具體的，讓我們考慮這樣一種所謂的圖分類問題(Graph classification problem)。如果我給你一張網(wǎng)絡(luò)，沒有任何其它輔助信息，你能不能告訴我它屬于哪一類?是社交網(wǎng)絡(luò)還是生物網(wǎng)絡(luò)?是無標(biāo)度網(wǎng)還是小世界網(wǎng)?這個(gè)問題有什么實(shí)際背景呢?我們知道，復(fù)雜網(wǎng)絡(luò)可以看做是復(fù)雜系統(tǒng)的骨架(backbone)，那么當(dāng)我們處理不同的復(fù)雜系統(tǒng)時(shí)，我們便可以通過它們的骨架來進(jìn)行識別、分類和預(yù)測。比如，我們可以將一個(gè)社群的社交網(wǎng)絡(luò)看做社群的骨架，那么我們就能否根據(jù)它預(yù)測網(wǎng)絡(luò)的運(yùn)行狀況;再比如，如果將一個(gè)國家的投入產(chǎn)出網(wǎng)看做是國家經(jīng)濟(jì)系統(tǒng)的骨架，那么我們就能給國家的產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行“診脈”。
這些問題的背后需要一種新的突破，它在5年前剛剛開始萌芽，這就是圖卷積神經(jīng)網(wǎng)絡(luò)技術(shù)(Graph convolutional neural network，GNN)11。該套技術(shù)通過擴(kuò)展基于圖像的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)，來處理大量的網(wǎng)絡(luò)數(shù)據(jù)。并有可能達(dá)到和CNN同等的精確程度。
GNN模型的架構(gòu)，類似于圖像處理中的CNN，GNN可以對一個(gè)網(wǎng)絡(luò)進(jìn)行卷積操作，并做粗粒化，從而實(shí)現(xiàn)多層信號處理，摘自文獻(xiàn)12
在很多文獻(xiàn)中，人們不僅用CNN來識別圖像，更多的是用它來提取圖片中物體的特征。例如在前面講述的用衛(wèi)星遙感圖像預(yù)測貧困的工作中，研究者用CNN的最主要目的是提取出圖像中屋頂、道路等特征。有了這些機(jī)器自動(dòng)學(xué)習(xí)得到的特征之后，我們便可以將學(xué)好的網(wǎng)絡(luò)用于各種領(lǐng)域。例如，我們可以將CNN和LSTM結(jié)合，從而實(shí)現(xiàn) “看圖說話”;將CNN配上強(qiáng)大的強(qiáng)化學(xué)習(xí)，就能實(shí)現(xiàn)讓計(jì)算機(jī)和人類一樣看著視頻打游戲;將CNN配上強(qiáng)大的蒙特卡洛搜索，就能實(shí)現(xiàn)戰(zhàn)勝人類大師的AlphaGo。
與此類似，一旦GNN技術(shù)實(shí)現(xiàn)突破，那么我們就真的可以通過網(wǎng)絡(luò)來對宏觀復(fù)雜系統(tǒng)進(jìn)行診脈。城市的規(guī)劃很糟糕嗎?讓我們利用GNN掃描一下城市的道路網(wǎng)絡(luò)，就能給城市規(guī)劃打分;美國和中國的金融市場哪一個(gè)更容易崩盤?讓GNN掃描一下它們各自的股票相關(guān)網(wǎng)絡(luò)就能給出答案;今天Facebook的心情如何?讓GNN掃描一下社交網(wǎng)絡(luò)就能給出類似這樣的描述：“今天的Facebook心情很糟，因?yàn)槲⑿庞滞谧吡宋迩f用戶……囧”。
展望
復(fù)雜系統(tǒng)需要深度學(xué)習(xí)嗎?我的回答當(dāng)然是需要。這是因?yàn)樯疃葘W(xué)習(xí)可以自動(dòng)化提取對象中的隱藏特征，這將結(jié)束幾十年來復(fù)雜性科學(xué)家手工發(fā)明特征指標(biāo)的歷史。人類的智慧雖然閃爍著靈光，但面對龐大的數(shù)據(jù)，人工智能還是更勝一籌。一旦GNN、網(wǎng)絡(luò)嵌入等技術(shù)獲得突破，所有的特征發(fā)現(xiàn)就全部變成了自動(dòng)化流水線，我們便可以站在一個(gè)更高的層次來理解復(fù)雜系統(tǒng)。
深度學(xué)習(xí)在圖像領(lǐng)域中的大量突破告訴我們，一旦機(jī)器可以學(xué)會自動(dòng)提取特征，我們就可以以一種人類難以想象的精準(zhǔn)度來進(jìn)行預(yù)測和識別。例如，現(xiàn)在深度學(xué)習(xí)在人臉識別的準(zhǔn)確率已經(jīng)高達(dá)99%了，而人類的準(zhǔn)確率也僅僅只有97%。所以，在未來，精確地認(rèn)識、調(diào)控復(fù)雜系統(tǒng)并非完全不可能。
而更有意思的是，當(dāng)我們把深度學(xué)習(xí)和傳統(tǒng)技術(shù)，包括多主體模擬、系統(tǒng)動(dòng)力學(xué)相結(jié)合，就可能實(shí)現(xiàn)對復(fù)雜系統(tǒng)的自動(dòng)建模。我們可以設(shè)想這樣一種機(jī)器，你只要不斷地喂給它大量的數(shù)據(jù)，它就有可能自動(dòng)吐出來一個(gè)多主體模型，并告訴你精確調(diào)控系統(tǒng)的方案。如果能實(shí)現(xiàn)這一步的話，人工智能就真的可以管理社會了。
然而，反對論者批評深度學(xué)習(xí)是一個(gè)黑箱模型：盡管它可以很好地工作，但我們?nèi)祟惾匀粺o法理解。這就好像中醫(yī)看病，完全憑借老醫(yī)師的個(gè)人經(jīng)驗(yàn)和感悟，無法給你一套符合西醫(yī)科學(xué)標(biāo)準(zhǔn)的解釋。但是，也許復(fù)雜系統(tǒng)就需要這種中醫(yī)式的思維方式。因?yàn)榫拖裥∥浵仧o法理解蟻群的行為一樣，超級復(fù)雜的相互作用關(guān)系也許壓根就不是我們?nèi)四X智慧可以處理得了的。我們只能借助更加強(qiáng)大的機(jī)器來應(yīng)付超大規(guī)模的復(fù)雜性。
反過來講，復(fù)雜性科學(xué)也可以幫助我們更好地理解深度學(xué)習(xí)模型。例如，最近的一批物理學(xué)家就在嘗試用變分重整化群(Variational renormalization group)的方法來理解深度學(xué)習(xí)網(wǎng)絡(luò)13，每增加一層神經(jīng)元節(jié)點(diǎn)就是在對原問題進(jìn)行更高層次的粗粒化。所以，層次的加深有助于我們從更高的尺度去把握數(shù)據(jù)中的規(guī)律。