2021年诺贝尔物理学奖深度解读与复杂系统的思考 转载

随着2021诺贝尔奖写陆续公布，今年的诺贝尔物理学奖颁发给了三个人，两个贡献一个领域，这个领域就是复杂系统，三位获奖人分别是日本裔美国籍的气象学家真锅淑郎、德国的海洋学家、气候建模师克劳斯.哈塞尔曼，奖励二位构建出了物理形式的地球气候模型，量化可变性并确切地预测了全球变暖。第三位是乔治.帕里西，奖励其发现了从原子到行星尺度的物理系统中无序和波动的相互作用。今年的诺奖具备很大意义，首先，第一个就是在科学层面上肯定了全球变暖，那些说全球变暖是骗局的人可以休息休息了，这次诺奖的颁发算是对全球变暖这个议题是盖棺定论了。另外，也说明地球的气候变化已经恶化到一种刻不容缓的程度了，大家都能够感受到近几年来的极端天气越来越频繁，碳中和碳达峰也是我们全球范围内的气候目标，这都是对真锅淑郎和哈塞尔曼这二位研究工作的肯定。

下面我们来具体解读一下这次的诺贝尔物理学奖获奖者的研究历程。其中的真锅淑郎从1958年开始在美国气象局工作，1967年他和另外一名工作者发表了一篇关于二氧化碳是全球变暖的根本原因的论文，从今天看来，这篇论文是史上最伟大的气象科学相关论文，这篇论文首次通过数学建模的方式证明了在物理上二氧化碳确实会导致全球变暖，按照当时的估算，二氧化碳浓度每增加一倍，全球平均气温将会升高2.3度，这和现在计算结果已经相差不多了。虽然当时的真锅淑郎采用的是一个一维模型，使用的还是当年的第一代商用计算机进行的计算，不过他们的研究发现奠定了气候模型的发展，我们确实可以通过数学建模和数值模拟的方式来预测混沌的气候变化。第二位哈塞尔曼的贡献，他建立了一个更复杂的模型，所谓可以展现气候变异的哈塞尔曼模型，这个模型就回答了为什么气候模型在天气多变的且混乱的情况下依然可靠，并且肯定了真锅淑郎的研究工作，证明了二氧化碳确实可以导致全球变暖，他还开发了识别特定气候信号的方法，证明了目前气候变暖主要是由于人类活动排放的二氧化碳过量导致的，所以不难看出这次的一半的诺奖就是针对全球变暖的贡献颁发的。

真锅淑郎

哈塞尔曼现在是欧洲气候论坛的副主席，曾经担任过德国气候计算中心的科学主任。当然我们现在的气候模型已经越来越完善、越来越复杂，比如说现在的气候模型使用了真是的大陆板块，加入了云量分析、气溶胶的影响、动态植被的影响等等。所以现在的模拟基本上是由超级计算机来完成的，因为这个需要强大的计算能力和存储空间，值得一提的是我国的地球系统数值模拟装置，简称寰，马上就要投入使用了，由中科院大气物理所和清华大学共建的。

哈塞尔曼

值得注意的是，另外一半的诺奖是颁发给了意大利的理论物理学家乔治.帕里西，诺奖官方给出的获奖理由是因为其在复杂系统的贡献。1979年帕里西通过一种数学上的复型技巧解决了自旋玻璃的问题，后来这个技巧被证明是对的，也因此成为了复杂系统理论的基石。不过帕里西在诸多领域都有重要的贡献，比如说他在量子色动力学中提出了关于部分子密度和动量关系的积分微分方程等等。总之，帕里西是粒子物理学领域的大佬级的人物，这也是他这次获得诺奖的重要原因。就像是爱因斯坦得诺奖不是因为相对论，而是发现了光电效应，杨振宁先生得诺奖是因为弱相互作用中的宇称不守恒，但是他更主要的贡献是在于杨-米尔斯规范场理论。这三位获奖人就有了一个共同的话题就是复杂系统，什么是复杂系统呢？简单点说，复杂系统是微观层面上各个子系统之间通过相互作用导致了宏观层面的系统结构与行为，比如说蚁群、鸟群、蜂群，每个个体都是简单的行为，但是在宏观整体上却完成了一些复杂任务。

帕里西

那么什么是复杂系统？和我们人类生活有什么紧密联系呢？

复杂系统从根本上不同于简单系统，简单的系统，比如封闭的气体或遥远的星系，相互作用非常弱，我们可以用简单的数学统计方法来分析它们的变化与发展。复杂系统并不是意味着系统在个体数量上的庞大，而是在于它们子系统之间的相互依存、相互作用机制在随着时间发生演变，而这种演变是很难预测和估计的，最终反映到宏观系统行为是则会是一种截然不同的现象。

人类在对复杂系统的研究中，存在大量关于直觉、经验、认知等无法用形式化方法表示的特性，这意味着仅依赖传统基于相似性原理及形式化知识的建模仿真方法，难以真正表达复杂系统的深层次规律。如何获取和表达非形式化的知识，并将这些知识用于复杂系统的理解和建模，一直是各领域复杂系统研究中亟待解决的难题。“阿尔法狗”（AlphaGo）通过深度增强学习方法，成功解决了围棋这一复杂博弈系统的认知和决策问题，为用智能建模方法去深入理解复杂系统提供了新的思路。

根据系统论，世界可分为简单系统与复杂系统，简单系统主要是诸如“1+1=2”的那些系统，也就是整体等于各部分之和。所有的系统都像钟表一样，即使结构再复杂，也可以分解还原。系统的性质表现在其结构不会变化，因果关系确定，结果可重复、可预测，状态稳定等方面，如自行车就是这样的系统。复杂的事物，如航空母舰，只要是可以分解还原的，就都是简单系统。

鸟群

复杂系统就是那些“1+1≠2”的系统，即整体不等于各部分之和，研究每一个组成部分，并不能得到整体性质。如人体，死人和活人所有的物质都是一样的，但是一个有生命，一个没生命。从性质上看，它的系统结构是可变，因果不明确，结果不可预测、也不可重复，而且会产生出新的系统性质。

复杂系统与复杂性运动

复杂系统的复杂性主要表现为3种主要性质，其他性质可从这3种性质中衍生出来。1)适应性。其最大特点是“环境会导致系统结构不断发生改变”。为适应环境，系统自身结构会不断调整，演化出新的系统结构，从而导致系统产生出新的性质和功能。2)不确定性。不确定性存在的直接结果就是“会导致因果不再一一对应，也不会是完全唯一”。从物理学角度来说，海森堡测不准原理就指出了“不确定性的客观存在性”，即状态的不确定性与人的认识多少无关。从社会学角度来说，由于自由意志的存在，导致人或者人的组织有了选择的自由，因而也会产生不确定性。3)涌现性。涌现性最直接的后果是“会得到新的整体性质，并且这种性质不可预测”。由于系统的自组织、自适应和不断演化，新的系统性质会分层次涌现，且涌现的结果具有非线性，所以它是不可预测的，既有不可预测的随机性，但是也有总体的规律性，而且不以人的意志为转移。

研究复杂系统，首先就需要对复杂系统进行数学建模，由于复杂系统的性质会给建模预测带来一定的困难。“阿尔法狗”（AlphaGo）采用深度增强学习的方法，不仅在围棋上战胜了人类，而且揭示了一种复杂系统建模的可能。尤其是“阿尔法狗”采用的深度学习方法，被认为是人工智能领域的重大突破。深度学习下的认知是一种非常接近人类的认知方式。知识主要以公式、规则、文本等形式化方式表达，基本上都是通过抽象化方式、以理性方式学习到的。智能技术的不断发展，在增强人类获得认知、积累知识能力的同时，不仅会改变我们对复杂系统的认知能力，同时也为我们提供了用认知仿真方法去深入理解复杂系统的新思路。