computer-science / frontier
研究 前沿
人类在计算机科学领域当下正在推进的最前沿——尚未解决的问题、谁在攻关、近年的突破， 以及仍然未知的边界。这里收录的是“正在发生的知识”，而非已盖棺定论的结论。
18 个前沿议题
形式化验证与程序合成
Formal Verification and Program Synthesis — From CompCert to AI-Assisted Proof
2023 年 11 月，菲尔兹奖得主陶哲轩（Terence Tao）和合作者 Timothy Gowers、Ben Green、Freddie Manners 共同宣布证明了多项式 Freiman–Ruzsa（PFR）猜想。这不只是一个数学定理的证明。
Xavier Leroy（INRIA，CompCert） · Leonardo de Moura（Microsoft Research → Amazon，Lean） · Terence Tao（UCLA，AI 辅助证明）
神经程序综合：从规约到代码的开放问题
Neural Program Synthesis — Open Problems from Specification to Code
形式化验证那一篇讲的是 CompCert、seL4、Lean 与「证明对象如何被机器检查」。本篇不重复那条链。2020 年代另有一条已经进入生产的路径：用神经网络从自然语言、输入输出例子或残缺代码里提出程序，再用测试、类型或偶尔的证明去筛。
Armando Solar-Lezama（MIT，SKETCH / 程序综合） · Sumit Gulwani（Microsoft，编程示例综合） · Yujia Li 等（DeepMind AlphaCode）
神经形态与后 CMOS 计算：当搬运数据比计算更贵
Neuromorphic and Beyond-CMOS Computing — When Moving Data Costs More Than Computing
现代处理器有一个被算力叙事掩盖的真相：一次乘加运算的能耗，远低于把参与运算的数从内存搬到运算单元的能耗。在典型工艺下，从片外 DRAM 读一个数所耗的能量，可以做几百次乘加。
Carver Mead（Caltech，神经形态一词的提出者） · Dharmendra Modha（IBM，TrueNorth / NorthPole） · Mike Davies（Intel Neuromorphic Computing Lab）
计算的碳足迹：可持续计算的实测与分歧
The Carbon Footprint of Computing — Sustainable Computing
2025 年 4 月，国际能源署（IEA）发布《Energy and AI》特别报告，给出了两个被反复引用的数字：全球数据中心 2024 年用电约 415 太瓦时（TWh），占全球用电量约 1.5%；在基准情景下，2030 年将增至约 945 TWh——超过今天日本全国的用电量。报告同时把增长的主要驱动点名：AI。
Eric Masanet（UC Santa Barbara / Northwestern） · Jonathan Koomey（能源效率研究者） · Emma Strubell（卡内基梅隆大学）
集群训练系统：把模型铺到一千张卡上
Cluster Training Systems — Spreading a Model across a Thousand Accelerators
Meta 在 Llama 3 405B 的预训练里动用 16,384 张 H100，论文给出的总算力约为 $3.8\times 10^{25}$ FLOPs。
Mohammad Shoeybi 等（Megatron-LM） · Samyam Rajbhandari 等（DeepSpeed ZeRO） · Ziheng Jiang 等（MegaScale）
零知识证明与隐私计算
Zero-Knowledge Proofs and Privacy-Preserving Computation
想象这样一个场景：你想向一家医院证明你没有某种遗传性疾病，但不想透露你的基因数据。你想向银行证明你的信用分足以申请贷款，但不想暴露你的财务明细。你想证明你年满 18 岁，但不想给对方看你的身份证。
Shafi Goldwasser（MIT / Weizmann，零知识证明奠基人） · Silvio Micali（MIT，零知识证明奠基人） · Eli Ben-Sasson（Technion，StarkWare 联合创始人）
全同态加密：在密文上计算
Fully Homomorphic Encryption — Computing on Ciphertexts
2009 年，Craig Gentry 在斯坦福的博士论文里第一次给出了全同态加密（Fully Homomorphic Encryption, FHE）的可行构造：不解密，也能对密文做任意计算，解密后得到的结果等于对明文做同样计算。
Craig Gentry（Stanford / IBM Research，首个 FHE 方案） · Zvika Brakerski、Vinod Vaikuntanathan（BGV） · Jung Hee Cheon 等（CKKS）
后量子密码：在机器造出来之前更换全世界的锁
Post-Quantum Cryptography — Replacing the World's Locks Before the Machine Exists
密码学史上从没出现过这样的局面：一种尚不存在的机器，正在迫使全世界更换正在使用的锁。
Peter Shor（MIT） · Michele Mosca（滑铁卢大学 IQC） · Wouter Castryck & Thomas Decru（KU Leuven）
机密计算：把信任从运维手里收回硬件
Confidential Computing — Moving Trust from the Operator into the Silicon
云计算有一个从第一天起就存在、却长期被默认接受的漏洞：你的数据在云上是加密的——除了它正在被使用的时候。
Georgia Tech / Purdue 的 TEE.fail 研究团队 · Battering RAM 研究团队（KU Leuven / 伯明翰大学） · Daniel Genkin 等（微架构侧信道）
大语言模型与基础模型
Large Language Models and Foundation Models
2022 年 11 月 30 日，OpenAI 把一个叫 ChatGPT 的系统悄悄放到了互联网上。没有发布会，没有大型广告。五天后，它有了 100 万用户；两个月后，1 亿用户。这是消费级应用历史上最快的用户增长。
Ashish Vaswani 等（Google Brain，Transformer 论文） · OpenAI（GPT 系列） · Anthropic（Claude 系列）
机制可解释性：从可命名特征到因果机制
Mechanistic Interpretability from Named Features to Causal Mechanisms
2021 年，OpenAI 研究者在 CLIP 中观察到一个“蜘蛛侠神经元”：蜘蛛图像、单词 spider 的图像和蜘蛛侠角色都会激活它。这说明模型内部可能出现跨文字、符号和视觉形式的抽象响应。
Chris Olah · Neel Nanda · Aaron Mueller
AI 驱动的科学发现：从蛋白质到天气再到数学
AI for Science — Machine Learning as an Instrument of Discovery
2024 年 10 月，诺贝尔化学奖一半授予 David Baker，另一半授予 Demis Hassabis 与 John Jumper——表彰计算蛋白质设计与蛋白质结构预测。一个本质上是机器学习系统的成果拿到了科学最高奖，这在诺贝尔奖历史上没有先例。
John Jumper 与 Demis Hassabis（Google DeepMind，AlphaFold） · Remi Lam 等（Google DeepMind，GraphCast） · Amil Merchant 与 Ekin Dogus Cubuk（Google DeepMind，GNoME）
推理时计算与推理模型：让机器学会"多想一会儿"
Inference-Time Compute and Reasoning Models
2024 年 9 月 12 日，OpenAI 发布 o1-preview，博客标题只有一句话：Learning to Reason with LLMs。模型的用法看起来很反常——它在回答之前会"沉默"几十秒甚至几分钟，生成一大段用户看不见的推理过程，然后才给答案。
OpenAI（o1 / o3 系列） · DeepSeek 团队（R1 / R1-Zero） · Hunter Lightman 等（OpenAI，过程奖励模型）
扩散模型：从噪声里长出分布
Diffusion Models — Growing a Distribution out of Noise
2020 年，Ho、Jain 与 Abbeel 的 DDPM 把一条看起来像物理的程序——把图像一步步加噪直到变成高斯，再学着把它一步步去噪——做成了能在 CIFAR-10 上打出 FID 3.17 的生成模型。
Jonathan Ho、Ajay Jain、Pieter Abbeel（DDPM） · Yang Song、Stefano Ermon、Jascha Sohl-Dickstein（分数 / SDE） · Robin Rombach 等（潜扩散 / Latent Diffusion）
混合专家：稀疏激活的大模型
Mixture of Experts — Sparsely Activated Large Models
2023 年 12 月，Mistral AI 放出 Mixtral 8×7B 的开放权重：总参数约 467 亿，但每个 token 只激活约 129 亿。它在多数公开基准上匹配或超过 Llama 2 70B，推理成本却按“激活参数”而不是总参数来付。
Noam Shazeer（稀疏门控 MoE，2017） · William Fedus、Barret Zoph、Noam Shazeer（Switch Transformer） · Albert Q. Jiang 等（Mixtral）