反質子，發現！｜科學史上的今天：10/18

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 作者｜盧彥森，目前任職於 德國于利希研究中心 能源與氣候研究所

第一個地表模型的開發者——真鍋淑郎

在大氣科學領域中，有一部份專業領域統稱為「氣象模擬」，其中，有一門名為「地表模式」的領域，是專門算地表上各種物理、化學、生物作用的行為。

在做這些模擬的研究者中，有個很有名的日本名字，叫做 Manabe，他的論文會一直出現在大家眼前，也就是（只有我們在乎的）《 Manabe 1969, CLIMATE AND THE OCEAN CIRCULATION I : THE ATMOSPHERIC CIRCULATION AND THE HYDROLOGY OF THE EARTH’S SURFACE 》^[1]，最近因為大量的報導，我才知道原來他名字的漢字是——真鍋淑郎，也就是第一個地表模型的開發者，而在 2021 年時，他拿下了諾貝爾獎。

地表模式（Land Surface Model）在大氣模擬中有舉足輕重的地位，可以算地面是怎麼跟大氣作反應的，像是降水是怎麼被樹冠層截流、土壤水是怎麼變成地表逕流跟地下水、水是怎麼靠蒸散發回到大氣中；還有太陽光怎麼被地面或葉面吸收、能量怎麼被蒸散發作用給吸收、地面上的溫度增加或減少了多少，還有太陽輻射是有多少返回大氣層。

而真鍋淑郎的地表模式，則涵蓋了一大部份的物理反應，供美國國家海洋暨大氣總署（NOAA）的 Geophysical Fluid Dynamics Laboratory 的全球大氣模型使用。

不過學界是殘酷的。在那個電腦比房子貴的年代（房價在 1960 年的中位數約為$11,900，CNBC報導），真鍋順便背了個學界的鍋，像是：你的模型是不夠真實的、你的土壤濕度估算不夠物理……等因為電腦計算跟理論發展還不夠成熟，所以尚未發展的物理與計算方法。

後來的論文也會稱真鍋的地表模式是水桶模型（因為其計算土壤濕度的方法宛如水桶一樣，滿了就去除，而非經土壤中水流方法流走的）。但無論如何，第一個地表模型，基本上就是真鍋與他在普林斯頓的好夥伴們發展出來的。因此，真鍋的地表模型也在後來的論文中，尊稱為第一代的地表模式，建立起祖師爺等級的封號(Sellers et al., 1997)。

水桶模型後，百家爭鳴的地表模式大戰

雖然第一代的地表模式，土壤當做水桶，地上也沒有植物，更不要說可以進行光合作用或是碳排放來研究二氧化碳是怎麼搞壞我們的人生，但也讓後續的第二代地表模型有了出發點。

1980年後，在個人電腦逐漸普及後，地表模式也開始百家爭鳴，其中真鍋的身影也就只存在各家論文的引用中了。後來再出現時，則是在地表模式大戰——PILPS（Project for the Intercomparison of Land-surface Parametrization Schemes）^[2]。這個計畫中，以水桶模型這個稱號出現。基本上始於 1995 年的 PILPS 計畫，就是利用荷蘭的 Cabauw 量測站測到的氣象狀況，來驗證各家第二代的地表模式中，誰才是最強的。

當然結果就是，沒有誰家最強。

更重要的是，雖然地表模式都比真鍋的模型更複雜了一點，但是有個東西是沒有人考慮到的：光合作用。

當時各家的蒸散發公式，主要都是用Jarvis的葉面氣孔參數化公式做考量^[3]，所以也沒有真的考慮到二氧化碳、水、太陽之間的直接關聯。而做出這個關連性主要公式——Farquhar等人^[4] 的二氧化碳同化作用公式，才在 1980 年時正式發表，離他同事 Berry 拿去演化成植物氣孔跟光合作用的連動公式^[5]，還有七年。而在地表模型大戰中發表的模型，其實都長得 87% 像。

在 1997 年時，NASA 的 Sellers等人^[6]，與多位同樣是地表模式的作者與植物氣孔模擬專家，在《Science》期刊中，登高一呼：我們要有能夠計算生態跟複雜物理的模型！畢竟在 PILPS 的大戰中，沒有真正的勝者，也沒有真正的輸家，甚至我們的真鍋大哥在水文計算上也沒有輸^[2]！

所以在 2003 年，集合了 PILPS 大戰中和解的部份朋友們，第一支集眾人之力誕生的通用地表模式（Common Land Model）上線了^[7]，這支從 1998 年開始寫的程式，過了近五年後才發表，算是第三代地表模式的代表作。

而這個第三代中，植物終於開始有了它的意義，這植物的葉子終於可以隨四季生長了，也會行光合作用了，土壤也增厚到兩公尺多了，土壤也會依不飽和水流公式往下滲流，也可以計算堆雪了。其中最重要的，就是那光合作用公式的應用。

持續再精進與貢獻

之後的地表模式，就一直著重在地面植物的改良，讓植物越來越真，從一開始的沒有植物，到會蒸發水，再到會跟二氧化碳互動，以及跟氮交互作用，計算植物的農作產出，一步步朝著更精細的方向前進。

當然地表模式也有很多需要改良的地方，首先是地表模型是假設地表跟大氣是一維方向的互動，而土壤中水流也是只會向下滲流，如果要計算真正的水流，就必須要進行三維的地下水流動，這就是另外一個耗資源的計算。另外植物也不是真的植物，植物被假設只有四片葉子，還只有一層。

英國的「JULES」模型曾報告說他們做了個多層葉冠層的模型，最後只能淡淡的說因為計算資源耗太兇，所以沒算完 ^[8]。更甚者，地底下的根是「死」的，一年四季，不生不滅、不垢不淨，持續地在只有兩公尺厚的土裡，把水吸到植物中行光合作用(Pitman, 2003)^[9]。

所以無論如何，地表模型不僅不死，其勢更烈，因為有太多的東西可以靠地表模式來計算，像是人類對地球表面的影響、化合物排放，也都可以靠地表模式計算其對大氣的影響，就連地下水模型也都要拜託地表模式處理複雜的地表水文狀況^[10]。

從 1969 年到 2021 年，無數的改良與改版，還有兩次的超級地表模式大戰（第二次利用 Rhône 流域量測結果^[11]），都增加了人們對大氣系統的了解，並且一步步改善天氣預報的準確度，而其中的功臣之一，當然是真鍋博士在 1969 年，比 Unix 更早發表的地式模型，所以的確功不可沒，而現在地球科學的眾多估算中，地表模式解決了很多的水文與能量問題，更遑論對氣候變遷的計算，才能在1975年提出二氧化碳加劇溫度上升的研究^[12]。拿下諾貝爾獎，不僅僅是贊同真鍋博士的功勞，更是對大氣模擬界的慰勞吧。

參考資料

1. Manabe S. (1969). CLIMATE AND THE OCEAN CIRCULATION 1: I. THE ATMOSPHERIC CIRCULATION AND THE HYDROLOGY OF THE EARTH’S SURFACE. Mon. Weather Rev. 97:739–774.
2. Pitman, A. J., Henderson-Sellers, A., Desborough, C. E., Yang, Z. L., Abramopoulos, F., Boone, A., … & Xue, Y. (1999). Key results and implications from phase 1 (c) of the Project for Intercomparison of Land-surface Parametrization Schemes. Climate Dynamics, 15(9), 673-684.
3. Jarvis PG. (1976). The Interpretation of the Variations in Leaf Water Potential and Stomatal Conductance Found in Canopies in the Field. Philos. Trans. R. Soc. Lond. B Biol. Sci. 273:593–610.
4. Farquhar, G. D., von Caemmerer, S. V., & Berry, J. A. (1980). A biochemical model of photosynthetic CO 2 assimilation in leaves of C 3 species. Planta, 149(1), 78-90.
5. Ball JT., Woodrow IE., Berry JA. (1987). A model predicting stomatal conductance and its contribution to the control of photosynthesis under different environmental conditions. In: Progress in photosynthesis research. Springer, 221–224.
6. Sellers PJ., Dickinson RE., Randall DA., Betts AK., Hall FG., Berry JA., Collatz GJ., Denning AS., Mooney HA., Nobre CA., Sato N., Field CB., Henderson-Sellers A. (1997). Modeling the Exchanges of Energy, Water, and Carbon Between Continents and the Atmosphere. Science 275:502–509
7. Dai Y., Zeng X., Dickinson RE., Baker I., Bonan GB., Bosilovich MG., Denning AS., Dirmeyer PA., Houser PR., Niu G. (2003). The common land model. Bull. Am. Meteorol. Soc. 84.
8. Best MJ., Pryor M., Clark DB., Rooney GG., Essery RLH., Ménard CB., Edwards JM., Hendry MA., Porson A., Gedney N., Mercado LM., Sitch S., Blyth E., Boucher O., Cox PM., Grimmond CSB., Harding RJ. (2011). The Joint UK Land Environment Simulator (JULES), model description – Part 1: Energy and water fluxes. Geosci Model Dev 4:677–699
9. Pitman AJ. (2003). The evolution of, and revolution in, land surface schemes designed for climate models. Int J Clim. 23:479–510.
10. Kollet SJ., Maxwell RM. (2006). Integrated surface-groundwater flow modeling: A free-surface overland flow boundary condition in a parallel groundwater flow model. 29:945–958.
11. Boone A., Habets F., Noilhan J., Clark D., Dirmeyer P., Fox S., Gusev Y., Haddeland I., Koster R., Lohmann D. 2004. The Rhone-Aggregation land surface scheme intercomparison project: An overview. J. Clim. 17:187–208.
12. Manabe, S., & Wetherald, R. T. (1975). The effects of doubling the CO2 concentration on the climate of a general circulation model. Journal of Atmospheric Sciences, 32(1), 3-15.

2021 年諾貝爾物理獎於5日下午揭曉！本次獎項由美籍日裔學者真鍋淑郎（Syukuro Manabe）、德國學者哈斯曼（Klaus Hasselmann）及義大利學者帕里西（Giorgio Parisi）等 3 位學者共同獲獎。

真鍋淑郎與哈斯曼，因為地球暖化的研究建立了可預測的物理模型，幫助人類「了解地球氣候」及「地球氣候如何被人類影響」而獲獎；帕里西則是成功用物理系統，描述從原子到行星尺度下的各種無序的（disorder）「相互作用」和「波動」（fluctuations）而獲獎。

人類活動讓二氧化碳劇增，就是地球暖化元兇！

氣候，是一個對人類至關重要的複雜系統，而真鍋淑郎的研究為當前氣候模型的發展奠定了基礎。在 1960 年代， 真鍋淑郎領導了地球氣候物理模型的開發，他也是第一個探討輻射平衡和氣團垂直運運輸之間交互作用的科學家，在那個電腦運算能力比現在慢上幾十萬倍的年代，他建立的模型證實了全球溫度的升高，與大氣中二氧化碳的含量有關。

大約十年後，哈斯曼創建了一個將天氣和氣候聯繫在一起的模型，證實了雖氣候多變且混亂，但氣候模型仍然可靠。自然現象和人類活動都會在氣候中留下痕跡，他開發的模型可以辨識這些活動的特定信號和指紋圖譜，因此可以進一步地觀測人類對於氣候系統的影響。

哈斯曼創建的模型證實了人類活動加劇了溫室效應；自 19 世紀中葉以來，大氣中的二氧化碳含量增加了 40%。在這數十萬年來，地球的大氣層從未包含如此多的二氧化碳，溫度測量也顯示，在過去的 150 年中，全球溫度升高了 1°C。這證明了大氣溫度的升高，是由於人類活動產生的二氧化碳所導致的。

這兩位得獎者的研究，讓我們清楚的知道，地球溫度的確在上升，原因是因為大氣中的溫室氣體含量增加，而造成這個現象的原因，並不是因為自然因素，很明顯的，人類就是始作俑者。

複雜系統背後隱藏的規律

1980 年左右，帕里西在無序的複雜材料中，發現了隱藏的規律。 這個發現不只是能成功解釋複雜材料，更是對複雜系統理論中最重要的貢獻之一。帕里西提出的規律，讓理解或描述各式不同的複雜材料和現象成為可能，不僅在物理學中，也在其他如數學、生物學、神經科學和機器學習等領域中被運用。

A 編按：已努力修復，如果有錯或需要補充隨時在線。（20211007）

從物理來談複雜系統，就必須先從統計力學說起。

微觀下的粒子運動具有隨機性，導致無法精確算出每個粒子確切的運動，為了解決這個問題，統計力學不再看「一個粒子」，而是「一整群粒子」的運動，用統計的方式算出每個粒子的平均效果，這樣算出來的結果也能解釋巨觀現象。最接近生活的例子就是「溫度」，在微觀尺度下，溫度被描述為系統內粒子的平均動能，而在巨觀現象上，溫度這個指標也能解釋固液氣三態變化的原因。

但還有一些狀況是過去統計力學較難解釋的，以下圖為例，下圖的藍色球體是一種微小的氣體粒子，當你不斷對這群氣體粒子降溫或加壓，會讓氣體變成液體，最後結晶成固體。

降溫或加壓後形成的固體結晶，一般情況下會有固定的晶體結構，但如果溫度或壓力快速改變，就會擠壓出不規則的晶體結構，且就算用同樣的方式改變溫度或壓力，也不會出現相同的結構（下圖 a 與 b 所示）。

說這是隨機造成的也沒錯，但這結晶問題的背後，難道真的沒有規律可言嗎？

帕里西最初是研究稱為「自旋玻璃（Spin glass）」的材料，自旋玻璃並不是玻璃，是在非磁性金屬中摻入少量磁性金屬的合金，例如在銅裡面摻入少量的鐵，這時，摻入的少量鐵原子會隨機進入銅的結構中，而這些鐵原子的排列方式，卻令物理學家頭疼。

我們可以把一顆鐵原子當作一塊小磁鐵，而一般常見的磁鐵，是裡頭的鐵原子都往同一個方向排列（自旋方向相同）。但自旋玻璃中的鐵原子，有些會跟旁邊的鐵原子指向同一個方向，有些則相反，這時若有第三顆鐵原子在系統中，第三顆鐵原子就會面臨兩難的局面，不知道要往哪個方向才對，形成所謂「受挫（frustration，如下圖所示）」的狀態。

針對自旋玻璃的「受挫」狀態，帕里西的書中提到：「就像你想同時跟兩人交朋友，但這兩人卻互相討厭對方。」

1970 年代，許多物理學家都研究過自旋玻璃問題，他們想用統計力學中的「副本方法（Replica method）」來解釋，但最初計算的結果是失敗的，直到 1979 年，帕里西巧妙地運用副本方法解決了自旋玻璃問題，並花了多年時間證明這套方法在數學上的正確性。之後，這套巧妙的副本方法被用於許多無序系統，成為複雜系統的基石。

諾貝爾物理學委員會主席Thors Hans Hansson表示，今年獲獎的研究發現表明，我們對地球氣候變遷的理解建立在堅實的科學基礎上。3位獲獎者基於嚴謹的觀測分析，為我們更深入地了解「複雜物理系統」（complex physical systems）的特性和演化做出了貢獻。