提到“计算机科学”，很多人的第一反应都是电脑、代码和程序员。
在普通人的理解中，计算机科学似乎就是研究计算机的学科。没有电脑，就没有程序；没有程序，就谈不上计算机科学。这个逻辑听起来非常自然，毕竟我们今天所熟悉的编程、人工智能、软件工程以及各种数字技术，都离不开计算机这种实际存在的机器。
但如果把问题再往前推一步，就会出现一个相当有意思的疑问：如果世界上从来没有出现过现代计算机，人类还能不能研究计算机科学？
这个问题并不像看上去那么简单。
事实上，计算机科学中有相当重要的一部分，并不需要一台真正的电子计算机才能进行。研究人员可以仅仅通过纸笔、数学推理和抽象模型，研究一个问题到底能不能被计算、一个算法需要多少资源，以及某些任务是否存在理论上的计算边界。
也就是说，计算机科学并不完全等于“使用计算机”。
更准确地说，计算机科学研究的是“计算”本身，而真正的计算机只是实现计算的一种方式。
这一点其实非常容易被现代人的生活经验掩盖。
今天，我们只要打开电脑，就可以运行一个程序；打开手机，就可以调用一个应用；向人工智能输入问题，几秒钟之后便能得到结果。计算已经成为一种几乎看不见的基础设施。
但在计算机科学发展的早期，研究人员面对的并不是一台台摆在桌面上的电子机器，而是一个更加抽象的问题：究竟什么叫“计算”？
这个问题甚至比制造计算机本身更加基础。
20世纪以来，数学家和逻辑学家开始认真研究计算过程的本质。他们试图把“按照规则一步一步解决问题”这样的直觉描述，转换成能够严格分析的数学模型。
其中最著名的理论工具之一，就是后来被称为“图灵机”的抽象模型。
英国数学家艾伦·图灵在20世纪30年代提出了一种极其简单的理论机器。它并不是我们今天意义上的电脑，而更像是一个用于思考的数学装置。它可以读取符号，根据规则进行操作，并不断向前推进。
从现代人的角度来看，这样的机器似乎简陋得不可思议。
它没有显示器，没有键盘，没有芯片，也没有操作系统。
但正是这样一个极度简化的模型，让研究人员能够提出一个非常重要的问题：一个问题究竟有没有可能通过机械化的步骤得到答案？
换句话说，研究重点并不是“这台机器运行得有多快”，而是“这台机器原则上能不能完成这项任务”。
这两者之间存在巨大的区别。
今天，人们讨论计算机时，往往最关心处理器速度、内存容量、运行时间以及程序效率。但在理论计算机科学中，研究人员经常面对的是更加基础的问题。
有些问题可能很容易计算。
有些问题虽然能够计算，但随着输入规模增加，计算量会迅速膨胀。
还有一些问题，则可能从根本上就不存在一个能够解决所有情况的通用算法。
因此，计算机科学的一部分研究对象，并不是具体的电脑，而是计算能力本身的边界。
这也是为什么理论计算机科学与数学之间存在非常紧密的联系。
研究人员可以不打开电脑，仅仅坐在纸张前面，通过证明来判断某种算法是否存在；也可以研究两个问题在计算难度上有什么关系；还可以进一步分析，如果允许更多时间或更多内存，一个问题的解决难度是否真的会发生变化。
这些工作甚至不一定需要实际运行一次程序。
在这样的意义上，计算机科学有一个非常特殊的特点：它研究的是机器能够做什么，但很多时候却可以不用机器来研究这个问题。
这听起来似乎有些矛盾。
但这种情况在科学史上并不少见。
物理学家可以通过数学方程研究一个尚未建造出来的物理系统；天文学家也可以根据理论推导某种天体应该具备怎样的性质，然后再寻找实际观测证据。
理论计算机科学同样如此。
它可以先建立一个抽象世界，然后在这个世界里研究计算的规则。
真正有趣的地方在于，计算机虽然不是理论计算机科学不可缺少的研究工具，但现代计算机的出现却深刻改变了这个学科。
这就形成了一个有趣的循环。
理论研究帮助人们理解计算机能够做什么，而真正的计算机出现之后，又让研究人员看到了一批此前很难想象的问题。
换句话说，如果没有计算机，某些计算问题可能根本不会进入人类的视野。
这可能是理解计算机科学最重要的一把钥匙。
我们通常会认为，科学家先提出问题，然后制造工具解决问题。
但计算机科学的发展却经常呈现出另外一种关系：工具本身会创造新的问题。
在没有计算机的时代，人们当然也会计算。
数学家可以进行复杂运算，工程师可以使用机械装置，银行可以依靠人工完成账目处理，科学家也可以通过各种方式进行数值计算。
但现代电子计算机出现之后，计算的规模发生了根本变化。
过去需要几十个人花费数周甚至数月完成的工作，机器可以在很短时间内完成。
一些以前根本没有实际意义的问题，突然变得值得研究。
例如，当研究人员能够让机器执行越来越复杂的算法之后，一个新的问题自然出现了：如果两个算法都能够解决同一个问题，它们之间到底有什么区别？
为什么一个程序几秒钟就能得到答案，而另一个程序可能需要几年？
为什么有些问题随着规模增加仍然可以有效解决，而另一些问题只要稍微扩大一点，就会变得几乎无法处理？
于是，计算复杂性逐渐成为理论计算机科学的重要研究方向。
这里的“复杂”并不是简单地说一个程序代码有多少行，而是在研究一个问题需要消耗多少计算资源。
时间是一种资源，内存也是一种资源。
一个算法可能在理论上能够得到正确答案，但如果它需要消耗远超现实条件所能提供的时间，那么它在实际应用中仍然可能没有意义。
因此，计算机科学家不仅关心“能不能算”，也关心“需要付出多大的代价才能算出来”。
这使得计算机科学逐渐形成了一个非常独特的理论体系。
在这个体系中，计算机更像是一种实验平台，而数学则提供了分析工具。
研究人员可以利用程序进行实验，也可以完全不依赖程序，通过数学证明得到结论。
而两种方式之间又会不断相互影响。
例如，当研究人员发现某类问题可以通过一种新的算法解决时，他们可能进一步追问：这种算法是否已经接近理论上的最佳水平？
如果不能再明显提高效率，那么原因是什么？
这种效率上的限制究竟来自算法设计，还是来自问题本身？
这类问题很难单纯靠运行程序回答。
即使一台计算机运行了某个算法一亿次，也无法证明“再也不存在更快的算法”。
要回答这种问题，往往需要数学证明。
这也是理论计算机科学与普通编程之间非常重要的区别。
编程更多是在解决具体问题。
理论计算机科学则经常在追问：为什么这个问题能够解决？为什么另一个问题无法解决？为什么某种方法能够比另一种方法更加高效？这种差异究竟有没有一个普遍规律？
从这个角度来看，计算机科学其实比“学习如何写代码”要宽广得多。
代码只是其中的一种表达方式。
算法是核心，而计算本身则更加基础。
甚至有人会认为，计算机科学真正研究的是信息如何按照规则发生变化。
如果这样理解，那么计算机只是实现这种变化的一种工具。
纸笔可以计算，算盘可以计算，机械装置可以计算，电子计算机可以计算，理论上的抽象机器同样可以被用来描述计算。
只不过现代电子计算机把这种能力提升到了前所未有的规模。
这也解释了为什么计算机科学的许多核心思想诞生于电子计算机普及之前。
在现代电脑真正进入普通家庭之前，研究人员就已经开始讨论算法、可计算性以及机器能够解决的问题范围。
他们甚至还没有今天意义上的“计算机”，却已经在建立后来整个计算机科学的重要理论基础。
这听起来有点像一个悖论。
计算机科学在没有计算机的时候，就已经开始研究计算。
但另一方面，如果没有后来真正出现的计算机，很多今天被视为核心的问题，也许根本不会产生。
这两件事情并不矛盾。
因为“计算”这个概念本身可以独立于具体机器存在，而现代计算机则把这种抽象概念变成了一种极其强大的现实能力。
两者之间的关系，更像是理论和工具相互推动。
理论告诉我们哪些事情可能做到，工具则不断扩大我们能够实际尝试的范围。
随着计算能力越来越强，这种互动变得更加明显。
今天的计算机已经不仅仅用于处理文字和数字。
它们可以模拟天气变化，分析基因序列，训练人工智能模型，寻找复杂数学结构，探索物理系统，还可以帮助数学家检查规模极其庞大的证明过程。
过去只能依靠人的直觉和手工计算完成的事情，如今可能交给机器处理。
这又进一步产生了新的理论问题。
当计算规模越来越庞大之后，人类开始意识到，并不是所有“可以计算”的问题都意味着“现实中能够轻松计算”。
理论上的可计算性和实际上的可计算性之间，存在着一道巨大的鸿沟。
一个问题可能在数学意义上有算法。
但如果这个算法需要的时间远远超过宇宙存在的时间，那么从实际角度来看，它和无法解决可能没有太大的区别。
这就是为什么计算复杂性如此重要。
它让人们开始区分“理论上可以解决”和“实际上值得解决”。
而现代计算机又反过来让这些问题变得更加具体。
如果没有真正的计算设备，人们很难充分感受到不同算法之间的巨大差距。
纸笔时代，人们可以知道一个方法比另一个方法更复杂，但只有当计算机开始处理海量数据时，效率差异才真正变成一个决定性的现实问题。
一个算法快一点还是慢一点，在处理十个数字的时候可能完全没有区别。
但当数据规模达到数百万、数十亿甚至更大时，算法之间的差距可能会变得惊人。
因此，计算机不仅帮助计算机科学家验证理论，也改变了他们对“什么问题值得研究”的判断。
这可能就是“计算机科学需要计算机吗”这个问题最有意思的地方。
如果只问理论层面，答案可能是“不一定”。
很多关于可计算性、算法和复杂性的研究完全可以通过抽象模型与数学证明完成。
但如果把问题改成“现代计算机科学的发展是否需要计算机”，答案就复杂得多。
因为大量现代研究问题，本身就是由计算机技术的发展催生出来的。
没有强大的计算能力，人们不会面对今天这样庞大的数据，也不会拥有如此复杂的软件系统，更不会产生人工智能、计算机安全、大规模网络以及各种计算密集型科学研究。
换句话说，计算机可能不是计算机科学的逻辑起点，却已经成为计算机科学发展不可忽视的推动力量。
这也让计算机科学与其他传统科学产生了不同的关系。
物理学研究自然规律，化学研究物质变化，生物学研究生命系统。
而计算机科学研究的对象在某种程度上是人类自己定义出来的。
我们创造了计算规则，创造了算法，创造了程序语言，也创造了能够执行这些规则的机器。
但一旦这些系统变得足够复杂，它们又开始呈现出超出直觉的性质。
程序可能出现无法预料的行为。
算法可能在某些条件下突然变得极其低效。
简单的规则甚至可能产生复杂得难以预测的结果。
于是，计算机科学又开始出现一个非常接近数学和自然科学的问题：简单的规则，究竟能够产生多么复杂的结果？
这也是为什么计算机科学越来越像一门基础科学，而不仅仅是一种工程技术。
工程师关心如何制造更快、更可靠、更安全的系统。
理论研究者则会继续追问这些系统背后的普遍规律。
两者相互依赖，却并不完全相同。
今天，当人工智能成为全球科技领域最受关注的话题之一时，这种区别反而变得更加明显。
很多人谈论人工智能时，关注的是模型规模、计算芯片、训练数据以及运行速度。
但在这些实际技术背后，仍然存在大量理论问题。
什么样的问题可以被有效学习？
一个模型需要多少计算资源？
某些任务为什么特别困难？
机器学习的能力有没有理论边界？
这些问题最终都可能回到计算理论本身。
因此，即使未来的计算机变得强大到远超今天，我们仍然不能认为计算机科学会变成单纯的“制造更快机器”。
恰恰相反，机器越强大，人类可能越需要理解计算的基本规律。
因为当计算能力不断扩大时，我们面对的问题也会不断扩大。
这或许也是这个问题最值得思考的地方。
计算机科学并不是因为电脑存在才有意义。
在更深的层面上，它研究的是一个更加古老的问题：一个明确的规则体系究竟能够完成什么？
这个问题甚至可以追溯到现代计算机出现之前。
人类一直在思考如何按照确定的步骤解决问题，只不过现代计算机让这种思想获得了一个前所未有的物质载体。
所以，如果一定要问“计算机科学需不需要计算机”，最准确的回答可能不是简单的“需要”或者“不需要”。
从理论上看，计算机科学完全可以在没有电子计算机的情况下研究。
但从历史和现实来看，计算机又不断创造新的问题，扩大新的可能性，并推动这个学科走向更加复杂的领域。
两者之间并不是简单的依赖关系。
更像是一场持续进行的相互塑造。
人类先提出了“计算”这个概念，然后创造机器去执行它；机器变得越来越强大之后，又让人类发现了过去无法想象的新问题；而这些新问题继续推动理论发展，最终又影响下一代计算技术。
因此，真正值得关注的或许不是计算机科学离开计算机之后还能不能存在，而是一个更加深层的问题：当人类创造出越来越强大的计算机器之后，我们究竟还能从“计算”本身发现多少以前不知道的规律？
计算机可能只是我们理解计算世界的一扇窗口。
窗口本身当然重要，但窗口背后的世界，也许比机器更加广阔。
从图灵机这样的抽象模型，到今天能够处理海量信息的超级计算设备，再到正在快速发展的人工智能系统，人类对计算的认识已经经历了巨大的变化。
但有一个问题始终没有改变：什么能够被计算，什么无法被计算，以及解决一个问题究竟需要付出多少代价。
这些问题不属于某一台具体的电脑，也不属于某一种编程语言。
它们属于计算本身。
而这也许正是计算机科学最令人着迷的地方——它表面上研究的是机器，真正深入之后，却会不断触及数学、逻辑、信息以及人类理解能力的边界。
所以，计算机科学或许并不真正需要一台计算机才能开始。
但正是计算机的出现，让人类第一次拥有了一个能够不断挑战计算极限的现实实验场。
而我们今天看到的人工智能、超级计算和复杂算法，也许只是这场探索的一个阶段。
未来，当机器变得更快、更聪明、更复杂时，人类可能还会不断遇到新的计算难题。
到那时，我们或许会发现，真正值得研究的从来不只是“计算机能算什么”，而是“计算本身究竟意味着什么”。
这才是这个看似简单的问题，最终引向的真正答案。
原文：https://www.quantamagazine.org/does-computer-science-need-computers-20260828/?utm_source=DamnInteresting
