契忍可夫輻射｜科學史上的今天：10/23

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

• 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。