飞象网讯（孙迎新/文）“基础创新这一环，碰到的是全新问题；现代工业的需求，正在逼近复杂性的边界。”
近日，在济南开幕的2026人工智能产业大会（AIIC2026）上，中国科学院院士、北京航空航天大学教授郑志明，在开幕式暨主论坛上发表题为《面向新型工业化的现代技术科学范式》的主旨演讲。
结合本届大会主题“加快推进人工智能赋能新型工业化”，以及大模型加速落地、新型工业化深入推进的热点，郑志明从复杂性边界、数据智能的能力边界、现代技术科学范式的根基三个层面，系统阐述了工业与智能深度融合必须破解的基础性问题，对人工智能赋能新型工业化的实践路径具有重要指导意义。
逼近复杂性边界：被忽略的因素重新成为关键
我国工业创新已顺利走过工业工程创新和技术创新两个阶段，大家对怎么创新很熟悉；但基础创新这一环，在新型工业化建设中碰到的却是全新问题。
郑志明认为，基础创新不只是提升工程问题的求解能力，更要弄清科学原理与现有工业方法的适用边界。“这个边界到底是怎么来测定的，是非常重要的事情”。而现代工业需求，正在逼近复杂性的那条边界。
他进一步指出，需求侧提出了更高精度、更高性能、更加可靠、更细颗粒度的四重要求；落到技术上，这些要求就表现为指标的提升、尺度的下沉与体系耦合性增强。“它不仅需要协同，要耦合性增强”。
复杂性是新型工业化建设中的共性问题，在同场演讲的诺贝尔物理学奖得主帕里西，也持类似观点，但他更注重的是复杂AI中的复杂性问题。而郑志明是将复杂性的问题具体化，与工业技术结合起来，把复杂性落到边界这个可操作的概念上。
郑志明强调，当工程目标逼近复杂性边界的时候，原本可以忽略的因素，将重新成为决定系统性能和功能的关键。而这也正是新型工业化建设中的核心问题，不能回避。
数据智能的边界：有限组合优化可解，无限问题不可解
针对当前AI研究的前沿领域，尤其是生成式人工智能与大模型的进展，郑志明认为，本质上都是数据智能，即基于数据的智能方法。它对工业有效与否，有一条清晰的判据：“凡是这个问题可以归结为有限组合优化的，现在的人工智能方法都可以做，而且它可以做到很科学。”
郑志明指出，其中的道理并不复杂：只要问题是有限的，又是组合性的，算力加上去之后就可以遍历各种可能性、找出最优解。从诺贝尔奖获得者把生物大分子、天体、气象等问题归结为有限组合优化，到特色冶金、材料、制药、化工、生物工程，乃至港口调度、短视频推荐，都属于这一类。
“但新型工业化，不是仅仅靠这种组合优化就能完全解决的，它有一大部分是不属于这一类。”郑志明把工业问题的科学原理分成两大类：有限与无限。其中，针对无限问题，现有的智能还不能解决。而这些待解决的问题，主要包括三大类：连续演化问题、体系状态的辨识问题、动态调控问题。
郑志明指出，这三类无限问题都是连续谱问题，而有限组合问题是离散谱问题，“从数学的角度来讲，这两个是完全不同类的问题”。因此现有人工智能用到第一类问题上，是有方法可解的，而第二类则还要细细研究。
他进一步指出，冶金就是典型的待解决问题：要研究整体材料形态与微观粒子之间的联系，研究微观的微弱变化对整个体系的影响，必须做多尺度。郑志明做了归纳，指出无限问题的共性是三条：多尺度、多关系、随时间的演化关系。
郑志明强调，工业智能要真正落到工业上、产生效率，就涉及动态选择、连续动力学、反问题和受约束调控的联合求解。这不仅意味着工业化本身要研究，智能化也要研究如何提供赋能的工具。
线性化一旦退化：现代技术科学的根基之问
郑志明认为，现代工业体系的基本原理，主要基于现代技术科学：把复杂问题经过有限变量和有限条件，建立近似模型，做调控和补偿，再输出工业产品。
无论机电、控制、器材，碰到原理性问题都应转化为“线性系统＋补偿”，这是行之有效的方法。但这套范式有一个隐含前提：线性部分不退化。
郑志明指出，在复杂工业场景中，退化经常发生。一旦发生退化，后续的非线性部分就很难进行调控与补偿。而这也正是“现代技术科学或者新型工业化所碰到的最大的问题”。
他进一步指出，智能层面同样存在不匹配。大模型在数据空间里做算法，其数据的结构和尺度与物理空间并不一样，所谓“不可解释”“幻觉”，根因正在于此。
郑志明认为，真正的工业智能，必须在数据空间与物理空间之间，就结构和颗粒度尺度建立很好的匹配关系，把尺度复杂性、耦合复杂性、演化复杂性变成可认知的内在规律。
