李璐｜撰文

瞿立建 | 编辑

2026年8月8日，国际理论物理中心（ICTP）宣布，将2026年狄拉克奖（Dirac Medal）授予四位物理学家：法国法兰西公学院名誉教授Bernard Derrida、印度塔塔基础研究所国际理论科学中心杰出教授Deepak Dhar、意大利博科尼大学教授Marc Mézard，以及以色列耶路撒冷希伯来大学教授、哈佛大学访问教授Haim Sompolinsky[1]。

ICTP表彰他们在平衡态统计力学领域的开创性贡献，以及将相关概念与方法拓展至非平衡态统计力学、优化问题、理论神经科学和人工智能领域的工作。

狄拉克奖创立于1985年，是国际理论物理学界的最高荣誉之一。为纪念量子力学奠基人之一物理学家保罗·狄拉克（Paul Dirac），该奖每年在狄拉克的生日之际由ICTP颁发。它有一条颇为特殊的规则，该奖不授予诺贝尔奖、菲尔兹奖或沃尔夫奖得主，不过许多狄拉克奖得主后来确实获得了这些著名奖项[2]。

ICTP主任Atish Dabholkar评价称，本届获奖者的工作推动统计力学成为一个可以解决远超传统物理范畴问题的强大框架，其影响延伸至生物学、计算机科学和人工智能等领域。

Bernard Derrida是法国法兰西公学院名誉教授。他在阿尔及利亚度过童年时期，1962年阿尔及利亚独立前夕，他随家人前往法国，1971年进入巴黎高等师范学院，随后在法国原子能和替代能源委员会（CEA）和格勒诺布尔的劳厄—朗之万研究所（the Institut Laue-Langevin）完成博士研究。他先后在萨克雷核研究中心（CEN Saclay）、巴黎第六大学（Université Pierre-et-Marie-Curie）、巴黎高等师范学校（ENS）任职。几十年间，他研究过动力系统、无序介质理论、非平衡态物理以及生物学建模[3]。

Derrida在法兰西公学就职演讲时提到，统计物理学的特点之一是人们可以创作尽可能简单的模型来描述现实世界。其基本思路是从原子或分子等基本组成部分间的相互作用出发，推断出我们在宏观层面上可以感知到的物体的性质[4]。

这一点在Derrida于1980年发表的随机能量模型（Random Energy Model）中就有所体现。他在研究自旋玻璃（一种由于自旋之间存在随机相互作用和相互阻挫，使磁矩在低温下以无序取向冻结的特殊磁性状态）问题时，将不同构型的能量视为随机变量，把庞杂的无序系统压缩成可以精确求解的模型，证明了由许多成分组成的系统有时会被少数几个有利的构型主导。这一思想影响了从优化理论、神经网络和人工智能等诸多领域。这些工作也是他在 2010 年获得玻尔兹曼奖的重要依据。

获奖后法国国家科学研究中心发布的新闻公报中曾这样评价Derrida：“他的独特能力在于能够提出一个通用问题，然后借助强大的数学技巧和精确的数值方法来解决它”。

1993年Derrida与M.R. Evans、V. Hakim、V. Pasquier用非对称排斥模型描述粒子系统，这些粒子沿特定方向跳跃运动又同时受到硬核排斥约束，即一个位置不能同时被多个粒子占据，研究发现，可以利用非对易矩阵的乘积精确写出系统的稳态[5]。Derrida一直在提出新的数学模型用以解释复杂无序系统中集体行为是如何产生的。

Dhar是印度塔塔基础研究所国际理论科学中心、印度国家科学院（INSA）杰出教授。他于1970年毕业于阿拉哈巴德大学，获得理学学士学位，1972年在印度理工学院坎普尔分校（IIT Kanpur）获得了物理学硕士学位，然后前往加州理工学院攻读博士学位。他的研究主要集中在统计物理学领域，以对自组织临界性的阿贝尔沙堆模型、分形、磁体中的缓慢弛豫、逾渗与定向动物（一种格点团簇模型，从一个规则晶格的格点出发，沿预先规定的方向连接相邻格点，形成簇，被物理学家称为定向动物，directed animal。叫“动物”是因为这些簇的形状看起来像各种"小动物"在晶格上爬行。）问题以及生长模型的研究而闻名。

牛顿是Dhar童年时期最敬佩的人物之一，由于父亲的工作变动，Dhar几乎从未在一个城市停留很久，但书架上的科普书籍一直陪伴着他。其中包括玛丽·居里的女儿所写的传记与爱因斯坦、伽利略以及罗素的科普书[6]。这也是他后来从事物理研究的起点。

回顾过去，给Dhar留下深刻印象的并非某一门课程，而是具体的人。英语课的讲师Arvind Kumar Malhotra试图让学生摆脱墨守成规、不思考、只盲目遵循指示的学习模式，他觉得或许在某种程度上确实取得了成功。

此外，理查德·费曼（Richard Feynman）对Dhar的思维方式产生了极大影响，他曾给费曼的高等量子力学课程担任助教，并把这段经历称为难忘的训练。Dhar在访谈中回忆：“如果我能做到哪怕只有费曼的十分之一，我就会非常开心了。”

统计物理吸引Dhar的是可以用几条简单明了的定律来解释很多宏观现象[7]。他的研究内容也如此，他思考的是简单的相互作用如何在大型系统中导致复杂且有时不可预测的行为。

最著名的当属他在沙堆模型（sandpile model）上的开创性工作。在 Bak、汤超 和 Wiesenfeld 根据对沙堆的研究提出自组织临界性：系统在不断加入沙粒的过程中可以自行演化至临界状态，小的扰动有时会引发大规模“沙崩”。 Dhar 对沙堆模型进行了深入研究，揭示了其中一种具有特殊‘交换性’的阿贝尔沙堆模型的数学结构，从而使许多临界性质能够被精确计算。他的理论被用于研究地震、交通拥堵和金融市场波动等看似截然不同的复杂系统。

奖项不是科研生涯的终点。2022年Dhar在获得玻尔兹曼奖演讲时，借用牛顿“海边拾贝“的比喻，说科学家像在海边玩耍的孩子一样寻找石子和贝壳，有人幸运地找到几枚好一些的，自己也是如此，幸运地找到了一些值得研究的问题[8]。

Dhar在接受专访时还强调，体育比赛的目标可以是获胜，但科研的目标不应该是得奖。这样的表述，与他多年来偏爱的规则简单结果却出人意料的研究风格颇为一致。

意大利博科尼大学理论物理学教授Marc Mézard于1984年在巴黎高等师范学院获得博士学位，随后进入法国国家科研中心，主要研究自旋玻璃系统及其相关现象。2012年至2022年，他担任巴黎高等师范学院担任院长整整十年[9]。

卸任之后，Mézard没有留在传统的物理系，而是前往意大利博科尼大学新成立的计算科学系任职。对一个研究了数十年统计物理的人来说，这个选择表明在他眼中学科边界远没有问题本身重要。

Mézard曾表示，自旋玻璃其实没什么实际用途，这种研究的开展纯粹是出于学术兴趣[10]。他对复杂系统中相互交互的“原子”所引发的涌现现象很感兴趣。Mézard及其合作者开发了多种研究自旋玻璃的方法，他们没想到这些方法还可以被应用于金融、生物学等多学科领域，具有无限的可能性。

Mézard最重要的贡献是解释了由众多竞争可能性产生高度受挫的无序系统是如何表现的。他曾与Giorgio Parisi和Miguel Virasoro共同开发空腔法（cavity method）。该方法为描述广泛的无序系统提供了一个强大且直观的框架，并能产出用于寻找其有利构型的实用算法。这些算法和理论思想已被用于计算机科学、通信以及人工智能等领域中。

目前，Mézard的主要研究方向之一是深度神经网络的学习机制。谈到人工智能，Mézard一直保持一种距离感，他认为人工智能掌控一切的情况仍然属于科幻范畴。他试图从统计物理学角度理解人工智能，当有许多基本组成部分时，它们的集体行为如何产生新的现象。

Mézard指出，20世纪七八十年代，许多统计物理学家致力于开发研究高度无序系统的工具，在这类系统中，每个构件都有不同的作用，其复杂性程度足以产生全新的涌现行为[11]。

Haim Sompolinsky是以色列耶路撒冷希伯来大学神经科学与物理学教授兼任美国哈佛大学访问教授。他于1980年在巴伊兰大学获得物理学博士学位，1986年转到耶路撒冷希伯来大学担任物理学教授。他的研究涵盖了相变、临界现象、非线性动力学以及自旋玻璃态的统计力学等方面[12]。

20世纪80年代中期以来，Sompolinsky利用统计力学来理解神经回路、记忆和大脑，成为计算神经科学这一新领域的开创者之一。

Sompolinsky的父亲是一位微生物学家，在他的回忆里，父亲可以坐上几个小时，通过显微镜观察并做笔记，偶尔自己也被允许透过目镜观察迷人的微生物世界。在他眼里父亲是个真正的科学家，并使自己也对科学产生了浓厚的兴趣[13]。

Sompolinsky后来回忆，父亲的书房摆满了犹太经典和宗教律法书，在这些书中间还有数学、微生物学和物理的书籍。对年幼的他来说，这些知识并没有被分成彼此冲突的世界。“宗教信仰与科学事业并不冲突”，Sompolinsky对科学开始产生兴趣[14]。童年时期他就对物理学能够运用数学来解释自然现象的能力着迷，直到今天依然如此[15]。

2024年他回到出生地哥本哈根参加颁奖典礼时，把自己题为《破解神经编码之谜》（Deciphering the Mysteries of the Neural Code）的论文献给已故的父亲，Sompolinsky说，这使那次领奖具有超出科学荣誉本身的情感意义，一个循环就此完成[16]。

Sompolinsky的早期贡献主要是关于自旋玻璃的研究，但Sompolinsky很快就选择了当时在物理学界并不主流的一条路：研究大脑。而当时神经物理学领域的不成熟也为年轻的物理学家进入提供了机遇。

对于研究的转变，Sompolinsky解释说，这是个人选择问题，他认为神经科学和大脑问题十分有趣，且值得研究，同时自己的研究兴趣和研究能力刚好契合。毕竟在职业生涯早期他便求解了一个简单的记忆数学模型：霍普菲尔德模型（Hopfield model）。

Sompolinsky利用该模型开发了神经网络的统计力学描述，将统计物理学与大脑功能之间的联系起来，并阐明了联想记忆的工作机制，即大脑从记忆碎片中恢复完整记忆的能力。

在接受采访时，Sompolinsky坦言他不以寻找某种神经疾病的疗法为直接目标，自己并不擅长由短期目标和大量具体细节主导的应用研究，真正吸引他的是思考那些基本原理和根本问题。

在Sompolinsky获得2024年脑研究奖时，评选委员会主席Richard Morris指出，他四十多年来的工作，对将理论与计算神经科学确立为现代大脑研究的基石起到了关键作用。

Sompolinsky看到了人工智能带来的多种可能性。不但可以通过建构大规模神经网络来提升人类对大脑模型的理解，还能借助对人工智能神经网络的探究，尝试揭示人类大脑理解并产生语言的基本原理。他说：“这又是一场革命。而我们现在才刚刚触及它的表面而已”。