张江主讲：面向复杂系统的人工智能 | 限时12小时99元解锁课程

在这个AI可以写代码、预测蛋白质结构、甚至辅助推导数学定理的时代，很多人都在焦虑：我们会被AI取代吗？

其实，真正稀缺的永远不是只会调用大模型的“操作员”，而是能够用AI去解构真实世界、用复杂科学视角去驾驭AI的“系统级破局者”。

无论你是深耕生命科学、计算医学、经济学等复杂领域的科研工作者，还是正寻求底层逻辑突破的科技创业者与AI从业人员，亦或是渴望掌握前沿多尺度建模的方法论者——这门课，正是为你量身定制的升级指南。对海量的非线性数据和复杂的系统动力学，你需要的不再是简单的工具叠加，而是一次跨学科的思维重构。

为了打破学科壁垒，将复杂系统与人工智能深度融合，北京师范大学系统科学学院张江教授倾力打造了这门《面向复杂系统的人工智能》硬核课程。从神经网络到因果推断，从世界模型到多尺度建模，甚至包含最前沿的“氛围编程（Vibe Coding）”实战，带你亲手落地AI项目。

不仅干货拉满，我们还为你准备了重磅福利：

打破次元壁，支持北师大线下旁听！

这不是一门冷冰冰的录播课！报名学员不仅可以参与线上直播，更有机会每周一下午直接走进北京师范大学的真实课堂。助教会亲自协助您办理入校手续，可与张江教授和诸多同学面对面交流，零距离感受学术激荡与内容共创！

极限狂欢：倒计时12小时，拼手速！

原价399元的课程，今天（3月16日）晚上24点前，早鸟价仅需 99元！只需两杯咖啡的钱，换来一整个春天与AI、与复杂系统的碰撞。

限时通道仅剩最后 12 小时，零点一过即刻恢复原价！ 欢迎你的加入！

今日直播

课程背景

通用领域的自然语言交流、编写代码、蛋白质结构预测、新质子模型的发现、辅助数学定理证明，所有这些不同领域的难题都正在被新兴人工智能技术逐一攻破。人工智能， 特别是以机器学习与神经网络技术为代表的智能技术，近年来获得了迅猛的发展，它正在与各个学科发生交叉、融合，逐渐演化为一种解决各种复杂系统问题的跨学科方论，成为支撑复杂系统分析与建模的重要新兴技术。

复杂系统是由大量的单元通过非线性的相互作用而形成的整体，并在不同尺度上展现出了不同的涌现现象和规律。一方面，机器学习与人工智能的新兴技术可以辅助我们发现这些复杂系统隐藏在不同尺度上的运行规律，并实现优化与控制，另一方面，从复杂系统中发展出来的理论与方法也可以帮助我们理解复杂人工智能系统的运行规律。

为了更好地融合复杂系统与人工智能这两个重大领域，北师大系统科学学院张江教授开设《面向复杂系统的人工智能》课程，内容包括但不限于：人工智能简介、机器 学习基础、强化学习基础、因果推断基础、面向复杂系统的神经网络技术、在具体领域中的应用等。

另外，本课程的实践项目部分，将带领大家一起学习使用最新的AI编程工具，用“氛围编程”（Vibe Coding）方式完成小型AI项目。

主讲人

张江，北京师范大学系统科学学院教授，集智俱乐部、集智学园创始人，集智科学研究中心理事长，曾任腾讯研究院、华为战略研究院等特聘顾问。主要研究领域包括因果涌现、复杂系统分析与建模、规模理论等。

个人主页：https://jake.swarma.org/

课程安排

图1 课程整体框架

1. AI x 复杂科学 = 面向复杂系统的AI

2. 深度学习与自动微分

3. 机器学习基本概念

4. 基本神经网络介绍：前馈神经网络

5. 基本神经网络介绍：CNN与RNN

6. 表示学习

7. 大语言模型：从Transformer架构到训练范式

8. 大语言模型的推理机制与自指

9. 大语言模型的可解释性与涌现

10. 生成模型

11. 复杂动力学学习：Neural ODE

12. 因果科学简介

13. 图神经网络

14. 基于世界模型的强化学习

15. 因果涌现与多尺度建模

16. 用复杂科学方法理解人工智能大模型

课程目标

1. 深入理解复杂系统数据驱动建模、决策与控制的基本问题和常用方法

2. 熟悉并掌握面向复杂系统的各种人工智能技术，包括但不限于：机器学习、神经网络、大语言模型、因果推理、决策控制等。

报名须知

课程形式

1. 平时：课堂讨论与内容共创

2. 结课：项目汇报
   

付费学员可参与腾讯会议直播/北师大线下授课（助教会协助入校）

授课形式

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

2. 课程定价：原价¥399，早鸟价¥99，截止时间：2026年3月16日晚上24点

   （限时12小时！）

课程链接：https://campus.swarma.org/v3/course/5684?from=wechat

付费流程

2. 课程页面添加学员登记表，添加助教微信入群；

3. 课程可开发票。

适合对象

1. 理工科背景高年级本科生

2. 理工科背景硕士、博士研究生

参考课程

1. 吴恩达：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/

以下为集智学园网站资源：

1. 对复杂系统连续变化自动建模——Neural Ordinary Differential Equations解读https://campus.swarma.org/course/2046

2. 复杂网络自动建模在大气污染中的应用https://campus.swarma.org/course/1998

3. 两套因果框架深度剖析：潜在结果模型与结构因果模型https://campus.swarma.org/course/2526

4. 稳定学习：发掘因果推理和机器学习的共同基础https://campus.swarma.org/course/2323

5. 因果强化学习https://campus.swarma.org/course/2156

6. 张江：因果与机器学习能够破解涌现之谜吗https://campus.swarma.org/course/4540

7. 因果涌现理论提出者：Erik Hoel主题报告https://campus.swarma.org/course/4317

8. 如何从数据中发现因果涌现——神经信息压缩器https://campus.swarma.org/course/4874

9. 标准化流技术简介https://campus.swarma.org/course/1999

10. 带隐状态的强化学习世界模型https://campus.swarma.org/course/4848

前置课程

1. Python编程基础

2. 深度学习原理与PyTorch：https://campus.swarma.org/course/956（集智学园）

退学费！课程共创任务：课程字幕

为鼓励学员深度参与、积极探索，我们致力于形成系列化知识传播成果，并构建课程知识共建社群。为此，我们特别设立激励机制，让您的学习之旅满载收获与成就感。

课程以老师讲授为主，每期结束后，助教会于课程群内发布字幕共创任务。学员通过参与这些任务，不仅能加深对内容的理解，还可获得积分奖励。积分可兑换其他读书会课程或实物奖品，助力您的持续成长。

完成本课程任意两期字幕任务可退全额学费！

今日直播

课程主题：机器学习基本概念

课程时间：2026年3月16日 13:30-16:15

直播方式：腾讯会议/视频号/B站同步线上直播