【深夜长文 #诺贝尔物理学奖为什么颁给他们# 】#2021诺贝尔物理学奖揭晓#，获奖研究直观告诉我们：人类真的正让地球变暖！我们不能再说自己对气候变化一无所知了，因为这些气候模型的结果是非常明确的。地球正在变暖吗？是的！地球变暖是大气中温室气体含量增加导致的吗？是的！这一切能仅仅用自然因素来解释吗？不能！人类活动所排放的气体是气温升高的原因吗？是的！
温室效应对生命至关重要
200年前，法国物理学家约瑟夫·傅里叶对太阳向地表发出的辐射、以及从地表向外发出的辐射之间的能量平衡展开了研究，弄清了地球大气在这一平衡中扮演的角色：在地球表面，地球接收的太阳辐射会转化为向外发出的辐射，这些辐射会被大气吸收从而对大气起到加温作用。大气发挥的这种保护作用如今被称作“温室效应”。太阳的热量可以透过大气到达地表，但会被困在大气层内部。不过大气中的辐射过程还远比这复杂得多。
科学家的任务与傅里叶当年差不多——弄清向地球发出的短波太阳辐射与地球向外发出的长波红外辐射之间的平衡关系。在接下来200年间，多名气候科学家纷纷贡献了更多的细节信息。当代气候模型更是为科学家提供了极为强大的工具，不仅帮助我们进一步理解了地球的气候，还让我们得以了解由人类导致的全球变暖。
这些模型都是建立在物理定律的基础上的，由天气预测模型发展而来。天气通过温度、降水、风或云等气象物理量描述，受海洋和陆地活动影响。气候模型则建立在通过计算得出的天气统计特征基础之上，如平均值、标准差、最高与最低值等等。这些模型虽无法准确告诉我们明年12月10日斯德哥尔摩的天气如何，但可以让我们对斯德哥尔摩在12月的气温和降水情况获得一定了解。
确定二氧化碳的作用
温室效应对地球上的生命至关重要。它控制温度，因为大气中的温室气体——二氧化碳、甲烷、水蒸气和其他气体——会首先吸收地球的红外辐射，然后释放该吸收的能量，加热周围和下方的空气。
温室气体实际上只占地球干燥大气的一小部分。地球的干燥大气中99%为氮气和氧气，二氧化碳其实仅占0.04%。最强大的温室气体是水蒸气，但我们无法控制大气中水蒸气的浓度，而二氧化碳的浓度则是可以控制的。
大气中的水蒸气含量高度依赖于温度，进而形成反馈机制。大气中的二氧化碳越多，温度越高，空气中的水蒸气含量也就越高，从而增加温室效应，导致温度进一步升高。如果二氧化碳含量水平下降，部分水蒸气会凝结，温度也随之下降。
关于二氧化碳影响的一块重要拼图来自瑞典的研究人员和诺贝尔奖获得者Svante Arrhenius。顺便提一下，他的同事、气象学家Nils Ekholm，在1901年，率先使用温室这个词来描述大气的热量储存和再辐射。
Arrhenius通过十九世纪末的温室效应弄清楚了该现象背后的物理学原理——向外辐射与辐射体的绝对温度（T）的四次方（T⁴）成正比。辐射源越热，射线的波长越短。太阳的表面温度为6000°C，主要发射可见光谱中的射线。地球表面温度仅为15°C，会再次辐射我们看不见的红外辐射。如果大气不吸收这种辐射，地表温度几乎不会超过–18°C。
Arrhenius实际上是想找出导致最近发现的冰河时代现象的背后原因。他得出的结论是，如果大气中的二氧化碳水平减半，这足以让地球进入一个新的冰河时代。反之亦然——二氧化碳量增加一倍，会使地球温度升高5-6°C，这个结果在某种程度上与目前的估计值惊人地接近。
开创性的二氧化碳效应模型
20世纪50年代，日本大气物理学家Syukuro Manabe和东京大学其他一些年轻而有才华的研究人员一样，选择离开被战争摧毁的日本，前往美国继续其职业生涯。他的研究目的和70年前的瑞典科学家斯万特·阿伦尼乌斯一样，都是为了理解二氧化碳水平的增加如何导致气温的上升。不过，彼时的阿伦尼乌斯专注于辐射平衡，Manabe则在20世纪60年代领导了相关物理模型的发展，将对流造成的气团垂直输送以及水蒸气的潜热纳入其中。
为了使这些计算易于进行，Manabe选择将模型缩减为一维，即一个垂直的圆柱体，进入大气层40公里。即便如此，通过改变大气中的气体浓度来测试模型还是花费了数百小时的宝贵计算时间。氧和氮对地表温度的影响可以忽略不计，而二氧化碳的影响非常明显：当二氧化碳水平翻倍时，全球温度上升超过2摄氏度。
该模型证实，这种升温确实是由二氧化碳浓度增加导致的；它预测了靠近地面的温度上升，而上层大气的温度变低。如果太阳辐射的变化是温度升高的原因，那么整个大气应该在同一时间被加热。
60年前，计算机的速度比现在慢了几十万倍，因此这个模型相对简单，但Manabe掌握了正确的关键特征。他指出，模型必须一直简化，你无法与自然界的复杂性竞争——每一滴雨都涉及到如此多的物理因素，因此不可能完全计算出一切。在一维模型的基础上，Manabe在1975年发表了一个三维气候模型，这是揭开气候系统奥秘道路上的又一个里程碑。
混乱的天气
在Manabe之后大约十年，Klaus Hasselmann通过找到一种方法来战胜快速而混乱的天气变化（这些变化对计算而言极其麻烦），成功地将天气和气候联系在一起。我们地球的天气发生巨大变化，是因为太阳辐射在地理上和时间上的分布十分地不均匀。地球是圆的，所以到达高纬度地区的太阳光比到达赤道附近低纬度地区的太阳光要少。不仅如此，地球的地轴也是倾斜的，从而在入射辐射中产生季节性差异。暖空气和冷空气之间的密度差异导致了不同纬度之间、海洋和陆地之间、高低气团之间的巨大热量传输，从而形成了我们地球上的天气。
众所周知，对未来十天以上的天气做出可靠的预测是一大挑战。二百年前，法国著名科学家皮埃尔-西蒙·德·拉普拉斯曾说，如果我们知道宇宙中所有粒子的位置和速度，就应该可以计算出在我们世界中发生了什么和将要发生的事情。原则上，应该是这样；牛顿三个世纪以来的运动定律（也描述了大气中的空气传输）是完全确定的——不受偶然的支配。
然而，就天气而言，就完全是另一回事了。部分原因在于，在实践中，我们不可能做到足够精确——说明大气中每个点的气温、压力、湿度或风况。此外，方程是非线性的；初始值的微小偏差可以让天气系统以完全不同的方式演变。基于蝴蝶在巴西扇动翅膀是否会在德克萨斯州引起龙卷风这个问题，这种现象被命名为蝴蝶效应。在实践中，这意味着不可能给出长期的天气预报，也就是说天气十分混乱；这是在上世纪六十年代由美国气象学家Edward Lorenz发现的，他为今天的混沌理论奠定了基础。
理解嘈杂数据
尽管天气是一个典型的混乱系统，但我们如何才能建立能够预测未来数十年、甚至数百年的可靠气候模型呢？1980年前后，Klaus Hasselmann提出了如何将不断变化的混沌天气现象描述为快速变化的噪音，从而为进行长期气候预测奠定了坚实的科学基础。此外，他还提出了一些确定人类对全球温度造成的影响的方法。
上世纪50年代，Klaus Hasselmann在德国汉堡攻读物理学博士，专攻流体力学，随后开始建立海浪和洋流的观测与理论模型。后来他迁居至美国加州，继续开展海洋学研究，并且认识了查尔斯·大卫·基林等同事。基林从1958年开始在夏威夷的莫纳罗亚天文台持续测量大气中的二氧化碳含量。Klaus Hasselmann当时还不知道，自己在日后的工作中会频繁用到体现二氧化碳水平变化的“基林曲线”。
从充满噪声的天气数据中建立气候模型就像遛狗一样：狗有时会挣脱牵引绳，有时会跑在你前面、或者跑在你后面，有时会与你并肩前行，有时则会绕着你的腿跑。你能从狗的运动轨迹中看出你是在走路还是站立不动吗？或者能看出你是在快步行走还是小步慢走吗？狗的运动轨迹就像天气变化，你的行进轨迹就像通过计算得出的气候。我们能否用这些混乱的、充满噪声的天气数据，总结出气候的长期趋势呢？
还有一大难点在于，影响气候的波动情况极易发生变化，这些变化可能很快，比如风的强度或空气温度；也可能很慢，比如冰盖融化和海洋温度升高。例如，海洋整体温度需一千年才能上升一度，但大气只需几周即可。关键在于，要将快速的天气变化作为噪声整合进对气候的计算中，并体现出这些噪声对气候的影响。
Klaus Hasselmann创造了一套随机气候模型，将这些变化的可能性都整合进了模型中。其灵感来自爱因斯坦的布朗运动理论。他利用该理论说明，大气的快速变化其实可以导致海洋的缓慢变化。
识别人类影响的痕迹
在完成气候变化模型之后，Hasselmann又开发了识别人类对气候系统影响的方法。他发现，这些模型，连同观测结果和理论结果，都包含了关于噪声和信号特性的充分信息。例如，太阳辐射、火山颗粒或温室气体水平的变化都会留下独特的信号，即“指纹”，而且这些信号可以被分离出来。这种识别指纹的方法也可以应用于人类对气候系统的影响。Hasselman因此为进一步的气候变化研究铺平了道路。通过大量的独立观测，这些研究展示了人类对气候影响的大量痕迹。
随着气候系统中复杂相互作用的过程被更彻底地绘制出来，尤其是有了卫星测量和天气观测的帮助，气候模型变得越来越完善。这些模型清楚地显示出温室效应正在加速：自19世纪中期以来，大气中的二氧化碳含量增加了40%。地球的大气已经有几十万年没有如此多的二氧化碳了。相应地，温度测量显示，在过去150年里，地球温度上升了1摄氏度。
Syukuro Manabe和Klaus Hasselmann为人类作出了巨大贡献，为我们了解地球气候提供了坚实的物质基础，这也正体现了阿尔弗雷德·诺贝尔的精神。
针对无序系统的方法
1980年左右，Giorgio Parisi展示了他的发现，即随机现象显然受隐藏规则支配。他的工作如今被认为是对复杂系统理论最重要的贡献之一。
复杂系统的现代研究基于十九世纪下半叶由James C。 Maxwell、Ludwig Boltzmann和J。 Willard Gibbs提出的统计力学，他们在1884年将这一领域命名为“统计力学”。统计力学从下面这一见解发展而来，即需要一种新的方法来描述由大量粒子组成的系统，例如气体或液体。这种方法必须考虑到粒子的随机运动，所以其基本思想是计算粒子的平均效应，而不是单独研究每个粒子。例如，气体中的温度是气体粒子能量平均值的量度。统计力学取得了巨大的成功，因为它为气体和液体的宏观特性（如温度和压力）提供了微观解释。
理解物理系统的复杂性
这些压缩球体是普通玻璃和颗粒状材料（如沙子或砾石）的简单模型。然而，Parisi的原始模型的对象是另一个截然不同的系统——自旋玻璃。这是一种特殊的磁性金属合金亚稳定状态，其中某种金属原子，比如铁原子，会被随机混合到铜原子的网格中。即使只有几个铁原子，它们也会以一种令人费解的方式彻底改变材料的磁性。每个铁原子的行为——或者称为“自旋”——表现得就像一个小磁铁，受其附近其他铁原子的影响。在普通的磁体中，所有的自旋都指向同一方向，但在自旋玻璃中，情况就不一样了：一些自旋对会指向相同的方向，另一些则指向相反的方向——那么它们是如何找到最佳方向的呢？
Parisi在关于旋转玻璃的著作的序言中写道，研究旋转玻璃就像观看莎士比亚戏剧中的人类悲剧。如果你想同时和两个人交朋友，但他们互相讨厌对方，结果就可能令人沮丧。在经典悲剧中，感情强烈的朋友和敌人在舞台上相遇，情况就更是如此。那么，怎样才能把房间里的紧张气氛降到最低？
自旋玻璃及其奇异的性质为复杂系统提供了参考模型。20世纪70年代，许多物理学家，包括几位诺贝尔奖得主，都在寻找某种方法来描述这种神秘而令人沮丧的旋转玻璃。他们使用的方法之一是“副本方法”，是一种研究无序态体系时所用的数学技巧，可以在同一时间内处理系统的许多副本。然而，从物理学的角度来说，最初的计算结果并不可行。
1979年，Parisi取得了决定性的突破，他展示了如何巧妙地利用副本方法来解决自旋玻璃问题。他在这些副本中发现了一个隐藏的结构，并找到了一种描述它的数学方法。在很多年之后，Parisi的解才在数学上被证明是正确的。此后，他的方法被用于许多无序系统，成为复杂系统理论的基石。#2021诺贝尔奖#
温室效应对生命至关重要
200年前，法国物理学家约瑟夫·傅里叶对太阳向地表发出的辐射、以及从地表向外发出的辐射之间的能量平衡展开了研究，弄清了地球大气在这一平衡中扮演的角色：在地球表面，地球接收的太阳辐射会转化为向外发出的辐射，这些辐射会被大气吸收从而对大气起到加温作用。大气发挥的这种保护作用如今被称作“温室效应”。太阳的热量可以透过大气到达地表，但会被困在大气层内部。不过大气中的辐射过程还远比这复杂得多。
科学家的任务与傅里叶当年差不多——弄清向地球发出的短波太阳辐射与地球向外发出的长波红外辐射之间的平衡关系。在接下来200年间，多名气候科学家纷纷贡献了更多的细节信息。当代气候模型更是为科学家提供了极为强大的工具，不仅帮助我们进一步理解了地球的气候，还让我们得以了解由人类导致的全球变暖。
这些模型都是建立在物理定律的基础上的，由天气预测模型发展而来。天气通过温度、降水、风或云等气象物理量描述，受海洋和陆地活动影响。气候模型则建立在通过计算得出的天气统计特征基础之上，如平均值、标准差、最高与最低值等等。这些模型虽无法准确告诉我们明年12月10日斯德哥尔摩的天气如何，但可以让我们对斯德哥尔摩在12月的气温和降水情况获得一定了解。
确定二氧化碳的作用
温室效应对地球上的生命至关重要。它控制温度，因为大气中的温室气体——二氧化碳、甲烷、水蒸气和其他气体——会首先吸收地球的红外辐射，然后释放该吸收的能量，加热周围和下方的空气。
温室气体实际上只占地球干燥大气的一小部分。地球的干燥大气中99%为氮气和氧气，二氧化碳其实仅占0.04%。最强大的温室气体是水蒸气，但我们无法控制大气中水蒸气的浓度，而二氧化碳的浓度则是可以控制的。
大气中的水蒸气含量高度依赖于温度，进而形成反馈机制。大气中的二氧化碳越多，温度越高，空气中的水蒸气含量也就越高，从而增加温室效应，导致温度进一步升高。如果二氧化碳含量水平下降，部分水蒸气会凝结，温度也随之下降。
关于二氧化碳影响的一块重要拼图来自瑞典的研究人员和诺贝尔奖获得者Svante Arrhenius。顺便提一下，他的同事、气象学家Nils Ekholm，在1901年，率先使用温室这个词来描述大气的热量储存和再辐射。
Arrhenius通过十九世纪末的温室效应弄清楚了该现象背后的物理学原理——向外辐射与辐射体的绝对温度（T）的四次方（T⁴）成正比。辐射源越热，射线的波长越短。太阳的表面温度为6000°C，主要发射可见光谱中的射线。地球表面温度仅为15°C，会再次辐射我们看不见的红外辐射。如果大气不吸收这种辐射，地表温度几乎不会超过–18°C。
Arrhenius实际上是想找出导致最近发现的冰河时代现象的背后原因。他得出的结论是，如果大气中的二氧化碳水平减半，这足以让地球进入一个新的冰河时代。反之亦然——二氧化碳量增加一倍，会使地球温度升高5-6°C，这个结果在某种程度上与目前的估计值惊人地接近。
开创性的二氧化碳效应模型
20世纪50年代，日本大气物理学家Syukuro Manabe和东京大学其他一些年轻而有才华的研究人员一样，选择离开被战争摧毁的日本，前往美国继续其职业生涯。他的研究目的和70年前的瑞典科学家斯万特·阿伦尼乌斯一样，都是为了理解二氧化碳水平的增加如何导致气温的上升。不过，彼时的阿伦尼乌斯专注于辐射平衡，Manabe则在20世纪60年代领导了相关物理模型的发展，将对流造成的气团垂直输送以及水蒸气的潜热纳入其中。
为了使这些计算易于进行，Manabe选择将模型缩减为一维，即一个垂直的圆柱体，进入大气层40公里。即便如此，通过改变大气中的气体浓度来测试模型还是花费了数百小时的宝贵计算时间。氧和氮对地表温度的影响可以忽略不计，而二氧化碳的影响非常明显：当二氧化碳水平翻倍时，全球温度上升超过2摄氏度。
该模型证实，这种升温确实是由二氧化碳浓度增加导致的；它预测了靠近地面的温度上升，而上层大气的温度变低。如果太阳辐射的变化是温度升高的原因，那么整个大气应该在同一时间被加热。
60年前，计算机的速度比现在慢了几十万倍，因此这个模型相对简单，但Manabe掌握了正确的关键特征。他指出，模型必须一直简化，你无法与自然界的复杂性竞争——每一滴雨都涉及到如此多的物理因素，因此不可能完全计算出一切。在一维模型的基础上，Manabe在1975年发表了一个三维气候模型，这是揭开气候系统奥秘道路上的又一个里程碑。
混乱的天气
在Manabe之后大约十年，Klaus Hasselmann通过找到一种方法来战胜快速而混乱的天气变化（这些变化对计算而言极其麻烦），成功地将天气和气候联系在一起。我们地球的天气发生巨大变化，是因为太阳辐射在地理上和时间上的分布十分地不均匀。地球是圆的，所以到达高纬度地区的太阳光比到达赤道附近低纬度地区的太阳光要少。不仅如此，地球的地轴也是倾斜的，从而在入射辐射中产生季节性差异。暖空气和冷空气之间的密度差异导致了不同纬度之间、海洋和陆地之间、高低气团之间的巨大热量传输，从而形成了我们地球上的天气。
众所周知，对未来十天以上的天气做出可靠的预测是一大挑战。二百年前，法国著名科学家皮埃尔-西蒙·德·拉普拉斯曾说，如果我们知道宇宙中所有粒子的位置和速度，就应该可以计算出在我们世界中发生了什么和将要发生的事情。原则上，应该是这样；牛顿三个世纪以来的运动定律（也描述了大气中的空气传输）是完全确定的——不受偶然的支配。
然而，就天气而言，就完全是另一回事了。部分原因在于，在实践中，我们不可能做到足够精确——说明大气中每个点的气温、压力、湿度或风况。此外，方程是非线性的；初始值的微小偏差可以让天气系统以完全不同的方式演变。基于蝴蝶在巴西扇动翅膀是否会在德克萨斯州引起龙卷风这个问题，这种现象被命名为蝴蝶效应。在实践中，这意味着不可能给出长期的天气预报，也就是说天气十分混乱；这是在上世纪六十年代由美国气象学家Edward Lorenz发现的，他为今天的混沌理论奠定了基础。
理解嘈杂数据
尽管天气是一个典型的混乱系统，但我们如何才能建立能够预测未来数十年、甚至数百年的可靠气候模型呢？1980年前后，Klaus Hasselmann提出了如何将不断变化的混沌天气现象描述为快速变化的噪音，从而为进行长期气候预测奠定了坚实的科学基础。此外，他还提出了一些确定人类对全球温度造成的影响的方法。
上世纪50年代，Klaus Hasselmann在德国汉堡攻读物理学博士，专攻流体力学，随后开始建立海浪和洋流的观测与理论模型。后来他迁居至美国加州，继续开展海洋学研究，并且认识了查尔斯·大卫·基林等同事。基林从1958年开始在夏威夷的莫纳罗亚天文台持续测量大气中的二氧化碳含量。Klaus Hasselmann当时还不知道，自己在日后的工作中会频繁用到体现二氧化碳水平变化的“基林曲线”。
从充满噪声的天气数据中建立气候模型就像遛狗一样：狗有时会挣脱牵引绳，有时会跑在你前面、或者跑在你后面，有时会与你并肩前行，有时则会绕着你的腿跑。你能从狗的运动轨迹中看出你是在走路还是站立不动吗？或者能看出你是在快步行走还是小步慢走吗？狗的运动轨迹就像天气变化，你的行进轨迹就像通过计算得出的气候。我们能否用这些混乱的、充满噪声的天气数据，总结出气候的长期趋势呢？
还有一大难点在于，影响气候的波动情况极易发生变化，这些变化可能很快，比如风的强度或空气温度；也可能很慢，比如冰盖融化和海洋温度升高。例如，海洋整体温度需一千年才能上升一度，但大气只需几周即可。关键在于，要将快速的天气变化作为噪声整合进对气候的计算中，并体现出这些噪声对气候的影响。
Klaus Hasselmann创造了一套随机气候模型，将这些变化的可能性都整合进了模型中。其灵感来自爱因斯坦的布朗运动理论。他利用该理论说明，大气的快速变化其实可以导致海洋的缓慢变化。
识别人类影响的痕迹
在完成气候变化模型之后，Hasselmann又开发了识别人类对气候系统影响的方法。他发现，这些模型，连同观测结果和理论结果，都包含了关于噪声和信号特性的充分信息。例如，太阳辐射、火山颗粒或温室气体水平的变化都会留下独特的信号，即“指纹”，而且这些信号可以被分离出来。这种识别指纹的方法也可以应用于人类对气候系统的影响。Hasselman因此为进一步的气候变化研究铺平了道路。通过大量的独立观测，这些研究展示了人类对气候影响的大量痕迹。
随着气候系统中复杂相互作用的过程被更彻底地绘制出来，尤其是有了卫星测量和天气观测的帮助，气候模型变得越来越完善。这些模型清楚地显示出温室效应正在加速：自19世纪中期以来，大气中的二氧化碳含量增加了40%。地球的大气已经有几十万年没有如此多的二氧化碳了。相应地，温度测量显示，在过去150年里，地球温度上升了1摄氏度。
Syukuro Manabe和Klaus Hasselmann为人类作出了巨大贡献，为我们了解地球气候提供了坚实的物质基础，这也正体现了阿尔弗雷德·诺贝尔的精神。
针对无序系统的方法
1980年左右，Giorgio Parisi展示了他的发现，即随机现象显然受隐藏规则支配。他的工作如今被认为是对复杂系统理论最重要的贡献之一。
复杂系统的现代研究基于十九世纪下半叶由James C。 Maxwell、Ludwig Boltzmann和J。 Willard Gibbs提出的统计力学，他们在1884年将这一领域命名为“统计力学”。统计力学从下面这一见解发展而来，即需要一种新的方法来描述由大量粒子组成的系统，例如气体或液体。这种方法必须考虑到粒子的随机运动，所以其基本思想是计算粒子的平均效应，而不是单独研究每个粒子。例如，气体中的温度是气体粒子能量平均值的量度。统计力学取得了巨大的成功，因为它为气体和液体的宏观特性（如温度和压力）提供了微观解释。
理解物理系统的复杂性
这些压缩球体是普通玻璃和颗粒状材料（如沙子或砾石）的简单模型。然而，Parisi的原始模型的对象是另一个截然不同的系统——自旋玻璃。这是一种特殊的磁性金属合金亚稳定状态，其中某种金属原子，比如铁原子，会被随机混合到铜原子的网格中。即使只有几个铁原子，它们也会以一种令人费解的方式彻底改变材料的磁性。每个铁原子的行为——或者称为“自旋”——表现得就像一个小磁铁，受其附近其他铁原子的影响。在普通的磁体中，所有的自旋都指向同一方向，但在自旋玻璃中，情况就不一样了：一些自旋对会指向相同的方向，另一些则指向相反的方向——那么它们是如何找到最佳方向的呢？
Parisi在关于旋转玻璃的著作的序言中写道，研究旋转玻璃就像观看莎士比亚戏剧中的人类悲剧。如果你想同时和两个人交朋友，但他们互相讨厌对方，结果就可能令人沮丧。在经典悲剧中，感情强烈的朋友和敌人在舞台上相遇，情况就更是如此。那么，怎样才能把房间里的紧张气氛降到最低？
自旋玻璃及其奇异的性质为复杂系统提供了参考模型。20世纪70年代，许多物理学家，包括几位诺贝尔奖得主，都在寻找某种方法来描述这种神秘而令人沮丧的旋转玻璃。他们使用的方法之一是“副本方法”，是一种研究无序态体系时所用的数学技巧，可以在同一时间内处理系统的许多副本。然而，从物理学的角度来说，最初的计算结果并不可行。
1979年，Parisi取得了决定性的突破，他展示了如何巧妙地利用副本方法来解决自旋玻璃问题。他在这些副本中发现了一个隐藏的结构，并找到了一种描述它的数学方法。在很多年之后，Parisi的解才在数学上被证明是正确的。此后，他的方法被用于许多无序系统，成为复杂系统理论的基石。#2021诺贝尔奖#
他们为什么获得
#2021年诺贝尔生理学或医学奖#揭晓：David Julius和Ardem Patapoutian两人获奖，获奖理由：发现温度和触觉感受器。
获奖理由：
人体对热、冷和触觉的感知能力对我们的生存至关重要，并且支撑着我们与周围世界的互动。在日常生活中，我们常认为这些感觉是理所当然的，但与此相关的神经冲动是如何产生，从而使温度和压力可以被感知的呢？今年的两位诺贝尔奖得主解决了这个问题。
David Julius利用辣椒素（一种从辣椒中提取的刺激性化合物，能产生灼烧感）来识别皮肤神经末梢上对热做出反应的感受器。Ardem Patapoutian利用压力敏感细胞发现了一种对皮肤和内部器官的机械刺激作出反应的新型感受器。这些突破性的发现促进了科学界展开大量的研究活动，使我们对神经系统如何感知热、冷和机械刺激的了解更加深入。两位获奖者指出，当我们尝试理解感官与环境之间复杂的相互作用时，有些关键的环节被忽视了。
我们是如何感知世界的？
我们是如何感知身边环境的？这是人类面临的最大的谜团之一。数千年来，我们的感觉机制一直令人们好奇不已。例如，眼睛是如何探测到光线的？声波是如何影响内耳的？不同的化学物质又是如何与我们口鼻中的感受器发生相互作用、从而产生嗅觉和味觉的？除此之外，我们还有其它感知身边世界的方式。想象一下在炎热的夏天光脚走过草坪时的感觉。你可以感受到太阳的热度、微风的吹拂、以及脚下的每一片草叶。这些对温度、触觉和动作的感知对我们不断适应周边环境的能力至关重要。
17世纪，哲学家笛卡尔提出，我们的各部分皮肤可能是通过某种“细线”与大脑相连的。假如脚碰到了火苗，就会通过这种方式向大脑发送一个机械信号。科学家后来发现，具有特定功能的感觉神经元可以察觉到环境中的变化。1944年，Joseph Erlanger和Herbert Gasser因发现可以对不同刺激做出反应的感觉神经纤维（如会产生痛觉的触碰和不会产生痛觉的触碰）而获得了诺贝尔生理学奖或医学奖。自此之后，科学家发现，神经细胞在探测和传导不同类型的刺激时的分工高度分化，使我们可以精确感知周围环境。例如，我们可以通过指尖感受出不同表面质感的区别，还可以分辨出令人舒适的温暖和痛苦难忍的高温。
在David Julius和 Ardem Patapoutian做出此次发现之前，神经系统感知和解读周边环境的方式对我们而言一直是个未解之谜：温度和力学刺激究竟是如何转化为神经系统的电脉冲的？(此文选自海外译电)
#2021年诺贝尔生理学或医学奖#揭晓：David Julius和Ardem Patapoutian两人获奖，获奖理由：发现温度和触觉感受器。
获奖理由：
人体对热、冷和触觉的感知能力对我们的生存至关重要，并且支撑着我们与周围世界的互动。在日常生活中，我们常认为这些感觉是理所当然的，但与此相关的神经冲动是如何产生，从而使温度和压力可以被感知的呢？今年的两位诺贝尔奖得主解决了这个问题。
David Julius利用辣椒素（一种从辣椒中提取的刺激性化合物，能产生灼烧感）来识别皮肤神经末梢上对热做出反应的感受器。Ardem Patapoutian利用压力敏感细胞发现了一种对皮肤和内部器官的机械刺激作出反应的新型感受器。这些突破性的发现促进了科学界展开大量的研究活动，使我们对神经系统如何感知热、冷和机械刺激的了解更加深入。两位获奖者指出，当我们尝试理解感官与环境之间复杂的相互作用时，有些关键的环节被忽视了。
我们是如何感知世界的？
我们是如何感知身边环境的？这是人类面临的最大的谜团之一。数千年来，我们的感觉机制一直令人们好奇不已。例如，眼睛是如何探测到光线的？声波是如何影响内耳的？不同的化学物质又是如何与我们口鼻中的感受器发生相互作用、从而产生嗅觉和味觉的？除此之外，我们还有其它感知身边世界的方式。想象一下在炎热的夏天光脚走过草坪时的感觉。你可以感受到太阳的热度、微风的吹拂、以及脚下的每一片草叶。这些对温度、触觉和动作的感知对我们不断适应周边环境的能力至关重要。
17世纪，哲学家笛卡尔提出，我们的各部分皮肤可能是通过某种“细线”与大脑相连的。假如脚碰到了火苗，就会通过这种方式向大脑发送一个机械信号。科学家后来发现，具有特定功能的感觉神经元可以察觉到环境中的变化。1944年，Joseph Erlanger和Herbert Gasser因发现可以对不同刺激做出反应的感觉神经纤维（如会产生痛觉的触碰和不会产生痛觉的触碰）而获得了诺贝尔生理学奖或医学奖。自此之后，科学家发现，神经细胞在探测和传导不同类型的刺激时的分工高度分化，使我们可以精确感知周围环境。例如，我们可以通过指尖感受出不同表面质感的区别，还可以分辨出令人舒适的温暖和痛苦难忍的高温。
在David Julius和 Ardem Patapoutian做出此次发现之前，神经系统感知和解读周边环境的方式对我们而言一直是个未解之谜：温度和力学刺激究竟是如何转化为神经系统的电脉冲的？(此文选自海外译电)
一个简单的筹码分布模型[干货]
时间是位艺术大师，他会慢慢抹平你的暴利，让你重新做回普通人。不要幻想一夜暴富，那样会让你丧失平衡感。
所以，请记住三个字：慢慢做。
筹码分布及计算原理
我们先做这样一个假设：
某公司有 16 股股票，这 16 股被 3 个不同的投资者持有。
股东 A 曾在 10 元价位上买过 3 股，而后又在 11元价位上买了 6 股；
股东 B 则在 12 元的持仓成本上买进了 4 股；
股东 C，在 13 元上买了 1 股，在 14 元上持有 2 股。
把这 3 位股民的股票加起来，正好是 16 股。
我们来做一张图。在这张图上，我们就把股票换成像麻将牌一样的筹码，在图的右边，我们先把价位标清楚，从 10 元一直标到 14 元，共 5 个价位，然后我们把这些筹码按照当时股东们买它的成本堆放到它相应的价位上，于是就形成了图 1 的样子：
一个简单的筹码分布模型
从这张图上我们可以清楚的看到：这只股票在 11 元价位上，投资者的筹码比较重一些，12 元至 10 元次 之，13 元以上筹码量就不多了。
此外，除了上面所说的股东 A、B、C 以外，曾经还有一位投资者 D，在 9 元左右买过这只股票，后来又以 11 元转卖给了股东 A，
于是 D 先生提出了一个问题，“我 9 元钱的历史交易怎么没有在这张筹码分布图上得到反映？”
其实这个问题不难讲清楚，大家注意到图上的筹码总共只有 16 股，而这只股票的流通盘也是 16 股，筹码分布只是表现这一天所有在册股东的建仓成本，由于 D 已经卖掉了自己的股票，所以他的筹码在筹码分布上就看不见了。
这是筹码分布的一个重要特征：既它反映一只股票的全体投资者在全部流通盘上的建仓成本和持仓量，它所表明的是盘面上最真实的仓位状况。
随着交易的继续，筹码会在投资者之间进行流动，因而筹码分布也不是一成不变的。
假定随后发生了一个交易：
股东 B 把他的 12 元价位建仓的 4 股股票卖掉了 3 股，成交价是 14 元，由股东 D 承接，于是筹码分布就成为了图2 的那个样子：筹码在投资者之间发生转移
方便大家更好的理解，我把两个图合成一个
事实上，筹码分布并不关心盘面中的筹码到底是属于股东 A 的还是股东 B 的，上面的两张模拟图之所以标注股东的持股状态，仅仅是为了让大家看得更清楚一些。
如果换成真正的上市公司，那么一个公司的流通盘最少也有 1000 万股，其价位分布是相当广阔的。
一张真正的筹码分布图，它被放在 K 线图的右边，在价位上它和 K 线图使用同一个坐标系。当大量的筹码 堆积在一起的时候，筹码分布看上去像一个侧置的群山图案。这些山峰实际上是由一条条自右向左的线堆积而 成，每个价位区间拥有一条代表持仓量的横线。持仓量越大则线越长，这些长短不一的线堆在一起就形成了高矮不齐的山峰状态，也就形成了筹码分布的形态。
筹码的颜色分为蓝色和红色，蓝域是套牢盘，那是因为，蓝域就是当前收盘价的价位之上的区间，持仓成本大于当前收盘价，当然就是套牢状态的了，同理，红域就是当前收盘价之下的区域，就是目前处于获利状态的股份份额。
在筹码的分布中，有一条黄色的水平线，为该股票即时平均持仓成本。它有两个含义：
平均持仓成本代表的是筹码的总体重心；
平均持仓成本与现股价相对比，可以看到大部分持股者的盈亏水平。
筹码下方数据解读
获利比例：表示持股者持有的筹码的获利比例；
光标获利：光标处于任意价位情况下的获利盘数量比例；
90%成本和70%成本分别表示去掉最高和最低价5%和15%后，该股票90%的筹码和70%的筹码所处的价位区间；
筹码密集
筹码密集的意思，就是所有的可流通股份持仓成本高度重合，大家持仓成本相差不大，都在非常接近的价格空间内；
筹码发散
筹码发散的意思就是所有的可流通股份持仓成本分布在差距较大的不同价格区间。当筹码密集或局部筹码密集时，筹码会形成一个横向的小尖峰，我们称之为筹码峰，当筹码处于发散状态时，就必然会形成多个筹码峰，而这些筹码峰之间的相对无筹码区域，就是谷。
除了从形状直观的认定密集和发散，我们还可以用量化的标准来定义。
筹码集中程度的：90筹码集中度，表示该股90%的可流通股份集中在某一个数值高度的相对价格空间里，70筹码集中度，则表示该股70%的可流通股份集中在某一个数值高度的相对价格空间里。
当这两个数值都小于10时，我们可以认为该股当时的筹码状态是高度密集；
当70筹码集中度小于10，而90筹码集中度大于10时，我们认为该股的筹码状态是相对密集；
当两个数值都大于10并且小于20时，我们认为该股筹码状态是相对发散；
当两个数值都大于30时，我们认为该股的筹码状态是完全发散。
集中度：说明筹码的密集程度。
数值越高，表明筹码越分散。数值越小，反之越集中。
90%筹码<10，70%筹码<10=筹码高度集中
90%筹码<20，70%筹码<10=筹码相对集中
在每只个股筹码的每一次的“密集——发散——再密集”的循环完成之后，投资者的财富也发生了一次转移。
如果筹码是在低价位区实现密集，我们就把它称之为筹码的低位密集，而如果筹码是在高价位区实现密集，它就应该被称之为筹码的高位密集。
当然，这里的高和低是个相对的概念。 股价的高位和低位并不是指股价的绝对值，几元钱的不一定是低，几十元钱的也并不一定是高。
因此，筹码的低位密集，是指股价自某个价位深幅下跌之后，在相对的低价位区形成的新的集中。
我们可以给筹码的低位密集做一个比较精确的定义：当筹码自高位流向低位，并且在相对低位的狭窄价格空间实现聚集，就叫“筹码的低位密集”。
当筹码形成低位密集之后，这只股票的投资者就发生了一次大规模的换位：早先的高位套牢盘认赔出局。 那么，到底是谁割肉离场了呢？
这些筹码大部分来自于早期的套牢盘，我们很难想象股市的投资机构，比如说券商、基金会在这么巨额的亏损上认赔离场。他们是市场上的投资主力，由于他们掌握足够多的资金，所以他们没有投降的必要，实际上这些割肉盘几乎都是散户所为。
我们可以有这样的结论，一旦筹码上发生低位密集， 那么割肉的一方一定是散户。
因为几乎所有的低位密集的个股在股市中都缺乏吸引力，于是散户们想：这些股票长时间盘恒于某个价位 区，肯定是没有消息面上的让人兴奋的题材，所以它连个上涨的迹象也没有。他们不看好这样的个股，不理睬这样的个股。于是我们完全可以把筹码的低位密集现象理解为主力的缓慢吸筹。
股市上除了散户就是庄家，散 户和庄家的行为几乎总是相反的，散户们在割肉，庄家们就可能在进货。
大家可能立刻会产生一个想法：如果我们在发现了筹码 的低位密集之后跟进入场，那么就可能实现跟庄的目的。事情却没那么简单。主力的吸筹是个漫长的过程，当筹码进入低位密集时，主力未必掌握了足够的筹码，就是说主力需要在这些股票的低位密集区蛰伏很长时间，目的是为下一轮行情做准备。
很显然，如果有投资者在吸筹阶段买入，那就还要忍受很长一段时间的底部整理。对于一般的散户而言，这需要长远的目光和极大的耐心。因而，简单的买进低位密集并不是最佳的选择。那么，如果有投资者参透了低位密集的筹码性质，应该在什么样的情况下买进呢？
其实，低位密集个股最佳的买入条件只有两个：一是确认了主力的高度控盘；二是确认大盘的中级行情已经开始。
在股价不断上升之后，主力的利润空间饱满，接下来将是完成利润的兑现。在兑现的过程中，主力最想有人来接替其筹码，也就是散户。由于散户急于眼前的利益，所以较容易被强势拉升所吸引。
在派发阶段，主力借机将股价再次大幅拉升，散户不断与其交换筹码。由于主力具有的筹码较多，需要较大的换手才能够完成派出。所以，在股价不断的创新高的拉升过程中，其成交量不断放大，换手率也不断增大，给了主力较好的派发筹码时机。
在筹码派发的尾声，为了更加吸引散户入场，让自己的筹码完全兑现。主力通常在快速拉升结束后，形成一个阶段性的横盘调整，并且在调整过程中不断在盘中拉升大阳线，让人感觉拉升行情并未结束。而此时由于个股行情过于疯狂，加上媒体的大肆渲染，使得散户迷失方向，不断的追高。就在同时，个股往往横盘的K线却是带高换手率，好让自己的筹码能够兑出。#上证指数# #股票#
时间是位艺术大师，他会慢慢抹平你的暴利，让你重新做回普通人。不要幻想一夜暴富，那样会让你丧失平衡感。
所以，请记住三个字：慢慢做。
筹码分布及计算原理
我们先做这样一个假设：
某公司有 16 股股票，这 16 股被 3 个不同的投资者持有。
股东 A 曾在 10 元价位上买过 3 股，而后又在 11元价位上买了 6 股；
股东 B 则在 12 元的持仓成本上买进了 4 股；
股东 C，在 13 元上买了 1 股，在 14 元上持有 2 股。
把这 3 位股民的股票加起来，正好是 16 股。
我们来做一张图。在这张图上，我们就把股票换成像麻将牌一样的筹码，在图的右边，我们先把价位标清楚，从 10 元一直标到 14 元，共 5 个价位，然后我们把这些筹码按照当时股东们买它的成本堆放到它相应的价位上，于是就形成了图 1 的样子：
一个简单的筹码分布模型
从这张图上我们可以清楚的看到：这只股票在 11 元价位上，投资者的筹码比较重一些，12 元至 10 元次 之，13 元以上筹码量就不多了。
此外，除了上面所说的股东 A、B、C 以外，曾经还有一位投资者 D，在 9 元左右买过这只股票，后来又以 11 元转卖给了股东 A，
于是 D 先生提出了一个问题，“我 9 元钱的历史交易怎么没有在这张筹码分布图上得到反映？”
其实这个问题不难讲清楚，大家注意到图上的筹码总共只有 16 股，而这只股票的流通盘也是 16 股，筹码分布只是表现这一天所有在册股东的建仓成本，由于 D 已经卖掉了自己的股票，所以他的筹码在筹码分布上就看不见了。
这是筹码分布的一个重要特征：既它反映一只股票的全体投资者在全部流通盘上的建仓成本和持仓量，它所表明的是盘面上最真实的仓位状况。
随着交易的继续，筹码会在投资者之间进行流动，因而筹码分布也不是一成不变的。
假定随后发生了一个交易：
股东 B 把他的 12 元价位建仓的 4 股股票卖掉了 3 股，成交价是 14 元，由股东 D 承接，于是筹码分布就成为了图2 的那个样子：筹码在投资者之间发生转移
方便大家更好的理解，我把两个图合成一个
事实上，筹码分布并不关心盘面中的筹码到底是属于股东 A 的还是股东 B 的，上面的两张模拟图之所以标注股东的持股状态，仅仅是为了让大家看得更清楚一些。
如果换成真正的上市公司，那么一个公司的流通盘最少也有 1000 万股，其价位分布是相当广阔的。
一张真正的筹码分布图，它被放在 K 线图的右边，在价位上它和 K 线图使用同一个坐标系。当大量的筹码 堆积在一起的时候，筹码分布看上去像一个侧置的群山图案。这些山峰实际上是由一条条自右向左的线堆积而 成，每个价位区间拥有一条代表持仓量的横线。持仓量越大则线越长，这些长短不一的线堆在一起就形成了高矮不齐的山峰状态，也就形成了筹码分布的形态。
筹码的颜色分为蓝色和红色，蓝域是套牢盘，那是因为，蓝域就是当前收盘价的价位之上的区间，持仓成本大于当前收盘价，当然就是套牢状态的了，同理，红域就是当前收盘价之下的区域，就是目前处于获利状态的股份份额。
在筹码的分布中，有一条黄色的水平线，为该股票即时平均持仓成本。它有两个含义：
平均持仓成本代表的是筹码的总体重心；
平均持仓成本与现股价相对比，可以看到大部分持股者的盈亏水平。
筹码下方数据解读
获利比例：表示持股者持有的筹码的获利比例；
光标获利：光标处于任意价位情况下的获利盘数量比例；
90%成本和70%成本分别表示去掉最高和最低价5%和15%后，该股票90%的筹码和70%的筹码所处的价位区间；
筹码密集
筹码密集的意思，就是所有的可流通股份持仓成本高度重合，大家持仓成本相差不大，都在非常接近的价格空间内；
筹码发散
筹码发散的意思就是所有的可流通股份持仓成本分布在差距较大的不同价格区间。当筹码密集或局部筹码密集时，筹码会形成一个横向的小尖峰，我们称之为筹码峰，当筹码处于发散状态时，就必然会形成多个筹码峰，而这些筹码峰之间的相对无筹码区域，就是谷。
除了从形状直观的认定密集和发散，我们还可以用量化的标准来定义。
筹码集中程度的：90筹码集中度，表示该股90%的可流通股份集中在某一个数值高度的相对价格空间里，70筹码集中度，则表示该股70%的可流通股份集中在某一个数值高度的相对价格空间里。
当这两个数值都小于10时，我们可以认为该股当时的筹码状态是高度密集；
当70筹码集中度小于10，而90筹码集中度大于10时，我们认为该股的筹码状态是相对密集；
当两个数值都大于10并且小于20时，我们认为该股筹码状态是相对发散；
当两个数值都大于30时，我们认为该股的筹码状态是完全发散。
集中度：说明筹码的密集程度。
数值越高，表明筹码越分散。数值越小，反之越集中。
90%筹码<10，70%筹码<10=筹码高度集中
90%筹码<20，70%筹码<10=筹码相对集中
在每只个股筹码的每一次的“密集——发散——再密集”的循环完成之后，投资者的财富也发生了一次转移。
如果筹码是在低价位区实现密集，我们就把它称之为筹码的低位密集，而如果筹码是在高价位区实现密集，它就应该被称之为筹码的高位密集。
当然，这里的高和低是个相对的概念。 股价的高位和低位并不是指股价的绝对值，几元钱的不一定是低，几十元钱的也并不一定是高。
因此，筹码的低位密集，是指股价自某个价位深幅下跌之后，在相对的低价位区形成的新的集中。
我们可以给筹码的低位密集做一个比较精确的定义：当筹码自高位流向低位，并且在相对低位的狭窄价格空间实现聚集，就叫“筹码的低位密集”。
当筹码形成低位密集之后，这只股票的投资者就发生了一次大规模的换位：早先的高位套牢盘认赔出局。 那么，到底是谁割肉离场了呢？
这些筹码大部分来自于早期的套牢盘，我们很难想象股市的投资机构，比如说券商、基金会在这么巨额的亏损上认赔离场。他们是市场上的投资主力，由于他们掌握足够多的资金，所以他们没有投降的必要，实际上这些割肉盘几乎都是散户所为。
我们可以有这样的结论，一旦筹码上发生低位密集， 那么割肉的一方一定是散户。
因为几乎所有的低位密集的个股在股市中都缺乏吸引力，于是散户们想：这些股票长时间盘恒于某个价位 区，肯定是没有消息面上的让人兴奋的题材，所以它连个上涨的迹象也没有。他们不看好这样的个股，不理睬这样的个股。于是我们完全可以把筹码的低位密集现象理解为主力的缓慢吸筹。
股市上除了散户就是庄家，散 户和庄家的行为几乎总是相反的，散户们在割肉，庄家们就可能在进货。
大家可能立刻会产生一个想法：如果我们在发现了筹码 的低位密集之后跟进入场，那么就可能实现跟庄的目的。事情却没那么简单。主力的吸筹是个漫长的过程，当筹码进入低位密集时，主力未必掌握了足够的筹码，就是说主力需要在这些股票的低位密集区蛰伏很长时间，目的是为下一轮行情做准备。
很显然，如果有投资者在吸筹阶段买入，那就还要忍受很长一段时间的底部整理。对于一般的散户而言，这需要长远的目光和极大的耐心。因而，简单的买进低位密集并不是最佳的选择。那么，如果有投资者参透了低位密集的筹码性质，应该在什么样的情况下买进呢？
其实，低位密集个股最佳的买入条件只有两个：一是确认了主力的高度控盘；二是确认大盘的中级行情已经开始。
在股价不断上升之后，主力的利润空间饱满，接下来将是完成利润的兑现。在兑现的过程中，主力最想有人来接替其筹码，也就是散户。由于散户急于眼前的利益，所以较容易被强势拉升所吸引。
在派发阶段，主力借机将股价再次大幅拉升，散户不断与其交换筹码。由于主力具有的筹码较多，需要较大的换手才能够完成派出。所以，在股价不断的创新高的拉升过程中，其成交量不断放大，换手率也不断增大，给了主力较好的派发筹码时机。
在筹码派发的尾声，为了更加吸引散户入场，让自己的筹码完全兑现。主力通常在快速拉升结束后，形成一个阶段性的横盘调整，并且在调整过程中不断在盘中拉升大阳线，让人感觉拉升行情并未结束。而此时由于个股行情过于疯狂，加上媒体的大肆渲染，使得散户迷失方向，不断的追高。就在同时，个股往往横盘的K线却是带高换手率，好让自己的筹码能够兑出。#上证指数# #股票#
✋热门推荐