2021年诺贝尔物理学奖表彰“为我们理解复杂物理系统所做出的开创性贡献”，认可复杂系统在自然科学中的基础作用。为了庆祝这一里程碑式的成就，JPhys Complexity 编辑委员会包括Ginestra Bianconi、吕琳媛在内的18位相关领域学者表达了对几个选定主题的思考和观点，包括：如何定义复杂系统？复杂科学在未来二十年最大的挑战是什么？2021年诺贝尔奖对复杂系统研究意味着什么？复杂系统跨学科研究的优势和挑战是什么？希望这些公开讨论对今后复杂科学的研究有所启发。

　　2021年诺贝尔物理学奖认可了复杂系统在自然科学中的基础性作用。为了庆祝这一里程碑式的成就，这篇社论汇聚了JPhys Complexity 编辑委员会对该领域的成就、挑战和未来前景的观点。为了区分每位编辑的意见，全文由编辑对几个选定主题的一系列观点和思考组成。本文呈现了对复杂科学领域的全方位、多角度的观点。我们期冀并相信，这次公开讨论将对今后复杂系统的研究有所启发。

　　2021年诺贝尔物理学奖终于垂青复杂系统研究领域。奖项一半授予真锅淑郎（Syukuro Manabe）和克劳斯·哈塞尔曼（Klaus Hasselmann），另一半授予乔治·帕里西（Giorgio Parisi），以表彰他们“为我们理解复杂物理系统所做出的开创性贡献”（for groundbreaking contributions to our understanding of complex physical systems）。作为 JPhys Complexity 杂志的编辑，我们祝贺诺贝尔奖获得者取得的非凡成就，这些成就深刻地改变了我们看待地球系统和复杂系统的方式。如2021年诺贝尔奖的新闻稿所言[1]：“他们奠定了研究地球气候以及人类如何影响气候的基础，同时彻底改变了无序物质和随机过程的理论。”

　　为纪念2021年诺贝尔物理学奖，JPhys Complexity 的编辑们写下这篇社论，旨在回顾复杂系统研究迄今取得的进展，辨明该领域的关键科学挑战、环境挑战和社会挑战，并概述未来二十年复杂性研究的前景。为了保持个人观点的独创性，我们将这篇社论组织成一系列稿件的形式，每位编辑都将从具体问题出发，回答如下问题：

　　4.复杂系统的鲁棒性与脆弱性。复杂系统通常被认为是鲁棒的。然而，从气候变化到理解疾病的起源，复杂科学面临的最紧迫的挑战都涉及到：如何响应严重影响复杂系统功能的扰动？2021年诺贝尔奖授予识别复杂系统中微扰和涨落作用的研究。你能评论一下复杂系统的鲁棒性和脆弱性之间的相互作用吗？你能找到突出这种相互作用的关键科学问题吗？

　　5.复杂性的预测。复杂科学仍然是最难做预测的学科之一。为什么会这样？我们能从成功案例中学到什么？

　　每位编辑都独立地作出了贡献，且没有阅读其他编辑的观点，故我们能看到不同视角下的复杂系统。因此，在整体上，本文全面地总结了该领域的关键性挑战。即使对于那些在答案上有广泛共识的问题，这篇文章也成功地证明了它们的共识程度，至少在 JPhys Complexity 的编辑中是这样。例如，在这篇文章中，我们对复杂系统的定义达成了一个重要共识，即：复杂系统是由许多元素组成的表现出涌现现象的系统。这无论如何不应是理所当然的，因为在历史上，复杂系统的定义一直在文献中有着广泛的辩论（批评性的讨论见Janos Kertesz的贡献）。在其他重要领域也有广泛的共识，包括网络在编码复杂系统底层结构中的基本作用。从动力学的角度来看，这篇社论也强调了随机性（stochasticity & randomness）和非线性的普遍存在。总的来说，这些方面意味着任何对复杂系统动力学状态的预测，都必然具有概率性质。

　　我们想，这篇社论是一部不同乐章和谐共谱的交响乐。在这部交响乐中，“整体大于部分之和”。特别是，这篇社论包含了已被广泛接受的概念和思想，展示了一个非常坚实的共同基础。与此同时，许多观察仍然是独立的，高度个人化和原创性的，反映了JPhys Complexity 编辑们不同的研究焦点。

　　该社论可以一次读完，或者间断地，依据读者对每个编者、对所选问题列表激发的好奇心浏览目录中的各个编者，来缓慢地检索和阅读。

　　我们希望这篇社论的读者能欣赏本文所附稿件中提出和讨论的不同见解；希望这篇社论能提供关于复杂系统研究的一般观点，这将成为该领域未来工作的灵感源泉。

　　社论的结构如下：主编 Ginestra Bianconi 的开场白，接着是各编辑的观点，按姓名字母排列。

　　虽然历史上复杂系统的定义一直备受争议，但我相信，目前复杂系统的具体定义有一个广泛的共识：复杂系统是由相互作用的元素组成的系统，且整体上有涌现现象。然而，这一定义仍有一些不明确的条件。例如：多少元素才足以显示复杂的涌现现象？有趣的是，这个数字可以很大，如人脑中的神经元和突触的数量，但也可以相对较小，因为我们知道秀丽隐杆线虫（Caenorhabditis elegans）的大脑只由几百个神经元组成，但它却可以表现出非常重要的行为。最小的细胞也仅由几百个基因组成，并且能够存活。从这些例子中可以看出，真正的复杂性和涌现现象所需要的元素数量可能远远不是物理学中通常考虑的大数（阿伏伽德罗常数：一摩尔气体中的分子数，约为6×10‍23）。

　　通俗来说，复杂性从随机性和有序性的“较量”中产生，复杂系统的基本拓扑结构与其元素之间相互作用网络（网络方法[2]）中一定程度的随机性，或其相互作用的符号（自旋玻璃方法[3]）内在相关。

　　尽管复杂科学在过去50年里取得了惊人的进展，但我认为我们还远没能完全理解复杂性，因为我们还不清楚：一个系统产生涌现的必要条件。例如，我们离完全理解大脑功能还很远。因此，与其他更传统的科学（例如物理学）相比，这个领域可能看起来支离破碎。但我更倾向于把这看作复杂系统的优势，因为其内容丰富。我坚信：要解决复杂性问题，就真的需要探索复杂系统的各个方面，需要开放的想法描述和预测复杂系统的数据，避免预设的自上向下的教条。

　　复杂科学面临着一些迫切的挑战，关于复杂系统对社会的影响和对人类的紧迫性。诺贝尔奖早就应该授予真锅淑郎（Syukuro Manabe）、克劳斯·哈塞尔曼（Klaus Hasselmann）和乔治·帕里西（Giorgio Parisi），以表彰他们对复杂系统的研究，我希望这一诺贝尔奖将有助于社会更广泛地认识到解决气候变化这一紧迫问题的必要性。

　　显然，气候变化研究（其先驱已获得2021年诺贝尔奖）是当务之急，其重要性和紧迫性怎么强调都不为过[4, 5]。这一领域正在迅速扩大，需要结合跨学科办法，以应对气温升高后对气候、环境和生态系统的挑战。从社会科学的角度来看，气候变化也很重要。因为了解人类社会如何应对气候变化，并提出改善全球合作的方法，这对地球的未来极其重要。

　　复杂科学也是理解和预测大规模流行病演变以及向政策决策者和公众通报流行病传播风险的关键。事实上，网络科学界早在新冠肺炎之前就意识到：利用无标度（scale-free）全球运输系统易导致传染病全球化的危险[6]。但不幸的是，新冠的流行仍让大多数国家感到意外，因为大多数国家的应急计划没有真正为新冠肺炎这样规模的流行病做好准备。尽管病毒的生物演变存在许多不确定性，为了监测流行病的演变和任何未来情况，科学家们很可能将大量关于社会流动性的数据与模型预测结合起来，这些模型是监测流行病和向决策者提供信息的关键依据。

　　在未来二十年里，复杂性和生物学交叉的进展将是精准医疗取得迫切进展的关键。这一巨大的复杂性挑战将需要一种真正的跨学科方法，结合网络科学、机器学习和人工智能与分子生物学和神经科学。事实上，虽然在过去几十年中，生物学一直广泛地使用单分子方法或严重依赖于分子生物学的中心法则，但现在人们已经充分认识到，大多数疾病是复杂的，为了理解这些疾病，重要的是要理解细胞相互作用网络的复杂性和异质性。在神经科学中，脑科学的研究正在蓬勃发展，然而系统的复杂性具有固有的多尺度特性，并且在分子水平上由于相互作用的丰富组合，这就为全面理解大脑功能带来了挑战。

　　最后，在未来二十年，复杂性将成为奠基量子互联网的关键，这需要将量子信息的进展与我们对经典复杂通信系统（如当前的互联网）的理解结合起来。

　　2021年诺贝尔奖让人们意识到气候变化的重要性，也是对复杂系统研究权威性的声明。历史上，随机动力学一直是物理学中的边缘学科，甚至具有概率性质的量子力学也是由确定性动力方程（薛定谔方程是确定性的）决定的。然而，随机性是研究复杂系统的基础，从气候学到自旋玻璃，再到复杂网络，而且，随着学科范围的扩大，随机性甚至成为生物学、社会科学甚至工程学的基础。2021年诺贝尔奖认可，由随机性驱动的复杂系统动力学是值得获得最高科学奖的主流学科[3-5, 7, 8]。这对整个复杂系统社区来说意义重大，并将推动该领域的研究，希望也能推动该领域的资金支持。2021年诺贝尔奖是社会发展的一大步，也是对（一直受到虚假信息挑战的）气候变化科学研究的进一步认可。

　　复杂系统研究拥抱复杂系统的天然随机属性，如今已获得2021年诺贝尔奖的充分认可。然而，我们仍有必要进一步理解复杂系统的鲁棒性和脆弱性之间的关系。例如，一个紧迫的问题是：我们离气候临界点还有多远？

　　网络鲁棒性的另一个重要应用在脑科学研究，大脑无疑是一个鲁棒的复杂系统，然而了解疾病如何影响大脑功能非常重要。为了解决这个问题，我认为我们需要接受大脑活动的随机性，并进一步了解大脑功能和大脑网络拓扑结构之间的相互作用。

　　多亏了网络科学的基础性成就，我们已经知道：网络对随机损伤的鲁棒性在很大程度上取决于网络的统计学性质。实际上，网络的无标度分布极大地改变了渗流的相图，表现出与规则格点或随机图上的渗流截然不同的临界行为[9-12]。这些结果对于理解复杂系统的底层网络结构及其动力学之间的相互作用至关重要。在我看来，应用拓扑学和随机几何学工具，可能会使我们在理解网络和更高层次网络的拓扑结构和动力学之间的相互作用方面取得更大的进展。在一定程度上，这已经实现了[13, 14]。我认为，采用拓扑和几何论证来理解复杂网络和高阶网络的动力学，对于揭示大脑研究和复杂系统中的一些未解之谜，可能是一个转折点。

　　复杂系统的预测具有挑战性，当然也受到普遍存在的非线性动力学的限制。然而，在过去二十年里，有关复杂系统预测的工作已经取得了重大进展（例如，在预测流行病传播方面取得了前所未有的进展）。复杂系统预测能力的提高主要得益于建模者能获得大量数据，以及复杂科学与数据科学、人工智能（AI）相结合所能取得的重要进展。有趣的是，在复杂科学中，预测能力的提高往往需要使用黑箱工具，黑箱工具在人工智能中发挥着重要作用，同时带来了内在风险。我坚信，结合网络科学、数据科学和人工智能算法，增强对复杂系统的预测能力，对于包括意义非凡的气候变化研究的各种应用来说至关重要。

　　然。