據我的理解，計算複雜性理論（理論計算機科學）和幾大圍繞媒體為研究對象的 AI 學科都很成熟了（對信息如自然語言句子的表示有了本質的了解），還有信息/對象檢索的理論也夠了。
我感覺 CS 的發展，一個是應用到自然語言、教育、知識檢索、輔助科研等重要現實問題上，還有一個是計算機如何戰略性的解題，就像我們怎麼發明 Quicksort, AKS Primality Test 的。
最近看到 Scientific American April 2006 的封面文章，講的是利用量子的拓撲性質製造量子計算機。還有今天看到新聞說 IBM 在一個 nanotube 里造了一個 Ring Oscillator。
這當然都是源頭創新。很可惜都是自然（硬件）科學的。
數學、計算機、互聯網和英語一樣，只是基本工具。基本工具不要指望持續創新。
你看看現在的生物突破
用到哪個世紀的數學了。。
我不說他的硬件工具
我說他的實驗策略
數學和計算埋藏在高級物理工具內，所以數學/計算機研究者的價值不為常人所知。。。
比如 nonabelian
我認為現在的所有簡單理論都有了，這些都算是 infrastructure theories，比如如何造一個電網。但電網畢竟只是基礎設施，就像 google 一樣，做 string matching 這個本職工作很不錯，但別指望基礎設施能做什麼智能決策。
我認為計算機科學以後的有用創新，不會是“發現了一個簡單理論”，而是像四色猜想的證明那樣，讓基於已知基本理論的計算機程序通過自動組合搜索，發現有用的結果。
計算機跟英語、數學等古老學科一樣，越來越工具化。就像顯微鏡一樣，主要是用來發現其他東西，自身的發展只是一種 engineering.
計算機科學的問題就是簡單概念都有了，學者們卻不願做實際的系統，還要往理論死角里擠
每每看到人們用基本理論造出一些機械的簡單結構，並試圖因此奠定‘理論地位’，我就覺得悲哀。。
自然科學是一個從宏觀向微觀發展的過程，人們首先發現用當時手段可以發現的一切自然規律，然後用這些自然規律去 engineer 更好的顯微鏡，然後更好的顯微鏡又反過來幫人們進一步發現更微觀的自然規律，如此 science 和 tool engineering 相輔相成，才能不斷發展。
而計算機科學/數學是一個從基本到高等的發展過程，人們首先發現一些簡單易見的基本理論，比如博弈論，基於關鍵字的信息檢索，基於 rule 的 reasoning；但是計算機科學家繼承了數學家的一個劣根性，就是輕視 tool engineering，導致理論研究只能在基本層面兜圈子。我認為計算機科學的發展必須 engineer better tools，像 prove four color theorem 那樣不斷達到更智能的工具，才會有更高級的理論出現。
