Computation(计算)是人工智能、高性能计算与科学工程的底层能力，指通过算法与硬件将输入转化为输出的过程。在大模型时代，如何以更少的算力完成同样的任务，正成为学术研究与产业投入共同关注的核心议题。
Computation 的近期研究进展
近似计算方面，SETAREH Transform: A Sorting-Assisted Haar-Wavelet Sparsification Method for Approximate Inner-Product Computation 提出一种借助排序辅助的 Haar 小波稀疏化方法，用于加速内积的近似计算，属于降低矩阵运算成本的典型思路。
符号计算与智能体结合方面，IneqAgent: Agentic Inequality Proving in Lean with Symbolic Computation 将符号计算嵌入基于 Lean 的智能体，用于自动证明不等式，显示符号方法与神经智能体的融合趋势。
此外，Stencil Computation at the Intersection of AI and HPC 关注模板计算在 AI 与高性能计算交叉处的优化，而 Disentangling Computation in Multi-Task Neural Networks with the Green's Operator 则从算子理论角度分析多任务网络中的计算分配。
当前焦点与观察点
算力投入的规模之争仍是产业热点。微软 AI 负责人 Mustafa Suleyman 相关讨论中出现了千亿美元级别的算力投资话题(原始讨论),巨额资本开支是否可持续、能否带来相应回报，是业内争议的焦点。
另一观察点是推理计算的可解释性。针对“AI 推理过程不透明”的质疑，OpenAI 首席科学家回应称其复杂度并未出现跳跃式增长(报道),这反映出推理链长度与算力消耗之间的关系仍待厘清。
教育与普及层面，MIT Open Learning 推出了由 30 多位教授参与构建的「Universal AI」系统课程，面向零技术背景的普通专业人士(介绍),说明计算思维正在向非技术人群扩展。
综合来看，Computation 的发展呈现两条主线：一是算法层面通过稀疏化、近似计算等方法压缩算力需求；二是产业层面围绕大规模算力投资的回报与透明度展开讨论。后续值得关注的观察点包括：近似计算方法能否在大模型训练中稳定落地，以及巨额算力开支与模型能力提升之间的边际收益变化。