理论计算机科学是驱动现代文明的概念核心，但它在公众叙事上远不如物理学。这主要源于计算机科学在命名、故事讲述和公众形象上的劣势。然而，区块链、量子计算和生成式AI等领域的崛起，清晰地展示了理论概念对现实世界的巨大影响。为了更好地向大众传播，从业者应主动贴近受众，讲述真实、生动的个人故事，并善用经过检验的比喻和案例，从而将这门学科的魅力传递给更广泛的人群。
理论计算机科学的“人气竞赛”
物理学在公众认知中拥有天然的优势。他们有爱因斯坦、霍金这样的英雄人物，有原子弹这样改变世界的事件，并且他们研究的是人们能够看到和触摸的世界。
- 命名上的巨大差异： 物理学有 黑洞 (Black Hole)、大爆炸 (Big Bang)、夸克 (Quark) 这样酷炫的名字。而我们有什么？TFNP、NC1，甚至 PP 这样听起来就想冲进厕所的名字。
- 概念的解释成本： 向公众解释“零知识证明”或“双源提取器”的难度，远高于解释“粒子”或“场”等概念。
问一个物理学家粒子是什么，他们会告诉你它是庞加莱群的一个不可约表示。但是，人们认为他们知道粒子是什么，它只是一个四处移动的微小硬球，这对他们来说已经足够了。
我们是文明变革的核心
我们不应将自己看作一个偏安一隅、证明着小众定理的群体。我们是计算机科学的 概念与数学核心，而计算机科学正以无可否认的方式改变着文明的面貌。
- 我们的英雄： 物理学有伽利略和爱因斯坦？我们有图灵——一个如此英雄又如此悲剧性的人物。我们还可以宣称哥德尔、香农、冯·诺依曼、莱布尼茨、巴贝奇和爱达·洛夫莱斯也属于我们。
- 区块链： 它完全建立在 计算难度假设 之上；在一个 NP 问题很容易解决的世界里，区块链根本不可能存在。
- 量子计算： 它不仅可能改变材料科学或化学，它本身就是对量子力学本身最引人注目的测试。理解它的潜力需要深入探讨 BQP 与 NP、Grover 算法等理论概念。
- 生成式 AI： 曾经被认为是思想实验的“通过数据压缩实现智能”的想法，如今已成为现实。OpenAI 的成功就建立在这一理论思想之上。
伊尔亚对我说：“斯科特，我来给你解释一下我们在 OpenAI 是如何思考问题的。对我们来说，智能的本质是预测，而预测的本质是压缩你的训练数据……我们做了一个赌注，即大型神经网络能够足够好地完成这个任务，尽管这个问题在最坏情况下是难以解决的。”
如何向大众传播理论
对于任何想要尝试向大众普及理论计算机科学的人，以下是一些建议。
- 直面“知识的诅咒”： 这是史蒂芬·平克提出的概念，指你一旦了解某件事，就很难想象不知道它是什么样子。这是所有科普工作中最根本的问题。多与非专业人士交流，并注意他们困惑的地方。
- 建立“经过消费者检验的踏脚石”： 收集并反复使用那些被证明有效的笑话、轶事和比喻。例如，当被问及 P 是否等于 NP 时，可以这样说： > “看，如果我们是物理学家，我们早就宣布 P≠NP 是一条自然法则，并因此给自己颁发诺贝尔奖了。如果后来发现 P=NP 呢？我们会因为推翻了这条法则而给自己颁发更多的诺贝尔奖！”
- 拥抱荒诞与反讽： 理论计算机科学充满了因荒诞或反讽原因而成立的事实。不要隐藏它们，要善用它们。例如，IP=PSPACE 证明中的外星人博弈就是一个绝佳的例子。
- 讲述真实的故事： 不要像一些数学家那样掩盖自己的思考轨迹。人们想听真话。分享你是如何理解一个概念或做出一个发现的，包括其中的挣扎和偶然。这比一个完美无瑕、事后构建的叙述更有力量。
最终，我们理论计算机科学社区坐拥着整个文明中最伟大的概念和智力金矿之一。我们有责任，也有机会，将这些宝藏分享给全世界。