前言

随着互联网、移动通信和物联网等技术的快速发展，在不断融合的信息空间、物理世界和人类社会（Cyber-Physical-Human Society，CPH）中涌现了海量数据，从不同角度刻画个体之间显性和隐性的交互模式，反映人类生活方式、行为规律和社会的发展趋势。

ACM图灵奖获得者詹姆斯·格雷（James Gray）曾说，人类社会已经经历四种计算范式。第一种是从实验观测中进行科学发现；第二种是从数据中进行模型归纳和方程推导；第三种是虚拟仿真，即搭建计算系统模拟复杂的客观物理世界，从仿真系统中观测各种因素的此消彼长，再指导客观物理世界的改造。格雷认为人类社会目前进入了第四种范式，即数据密集型的计算时代。在这个时代，从海量数据出发，挖掘其结构、模式和规律等知识，是数据密集型计算要解决的难点问题。

阿尔伯特·爱因斯坦（Albert Einstein）曾经说过“所有科学中最重大的目标是从最少数量的假设和公理出发，用逻辑演绎推理的方法解释最大量的经验事实。”如果说数据与知识组成的燃料驱动着算法和模型构成的引擎赋能社会发展、经济进步和科技创新，那么需要思考，如何更好地利用数据和知识，辅以工程领域积累的物理定律约束（如以偏微分方程刻画的纳维-斯托克斯（Navier-Stokes）方程组或刻画分子及其镜像之间相互约束的手性分子模型等），在归纳抽象和演绎推理之间游刃有余地解决物理世界中的客观问题。比如，将分子动力学引入机器学习模拟微观物理过程以合成新物质等。

本文对“数据驱动、知识引导和物理约束”的人工智能方法进行探讨，分析数据驱动下归纳、知识指导中演绎以及物理定律约束中优化等不同学习手段和方法的优势。

特别是在面向科学任务的计算上，更需要将特定任务的领域知识、第一性原理等约束，与人工智能模型紧密结合，引导模型在专家先验知识的基础上拟合或习得该领域的物理灰箱模型，以更好地协同解决该领域的问题。