计算机系的科研版图，其实是一张"问题地图"

如果你去翻任何一个计算机系的官网，科研方向那栏通常列着：人工智能、系统与网络、理论计算、人机交互、信息安全……看着像菜单，其实更像一张被反复涂改的作战地图。

这张地图上的每个"方向"，本质上是一堆还没被解决的问题的集合。而这些问题从哪来？从现实里来，从数学里来，从"现有的东西不够用"里来。

人工智能：从"能不能"到"敢不敢"

早年的AI研究，问题很朴素：机器能不能下棋？能不能识别猫？这些问题现在基本都有答案了。于是问题升级了：模型为什么能泛化？它什么时候会犯错？犯了错谁负责？

我认识一个做可解释性研究的老师，他这几年明显感觉到风向变了。以前开会大家问"你准确率多少"，现在有人问"你这个模型在分布外数据上表现如何""如果训练数据有偏见，你的解释方法能发现吗"。问题从技术层面向伦理和社会层面蔓延，研究者的工具箱里除了数学，还得装上法律和哲学。

系统与网络：在"够用"和"崩溃"之间走钢丝

系统方向的问题往往很具体：怎么让数据库在机器宕机时不丢数据？怎么让视频流在弱网下不卡？但具体问题的背后，是规模带来的质变。一万台机器和一台机器，是完全不同的物种。

有个做云计算的教授说过一句很糙的话："系统科研就是在'能跑'和'跑着跑着炸了'之间反复横跳。"他们组去年发了一篇顶会论文，核心贡献是发现某个主流调度算法在特定负载下会产生"饥饿"现象。这个问题存在了好几年，但直到有人真的在超大规模集群上跑，才暴露出来。

理论：在"无用"和"大用"之间徘徊

理论计算机科学的问题，常常看起来像数学家的自娱自乐。但历史上，图灵机、丘奇-图灵论题、NP完全性，这些理论后来都成了整个学科的底座。

现在理论方向的热点之一，是量子计算相关的复杂性理论。问题很抽象：量子计算机到底能比经典计算机快多少？哪些问题它也不行？这些问题现在没有工程答案，但它们在划定未来的边界。有个做量子算法的师兄说："我们现在的状态，像在发明微积分之前的数学。工具还没造出来，但已经在猜它能干什么。"

交叉地带：问题从缝隙里长出来

最有意思的是那些不在菜单上的方向。比如计算生物学、计算社会科学、人机交互与AI的交叉。这些问题往往来自其他学科，但计算机系的人发现，用算法和系统的视角去看，能看到别人看不到的东西。

一个做计算社会科学的老师告诉我，她研究的是信息在社交网络上的传播。这个问题社会学家研究了几十年，但计算机系的人会问：如果我把传播模型写成代码，跑一百万次，会看到什么规律？这种"用计算做实验"的方法，正在改变很多传统学科的研究方式。

地图在变，问题在变

计算机系的科研版图不是固定的。二十年前，数据库和编译原理是核心；十年前，移动计算和社交网络是热点；现在，AI和系统重新成为重心。但变的不是"方向"这个标签，而是背后的问题。

问题从哪来？从你用的手机里来，从医院的CT机里来，从你刷的短视频里来，也从数学家黑板上的一个猜想里来。科研就是不断把这些问题变成"已解决"或"证明无解"的过程。

而这张地图，永远画不完。