跳轉到

2021 · 帕里西、哈塞爾曼、真鍋：複雜系統、物理氣候與非平衡#

2021 諾貝爾物理學獎：喬治·帕里西（Giorgio Parisi, 1948–，義大利）、克勞斯·哈塞爾曼（Klaus Hasselmann, 1931–，德國/瑞士）與真鍋淑郎（Syukuro Manabe, 1931–，日本/美國）——表彰「帕里西對複雜物理學的貢獻；哈塞爾曼對地球物理的物理模型化，特別是氣候變遷的量化，並可靠地預測全球變暖；真鍋對地球物理的物理模型化，特別是氣候變遷的量化，並可靠地預測全球變暖」。

懸案（案情提要）#

2021 年的諾獎表彰了三項工作，但它們屬於兩個不同的傳統：

（一）帕里西：複雜系統的「普適性」。

（二）哈塞爾曼與真鍋：氣候的「物理模型化」。

而它們的共同點是「把不可預測的東西變成可預測的」。

讓我們先把「為什麼 2021 年的諾獎如此必要」說清楚。

（一）氣候科學的歷史困境。

（i）1960 年代末的共識：「氣候是混沌的，因此無法預測」。

1963 年，Lorenz 發現了「蝴蝶效應」（混沌的決定論）——

而當時許多人（包括主流的氣象學界）把它當作「氣候是不可預測的」的理由。

（ii）Lorenz 本人否定了這個推論：

Lorenz 在 1976 年發表的〈Predictability: Does the atmosphere have a limit?〉中明確指出：

「混沌並不意味著『不可預測』。混沌意味著『對初始條件極度敏感』——但初始條件的誤差可以用『連續的積分』隨時間誤差不隨增長的速度來控制。」

這是一個極為深刻的區分，讓我們寫出它的數學。

（iii）氣候的可預測性的物理基礎。

（a）誤差增長方程：

\[\frac{\mathrm{d}\varepsilon}{\mathrm{d}t} = \lambda\varepsilon\quad\Longrightarrow\quad \varepsilon(t) = \varepsilon_0 e^{\lambda t}\]

（b）但混沌系統有「誤差的飽和」：當誤差達到系統的尺度（\(L\)）時，增長停止（因為誤差變成「另一個天氣」）。

（c）關鍵：可預測性的時間尺度：

\[T_{\text{pred}} = \frac{1}{\lambda}\ln\frac{L}{\varepsilon_0}\]

（d）而「誤差成長率 \(\lambda\)」有兩個貢獻：

  1. 「初始條件的不確定性」（天氣的混沌）」；
  2. 「模式的非線性不穩定性（IPV、EI、PDO 等耦合模式）」。

（e）結論： 氣候的可預測性有物理上限，但這個上限是「月的尺度」——而「10–100 年的尺度」上的可預測性來自「外強迫（external forcing）」（火山、太陽、溫室氣體）。

這正是哈塞爾曼與真鍋的物理模型化所建立的。

（ii）真鍋的具體貢獻：

（a）1963 年：一維的輻射平衡模型（the zero-dimensional model）——

\[C\frac{\mathrm{d}T}{\mathrm{d}t} = Q - \lambda T\]

這是一個最簡單的「能量平衡」模型，但它有深遠的含義。

（b）1967 年：一維的氣候模型的能量平衡——

讓我們寫出這個模型。

（i）方程：

\[C\frac{\mathrm{d}T}{\mathrm{d}t} = Q(1-\alpha) - \left(\frac{\partial R}{\partial T}\right)\sigma T^4 + F - \Delta T\]

（ii）各項的物理：

項 物理
\(Q\) 太陽的入射輻射
\(\alpha\) 反照率（albedo）」
\(\sigma T^4\) ** Stefan–Boltzmann 定律的 outgoing 輻射**
\(\partial R/\partial T\) 「溫度的回饋」（溫室效應的強化）
\(F\) 人為的溫室效應（GHG）」
\(\Delta T\) **深海的熱吸收（海洋的『熱慣性』）

（iii）關鍵的「\(\Delta T\) 項」：這是 1D 模型能預測「氣候對强迫的響應慢」的原因。

（c）1969 年： Manabe 的「氣候對 \(\mathrm{CO_2}\) 加倍的響應」的計算——

讓我們寫出這個歷史性的計算。

（i）結果： 在 \(\mathrm{CO_2}\) 加倍（大氣的 \(\mathrm{CO_2}\) 從 300 ppm 到 600 ppm）後： - 地表溫度上升 \(\sim 2.3^\circ\mathrm{C}\)（平衡響應）； - 但海洋只吸收約 60% 的多餘熱量 → 溫度上升較慢。

（ii）這個 \(\sim 2.3^\circ\mathrm{C}\) 的數字——它與 2021 年的「敏感度」估計高度一致！**

（iii）真鍋在 1960 年代末至 1970 年代初的一系列工作建立了三個關鍵結果：

年份 貢獻
1964 「一維模型的『能量平衡』」
1967 「一維的溫度–降水平衡模型」（用於預測「CO\(_2\) 加倍後的降水增加」）
1969 「\(\mathrm{CO_2}\) 加倍的溫室效應」（\(+2.3^\circ\mathrm{C}\)）**
1975 「可預測性的極限：溫帶的氣候是『混沌的』，因此只能預測『統計性質』，而不能預測『特定的日子』」——這是混沌理論在氣候科學中的第一次應用

（d）讓我們特別指出「真鍋的 1975 年論文的重要性」。

那篇論文的結論（意譯）：

「大尺度的氣候變遷是可以預測的，即使天氣本身不可預測——因為前者是由『外強迫』與『大尺度的平均效應』決定的。」

這是一個「物理學的洞見」對「社會議題」的關鍵貢獻：

\[\underbrace{\text{「天氣不可預測」}}_{\text{決定論的混沌}} \;\not\Rightarrow\; \underbrace{\text{「氣候不可預測」}}_{\text{外強迫與統計平均}}\]

（三）哈塞爾曼的貢獻：把「隨機天氣」與「可預測的氣候」分開。

（a）哈塞爾曼的「隨機天氣」模型（1970s–1980s）。

他在 1970 年代發展了「隨機天氣模型（stochastic weather model）」——

讓我們寫出它的核心。

（i）模型： 把溫度場 \(T(\mathbf{r},t)\) 分成「氣候平均值」與「隨機天氣」：

\[T(\mathbf{r},t) = T_c(\mathbf{r},t) + \delta T(\mathbf{r},t)\]

（ii）關鍵的參數化：

（1）「天氣的熱傳導」（weather eddy conductance）」：

\[C_w\frac{\partial \delta T}{\partial t} = \lambda_w\nabla^2\delta T + (\text{隨機噪聲}) - \lambda_w\tau^{-1}\delta T\]

（2）「噪聲的時間相關函數」（的 Ornstein–Uhlenbeck 型」）

（iii）哈塞爾曼的關鍵結果：「噪聲的積分決定了天氣對強迫的『有效響應』」。

（iv）並且： 哈塞爾曼證明了「噪聲的『總量』是有限的」，因此「隨機天氣對長期氣候的影響是可計算的」。

（b）哈塞爾曼的「可辨識性」（identifiability）與「信噪比」的觀念。

這是哈塞爾曼最深刻的貢獻之一：

（i）問題： 我們只有一條（地球的）氣候記錄，而且它很短（\(\sim 150\) 年的儀器記錄）。

（ii）如何從「一條短的、有噪聲的記錄」中「辨識出」溫室效應的信號？

（iii）哈塞爾曼的答案：「信噪比（signal-to-noise ratio）」的評估。

讓我們寫出「哈塞爾曼的判準」。

（iv）關鍵的物理：「溫室效應的信號是『指紋性的』——它的『空間指紋』（溫帶的增溫、極地的增溫、平流層的降溫）與『時間指紋』（滯後）』使它可與別的過程區分。

這正是「fingerprint」概念的物理基礎——它是 IPCC 報告的核心論證之一。

（c）哈塞爾曼的「哈密爾頓方程的可預測性」。

哈塞爾曼在 1980 年代的一個核心洞見：

\[\boxed{\;\text{「可預測性」取決於「有效維數」，而有效維數由「系統的耦合程度」決定。}\;}\]

讓我們寫出這個概念。

（i）哈密爾頓方程（決定論）：

\[\frac{\mathrm{d}\mathbf{x}}{\mathrm{d}t} = \mathbf{F}(\mathbf{x})\]

其中 \(\mathbf{x}\) 是系統的完整狀態。

（ii）「有效維數」\(N_{\text{eff}}\)： 系統的狀態空間中「參與」實際演化的維數。

（iii）關鍵的關係（「哈塞爾曼的圖」）：

\[\frac{\text{預測誤差}}{\text{初始誤差}} = \exp\left(\frac{t}{\tau}\right)\quad\text{其中}\quad \tau = \frac{\text{相關時間尺度}}{\ln N_{\text{eff}}}\]

（iv）因此： 可預測性的時間尺度隨「有效維數」對數增長——而「有效維數」隨「耦合的複雜度」增長。

這就解釋了為什麼： - 天氣（\(\sim 10\) 維）不可預測； - 氣候（\(\sim 10^4\) 維，但有強迫）可以預測 10–100 年。

前因#

年份 事件
1856 Fourier 的「地球的溫室效應」概念（第一個「氣候模型」）。
1827 Fourier 的「溫室效應」的猜測。
1861 Tyndall 的「CO\(_2\) 吸收紅外線」的實驗。
1896 Arrhenius 的「CO\(_2\) 與溫室效應」的定量計算。
1930 Sears 的「能量平衡」的模型。
1950s Gilbert 的「把地球當作一個熱機」的模型。
1963 真鍋的一維輻射平衡模型；Lorenz 的「混沌」的發現。
1964 真鍋與「緻密大氣模型」。
1967 真鍋的一維溫度－降水平衡模型；Sellers 的「表面能量平衡」模型。
1969 真鍋的「CO\(_2\) 加倍的溫室效應」（\(+2.3^\circ\mathrm{C}\)）。
1972 Manabe 與 Wetherald 的「二氧化碳與氣候」（更完整的模型）。
1973 真鍋的「熱平衡模型與氣候的敏感性」。
1975 真鍋的〈氣候的確定性與可預測性〉——混沌理論在氣候中的第一次應用。
1976 Lorenz 的〈可預測性：大氣有極限嗎？〉（反駁「混沌=不可預測」）。
**1979 哈塞爾曼的「隨機天氣模型」。
1980s 哈塞爾曼的「可辨識性」與「信噪比」；「全球能量收支」模型。
1986 Hasselmann 的「全球能量收支模型」。
1988 IPCC 的第一份評估報告（FAR）——「人類活動『很可能』是變暖的主因」。
1990 IPCC 第二次評估報告（SAR）。
1995 Hasselmann 的《動力氣候的隨機性與可預測性》（Rep. Prog. Phys. 59, 609）——諾獎工作的總結。
1990s–2000s 「設計氣候實驗」（The Harnessing of the Atmosphere, HILDA, 1996）」——「不可控的天然實驗」的方法論。
2001 IPCC 第三次評估報告（TAR）：「很可能（very likely, >90%）」。
2007 IPCC 第四次評估報告（AR4）：「很可能（very likely, >90%）」。
2013–2014 IPCC 第五次評估報告（AR5）：「極可能（extremely likely, >95%）」。
2015 巴黎協議。
2021 諾獎頒發；IPCC 第六次評估報告（AR6）同年發布（2021–2023）。
2022–2023 「extremes attribution（極端事件的歸因）」的成熟。

調查#

第一件證物：帕里西的「複雜系統」——「三個核心發現」。

讓我們把帕里西的貢獻整理成清晰的結構，這是 2021 年諾獎的第一半。

（一）帕里西的定義（2010 年的「Complexity」一文）。

讓我們引用帕里西的定義（意譯）：

「複雜系統是由大量組分組成的系統，它們之間有相互作用，並且能顯示出『整體的行為』，而這種行為不能從各個組分的行為中簡單地推導出來。」

（二）帕里西的三大發現。

（1）「隨機偏序的普適性」。

（i）問題： 「隨機偏序（random frustration）」是什麼？

在物理系統中，「 frustration（挫折）」意味著「不同的相互作用互相衝突，無法同時滿足」。

例：自旋玻璃（spin glass）中，AFM 耦合與 FM 耦合在不同的鍵上衝突。

（ii）帕里西的關鍵發現（1993 年的 "Random frustration and spin glasses"）：

他發現：在 \(d\) 維的隨機自旋系統中，滿足「frustration」的「玻璃態」的數量隨系統尺寸 \(N\) 指數增長：

\[\boxed{\;N_{\text{states}} \sim e^{\Sigma N}\quad\text{（$\Sigma$ 為玻爾茲曼熵密度）}\;}\]

（iii）深遠的含義：

\[\text{「隨機偏序」的數量是}\;\exp\left(\frac{N}{N_0}\ln\frac{N}{N_0}\right)\]

這是一個「\(N\ln N\)」的增長——比指數還快！**

（iv）讓我們寫出「為什麼這是重要的」。

帕里西的論證：

「若一個系統有 \(e^{\Sigma N}\) 個『可能的狀態』，那麼用統計方法研究它需要 \(\sim e^{\Sigma N}\) 個樣本——這是不可能的。因此必須用『數學工具』（Fisher 的『隨機偏序理論』）。」

（v）Fisher 的貢獻： Fisher 與 Randolph（1982）的「隨機偏序的理論」。

（2）「分岔（replica）方法」——「對付指數多的系統的數學技巧」。

（i）問題： 計算帶有 \(e^{\Sigma N}\) 個態的系統的熱力學，需要 \(N\) 個副本（replicas）：

\[Z^N = \left[\sum_{\text{states}}e^{-E/T}\right]^N\]

這看起來是「多項式的」——但實際上，\(\frac{1}{N}\ln Z^N\) 涉及 \(N\ln N\) 個變數——不可行！**

（ii）帕里西的洞見（1977 年的 "Incomplete information and reparametrization in spin glasses"）：

「把 \(N\) 當作一個小的（甚至虛構的）參數來解析延拓。」

（iii）方法：

  1. 先計算 \(n = 0\) 個副本（\(\frac{1}{0}\ln Z^0\) = 0）；
  2. 再計算 \(n = 1, 2, 3, \ldots\)；
  3. 用「解析延拓」到 \(n \to 0\)。

（iv）讓我們寫出「Replica 技巧」的公式。

「\(n\) 個副本」的計算：

\[\frac{1}{n}\ln Z^n = \frac{1}{n}\sum_{\{s^\alpha\}}\exp\!\left[-\beta\left(\sum_{\alpha}\mathcal{H}(s^\alpha) + \frac{1}{2n}\sum_{\alpha\beta}\sum_{ij}J_{ij}s_i^\alpha s_j^\beta\right)\right]\]

關鍵的「\(1/(2n)\)」耦合項——這是 replica 技巧的標誌。

（v）為什麼有效？

因為在 \(n\) 為小的整數時，「\(n\) 個副本之間的耦合」是一個良定義的（雖然奇怪）模型；而在 \(n \to 0\) 的極限，這個「模型」對應到一個「\(n\) 倍的系統」。

（vi）讓我們指出「帕里西的 replica 破缺（replica symmetry breaking）」——1993 年的重大發現。

（a）問題： 在 \(n\to 0\) 的過程中，「replica 對稱性」可能被破缺。

（b）帕里西的發現：

在低溫的玻璃態中，「replica 對稱性」被連續地破缺——形成 \(q\) 個（或更多）不同的「replica 塊」（replica blocks）。

（c）物理的意義：

\[\text{「玻璃態有多個（其實是連續多個）不同的『解釋』或『複製空間的結構』」}\]

這對應到物理上：系統在「低溫玻璃態」有一個「多重的、連續的內部結構」。

（d）讓我們寫出「帕里西的序參量」。

\[q = \frac{1}{N}\sum_{i<j}\langle s_i s_j\rangle_{\text{平方}}\quad\text{（自旋玻璃的序參量）}\]

而「replica symmetry breaking」的參數是「\(q\) 的分布」。

（3）「複雜系統的統計力學方法」——「廣義的 Gibbs 分布」。

（a）帕里西的觀察（1980s）： 「在複雜系統中，『宏觀狀態』的描述可能不夠；我們需要『微觀的、隨機的、帶有多重態的描述』——即廣義的 Gibbs 分布。」

（b）讓我們寫出「帕里西的廣義 Gibbs 分布」。

\[\rho(X) = \frac{1}{Z}\exp\left[-\beta(H(X) + \sum_{a<b}\eta_{ab}\chi_{ab}\right)\]

其中 \(\chi_{ab}\) 是「宏观觀測量」的各種關聯函數（在不同的『副本』之間）。

（c）關鍵的物理： 「複製」的數量 \(\eta_{ab}\) 描述了「不同副本之間的相關性」——它們反映了「系統的內部複雜度」。

（d）應用：

  • 自旋玻璃；玻璃的弛豫；蛋白質折疊；
  • 拓撲序（1990 年代）；
  • 「隨機矩陣理論」（用於夸克質量的分布）；
  • 2020 年代的「機器學習的統計力學」。

（二）讓我們特別指出「帕里西的『複雜性』的現代定義——『計算的複雜度』。

2010 年前後，Carlo Rovelli 的「統計的獨立問題數」的概念與帕里西的「隨機偏序」相呼應。

但更直接的影響是 2020 年代的「機器學習的物理學」：

\[\underbrace{\text{「深度網絡的訓練 = 玻爾茲曼機的退火」}}_{\text{Parisi 的 spin glass 理論}} \;\longleftrightarrow\; \underbrace{\text{「神經網絡的相變」}}_{\text{2024 諾獎（辛頓）}}\]

第二件證物：哈塞爾曼的「信噪比」與「不可控的天然實驗」。

讓我們完整寫出這個方法論。

（一）問題：只有一條記錄。

（a）儀器記錄：\(\sim 150\) 年（全球的溫度記錄）。 （b）_proxy（代理指標）」： 樹輪、珊瑚、冰芯、沉積物——可達數萬年。

（c）問題： 「自然的擾動（火山、ENSO、太陽週期、隨機的洋流）」與「人為的強迫（GHG）」混在一起。

（d）若把所有「天然」與「人為」的因素都當作「噪聲」，則溫室效應的信號就埋在噪聲裡了。

（二）哈塞爾曼的「可辨識性」方法論。

（i）第一步：估計「噪聲的量」。

\[\text{SNR} = \frac{\text{信號}}{\sqrt{\text{噪聲方差}}}\]

哈塞爾曼的方法： 用大氣環流模型（Hasselmann 1986 的「全球能量收支模型」）來估計「天然氣候變動（natural climate variability）」的方差。

（ii）第二步：用「模式」（pattern）來分離。

關鍵的物理：「溫室效應的信號有獨特的『空間模式』」。

讓我們寫出這個模式。

\[\underbrace{\frac{\text{溫帶（北半球）的增溫}}{\text{增溫} > 1} \qquad \underbrace{\frac{\text{南半球暖帶的增溫}}{< 1}\qquad \underbrace{\frac{\text{平流層的降溫}}{< 0}\]

這個「指紋」是哈塞爾曼的可辨識性論證的核心。

（iii）第三步：「設計氣候實驗」（HILDA, 1996）。

這是一個精妙的方法論：

觀察自然發生的「天然實驗」（火山爆發、ENSO 事件），把它們當作「外加的脈衝」，用「響應函數」來估計氣候系統的傳遞函數。

讓我們寫出這個方法的數學骨架：

\[\delta T(t) = \int_0^t h(t-t')\delta F(t')\,\mathrm{d}t'\]

其中 \(h\) 是「傳遞函數（impulse response function）」，而 \(h\) 是可以從「單一事件」估計的。

（iv）這解决了「只有一條記錄」的問題：因為我們可以用「不同的天然實驗」來「探測」同一個系統。

這是一個「自然成為你的實驗室」的方法論——它的深遠影響超出氣候科學：**

（a）它成為了「extremes attribution（極端事件歸因）」的基礎。

2021 年之後的「快速歸因研究」（WWA）：用事件的模式與溫室效應的「指紋」比較，給出「這個熱浪有多少是人為的？」的定量答案。

（b）它也成了流行病學的「自然實驗」方法論。

第三件證物：真鍋的「全球能量收支」——「把氣候變成能量帳」。

讓我們寫出這個框架，它是 2021 年諾獎的第一個物理。

（一）能量收支方程。

\[\underbrace{\frac{\mathrm{d}E_{\text{planet}}}{\mathrm{d}t}}_{\text{儲存的變化}} = \underbrace{S_{\text{in}}(1-\alpha)}_{\text{吸收的太陽能}} - \underbrace{\epsilon\sigma T^4}_{\text{放出的熱輻射}} + \underbrace{F_{\text{anth}}}_{\text{人為的溫室效應}} - \underbrace{\frac{\mathrm{d}E_{\text{deep ocean}}}{\mathrm{d}t}}_{\text{海洋吸收}}\]

（二）關鍵的「能量收支的閉合」。

（i）1990 年（Elsner & Trenberth 與 Lean & Rind）：

\[\underbrace{S_0 = 341.3}_{\text{太陽輸入}}\;\mathrm{W/m^2},\qquad \underbrace{S_{\text{out}} = 239.7}_{\text{地球放出}}\]
\[\underbrace{\Delta = 101.6}_{\text{大氣吸收}}\;\mathrm{W/m^2}\]

（ii）2021 年（一次能量收支的更新）：

\[\underbrace{S_0 = 340.5}_{\text{太陽}}\;\mathrm{W/m^2},\qquad \underbrace{S_{\text{out}} = 239.0}_{\text{地球}},\qquad \underbrace{\Delta = 101.5}_{\text{大氣}}\]

（iii）「溫室效應」的量化：

地球的表面溫度 \(T_s \approx 288\,\mathrm{K}\)，而有效輻射溫度 \(T_e = (S_0(1-\alpha)/(4\sigma))^{1/4} \approx 255\,\mathrm{K}\)。

差 \(33\,\mathrm{K}\) 就是「大氣的溫室效應」。

（iv）而「人為的溫室效應」 \(F_{\text{anth}}\) 的演化：

年份 \(F_{\text{anth}}\)（W/m²）
1750 \(0\)
2019 \(2.16\)
2100（SSP5-8.5 情境） \(\sim 8\)

（三）為什麼「能量收支」是物理學的。

因為它把「氣候變遷」化為「能量守恆 + 光譜學 + 溫室效應物理」——一個不需要超級計算機就能理解的方程式。

這正是 2021 年諾獎委員會所強調的（意譯）：

「真鍋與哈塞爾曼的工作，讓氣候變遷成為一個『物理問題』，可以用物理學的方法可靠地量化與預測。」**

理論裁決#

裁決一：複雜性與可預測性的關係——帕里西的洞見。

讓我們把這個哲學命題寫清楚，因為它是 2021 年諾獎的深層訊息。

（一）問題的重新表述。

帕里西在 2010 年（"Complexity" in Physics Reports）中的一個核心論述：

\[\text{「複雜系統的行為不能從組分的行為推導——但可以從『組分數目的指數增長』這個事實推導。」}\]

（二）讓我們寫出「可預測性的三個層次」。

層次 描述 例子
1. 完全可預測」 系統小，狀態空間小 單摆、兩個粒子的碰撞
2. 「統計可預測」 系統大但有『典型性』 氣候（而非天氣）、統計力學
3. 「不可預測」 狀態數指數增長 天氣（\(\sim 10\) 天）、自旋玻璃的細節

（三）讓我們寫出「帕里西的『普適性』的精確內容」。

（i）「隨機偏序」的數量：

\[N_{\text{frustrated states}} \sim \exp\left[N\ln\frac{N}{N_0}\right]\]

（ii）「由此導出的普适性」： 若 \(N_{\text{states}} \sim e^{\Sigma N}\)，則物理量 \(\mathcal{O}\) 的「典型值」的方差 \(\sim \frac{1}{N_{\text{states}}}\)——因此方差有「指數壓縮」，即使系統是「隨機」的。**

（iv）讓我們寫出「Fisher–Parisi 的隨機偏序理論」的核心結果。

（a）Fisher–Randolph 的「隨機偏序（random frustration）」模型：

在 \(\pm J\) 的隨機耦合（spin glass）中，有 \(2^{N(N-1)/2}\) 個可能的耦合配置，每個配置給出 \(\sim 2^N\) 個狀態。

（b）「Imry–Ma 引理」（Imry & Ma, 1982）：在 \(d\) 維隨機系統中，相長度（coherence length）為：

\[\xi \sim a\left(\frac{J}{J_0}\right)^{-2/[d(d-2)]}\]

（i）\(d > 2\)：\(\xi\) 有限 → 有真正的相變。 （ii）\(d = 2\)：\(\xi \sim \ln^{1/2}(J/J_0)\) → KT 型的對數增長。 （iii）\(d < 2\)：\(\xi \to \infty\) → 無相變（自旋玻璃相不存在於 \(d < 2\)）。

這是一個漂亮的結果，且是 KT 相變的「自旋玻璃版本」。

（iv）帕里西的「replica symmetry breaking」的物理意義。

讓我們寫出其核心：

在低溫的自旋玻璃中，「replica 空間」被分成 \(q\) 個「塊」（clusters），代表：

「系統的不同的『解決方案』（不同的能量最低態組合）在物理上是可區分的——即使它們的總能量相同。」

這對應到一個非常深刻的物理直覺：

\[\text{「玻璃態不是『一個態』，而是『一個連續的多重態的集合』。」}\]

（三）讓我們把「帕里西的方法論的普遍性」指出來。

（i）「用統計方法研究隨機系統」需要「有效樣本數」；當它是指數小時，必須用數學。

（ii）這在多個領域成立： - 生物學： 蛋白質折疊的「漏斗地景」（Wolynes 的能量地景理論，受帕里西啟發）； - 神經科學： 神經網絡的「玻璃態」（Poirazi 與 collaborators）； - 機器學習： 「loss landscape 的 glassiness」（2018 年後的「mode connectivity」與「spin-glass-like」語言）； - 凝聚態： 「玻璃的弛豫」與「aging」； - 量子： 「many-body localization」與「disorder」。

裁決二：讓我們把「氣候物理」的完整物理寫出來。

（一）能量收支模型的完整形式。

\[\frac{\mathrm{d}T_s}{\mathrm{d}t} = \frac{1}{C_s}\left[S_0(1-\alpha(T_s)) - \sigma T_s^4 - \frac{\lambda_0}{d}\Delta T - F_{\text{anth}}\right]\]
\[\frac{\mathrm{d}T_d}{\mathrm{d}t} = \frac{\lambda_0}{c_p d}(T_s - T_d)\]

（b）兩個關鍵的參數：

（i）「氣候敏感度」\(\lambda\)：

\[\lambda = \frac{\mathrm{d}F_{\text{anth}}}{\mathrm{d}T_s}\quad\text{（W/m²/K）}\]
\[\text{平衡時：}\quad \Delta T = \frac{\lambda}{2\sigma T_e^3}\,F_{\text{anth}} = \frac{\lambda_0}{2\sigma T_e^3}\,F_{\text{anth}}\]

（ii）「瞬變的 \(\Delta T\)」（transient climate response）。

關鍵：海洋的熱慣性使得溫度上升比平衡值慢。

（iii）讓我們寫出「為什麼這導致『氣候的時間常數』是 10–100 年」。

\[\tau_{\text{climate}} = \frac{C_s d}{\lambda_0} = \frac{\text{（混合層熱容量）}\times\text{（海洋深度）}}{\text{（海洋熱傳導係數）}}\]

典型值：\(\tau \sim 50\)–\(100\) 年。

（三）讓我們特別寫出「為什麼氣候科學需要『模式』而不是『溫度』。

關鍵的物理： 溫室效應的「指紋」是空間的。

讓我們列出這個指紋：

區域 溫室效應的預測 其他因子（自然變動）
北半球中緯度（陸地）」 強增溫（\(\sim 1.3\) 倍全球平均）」 弱
南半球中緯度（陸地）」 弱增溫（\(\sim 0.5\) 倍）」 弱
極地（北冰洋）」 強增溫（\(\sim 2\) 倍）」 弱
平流層」 降溫 弱
垂直結構」 對流層頂的指紋」 弱

（四）讓我們寫出「extremes attribution」的現代方法。

（i）方法（Philip S. et al., 2005）：

  1. 建立氣候模式的「fingerprints」：對 \(\Delta T = 1^\circ\mathrm{C}\) 的全球平均增溫，模式的形狀是已知的；
  2. 把觀測到的事件（\(\Delta T_{\text{obs}}\)）與模式比較（用迴歸分析）；
  3. 求出「人為的比例」\(\frac{\Delta T_{\text{anth}}}{\Delta T_{\text{obs}}}\)。

（ii）結果的典型值： 如今，熱浪的歸因結果通常是「\(50\%\)–\(100\%\) 由人為暖化造成」。

後果#

年份 影響
1963–1975 真鍋的一維模型與「CO\(_2\) 加倍的 \(+2.3^\circ\mathrm{C}\)」；混沌理論的第一個氣候應用。
1979–1990s 哈塞爾曼的隨機天氣模型、可辨識性與信噪比。
1988–2014 IPCC 的第一到第五次評估報告；「很可能 → 極可能」的表述升級。
1993 帕里西的「replica symmetry breaking」。
1995 哈塞爾曼的綜述《動力氣候的隨機性與可預測性》。
1996 HILDA（設計氣候實驗）。
2000s–2010s 「extremes attribution」的快速研究（WWA）」；「氣候偵測與歸因」的正式化。
2021 諾獎頒發；IPCC AR6（2021–2023）。
2022–2024 「臨界點（tipping point）」與「早期警告指標」的研究。

關聯#