会议回顾 | "科学中的理解、解释与模型" 研讨会

2026年8月10日至12日，“科学中的理解、解释与模型”研讨会在中国科学院哲学研究所报告厅举行。本次研讨会围绕科学解释、科学理解以及模型与表征等科学哲学领域的前沿议题展开，并结合物理学、生物学和人工智能哲学等具体科学实践进行讨论。

会议汇聚了来自国内外高校和研究机构的专家学者，其中受邀报告人分别来自复旦大学、中国人民大学、中山大学、纽约州立大学宾汉姆顿分校、波兰科学院、利兹大学、上海交通大学、香港岭南大学、南洋理工大学、中国科学院哲学研究所、伦敦大学学院、马斯特里赫特大学、四川大学。会议共14场报告，期间会场座无虚席，现场交流热烈，展开了深入的学术讨论。

中国科学院哲学研究所姜易函主持开幕式

会议首日共开展了6场学术报告，上午3场报告由中国科学院哲学研究所姜易函主持，下午3场报告由中国科学院哲学研究所王静主持。

来自复旦大学的张明君做了题为“Demystifying Distinctively Mathematical Explanations”的报告。该报告围绕“独特数学解释”展开讨论。报告指出，独特数学解释与普通科学解释之间并不存在截然分明的界限，解释的“数学性”更适合被理解为一种程度上的差异，并据此重新审视数学解释是否具有非因果性质。

复旦大学张明君做报告

来自中国人民大学的陈绎安做了题为“Explaining Swarm Intelligence: A Non-mechanistic Model of Ant Colony Path Optimization”的报告。该报告以蚂蚁群体路径优化为案例，探讨了非机制性模型如何解释群体智能现象。报告从系统层面的约束、正反馈、功能性噪声、信息驱动的间接互动以及数学依赖关系等方面，分析了涌现性群体行为对传统机制解释框架提出的挑战。

中国人民大学陈绎安做报告

来自中山大学的方卫做了题为“Proportionality, Levels and Nonreductive Explanations”的报告。该报告围绕科学解释中的“层次”问题展开讨论。报告借助“比例性”（proportionality）重新理解“解释层次”，提出“解释”应当在信息充分与不过度之间保持恰当比例，从而在拒绝传统“层层蛋糕式”层次观的同时，为一种有限、情境化的解释层次观以及非还原性解释提供辩护。

中山大学方卫做报告 (线上)

来自纽约州立大学宾汉姆顿分校的 Amahury J. L. Diaz 做了题为“Beyond Machine Metaphors: Rethinking Mechanism and Explanation in Biology”的报告。该报告重新审视了生物学中长期占据主导地位的“机器隐喻”以及由此形成的机制解释观。报告提出，应当将机制理解为能够自行产生、维持和改变相关约束的组织系统，并借助物理生物符号学与范畴论等理论工具，探索一种兼具形式严谨性与生物学意义的解释框架。

纽约州立大学宾汉姆顿分校 Amahury J. L. Diaz 做报告

来自波兰科学院的 Daniel Kostic 做了题为“Complexity Underdetermination: Pragmatic and Ontic Constraints on Explanation”的报告。该报告讨论了复杂系统中不同抽象变量可能导致的“解释不充分决定”问题。通过分析脑导航案例，报告提出，解释相关性需要同时满足实践相关性与本体个体化两个条件，并据此为复杂系统中的非因果解释提供了新的理解框架。

波兰科学院 Daniel Kostic 做报告 (线上)

来自利兹大学的武煜又做了题为“An Enactive Understanding of Scientific Models”的报告。该报告从具身认知与生成主义（enactivism）的视角重新思考科学模型及其表征功能。报告提出，科学模型可以被理解为在具体的、具身的科学建模实践中“生成”的表征，并试图结合模型的人工制品属性与表征属性，以说明科学家如何通过与模型的实际互动获得知识与科学理解。

利兹大学武煜又做报告 (线上)

会议次日共开展了6场学术报告，上午3场报告由香港中文大学（深圳）胡晓倩主持，下午3场报告由中国科学院哲学研究所 João Pinheiro 主持。

来自上海交通大学的姚思羽做了题为“Integration of AI in Science: Forming Pragmatic Understanding in the Case of Astronomy”的报告。该报告以天文学实践为案例，探讨了人工智能融入科学研究后如何形成“实践性理解”（pragmatic understanding）。基于对美国天文学家的访谈，报告分析了科学家的背景知识与研究方法如何塑造其对 AI 的理解，并指出这种理解的多样性有助于实现 AI 在科学中的可靠和可推广应用。

上海交通大学姚思羽做报告

来自香港岭南大学的 Patric Harting 做了题为“Opaque Map-makers and Transparent Maps: How Machine Learning in Molecular Dynamics Simulations Affects Scientific Understanding”的报告。该报告考察了机器学习在分子动力学模拟中的应用，并质疑“只有透明的算法才能产生科学理解”这一常见观点。报告借助“地图与制图者”的比喻，以区分理解的对象、理解的载体及载体的生成过程，借此指出即使机器学习算法本身保持不透明，但只要其生成的科学表征具有良好的可读性与解释力，其仍然能够帮助科学家获得对研究对象的理解。

香港岭南大学 Patric Harting 做报告

来自南洋理工大学的罗懿宸做了题为“What Black Holes Teach Us about Explaining Universality”的报告。该报告以黑洞物理中的临界坍缩和“无毛”行为为案例，探讨了物理学中普适性现象的解释。报告指出，普适性解释并不必然依赖凝聚态物理中典型的威尔逊重整化群方案，黑洞物理中的稳定性分析同样能够通过识别等价类、说明无关信息为何不重要以及揭示普适模式的稳定性，从而为普适性提供解释。

南洋理工大学罗懿宸做报告

来自中国科学院哲学研究所的姜易函做了题为“Free Energy Principle, Processualism, and Emergence”的报告。该报告讨论了自由能原理背后的本体论含义及其与生物学形而上学的关系。报告提出了一种过程论立场，将非平衡稳态理解为从底层过程中弱涌现的现象，并进一步将马尔可夫毯理解为刻画特定涌现现实的模糊边界，从而在实在论与工具主义之间提供了一种中间立场。

中国科学院哲学研究所姜易函做报告

来自伦敦大学学院的罗得之做了题为“(How) Can We Benchmark Consciousness in Foundation Models?”的报告。该报告探讨了如何对大规模基础模型中的意识进行测量与基准测试。报告从意识研究的认识论困境出发，比较了理论驱动与标记驱动的测量路径，并主张以理论为基础，同时采取反实在论立场的意识基准测试框架，并结合多模态模型、机制可解释性以及机器学习中的标准评估方法推进相关研究。

伦敦大学学院罗得之做报告

来自马斯特里赫特大学的刘恺骥做了题为“Models of Non-Causal Explanation in Neuroscience: The Case of Efficient Coding Explanation”的报告。该报告以神经科学中的“高效编码解释”为案例，考察了“计算模型如何提供非因果解释”。报告指出，这类模型通过数学事实对解释项与被解释项之间的依赖关系施加约束，从而回答了“如果情况有所不同会怎样”的问题；通过与干预主义解释和“3M++框架”的比较，报告进一步指出，不同解释模式之间的差异可能与模型所处的抽象层次密切相关。

马斯特里赫特大学刘恺骥做报告

会议尾日共开展了2场学术报告，由中国科学院哲学研究所 João Pinheiro 主持。

来自四川大学的 Fabio Ceravolo 做了题为“Cognitive History and Historical Understanding: A New Function for Partial Morphisms”的报告。该报告重新考察了部分态射（partial morphisms）在科学模型与建模中的作用。报告将部分态射与“认知史”联系起来，指出数学工具的变化不仅能够帮助科学家描述和对应物理系统，也会改变科学共同体所形成和所获得的信念，从而为理解模型的认识论价值及科学知识的历史发展提供新的视角。

四川大学 Fabio Ceravolo 做报告

来自香港岭南大学的 Darrell Rowbottom 做了题为“What’s Hidden Inside Predictively Successful Deep Learning Models?”的报告。该报告讨论了预测成功的深度学习模型内部所隐藏的表征究竟具有怎样的认识论意义。报告重新审视了针对人工智能的“无奇迹论证”，提出了“准表征”（quasi-representation）这一新概念，以此构建了一种新的AI版本的“无奇迹论证”，并同时探讨这一论证与选择性实在论、反实在论以及科学实在论之间的关系。

香港岭南大学 Darrell Rowbottom 做报告 (线上)

部分与会师生合影

文字 | 姜易函

图片 | 顾泽枫

编辑 | 向昊斐

审核 | 姜易函