張江主講：面向復雜系統的人工智能 | 限時12小時99元解鎖課程

在這個AI可以寫代碼、預測蛋白質結構、甚至輔助推導數學定理的時代，很多人都在焦慮：我們會被AI取代嗎？

其實，真正稀缺的永遠不是只會調用大模型的“操作員”，而是能夠用AI去解構真實世界、用復雜科學視角去駕馭AI的“系統級破局者”。

無論你是深耕生命科學、計算醫學、經濟學等復雜領域的科研工作者，還是正尋求底層邏輯突破的科技創業者與AI從業人員，亦或是渴望掌握前沿多尺度建模的方法論者——這門課，正是為你量身定制的升級指南。對海量的非線性數據和復雜的系統動力學，你需要的不再是簡單的工具疊加，而是一次跨學科的思維重構。

為了打破學科壁壘，將復雜系統與人工智能深度融合，北京師范大學系統科學學院張江教授傾力打造了這門《面向復雜系統的人工智能》硬核課程。從神經網絡到因果推斷，從世界模型到多尺度建模，甚至包含最前沿的“氛圍編程（Vibe Coding）”實戰，帶你親手落地AI項目。

不僅干貨拉滿，我們還為你準備了重磅福利：

打破次元壁，支持北師大線下旁聽！

這不是一門冷冰冰的錄播課！報名學員不僅可以參與線上直播，更有機會每周一下午直接走進北京師范大學的真實課堂。助教會親自協助您辦理入校手續，可與張江教授和諸多同學面對面交流，零距離感受學術激蕩與內容共創！

極限狂歡：倒計時12小時，拼手速！

原價399元的課程，今天（3月16日）晚上24點前，早鳥價僅需 99元！只需兩杯咖啡的錢，換來一整個春天與AI、與復雜系統的碰撞。

限時通道僅剩最后 12 小時，零點一過即刻恢復原價！ 歡迎你的加入！

今日直播

課程背景

通用領域的自然語言交流、編寫代碼、蛋白質結構預測、新質子模型的發現、輔助數學定理證明，所有這些不同領域的難題都正在被新興人工智能技術逐一攻破。人工智能， 特別是以機器學習與神經網絡技術為代表的智能技術，近年來獲得了迅猛的發展，它正在與各個學科發生交叉、融合，逐漸演化為一種解決各種復雜系統問題的跨學科方論，成為支撐復雜系統分析與建模的重要新興技術。

復雜系統是由大量的單元通過非線性的相互作用而形成的整體，并在不同尺度上展現出了不同的涌現現象和規律。一方面，機器學習與人工智能的新興技術可以輔助我們發現這些復雜系統隱藏在不同尺度上的運行規律，并實現優化與控制，另一方面，從復雜系統中發展出來的理論與方法也可以幫助我們理解復雜人工智能系統的運行規律。

為了更好地融合復雜系統與人工智能這兩個重大領域，北師大系統科學學院張江教授開設《面向復雜系統的人工智能》課程，內容包括但不限于：人工智能簡介、機器 學習基礎、強化學習基礎、因果推斷基礎、面向復雜系統的神經網絡技術、在具體領域中的應用等。

另外，本課程的實踐項目部分，將帶領大家一起學習使用最新的AI編程工具，用“氛圍編程”（Vibe Coding）方式完成小型AI項目。

主講人

張江，北京師范大學系統科學學院教授，集智俱樂部、集智學園創始人，集智科學研究中心理事長，曾任騰訊研究院、華為戰略研究院等特聘顧問。主要研究領域包括因果涌現、復雜系統分析與建模、規模理論等。

個人主頁：https://jake.swarma.org/

課程安排

圖1 課程整體框架

1. AI x 復雜科學 = 面向復雜系統的AI

2. 深度學習與自動微分

3. 機器學習基本概念

4. 基本神經網絡介紹：前饋神經網絡

5. 基本神經網絡介紹：CNN與RNN

6. 表示學習

7. 大語言模型：從Transformer架構到訓練范式

8. 大語言模型的推理機制與自指

9. 大語言模型的可解釋性與涌現

10. 生成模型

11. 復雜動力學學習：Neural ODE

12. 因果科學簡介

13. 圖神經網絡

14. 基于世界模型的強化學習

15. 因果涌現與多尺度建模

16. 用復雜科學方法理解人工智能大模型

課程目標

1. 深入理解復雜系統數據驅動建模、決策與控制的基本問題和常用方法

2. 熟悉并掌握面向復雜系統的各種人工智能技術，包括但不限于：機器學習、神經網絡、大語言模型、因果推理、決策控制等。

報名須知

課程形式

1. 平時：課堂討論與內容共創

2. 結課：項目匯報
   

付費學員可參與騰訊會議直播/北師大線下授課（助教會協助入校）

授課形式

1. 課程周期：2026年3月2日-2026年6月15日，每周一 13:30-16:15進行。

2. 課程定價：原價￥399，早鳥價￥99，截止時間：2026年3月16日晚上24點

   （限時12小時！）

課程鏈接：https://campus.swarma.org/v3/course/5684?from=wechat

付費流程

2. 課程頁面添加學員登記表，添加助教微信入群；

3. 課程可開發票。

適合對象

1. 理工科背景高年級本科生

2. 理工科背景碩士、博士研究生

參考課程

1. 吳恩達：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.

   https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

以下為集智學園網站資源：

1. 對復雜系統連續變化自動建模——Neural Ordinary Differential Equations解讀https://campus.swarma.org/course/2046

2. 復雜網絡自動建模在大氣污染中的應用https://campus.swarma.org/course/1998

3. 兩套因果框架深度剖析：潛在結果模型與結構因果模型https://campus.swarma.org/course/2526

4. 穩定學習：發掘因果推理和機器學習的共同基礎https://campus.swarma.org/course/2323

5. 因果強化學習https://campus.swarma.org/course/2156

6. 張江：因果與機器學習能夠破解涌現之謎嗎https://campus.swarma.org/course/4540

7. 因果涌現理論提出者：Erik Hoel主題報告https://campus.swarma.org/course/4317

8. 如何從數據中發現因果涌現——神經信息壓縮器https://campus.swarma.org/course/4874

9. 標準化流技術簡介https://campus.swarma.org/course/1999

10. 帶隱狀態的強化學習世界模型https://campus.swarma.org/course/4848

前置課程

1. Python編程基礎

2. 深度學習原理與PyTorch：https://campus.swarma.org/course/956（集智學園）

退學費！課程共創任務：課程字幕

為鼓勵學員深度參與、積極探索，我們致力于形成系列化知識傳播成果，并構建課程知識共建社群。為此，我們特別設立激勵機制，讓您的學習之旅滿載收獲與成就感。

課程以老師講授為主，每期結束后，助教會于課程群內發布字幕共創任務。學員通過參與這些任務，不僅能加深對內容的理解，還可獲得積分獎勵。積分可兌換其他讀書會課程或實物獎品，助力您的持續成長。

完成本課程任意兩期字幕任務可退全額學費！

今日直播

課程主題：機器學習基本概念

課程時間：2026年3月16日 13:30-16:15

直播方式：騰訊會議/視頻號/B站同步線上直播