3.1 基本概念与术语 3.2 酶的基本概念 3.4 酶促反应的特点与机理 3.5单底物酶促反应动力学 3.6抑制剂对酶促反应速率的影响 3.7双底物酶促反应动力学 3.8影响酶催化反应速率的因素 均相反应: 指参与反应的各物质均处于同一个相内进行的化学反应。(烃类的高温裂解为气相均相反应，而酸碱中和、酯化反应为典型的液相反应) 均相反应是在一个相中的反应物料以分子尺度混合，要求： 化学反应的基础知识 反应进行的方向 反应进行的可能性 反应进行的限度 反应进行的速率 反应机制 反应速率及其测定 反应速率：单位时间内反应物或生成物浓度的改变。 设瞬时dt内反应物浓度的很小的改变为dS，则： 若用单位时间内生成物浓度的增加来表示，则： 反应分子数 反应分子数：是在反应中真正相互作用的分子的数目。 如：A → P　　　属于单分子反应 根据质量作用定律，单分子反应的速率方程式是： 如：A＋B → C＋D　　属于双分子反应 其反应速率方程可表示为： 判断一个反应是单分子反应还是双分子反应，必须先了解反应机制，即了解反应过程中各个单元反应是如何进行的。 反应机制往往很复杂，不易弄清楚，但是反应速率与浓度的关系可用实验方法来确定，从而帮助推论反应机制。 反应级数 把反应速率与反应物浓度无关的反应叫做零级反应。　　　　　　　　　　v = k 反应分子数和反应级数对简单的基元反应来说是一致的，但对某些反应来说是不一致的。例如： Sucrose + H2O ─→ Glucose + Frucose 是双分子反应，但却符合一级反应方程式。 酶促反应动力学基础－反应速率 零级反应 一级反应　A ─→ B 积分后得： k是反应速率常数 可以表达为: A=A0e-kt 二级反应　A+B ─→ C 酶促反应动力学基础－平衡常数 平衡：可逆反应的正向反应和逆向反应仍在继续进行，但反应速率相等的动态过程。 反应的平衡常数与酶的活性无关，与反应速率的大小无关，而与反应体系的温度、反应物及产物浓度有关。 平衡常数(K)的计算： 例：A+3B　　　2C+D 3.2 酶的基本概念 酶定义：酶是活细胞产生的具有催化作用的蛋白质。少数酶同时含有少量的糖和脂肪，是一种提高生化反应速率的生物催化剂。生物体内所有的反应均在酶的催化作用下完成，生物的生理现象与酶的作用有关。 酶的种类：氧化还原酶、转移酶、水解酶、裂合酶、异构酶和合成酶。 有关名词 底物(substrate, S)：酶作用的物质。 产物(product, P)：反应生成的物质。 酶促反应：酶催化的反应。 酶活性：酶催化化学反应的能力。 3.3 酶的分子结构与功能The Molecular Structure and Function of Enzyme 单体酶(monomeric enzyme) 寡聚酶(oligomeric enzyme) 多酶体系(multienzyme system) 多功能酶(multifunctional enzyme)或串联酶(tandem enzyme) (一)、 酶的分子组成 结合酶 (conjugated enzyme) 二、酶的活性中心 活性中心内的必需基团 3.4 酶促反应的特点与机理The Characteristic and Mechanism of Enzyme-Catalyzed Reaction 酶与一般催化剂的共同点 在反应前后没有质和量的变化； 只能催化热力学允许的化学反应； 只能加速可逆反应的进程，而不改变反应的平衡点。 (一)酶促反应具有极高的效率 过氧化氢分解反应所需活化能 　 一种酶仅作用于一种或一类化合物，或一定的化学键，催化一定的化学反应并生成一定的产物。酶的这种选择性称为酶的特异性或专一性。 绝对特异性(absolute specificity) 相对特异性(relative specificity) 立体结构特异性(stereo specificity) 相对特异性 　　酶作用于一类化合物或一种化学键。 　　如： 立体结构特异性 酶仅作用于立体异构体中的一种。 二、酶与底物的作用机理 Lock and Key Model Induced-Fit Model 诱导契合模型：手与手套的关系。 当底物接近酶的活性中心并与之结合时，酶的构象能发生改变，更适合于底物的结合。 只有初速度才是酶的反应速度，原因： (1) 底物随反应时间的延长减少； (2) 酶随反应时间的延长受速度、pH的影响，酶部分变性； (3) 随时间延长，产物增加，产物对酶的抑制作用； (4) 产物增加，逆反应速度增加。 因此，只有初速度才是酶的反应速度。 反应速率、底物浓度与时间的关系 底物

 
酶促反应的动力学
 
酶促反应动力学 酶反应动力学：是研究反应速度规律以及各种因素对酶反应速度影响的科学。 研究酶反应速度的规律和各种因素对酶反应影响的科学。 已经知道酶反应动力学，比化学反应动力学复杂得多，其复杂性可以从酶的反应体系看出。 绪论 酶反应动力学体系 一、最简单的均相反应系统： 1、零级反应： 2、一级反应 二、均相可逆反应系统： 四、均相双分子可逆反应系统： 六、均相连续反应系统： 第一节 酶促反应动力学 一、前稳态酶促反应动力学 (一)稳态和前稳态 酶(E)促单底物反应: 反应历程: 在最初极短反应时间(t1)内, [P]极低, 逆反应(E+P→S)可以忽略不计.因此: ES(酶-底物复合物)生成速度 ES分解速度= ES净生成速度 =ES生成速度-ES分解速度 (二) 前稳态动力学与稳态动力学的比较 二、单底物酶促反应稳态动力学 (一)米氏方程的推导 (二)米氏方程的物理意义 1.提供了两个极为重要的酶反应动力学常数Km和可擦他kcat并通过他们表达了酶反应性质、反应条件和酶反应速度之间的关系。 Km的物理意义： ⑴特定的反应，特定的反应条件下，Km是个特征常数，可部分描述酶反应性质、反应条件对酶反应速度的影响。故可用来鉴别不同的酶。 ⑵1/Km表示酶与底物的亲和力，Km越大，亲和力越小，反之越大。 ⑶当v=V/2时，Ks=[S]。表明Km相当于反应达到最大速度一半时的底物浓度，或者说，相当于要使反应系统有一半的酶分子参加反应所必须具有的底物浓度。 ⑷通过Km可判断酶的最适底物，因为最适底物具有最大的V/Km。 ⑸通过Km可了解酶的底物在体内可能具有的浓度水平。一般酶<>Km,那么v≈V，[S]将失去其生理意义。 ⑹通过体外测定某些物质对Km的影响，可以推断出该物质可能有的生理效应，如作为抑制剂或活化剂等。 (三)酶活力单位和比活力 一个标准单位：在特定的条件下(25℃，pH、底物浓度等其他条件均为最适条件)，1分钟能转化1微摩尔底物所需的酶量。 酶的比活力(specific activity)：每毫克蛋白所含的酶单位数，用U/mg蛋白表示。 (四)酶的转换数 1.分子活性定义：在最适条件下，每摩尔酶每分钟所转变的底物摩尔数(即每摩尔酶的酶单位数)。 2.对于寡聚酶：在最适条件下，每摩尔活性亚基或催化中心每分钟所转变的底物摩尔数。 3.用min-1表示。 4.kcat=Vmax/[Et] (五)米氏方程对酶反应速度和底物浓度间关系的描述 米氏方程概括的这些规律和绝大多数实验结果一致，但少数情况下产生异常。例如，1/v对1/[S]作图时，一般应该得到线性图形，但有时也会产生偏差，原因可能为： (A)可能是由于高底物浓度引起的抑制； (B)可能是由于高底物浓度引起的活化： (C)和(D)，可能是由于分析操作上的误差； 在实际工作中，反应系统使用适当的底物浓度非常重要。 用动力学方法进行酶活性测定，或进行底物以外其他因素测定时，为避免同时夹杂其他因素的影响，最好使用足够高的底物浓度，使反应呈零级反应状态。 进行底物本身的测定时，应使反应速度直接比利于底物浓度，即使系统处于一级反应状态。 (六)米氏方程其他表达形式及作图法 1. 此表达式对应的图形为v~[S]作图， Km=V/2。 ⑴很难准确地画出矩形双曲线； ⑵很难画出渐近线； ⑶误差不易察觉； 2. 该式对应的图形为1/v~1/[S]作图，称为Lineweaver-Burk作图或双倒数作图。 ⑴点分布不均匀，集中于1/v轴，不过，此缺点可通过适当选择 [S]克服。 ⑵误差放大。在低[S]时，v很小，本身就容易产生误差；而化成1/v与1/[S]后，误差显著放大。 3. 相应的作图为[S]/v~[S]，称为Hanes作图。 优点：点分布均匀； 缺点：由于取]1/v，使误差放大，但比较一致，一般认为适用于常数测定。 4. 对应图形为v~v/[S]，称为Eadie-Hofstee作图。 缺点是分布不均，但无误差放大，可信度高，更大的优点是各种因素的影响可在影响上表现出来。故现在很受人们重视。 5. 此式可以v~log[S]作图，但通常少用，只有当[S]变化很大，v变化较小时，这种方法才有优点。 6. 可用(2.3/t)log([S]0/[S])~( [S]0-[S])/ t作图。但这一方法仅仅用于不能测定初速度的情况。 应用作图法测定动力学常数时应注意的两个问题： 1.最好使用接近Km的[S]，否则不能得到准确结果，因为： ①用Lineweaver-Burk作图时，如果[S]>> Km,曲线基本水平，斜率近于0；如果[S]<< Km,则曲线

将从以下五个方面进行展开（参考书籍《基于复杂网络的机器学习方法》）：
 
1.度和度相关性
 
2.距离和路径
 
3.网络结构
 
4.网络中心性
 
5.复杂网络度量方法的分类
 
 
1.度和度相关性
 
   密度：衡量网络中各个节点间的连接强度。将密度接近0的网络称为稀疏网络。
 
   网络同配性：网络同配性主要是根据网络中节点的度，从网络结构的角度考虑网络中节点相连的可能性。同配系数r是一种基于度的皮尔逊相关系数。
 
         r是正值时，表示度大的节点倾向于连接度大的节点；   r是负值时，表示度大的节点倾向于连接度小的节点。
 
         r=+1时，表示网络具有很好的同配性；      r=-1时，表示网络具有很好的异配性。
 
        社交网络就表现出很明显的同配性（assortative），举例来说，交友广泛的人倾向于彼此连接。这个结果表明网络会有一个核心，其中高度的用户聚集在一起。这使得在这些网络中从一个节点可以快速贯穿网络到达另一个节点，因为高度节点提供了图中距离遥远的部分之间的捷径；而科技网络，技术性网络（如WWW和Internet路由器）生物网络（蛋白质相互作用网络、食物网络，以及神经网络）以及金融网络则表现出很强的异配性（disassortative）。
 
   局部同配性：每个节点在整个网络同配性中所占的比例。
 
   非归一化富人俱乐部系数：只关注节点与超过一定度数的节点相连的可能性。
 
   归一化富人俱乐部系数：消除了相同度分布下由结构所引起的差异，更能体现富人俱乐部效应的重要性。
 
 
2.距离和路径
 
直径：节点间的最大路径长度称为网络的直径。
 
节点偏心率：表示网络中其他节点与其距离最长的路径。
 
半径：偏心率最小的节点间的距离。
 
维纳指数：所有节点间距离的和。
 
网络全局效率：网络中信息传播效率记为GE，它与网络中节点间的距离成反比。
 
网络平均一致估计：网络全局效率的倒数称为网络的平均一致估计。
 
 
3.网络结构
 
局部聚类系数：量化了局部积聚的能力。
 
网络聚类系数：用于度量网络的积聚情况。如果CC=1，说明网络中所有点都是相连的，如果CC趋近于0，说明网络的连接较为松散。
 
循环系数：描述了复杂网络中的流通度。
 
网络全局循环系数：网络中所有节点的循环系数的平均值称为网络的全局循环系数。
 
模块化系数：用来度量网络中某一特定聚类的可能性，即度量网络中聚类的强度。其取值区间为【0，1】.当模块性接近0时，表明网络中不存在社团结构，即网络中的节点是随          意相连的；随着模块化系数的增加，社团结构越来越清晰。模块化系数定义了每个节点属于某一社团的可能性，在网络形成时根据模块化系数确定节点是否属于某一社团。
 
        模块化系数反映了模块中节点的集中程度，而不是所有模块之间的随机分布。
 
拓扑重叠指数：度量网络中大致处于相同社团的两个点的连接程度。
 
 
4.网络中心性
 
    具有较大度数的节点是网络的中心，而较小度数的节点通常是外围或者末端的节点。度数较大的节点通常被称为关键节点。
 
   基于距离的网络中心性：
 
   极小极大准则：像医院等急救场所的选址问题，确定一个使最大反应时间最小化的位置。
 
   极小求和准则：例如购物中心等服务设施的选址，目标是尽量使总的路程时间最小。
 
在社交网络分析中，基于这一概念的网络中心性指标称为亲密度。
 
  基于路径的网络中心性：主要考虑通过节点的路径数量。
 
介数中心性：主要度量网络中每对节点位于最短路径上的程度。由于信息以相同的概率通过每一个节点，每条信息传播中通过的节点数量只与节点所处的最短路径的节点数量成比例。这一路径上节点的数量为网络的介数中心度数。
 
连通度：从节点p到节点q通过最短路径和不同长度的随机游走而进行信息传递的能力称为连通度。
 
基于特征向量的网络中心性：在定义中，当某一节点具有较大的特征向量中心性指数时，它的邻域节点更重要，为关键节点。
 
Bonacich特征向量中心性算法：利用邻接矩阵特征向量计算网络中心性。
 
Katz指数：该指数用来确定个体在网络中的重要性或状态。
 
PagRank算法：谷歌用于网页排名的著名算法。可以模拟用户浏览网页的行为。
 
特征向量中心性算法：节点的重要性取决于它的邻域节点的重要性。
 
 
5.复杂网络度量方法的分类
 
严格局部计算：度，强度等
 
混合计算：如局部聚类系数，拓扑重叠指数等
 
全局计算：如网络全局效率，半径等
 
 
参考：
 
复杂网络的统计描述 - 谁动了我的奶盖 - 博客园

 
 

 
来源：人机与认知实验室

 
1 什么是复杂性目前无法表述清楚
 
在汉语中“复杂”一词的意思为“事物的种类、头绪等多而杂”。在《朗文当代英语词典》中，形容词complex被解释为：(1)难于理解、解释或处理，不清楚或不简单；  (2)由许多密切相关的部分所组成的；(3)（词或句子）由主要部分和其余部分组成的。日常用语的“复杂”词义实际涉及两个方面：其一，客观的本体论方面它指事物的组成杂而多}其二，主体的认识论方面它指难于理解和解释，不容易处理，不清楚。  据美国记者约翰。霍根(John Horgan)在其著作《科学的终结》中所讲，麻省理工学院的物理学家塞思·劳埃德(Seth Lloyd)通过电子邮件向他提供了一份关于复杂性定义的清单，他统计了一下有45种：(1)信息，(2)熵，(3)算法复杂性，(4)算法信息量，(5)费希尔信息，(6) 熵，(7)自描述代码长度，(8)纠错代码长度，(9) Chernoff信息，(10)最小描述长度，(11)参量个数或自由度或维数，(12)复杂性，(13)共有信息或通道容量，(14)演算共有信息，(15)相关性，(16)储存信息，(17)条件信息，(18)条件演算信息量，(19)计算熵，(20)分形维，(21)自相似，(22)随机复杂性，(23)混和，  (24)拓扑机器容量，  (25)有效或理想的复杂性，(26)分层复杂性，(27)树形多样性，(28)同源复杂性，(29)时间计算复杂性，(30)空间计算复杂性，(31)基于信息的复杂性，(32)逻辑深度，(33)热力学深度，(34)规则复杂性，(35)信息Kullbach-Liebler，(36)区别性，  (37)费希尔距离，  (38)分辨力，  (39)信息距离，(40)演算信息距离，(41) Hamming距离，(42)长幅序，(43)自组织，(44)复杂适应系统，(45)混沌边缘。
 
复杂性的定义远不止45种。据笔者2007年在网络google上的一次查询，输入复杂性一词，有3410000项与复杂性相关的同页。其中涉及算法复杂性、计算复杂性、生物复杂性、生态复杂性、演化复杂性、发育复杂性、语法复杂性，乃至经济复杂性、社会复杂性等。实际上几乎每个学科的研究者对复杂性都有各自的见解，要想在目前阶段搞清复杂性的含义太难了，几乎是不可能的事，复杂性概念的模糊性对复杂性科学概念的形成和复杂性科学体系建立有一定负面影响。复杂性概念的模糊性、不确定性反映了复杂性研究的不成熟。
 
当然，复杂性概念的模糊性和不确定性并不绝对妨碍人们去研究具体对象的复杂性问题，也不影响人们对复杂性研究的各种理论和方法的构建。人们可以结合各种具体对象来讨论复杂性问题，可以在各自的理论中给复杂性以可操作的定义。我国著名科学家钱学森认为，所谓“复杂性”实际是开放的复杂巨系统的动力学，或开放的复杂巨系统学。钱学森在简单性与复杂性问题之间划了一道界线，他认为：“凡是不能用还原论方法处理或不宜用还膘论方法处理的问题，都是复杂性问题，复杂巨系统就是这类问题。”[目  在哲学领域，复杂性分为客观复杂性和认识论复杂性：(1)从本体论角度界定的复杂性。颜泽贤等对复杂性进行了如下定义：“复杂性是客观事物的一种属性。复杂性是客观事物层次之间的一种跨越。复杂性是客观事物跨越层次的不能够用传统的科学学科理论直接还原的相互关系。”吴彤提出了客观复杂性的概念，客观复杂性包括三个方面；结构复杂性、边界复杂性、运动复杂性。其中结构复杂性又可分为：分形结构复杂性和非稳定结构复杂性；运动复杂性也可分为：分岔运动意义的复杂性、突变运动复杂性、混沌运动意义的复杂性。(2)认识论角度定义的复杂性。描述复杂性，其含义为：在得到关于某物的组成部分和这些部分之间的相互关系几乎全部信息的情况下，用某种语言对该物的整体行为进行精确的形式表述的困难程度。认识论的复杂性依狡于主体的认识，主体选择的语言形式和表述的类型，还依赖于认识者的兴趣、能力和观念等。
 
2．复杂系统的基本特征厦复杂性产生机制说法不一
 
有的学者概括了复杂系统的十大特征：
 
(1) 多样性。复杂系统是由大量不同层次、不同类型的组分及组分之间广泛而大量的联系构成的对象，系统中的每一个单元的变化都会受到其他单元的影响，同时也影响其他单元的变化。
 
(2) 多层次性。系统具有多层次、多功能的结构，多组成即有多种多样的子系统和子子系统，每个子系统有独立的结构、功能与行为；每一层次均成为构筑其上一层次的单元，同时也有助于系统的某一功能的实现。
 
(3) 整体性。复杂性体现整体性系统性。对于一个复杂的非线性系统，系统的整体行为并非简单地与子系统的行为相联系，不能简单地从局部的个别行为的细节去判断整体。系统的整体行为不是胼有局部行为的简单相加，即每个组成不能代替整体，每个层次的局部不能说明整体。
 
(4) 开放性。复杂系统是开放系统，它与环境有密切关系，能与环境相互作用，与外部环境是统一的，并能不断向更好地适应环境的方向发展变化。
 
(5) 非平衡性。复杂性只能产生于远离平衡态。系统通过自组织形成耗散结构，复杂系统大多是非平衡态的系统。
 
(6) 非线性。复杂系统通常都是由许多子系统组成，各组成之间相互关联，相互制约，以某种或多种方式发生复杂的非线性相互作用，非线性是系统复杂性的内在机制。
 
(7) 动态演化性。复杂系统是动态的，处于不断的演化当中，具有自适应和进化能力。系统的动态演化过程是阶段性的，有渐变与突变，整个过程是非线性的。渐变是突变的基础，而突变则是从低级到高级的变化原因。可以把突变作为一个系统由一种阶段、一种状态向另一种阶段、另一种状态演化的转折。
 
(8) 不确定性。不确定性首先是源于随机性的复杂性。它对初始条件、参数和环境的微小扰动具有高度的敏感性，即所谓“差之毫厘，失之千里”，系统的状态极其不稳定。另一种重要的不确定性为模糊性，模糊系统显示的行为既不是完全有序的和可以预测的，也不是完全随机的和绝对不可预测的，经常处于模糊的边界，或介于二者之间。因为有序态、随机态和混沌态等多样性行为可以共同存在于一个复杂系统中，它们能够依系统内外不同参数条件随时间和空间而变化，显示出多姿多态。模糊性既是复杂性的来源，又是复杂性的表现或结果。
 
(9) 自组织性。自组织性是开放系统在大量子系统合作下出现的宏观上的新结构。系统随着时间而变化，经过系统内部和系统与环境的相互作用，不断适应、调节，通过自组织作用，经过不同阶段和不同过程，向更高级的有序化发展，涌现出独特的整体行为与特征。系统有自适应、自组织地趋向有序化的功能。
 
(10) 不可逆性。可逆过程没有复杂性，还原论方法足以解决问题。复杂性只能出现于不可逆过程。在复杂系统中，时间反演的不可逆性和不对称性，产生r对称破缺，从而造成系统演化的复杂性。
 
有的研究者将复杂系统的特征简化为六大特征：
 
(1) 组分数目巨大，复杂系统拥有数目巨大的组分，系统因规模增大而复杂。(2) 组分间存在着复杂的相互作用，这种复杂性表现在，相互作用不一定只是物理性质，还可能是信息的交换；相互作用必须达到一定程度；相互作用是非线性的；组分同作用较为直接、短程性( short range)；相互作用有反馈的环路。(3)开放性。(4)远离平衡态。(5)历史（生成性），复杂系统都是有历史的，它们不仅是在时间中演化，而且现在的行为依赖于过去。(6)信息不完全性。任何组分个体都无法预知自己的行为会对整体产生怎样的影响，复杂性是组分个体间丰富的相互作用的结果，但这些组分个体（适应性主体）却只能对与自身有关的信息作出反应。  还有的研究者用四不来描述复杂性：(1)不连续性；(2)不确定性；(3)不可分离性；(4)不可预测性。认为，未来不是完全可以预测的，未来不在过去的延长线上。未来并非过去的继续，而是一系列的不连续事件。只有承认这种不连续性并设法适应它，我们才有机会在21世纪生存下来并获得成功。有的研究者从定性与定量的角度来界定复杂性。“从定量上讲，复杂系统有高阶次、高维度、多回路、多输人、多输出和层次性等特点。从定性上讲，复杂系统具有非线性、不确定性、内外部扰动、多时空、开放性、自相似性、病态结构及混沌现象等特征”，“其中，涌现性和非线性是复杂系统最本质的特点”。
 
3．复杂性研究的一般性理论比较薄弱 
 
(1) 缺乏合适的核心范畴、逻辑出发点和研究路径。目前的研究主要是以系统和挝程概念为核心范畴，是围绕系统展开的研究，这种系统范式以组成系统的要素作为研究的逻辑出发点，通过对要素之间的关系即结构的研究达到对系统整体性质与功能的研究，进而描述系统的状态与过程。这种范式的缺陷或困惑是，从局部即要素出发的研究由于系统整体的非线性，从局部推论不出整体，即不能从局部来认识整体，称为系统的不可分性。而选择从结构出发的研究也走不通，根据关系的形成规律，要素的数量越多关系形成的可能性就越多，如果要素超过一定数量又服从全排列，则关系数量呈指数增长变成超计算问题，即使有算法，用计算方法也研究不了此类复杂性问题。如果选择系统作为研究问题的出发点也有很大的麻烦，现有的系统概念主要是从局整关系角度考虑问题的，系统与时间维度的关系不确定，这样一个时间边界不确定的对象作为复杂性研究的出发点也是不合适的。复杂性研究的逻辑出发点是立足于动静关系即状态或过程，还是立足于局整关系即要素和系统，是从相对静止的状态出发来建构理论体系，还是从要素、结构到整体涌现的系统出发来建构理论体系，其结果是大不一样的。所以，目前的系统范式正在经历从系统到复杂性，从复杂性到困惑的道路。
 
(2) 现有的复杂性研究大多数是具体科学层次或工程层次的研究，而属于一艘性、共性的研究则较少。近几年来的复杂性研究主要集中在复杂系统的演化、涌现、自组织、自适应、自相似的机理研究。在金融避险与经济动力学、脑高级功能的复杂性、灾害系统、演化计算、元胞自动机、多智能体(Multi-Agents)复杂网络等方面，大都是具体科学或技术层次的研究。目前，复杂性研究的一般性理论比较薄弱，从学科发展的整体看，复杂系统理论就是要研究解决复杂系统中的共性问题即复杂性问题，具体科学层次的研究、工程层次的研究不能代替复杂性共性的一般性研究，褴有共twj-般性理论的指导，具体对象的复杂性研究不可能走得太远。
 
4．具体科学领域对人的思维系统的复杂性研究难班深入
 
复杂系统研究领域中研究得比较多的是“地球物理系统、深太空系统、生物与生态系统、人工生命系统、自适应进化系统、人工智能系统、社会自组织系统、经济管理系统、军事作战系统及复杂工程系统”。．胡而对于世界上最复杂最有挑战意义的人的思维系统的研究相对薄弱，有的复杂性研究几乎不提思维系统的复杂性研究问题，急功if利和知难而退的回避策略被不少研究者采用。然而，思维系统的复杂性研究不可回避，其研究也不可能只让心理学研究者来单独完成。
 
5．现在的方法和技术不能满足复杂性研究和应用的需要
 
(1)用简单科学中的概念、方法和技术来解决复杂性问题，将复杂性当简单性来研究。在技术方法上过度依赖符号方法及技术。简单性对象及过程用符号方法及技术可以解决，但复杂性对象用符号方法及技术失效。一部分研究者习惯于用计算等硬方法来解决复杂性问题，实际上复杂性对象的表达多数是超计算、不可计算的，符号方法最终将收效甚微。早期的复杂性研究主要用定量化、形式化方法描述和解决复杂性问题。迄今为止，中国和西方的科学家已经创造了一系列的复杂系统研究方法和技术，如模型方法，数值方法，计算方法，模拟和虚拟方法，综合集成方法，物理、事理、人理方法，动力学方法，隐喻方法等软科学与硬科学结合的方法。但仅用这些方法来处理复杂性对象还是远远不够的。
 
(2)在研究中混淆研究对象的不同层次。部分理论将不同的历时态层次混淆，如将系统、状态和过程三个历时态层次混淆，将系统、状态和过程中不同的复杂性混淆，将非线性与非确定性混淆，将连续性与非连续性混淆，将可以用符号方法解决的（线性）问题与不可以用符号方法解决的（非线性）问题混在一起，使一些本来可以解决的问题与不可解决的问题混在一起。其主要原因是使用了没有时间边界或时间边界不确定的系统概念为研究的逻辑出发点。
 
(3)对复杂性对象特征的认识片面，观控技术欠缺。有的理论认为复杂性的根本特征只是非绒性，状态论认为复杂性对象的主要特征可以概括为四非：即非线性、非确定性、非连续性、非预测性，相应地在认识论和技术层次表现为四个失效：线性方法失效，确定性方法失效，连续方法失效，预测方法失效。四个失效几乎把人类历史上已经成功把握的，已经取得伟大辉煌成就的传统科学方法放到了无用武之地的位置上去了。那么，目前人们除了定性的、隐喻的、直觉的、灵感的方法外，还有什么方法来对付复杂性对象呢？复杂性是否是人的认识的局限？是否是人类不能跨越的门槛？复杂性研究的危机和困惑由此产生。笔者以为，复杂性研究在认识论和技术层次的四个失效实际上反映了人类长期以来使用的符号方法及技术的失效，要从整体上解决复杂性问题，人类还需要新的思路和方法，特别需要发展处理非符号信息的技术和方法。
 
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。
 
  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”