更灵活的智能方面。例如，符号人工智能采用知识图谱和逻辑推理，这些知识图谱明确捕捉了概念和它们之间的语义关系。这种方法允许人工智能系统进行更广泛的推理，从而更好地理解概念之间的联系，为复杂问题提供解决方案。

当前人工智能技术的前沿是基于大规模数据集训练的“基础模型”。这些模型可以应用于多个领域，同时也可以通过专门微调适应特定领域的小型数据集。此外，这些模型还被用于生成新的数据，如病毒变体的序列和分子结构，这有助于研究感染风险等领域的假设。

另一方面，神经符号人工智能系统将深度神经网络与知识图谱等符号方法相结合，以克服各自方法的局限性。这些系统更具广泛的适用性，对知识发现和复杂数据处理任务具有强大的能力，这在复杂系统研究中尤为重要。它们还能够集成专家知识，提供可解释的结果，为生态研究等领域提供深刻见解。这些进展为人工智能领域的未来发展开辟了新的方向。

图1 数据、信息、知识和智慧之间相互联系

2. 生态系统建模

生态系统建模是一项复杂任务，因为它需要考虑多个尺度、非线性动力学、随机性和环境依赖性等多个因素。生态系统科学涉及多个学科领域，如水文学、生物地球化学、景观生态学以及人口动态的适应性原理，这为生态系统建模提供了物理和生物学原理的指导。

生态学家采用多种建模方法来解决这一挑战，一些方法关注系统内部组件，例如资源分布和生物丰度的生物物理控制，而其他方法更关注整体图景，例如生态群落在快速变化景观中的作用。人工智能在生态建模中的应用也在迅速增加，但主要局限于模式识别和预测，还未充分发挥其潜力，例如在合成生态学和生态功能的新假设识别方面。

生物学中的自组织特性和过程提供了人工智能系统设计的潜在灵感，这些灵感可以通过更深入的人工智能研究和生态问题的结合而得以揭示。这种生物学灵感强调了借鉴简单生物体的经验观察来实现智能决策的机会。此外，进化计算作为受生态启发的人工智能分支，应用遗传算法来引导系统进化以实现应用目标。符号回归是进化计算的另一形式，通过在生态学中应用，可以生成人类可解释的复杂生态系统函数方程模型。

生态系统的复杂性可以通过生物多样性测量来评估，这激发了人工智能研究人员开发新方法来测量训练数据中的不必要偏差。因此，人工智能和生态研究之间存在协同进步的机会，生态理论可以推动人工智能的前沿研究，现有的人工智能方法可以融入复杂系统的生态建模，共同的成果有望实现关键的进展。

3.人工智能生态学：弹性理论

在生态学领域，恢复力指的是系统抵抗外部干扰并迅速从这些干扰中恢复的能力。生态系统具有弹性，这是由于在生态系统中的不同要素都是相对多样且受环境条件的影响。因此，理解和衡量生态系统的恢复能力成为现代科学中的一项关键问题，因为它决定了我们对于全球气候变化和土地利用影响的应对能力。这些影响涉及到支持生态系统恢复力的生物相互作用过程。

生态学中的弹性理论为人工智能研究提供了有价值的线索，以构建更强大和适应性更强的系统。这些系统涉及到反馈循环、冗余路径等行为，这些因素一起决定了系统的恢复能力。弹性理论有助于指导人工智能研究人员确定哪些基本原则最适合量化和捕捉，以增强系统的弹性。这些人工智能系统本身也可以用来模拟和研究生态恢复力。涉及复杂系统在不同环境下的适应性和鲁棒性测度。

通过有目的的合作，人工智能研究和生态学之间的联合进展可以扩展一般系统理论，该理论可以受到生态系统复杂性的启发和约束。新型的人工智能系统可以作为通向其他领域的桥梁，例如心理学或经济学，这种交叉合作有望推动不同领域的科学进步，更好地理解和应对复杂系统的挑战。

图2 生态建模中计算方法的弧线（黄色）落后于计算方法本身的发展（蓝色），但已接近收敛。

4.生态人工智能：知识引导的机器学习

深度学习算法需要大量数据，且缺乏先验知识可能导致不一致的预测结果。在生态学等数据稀缺的领域，KGML的发展对推动人工智能和生态学的进展至关重要。KGML旨在将科学知识融入机器学习算法中，以产生更符合物理规律的预测。这一理念与贝叶斯统计方法中的先验知识结合，尽管贝叶斯方法在生态研究中用于类似目的，但受到数据和计算成本的限制。

知识引导机器学习的方法包括调整损失函数以满足物理定律、利用现有机器学习架构或开发新架构以更好地反映现实、使用过程模型的输出作为训练数据或输入、将系统的偏微分方程嵌入到机器学习模型中，以及将神经网络嵌入到层次模型中。未来展望包括更先进的架构，结合了层次结构、物理和生物定律、微分方程的先验本体知识，以及分散和新兴的训练方法。

5.人工智能与生态协同加速发展

AI从最初的模式识别扩展到了假设生成和发现，这有助于我们理解复杂系统中变量之间的关联。生态系统中的多样性为AI提供了挖掘这些关联并产生新想法的机会。AI和生态学合作解决了所谓的“模式崩溃”问题，即AI难以捕捉多样性。这一问题的解决需要借鉴生态学中的扩散模型思想，将其应用到AI中。这种合作带来了显著进展，有助于理解生态系统中的现象，如野生动物宿主埃博拉病毒溢出传播。

不同于许多AI系统，对生态系统的理解建立在基于多元理论的规则之上，而AI依赖于数据来学习规则。虽然基于理论的方法提供了对机制的理解，但它们可能无法解决当下的生态危机。AI的基础模型采用了类似的规则概念，但使用大量可用数据来学习规则。强化学习是AI研究的前沿领域之一，明确纳入了规则，以生成关于系统如何随时间演变的假设。这种方法使我们能够更好地观察、解释和预测复杂生态系统的特性。这对于整合多维度的复杂系统的研究具有重要意义，因为复杂系统对生态系统的影响尚未得到充分认知，仍然是跨学科研究的前沿领域。

图3 Web of Science每年查询的论文数量：TS=(“人工智能”OR“机器学习”)和WC=(生态学 OR“环境科学”)

6. 负责任的人工智能与生态学

在工业界占主导地位的人工智能研究中，基于道德和社会因素考量的人工智能研究受到忽视。然而，对安全、道德和负责任的人工智能的需求正在崭露头角。一些批判性观点，如原住民、女权主义和非殖民主义，为这一领域提供了基础，但它们仍然处于边缘位置，需要克服认知障碍才能融入主流人工智能研究。

同样，生态学的历史植根于殖民主义。 生态保护主义者经常为环境管控政策进行辩护。这种排他性做法继续产生仅对社会特权群体有益的推论。近年来，生态学家试图整合不同领域的知识，以更好地理解社会生态系统，强调了生态系统保护、负责任的管理和伦理关系的重要性。本土知识在环境研究中扮演了重要角色，例如，对北极雪和海冰的了解用于保护环斑海豹，这是气候变化中重要的物种。

社会和文化结构的微小差异对于理解复杂系统、影响其未来并确保社会正义至关重要。例如，系统性种族主义影响城市环境的社会和生态特征，因此必须考虑这些因素以提高对气候变化的应对。为了成功应对这些挑战，人工智能和生态学都需要扩大认知边界，尊重不同的认知方式和本土数据主权。它们可以借鉴社会科学的定性研究方法，特别是将本土知识融入标准化数据集。此外，遵循CARE原则（集体利益、控制权、责任和道德）有助于确保本土数据的有效使用，并推动知识的进步。