今年的诺贝尔奖已颁发有几周了，回看近年的诺贝尔自然科学奖，看起来有一个鲜明的共同点，那就是科研对象与方法正在走向复杂。20年到今年的黑洞、量子纠缠、阿秒激光、mRNA、AI蛋白设计、金属有机框架材料等，分别在宇宙、微观、生命与材料等不同层面逐渐表明，现在的科学不再把世界看为若干可拆分的简单部件，而是把它理解为跨尺度相互作用的整体。随着2021年的诺贝尔物理学奖，复杂系统的思维方式逐渐走到了台前，它指示我们在建立模型时要兼顾非线性、反馈与临界行为，要承认多层变量之间的耦合与不确定性。

24年诺奖的AI奖项大爆发，在方法维度上，让人工智能在成为科学研究的标配工具，相关论文在各行各业中也急剧的爆发，但要小心不应把它视作万能的替代工具。一方面来看，AI的模式识别与高维优化能力，让蛋白结构预测、反应路径搜索、材料筛选、化学分析等等的新发现任务效率大幅提升。另一方面，它也迫使研究者不断地回到机制层面，思考模型为何奏效、在哪些边界条件会失灵等等。根据我多年的经验，把AI用好，关键可以总结在以下三点：其一，以高质量、物理可约束的数据喂养模型，避免黑箱偏差把错误放大，其二，让机器学习与可微分的模拟、因果推断等传统手段结合，把相合的数据规律转化为可检验的机理假说。其三，也是最需要有方法学突破和大量工作投入的方面，用主动学习和自动化实验形成“假说—验证—修正”的闭环，使模型不断在边界样本上迭代。我们要从科学研究的最基本理念考虑，AI并非替代科学解释，而是为解释提供更大的搜索空间与更快的试错速度。

再看一下获得今年诺奖的MOFs和复杂性体系。复杂性的特点在我熟悉的环境科学领域是有很强的体现的。比如传统的环境研究一般常在理想条件下考察单一污染物，但土壤是天然的多相混合体：矿物、腐殖质、微生物群落与根系分泌物共同决定了反应路径。获得今年诺奖的MOFs、多相催化与仿生酶等材料和方法，实际上我们在环境领域也进行了好多年的研究。这些环境研究中在实际体系里做选择性高、能耗低的转化与捕集、生物正交化学与原位表征，让我们能追踪中间体，并把微观过程与宏观指标关联起来。未来的环境化学不只是测到什么、降到多少，而是在复杂背景下，如何调控反应网络的走向。这实际上需要把土壤当作活的反应场，在时间与空间上同时管理物理、化学与生物过程。我想这个对其他的学科比如生物、地理、工程等同样也是有效的。

近年来有很多人在提科学停滞的讨论，这年的诺奖提供了一个不同的视角。一方面，我们确实看到了边际突破更难的迹象，容易采摘的低垂果实已被摘取了，大型设施、跨国协作与长周期投入成为常态，另一方面，我们也看到了平台化、大基础的成果带来的加速度，比如获奖的CRISPR、mRNA技术、AI结构预测、阿秒激光与量子控制工具，它们具有一种浑厚的，有力量的，而非机巧性的科学突破。从这个角度看，与其说科学停滞，不如说科学的产出更大范围转为高难度深水区的稳步推进，更多耐心的耕耘、更多工具的精炼化，更多跨界的整合。我们不太可能在科学的旷野上，有那么多轻松的好运气。

今年的诺贝尔奖，我觉得在普遍意义上来说对自然科学影响最大的应该是经济奖，因为他所提出的破坏性创新是最符合自然科学研究气质的。自然科学的进步本质是大大小小范式的更替，而破坏性创新正是范式转换的催化剂。它常常以反常规的勇气打破认知惯性，倒逼科学研究跳出舒适区，在未知领域中探索新的规律与真理。这种敢于颠覆、勇于重构的特质，正是自然科学研究最珍贵的精神内核，这个也决定了破坏性创新是其最契合的发展动力。

这些年获奖的阿秒时间分辨、单分子与低温成像、相干控制、量子传感、超分辨谱学、以及去年借助AI的反演与去卷积，可以归结出另外一条关键线索：高维度感知。这些都使我们第一次在恰当的坐标系里观察到此前看不见的变量。需要说明。高维度并不只是维度更大，而是如下的：变量选择更准确、噪声建模更充分、测量与建模更配合。这一方面我在环境监测角度的研究里也有很多的工作和思考。比较好的研究设计，会把传感器物理、信号处理、统计推断与先验机理放在一并考虑里，最终得到所谓的可解释的高分辨数据，而不是仅仅是更大的数据库。

最后谈一点的启示是科学融合的趋势，也就是学科边界的交流。我们近年来在大量的探讨学科交叉、领域复用，融合其实不是一个口号，而是在操作上很具体的东西，以问题为中心的科学研究组织方式。以气候与环境为例，我们需要大气—地表—土壤—水体—生物的通盘建模考虑。在健康和环境方面，我们需要免疫—代谢—微生物—化学暴露的联动研究和管理。在材料工程领域，多尺度的理念，分子—介观—工程尺度的贯通优化。实际上现在一个非常具体的研究对象，往往不是一个专业或者一个学科能够充分解决的，现在的科学理念和管理体系，对这种跨学科的研究还是缺少很好的运作模式，对一些小而专的目标更是这样。