计算思维 化繁为简的智慧

计划一次旅行时，你是不是常为订机票、安排行程而头疼？在工作中面对一个复杂项目，是否也常不知从何下手？其实，有一套名为“计算思维”（Computational Thinking, CT）的科学思考方法，能帮我们理清头绪、化繁为简。它起源于计算机科学，却远非程序员的专利，是一种能融入生活、科学研究，甚至艺术创作的底层智慧。

计算思维听起来高深，但它的核心理念非常生活化，可以归纳为四大“秘籍”：

1. 分解（decomposition）：这是化繁为简的第一步。就像规划旅行时，我们会自然地把“去旅行”这个大任务，拆解成订机票、安排每日行程、打包行李等一系列可管理的小任务。

2. 模式识别（pattern recognition）：在看似杂乱的信息中寻找规律。例如，在安排上班路径时，会发现每天的早晚高峰时段交通都会拥堵，于是便会避开这些时段出行。

3. 抽象化（abstraction）：抓住问题的核心，忽略不必要的细节。MRT路线图就是抽象化的绝佳范例。它隐去了地面上复杂的建筑、街道和公园，只保留了站点、线路和换乘关系这些关键信息，让大家能一眼看清如何从A点到B点。

4. 算法（algorithm）：为解决问题设计一套清晰、可行的步骤。一份好的菜谱就是一种算法，它告诉你需要什么材料（输入），以及按照什么顺序、火候和时间进行烹饪（处理步骤），最终得到一道美味的菜肴（输出）。

除了上述四大基本原则，计算思维还包含一系列更精妙的解题策略。例如“贪心算法（greedy algorithm）”。

“贪心”听起来带点贬义，它其实是一种直观且高效的策略。核心思想是：在每一步决策时，都采取当前看起来最优的选择，而不去考虑这个选择对未来的长远影响。它追求的是每一步的“局部最优解”。然而，“局部最优”并不总是通向“全局最优”。

想象你去吃一顿丰盛的自助餐，目标是在有限的胃容量里，吃到总价值最高的食物。如果采用贪心策略，你可能会在进门第一眼看到龙虾时，就立刻装满一整个盘子。当你吃完，肚子已经半饱时，才发现餐馆的另一头还有价值更高的美味食物。因为你一开始的“贪心”选择，导致你没有足够的“胃容量”去容纳其他更多样的高价值食物。一个更优的策略（非贪心）可能是：先花几分钟巡视全场（收集信息），在脑中规划好吃什么，按什么顺序吃（制定全局策略），而不是只盯着眼前的第一个诱惑。

在计算机科学里有一个经典模型——“背包问题”（knapsack problem）。一名探险家，背包最多只能装10公斤的物品。在一个山洞里发现了三件宝物：宝物A（重6公斤，价值$20）。宝物B（重5公斤，价值$18）。宝物C（重5公斤，价值$18）。

若采用贪心策略，以“单件价值最高”为标准，这名探险家毫不犹豫地选择宝物A。但把它放进背包后，背包只剩4公斤容量，再也装不下别的东西。最终得到的总价值是$20。

然而，若放弃那个当下最诱人的宝物A，而选择宝物B和宝物C的组合。它们的总重量是5 + 5 = 10公斤，刚好装满背包，而总价值是$18 + $18 =$36！

这个例子揭示了贪心算法的局限性：目光短浅的局部最优决策，反而错失了全局最优的组合。科学家在面对这类问题时，会采用动态规划（dynamic programming）或回溯法（backtracking）等更复杂的算法来系统地寻找真正的最优解。

计算思维并非凭空出现，它的思想萌芽可以追溯到几百年前。而将计算思维推广为一种普世素养，则要归功于近年来教育家们的努力。1980年麻省理工学院的派普特（Seymour Papert）利用简易编程语言和mindstorms积木，让孩子们能在动手实践中自然地理解抽象的计算概念。2006年，卡内基梅隆大学的周以真（Jeannette Wing）教授发表了影响深远的文章，明确提出“计算思维是每个人都应具备的基本技能”，极大地推动了其在全球教育领域的普及。

许多国家都已将计算思维纳入教育体系。例如新加坡很早便在中小学课程中贯穿编程、数据分析和解决问题的训练，并关注新技术带来的法律、伦理与社会影响，培养具备逻辑思维与创新能力的下一代。在这个高度数字化的时代，计算思维不再是少数人的专利，而是一种人人可学、处处适用的思维方式。它帮助我们更高效地解决生活中的复杂问题，也让我们能更深刻地理解人工智能、大数据、气候模拟和基因科学背后的核心逻辑。

（作者为台湾中央大学天文物理学博士，芝加哥大学费米研究所博士后研究。曾任中国科学院理论物理研究所副研究员、南洋理工大学高等研究所研究员。目前是英国物理学会经典与量子引力Classical and Quantum Gravity学术期刊顾问。）