文章核心观点 - 人类正处于由人工智能（AI）驱动的认知范式革命之中，其深度堪比哥白尼的“日心说”对“地心说”的颠覆 [5] - 这场革命由五大互相关联的范式转变构成，它们共同重塑了我们对计算、智能以及AI未来发展的理解 [6] 自然计算 - 计算是一种自然现象，早在人类制造计算机之前就已存在于自然界，这一认知将推动计算机科学、AI、物理学和生物学的革新 [6] - 约翰·冯·诺依曼在1951年就发现了计算与生物学的深刻联系，证明了生命本质上是“计算性”的，DNA即是生命的代码 [13][14] - 艾伦·图灵在理论生物学领域做出开创性贡献，描述了组织如何通过感知和释放化学信号（形态发生素）进行生长和分化，这是一种强大的模拟计算形式 [16] - 谷歌“智能范式”团队的实验表明，在一个模拟的玩具宇宙中，可以从随机字符串“汤”中自发涌现出能够自我复制的最简单“人工生命”形式 [18] - 生命的复杂性通过自愈或繁殖能力得以持续存在，进化通过“多级选择”机制，使现有部分反复组合，形成越来越庞大复杂的实体，人类智能即源于约860亿个神经元的协同运算 [22][23] 神经计算 - 计算机科学的先驱们早已认识到大脑本质上是计算机，早期计算机的逻辑门即被构想为人工神经元 [25] - 传统AI（GOFAI）试图通过编写精确程序来复制智能，但最终失败，导致神经科学与计算机科学分道扬镳 [26][27] - “联结主义”学派拥抱机器学习，让神经网络从经验中学习，但20世纪基于二进制和串行执行的经典计算范式与神经计算并不契合 [28][29][30] - 大脑拥有约860亿个神经元，运行缓慢但高度并行且节能，而传统计算机模拟神经计算效率低下 [32][33] - 未来的神经计算范式将出现，其芯片可能包含数百万计像神经元一样并行工作的处理节点，计算由分布存储的数十亿参数决定，并能从经验中学习，实现分散且稳健的计算 [34][35] 预测智能 - 大语言模型（LLM）仅通过预测下一个词元就展现出惊人的通用智能，这一发现具有划时代意义 [36] - “预测性大脑假说”认为大脑进化是为了不断建模和预测未来，智能建立在不断演进的知识和对未来的统计建模之上 [10][38] - 未来的AI模型将演变为自我构建的系统，通过经验动态生长发展，并消除训练与推理（运行）之间的界限，实现持续、开放式的学习 [10][40] - LLM作为强大的通用预测器，不仅能处理语言，还能彻底变革机器人技术，驱动从自动驾驶汽车到人形机器人的各种形态 [42] - 拥抱预测处理范式，将规划、行动和预测统一起来，有望改进AI技术，并为机器学习、神经科学和理论生物学建立统一的理论基础 [43] 通用智能 - 关于AI是否具备真正智能的争论，功能主义的视角更为重要：关注系统实现的目的和功能，而非其具体实现方式 [48][49] - 当前的AI模型已经能够完成一系列广泛且不断增长的认知任务，其技能广度已超越任何单个人类个体 [10][53] - 衡量AI性能的标准已悄然从“任何个体”转变为“全人类”，当前单个人类的“通用性”已低于AI模型 [53] - 实现AGI（通用人工智能）的关键在于“无监督训练”，即在不规定具体任务的情况下进行通用学习，使模型获得广泛能力 [54] - AGI可能没有一个明确的跨越界限，或者这个界限已经被跨越，如今的LLM若展示给2002年的AI研究人员，会被认为是AGI [48][53] 集体智能 - 智能本质上是社会性的，“社会智力假说”认为人类智能的爆发源于社会性反馈循环和心智理论的发展 [10][56] - 人类通过认知分工组成了一个“超级生命体”，其智慧是集体性的，LLM通过训练大量人类集体成果，已在知识广度和平均深度上远超任何单个个体 [62] - 大脑皮层是一个模块化的“社区”，由运行通用学习算法的专门化区域组成，智能可被理解为一种“社会性分形” [64][65][66] - AI模型也遵循“规模法则”，更大的模型更聪明，并通过“专家混合模型”或“涌现模块化”实现内部的认知分工 [67] - AI发展的前沿正从单一的、权重冻结的基础模型，向具备高度自主性、能与其他智能体互动协作、并具备长期记忆和持续学习能力的形态演进 [68][69] - 智能的社会视角为AI工程和哲学问题（如意识）提供了新视角，LLM在心智理论测试中表现与人类不相上下，因其训练数据本就包含大量此类任务 [70]

快速排序算法 - 快速排序是世界上使用最广泛的排序算法之一，被写进了几乎所有主流编程语言的标准库，如C、Java、Python [2][3] - 该算法由托尼·霍尔于1959年在莫斯科学习期间构思，旨在解决机器翻译项目中俄语单词排序的效率问题 [5][6][8] - 算法核心思路是“分而治之”，选择一个基准元素，将小于它的元素移到左边，大于它的移到右边，然后递归处理左右两部分 [13] - 其平均时间复杂度为O(n log n)，是原地排序算法，仅需O(log n)的辅助空间，且对现代计算机缓存机制友好，实际运行速度快 [19][20][21] - 霍尔用一下午时间完善算法细节，并在一场与同事关于希尔排序速度的赌局中获胜，赢下六便士 [14][18] 霍尔的其他学术贡献 - 于1969年提出霍尔逻辑，这是一套用于验证程序正确性的形式化系统，为软件可靠性和安全性研究奠定了理论基础 [28] - 于1978年提出通信顺序进程模型，该模型专门用于描述并发系统中多个进程间的交互行为，并直接影响了Go语言中goroutine与channel的并发设计 [30][31] - 于1969年发表论文《计算机编程的公理基础》，提出了“霍尔三元组”概念，使程序的正确性可在开发过程中同步构造，成为编程理论领域最具影响力的论文之一 [61][62] - 其1961年用Algol 60语言实现的快速排序代码于1962年发表在《计算机杂志》上，成为其第三篇学术论文 [25] 空引用及其影响 - 霍尔于1965年在设计ALGOL W语言时引入了空引用概念，初衷是为了方便表示变量“没有值”，且实现成本极低 [41][42] - 此设计被后来的Java、C、C++等主流编程语言大量采纳 [43] - 霍尔在2009年的一次公开演讲中反思，称其为“十亿美元的错误”，指出它导致了无数的错误、漏洞、系统崩溃，在过去四十年可能造成了十亿美元的损失 [45] 霍尔的职业生涯与荣誉 - 霍尔最初在牛津大学学习古典学和哲学，后因在军队学习俄语，得以在莫斯科国立大学学习机器翻译 [50][51] - 1960年，他加入英国Elliott Brothers公司，领导团队完成了ALGOL 60编程语言的首个商用编译器开发，并成为公司首席科学家 [60] - 1968年转入学术界，先后在贝尔法斯特女王大学和牛津大学担任计算机科学教授，并在牛津领导编程研究小组长达22年 [60] - 1999年从牛津退休后，加入微软剑桥研究院担任高级研究员 [68] - 他于1980年因“对程序设计语言的定义和设计的根本性贡献”获得图灵奖 [35] - 他还曾获得京都奖、IEEE约翰·冯·诺依曼奖章，并被英国女王伊丽莎白二世册封为爵士 [74]

行业核心观点 - 顶尖人工智能公司正积极吸纳以清华姚班毕业生为代表的顶尖华人AI人才 这些人才在产业界和学术界均占据关键位置 体现了行业对高端智力资源的激烈竞争 [1][3] - 顶级AI人才的成长路径显示 早期对计算机科学的浓厚兴趣、强大的自主学习能力、以及在信息学奥林匹克等顶级竞赛中的卓越表现 是其成功的重要基础 [3][6][11] 公司人才战略 - OpenAI近期正式招募了清华姚班出身、加州大学伯克利分校助理教授陈立杰加盟 [1] - 腾讯近期正式官宣 任命同为清华姚班出身的27岁姚顺雨为公司首席科学家 [1][9] 关键人物背景 - 陈立杰 - 陈立杰本科毕业于清华姚班 博士毕业于麻省理工学院 现任加州大学伯克利分校助理教授 是理论计算机科学领域的顶尖青年学者 [1][3] - 其早期经历并非传统学霸 曾为“网瘾少年” 但初中接触编程后产生浓厚兴趣并开始自学 [3] - 通过信息学竞赛脱颖而出 2010年获全国青少年信息学联赛浙江赛区一等奖 2011年获全国青少年信息学竞赛第四名并入选国家集训队 [6] - 16岁获全国青少年信息学奥林匹克竞赛(NOI)金牌 保送清华姚班 18岁以世界第一名获国际信息学奥林匹克竞赛(IOI)金牌 [6] - 在清华本科期间 其名字已出现在理论计算机顶会 2017年作为首位中国本科生在计算机科学基础年度研讨会(FOCS)发表论文 [9] - 本科毕业后进入麻省理工学院攻读博士 2019年在FOCS连发3篇论文并获得最佳学生论文奖 [9] 关键人物背景 - 姚顺雨 - 姚顺雨1998年出生 2014年获全国信息学奥林匹克竞赛(NOI)银牌 [11] - 以高考704分、安徽省理科第三名的成绩考入清华大学交叉信息研究院姚班 是陈立杰的学弟 [11] - 在清华期间担任过姚班联席会主席 并联合创办了清华说唱社 是一名重度说唱爱好者 [13] - 他认为说唱艺术开放的特性对其AI研究有所启发 [13][14]

文章核心观点 - arXiv平台对计算机科学领域的综述性和立场性文章实施新规，要求必须先通过同行评审才能投稿，此举是对AI生成内容泛滥的被动防御[2] - 上海交通大学研究团队将AI生成综述论文的泛滥现象精准定义为"综述论文DDoS攻击"，指出其本质是耗尽学术界有限注意力资源的拒绝服务攻击[5][7] - 研究通过量化分析证实，2022年底ChatGPT发布后，arXiv上CS领域综述论文数量、AI生成分数及可疑发表行为均出现激增，AI是核心驱动力[10][14] - AI生成综述的四大缺陷导致"文献投毒"现象，严重危害学术生态，扭曲学术评价体系[16][19][21] - 解决方案包括近期的严格审查政策和长期的"动态实时综述"范式革新，构建人-AI协作的策展循环[23][24] 问题定义与量化分析 - 提出"综述论文DDoS攻击"概念，精妙比喻海量AI生成内容淹没真正学术见解，导致研究人员被"拒绝访问"有价值洞察[5][7] - 分析2020至2024年间arXiv上10,063篇CS领域综述论文，发现清晰的"后2022年激增"转折点[10] - CS综述论文总量呈爆发式增长，研究者已不堪重负[12] - 平均AI生成分数翻了一倍多，清晰表明AI是增长核心驱动力[13] - 可疑发表行为激增，指向AI辅助下的批量生产，如月内以少于2名合作者发表超3篇综述的作者数量激增[14] AI生成综述的危害 - AI生成综述存在结构性空洞、缺乏创新分类法、引文与内容错漏、高度冗余四大典型缺陷[17][18] - 这些缺陷共同导致"文献投毒"现象，使新入行研究人员从一开始被植入错误学术前提[19] - 低质量AI综述互相引用，在学术搜索引擎上制造虚假繁荣，形成自我强化循环，扭曲学术评价体系[21] 解决方案与未来展望 - arXiv新规是一种防御性的紧急熔断措施[23] - 近期务实策略包括作者透明度要求、对综述进行更严格审查、在审查中引入AI检测和验证、激励高质量综述[26] - 长期愿景是构建"动态实时综述"新范式，建立由社区共同维护的、版本可控的在线知识库，实现人-AI协作策展循环[24] - DLS模式能解决冗余、保证质量、解决时效性问题，将AI转变为科研助手而非威胁[24]

文章核心观点 - 现有学术评价体系过度依赖论文发表数量和引用次数等量化指标，存在将学术影响力评估异化为数字游戏的风险 [2] - 提出一种全新的学术影响力评估方法，利用大语言模型阅读论文内容，识别出被研究者认为最重要的参考文献，从而衡量科研工作的实质影响力 [5][7][12] - 新排名体系旨在奖励那些激发新发现、奠定研究基石、推动学科前行的研究机构，反映“影响深度”而非“发表数量” [13][14] 现有学术评价体系的问题 - CSRankings等体系以论文发表数量为唯一客观指标，可能导致学术评价变为比拼论文篇数的竞赛 [2] - 依赖引用数量的评价方法存在弊端，例如论文中包含大量非关键引用，或某些类型论文（如综述文章）天生易获高引用但未必代表高学术价值 [3] 新评估方法：ImpactRank - 核心思路是利用大语言模型（DeepSeek-R1-Distill-Llama-8B）阅读2020-2025年顶级AI会议论文，识别每篇论文中最重要的5篇参考文献 [5][7] - 通过分析数万篇论文，描绘出整个AI研究版图中哪些作者、论文和机构最常被视为创新的根基 [8] - 技术流程包括将AI识别出的关键参考文献与DBLP数据库匹配以防幻觉，并将作者映射回所属机构，通过积分分配量化影响力 [10] 新排名体系结果展示 - 在“计算机系统”领域排名中，北京大学以174.1分位居榜首，教师数量为83人 [16] - 南洋理工大学以165.1分位列第二，浙江大学以162.9分位列第三 [16] - 在“AI研究影响力排名”中，麻省理工学院以14.34分居首，加州大学伯克利分校以13.85分位列第二 [17] - 卡内基梅隆大学（12.12分）、斯坦福大学（11.42分）和北京大学（7.92分）进入前五 [17] - 在特定子领域如“自然语言处理”的排名中，斯坦福大学以17.13分领先，卡内基梅隆大学以16.28分位列第二 [21] - 加州大学伯克利分校（11.19分）和爱丁堡大学（10.96分）在该细分领域也表现突出 [21]

院士科普活动概况 - 在首个全国科普月期间，中国科学院和中国工程院院士通过走进党政机关、学校、企业及借助互联网平台等方式，为社会公众带来丰富多彩的科普活动 [6] - 两院院士是科普的重要力量，其工作有助于在全社会激发崇尚科学、探索未知的兴趣，并通过创新形式让科普传播得更广更远 [6] 郑纬民院士的科普实践与理念 - 郑纬民院士认为参与科普是院士群体的义务和职责，科普能帮助公众理解科学知识、提高科学素养、激发科学兴趣、培养科技人才并纠正谬误 [8] - 其科普内容围绕区块链、云计算、大数据、人工智能等前沿话题展开，效果良好 [8] - 科普方法强调针对性：面向中小学生注重增强互动性，面向大学生旨在拓展跨学科认知，面向企业人员则从感兴趣的研究领域切入以提升实用性 [9] - 为应对计算机领域知识的快速迭代，其通过持续学习、与年轻师生交流研讨以及集思广益回答网友问题等方式保持内容前沿性 [10] 舒德干院士的科普实践与理念 - 舒德干院士自1999年起从事科普工作，认为科普与科技创新同样重要，其团队组织翻译《物种起源》并定期举办各类科普讲座 [13] - 科普形式多样，包括科普图书、短视频、影视、戏曲以及线上线下演讲等，其发现的昆明鱼已以图文形式进入人教版初中生物学教材 [13] - 地质领域科普的意义在于解读地球全景式演化过程，激发科学兴趣，并提升全社会保护生态环境的自觉性和紧迫性 [14] 苏国辉院士的科普实践与理念 - 苏国辉院士约六七年前开始科普，内容随时间和受众需求调整，常分享个人科研经历，向中小学生讲解研究方向，强调科研中的好奇心和韧性 [16] - 近年来科普中加入针对青少年心理健康的“干预方案”，如运动、光疗、社交互动等，鼓励学生通过设定小目标改善身心状态 [16] - 科普的首要意义是点燃兴趣，消除科学距离感，其次是弘扬科学家精神，其通过具体事例（如解释运动提升成绩的科学原理）让科普内容生动化 [17]

计算机科学专业就业市场变化 - 计算机科学毕业生失业率飙升至6.1% 是哲学专业失业率3.2%的近两倍 [2][6] - 计算机工程失业率高达7.5% 在所有专业中位列前茅 [5][6] - 顶尖院校如MIT、斯坦福、卡内基梅隆、伯克利的大厂就业率从25%骤降至11%-12% [7] 薪资与就业质量对比 - CS专业起薪保持8万美元高位 但就业不足率达16.5% [5][6] - 职业生涯中期薪资中位数达11.5万美元 仍高于多数专业 [6] - 哲学、艺术史、新闻学等专业虽起薪较低但失业率仅3%-4.4% [6] 科技行业裁员潮影响 - 2024年全球科技行业裁员15.1万人 2025年初再裁2.2万人 [14] - 微软2025年累计裁员1.5万人 英特尔计划裁员2.4万人 [14] - 应届生需与经验丰富被裁人员竞争 导致岗位骤减 [15] 教育供给与市场需求错配 - 美国CS学士学位授予量十年间从5.1万人增至11.2万人 翻倍有余 [16] - 大学课程更新速度滞后 仍偏重理论教学而非市场所需新技能 [16] - 企业申请H-1B签证数量增加 微软2025年申请4712个名额 同时本土裁员 [16] 人工智能对就业市场冲击 - 实验显示AI使资深开发者完成任务速度降低19% [13] - GitHub Copilot提升任务完成量26% 企业将AI作为裁员理由 [13] - OpenAI未明确承诺CS领域职业前景稳定 [10] 就业市场新趋势 - 52%职位不再要求正式学历 本科学历要求从20.4%降至17.8% [20] - IBM超半数岗位取消学位要求 谷歌苹果逐步跟进 [23] - AI/机器学习工程师、数据工程师、云架构师岗位需求快速增长 [24] 技能要求转型 - 云计算岗位预计十年增长15% 企业技术投入转向云端 [24] - 网络安全专业岗位需求增长率达10-12% 与AI结合趋势明显 [24] - 基础编程岗位边缘化 复杂系统问题解决能力成为核心需求 [24] 新兴就业路径 - 雇主更关注实际项目经验与作品集而非GPA [27] - 通过黑客马拉松等实践渠道获得大厂录用机会 [27] - 部分从业者通过降薪积累经验实现职业跃迁 [27]

会议概况 - 第一届IEEE E-CARGO及其应用国际研讨会暨第三届IEEE E-CARGO国际暑期学校在广东技术师范大学举办，聚焦E-CARGO模型和RBC方法学在复杂系统问题中的应用 [1] - 会议吸引来自中国、加拿大、美国等20多所高校的170余名专家学者参与 [1] - 暑期学校为期3天，设置7场教程，40多名学员参与E-CARGO模型理论与应用培训 [8] 学术内容 - 专家演讲涵盖人工智能、低空经济、机器人、智慧医疗、数字孪生等12个前沿领域 [3] - 青年科学家论坛邀请国家优青、欧盟玛丽居里学者等4位教授作专题汇报 [5] - 设置5个专题分组讨论，包括角色协同决策、复杂系统建模、跨学科应用等方向 [6] 学术成果 - 评选6篇最佳论文（一等奖1名、二等奖2名、三等奖3名） [6] - 举办"E-CARGO与我的科研"座谈会探讨模型发展路径 [6] - 新增"群体博弈与社会仿真"专题研讨会 [6] 主办方信息 - 会议由IEEE SMC学会与广东工业大学联合主办 [8] - 广东技术师范大学副校长提出建设"根植湾区、服务全国、走向世界"的高水平技术师范大学目标 [3] - 承办方包括分布式智能系统技术委员会等机构，协办方涉及加拿大尼普森大学等国际院校 [8]

学术成就 - 以第一/通讯作者身份发表论文18篇，谷歌学术引用900余次 [2][4] - 获华为终端Camera学术之星（全球14人），直通华为天才少年面试计划 [2][10] - 斩获PBDL低光SRGB图像增强算法大赛全球冠军等10余项学科竞赛奖项 [2] - 入选中国宇航学会高水平学位论文激励计划（全国10人）和中国科协青年人才托举工程博士生专项计划省级候选人 [4] 科研贡献 - 致力于恶劣环境下计算机视觉增强技术研究，提出全天候、全天时视觉成像增强技术 [2][5] - 参与国家自然科学基金项目"面向恶劣环境下移动地面目标的图像视频增强与感知"，主持江苏省研究生科研创新项目1项 [5] - 与中国电科、XX军工单位合作，革新侦察模式，实现烟雾遮挡、夜间侦察等恶劣场景下的精准打击 [5] 行业影响力 - 担任IJCNN领域主席及40余个国际SCI期刊/会议审稿人/程序委员会委员 [4] - 在华为、极市平台等20个平台分享研究成果，累计听众4.8万余人 [7][9] - 华为终端Camera学术之星技术分享报告吸引13.6万人在线观看 [10] 教育背景 - 南京理工大学计算机科学与技术专业2022级博士研究生，连续两年综合排名专业第一 [2][4] - 获国家奖学金、中国航天科技集团CASC奖学金、南京理工大学研究生校长奖章 [2][4] - 入选南京理工大学"优秀博士培养对象" [2]

人工智能在科研领域的应用与发展 - 生成式AI（如ChatGPT）激发各行业热情，对科研效率提升产生深远影响，科研成果数量大幅增加 [1] - 施普林格·自然作为领先科研出版机构，积极开发AI工具和服务，以科技赋能科研，推动全球学术交流 [1] 施普林格·自然的AI资源与服务 Springer人工智能图书合集 - 2025年推出的全新合集，涵盖机器学习、神经网络、生成式AI等核心领域，以及医疗保健、教育等应用方向 [2][3] - 图书类型包括专著、会议论文集、教科书等，面向研究人员、师生和专业人士，下载量最高达322k（《机器学习》） [5][7][11] Springer计算机科学图书合集 - 每年出版1100多本电子书，覆盖人工智能、信息安全、计算伦理学等新兴主题，提供基础理论和实际案例 [7][8] - 分支学科包括计算机视觉、数据科学、物联网等，其中《生成式AI应用》下载量112k [11][12][14] Springer智能技术与机器人图书合集 - 每年出版600多种电子书，涵盖智能交通、自动驾驶、医疗机器人等主题 [15][16] - 代表性书籍如《数据智能与认知信息学》下载量104k，《人工智能与物联网的前沿趋势与进展》下载量105k [17][19][20] Springer计算机科学期刊合集 - 每年出版100多种期刊，68%被SSCI/SCI收录，19种期刊位列学科前25% [24][26] - 高影响力期刊包括《人工智能综述》（影响因子13.9，下载量2.88M）和《国际计算机视觉杂志》（影响因子9.3） [27][29][31] 《自然》系列期刊 - 《自然-机器智能》影响因子23.9，学科排名第2，2024年下载量2.49M [35][37] - 《自然-计算科学》影响因子18.3，聚焦计算技术与AI协同发展，下载量707k [38][40] - 跨学科应用案例包括天文图像降噪（《自然-天文学》）、T细胞图谱（《自然-方法》）和中风预测系统（《自然-生物医学工程》） [41] AI驱动的科研服务 文本和数据挖掘（TDM） - 通过API工具结合生成式AI，从海量文献中提取模式，提升科研信息检索能力 [47] Methods Muse生命科学研究平台 - 提供实验方案生成、故障排除、数据分析功能，集成protocols.io平台优化科研流程 [50] 自然科研智讯 - 定制化解决方案包括《自然策略报告》、AI驱动的《自然引航》和科研表现评估工具《自然指数》 [53][56][57] 行业合作与生态 - 施普林格·自然与工业机器人（如埃斯顿自动化）、医疗机器人（如天智航）、人形机器人（如优必选科技）等企业建立合作生态 [68][70]