很多工程工作的難點,確實在系統設計、處理各種異常,以及讓程式能被別人接手、持續修改。數學的用途也隨方向變化:有人常用邏輯和證明,有人常用線性代數,有人主要用基本的複雜度分析,日常很少碰高等數學。
我參照 ACM/IEEE-CS/AAAI 的 CS2023 知識框架,按常見的研究方向和工程工作合起來講。這些方向會交叉,也不跟職位名稱一一對應;同一領域裡,使用現成工具、實作工具,以及研究新方法,需要的知識深度也差很多。
軟體工程與軟體架構,關心的是軟體如何隨著需求和團隊長期演進。要學會拆分模組、設計介面,理解依賴關係;也要會測試、審查程式碼和管理版本。架構設計得回答「這裡改了會影響誰」「哪部分壞了會拖垮整個系統」。一般業務開發不常需要高等數學,但很考驗抽象能力、溝通和取捨。課綱也把協作與長期維護放在軟體工程的中心。
前端、行動端和桌面應用,主要處理使用者看得到、操作得到的部分。除了語言和框架,還要理解介面狀態、非同步操作,以及作業系統或瀏覽器的行為。例如使用者連按兩次提交,畫面和資料怎麼保持一致?普通介面開發的數學負擔較輕;做到複雜動畫、地圖或視覺化,幾何和線性代數就會進來。
後端與業務系統,負責實作產品規則、提供服務和保存資料。常用知識包括資料庫、網路協定與併發控制,也需要理解業務本身。「請求超時了,使用者重試,會不會扣兩次錢」就是很典型的問題。這類工作常常更依賴清楚的資料模型、狀態轉移和異常處理。
分散式系統與雲端基礎設施,進一步處理多台機器如何合作。網路會延遲、訊息可能重複,機器也會在操作做到一半時故障,因此要學複製、一致性與故障恢復。實作需要很強的系統能力;研究共識協定、證明系統不會產生某種錯誤時,離散數學和形式化推理會很重要。並行與分散式計算課綱就包含執行模型、協調與正確性分析。
作業系統與系統程式設計,研究程式如何使用硬體資源。行程和執行緒怎麼排程、記憶體怎麼管理、檔案怎麼保存,都在這裡。需要理解電腦組成與併發,能追蹤跨越多層的程式行為。寫出正確的核心或執行期,未必天天需要微積分,但對生命週期、資源所有權和執行順序要非常敏感。
效能工程、平台工程和 SRE,則常從正在運作的系統出發,處理部署、容量和可靠性。重要的是量測能力:延遲來自 CPU、磁碟還是排隊?怎樣安全發布新版本、發現故障並恢復服務?要懂系統與網路,也需要基本統計;深入容量分析時會用到機率和排隊理論。這跟只看演算法的 Big-O 又有不同。
資料庫與資料工程,關心資料如何可靠地保存、查詢和搬運。使用資料庫要懂資料建模、SQL、索引和交易;開發資料庫引擎還要研究儲存結構、查詢最佳化與崩潰恢復。資料工程則更常處理資料管線,保證來源不同的資料能按時、正確地流到需要的地方。關聯代數和邏輯提供理論基礎,工程上也非常依賴 I/O 與分散式系統知識。資料管理課綱明確區分了使用與實作資料管理系統的角色。
電腦架構、嵌入式與即時系統,更靠近硬體。架構方向研究指令執行、快取和並行,以及效能與能耗的取捨;嵌入式常要處理中斷、硬體介面和有限記憶體。即時系統還要求在期限內完成工作,光是結果正確不夠。需要數位邏輯與硬體知識;如果涉及感測器、訊號處理或控制器,也會用到相應的數學和物理。
程式語言與編譯器,研究語言的意思,以及如何把它變成可以執行的程式。編譯器會用到形式語言、樹和圖演算法,還要理解目標機器;程式語言理論則深入型別系統和語義。寫一個編譯器可以偏工程,證明某種型別系統具有安全性,就很偏數理邏輯。程式語言課綱也把實作與形式描述放在一起。
形式化方法與程式驗證,直接用精確規格和數學推理檢查系統。要說清楚「正確」具體指什麼,再用模型檢查、定理證明或程式分析等方法驗證。這方向需要邏輯、證明技巧和程式語義,也很重視建模:證明成立於哪些假設之下,規格是否真的描述了想要的行為。它可以直接用在工程裡,尤其是對正確性要求很高的部分。
演算法與計算理論,最接近剛才從試除走到篩法的討論。要研究方法為什麼正確、需要多少時間和空間,以及問題本身有哪些限制。離散數學、圖論與組合數學很常見,隨機演算法還會用到機率。往理論深入,會遇到可計算性、複雜度和歸約;重點包含「能不能算」和「有沒有可能算得更快」。演算法課綱涵蓋了這幾層。
人工智慧與機器學習,裡面也分很多方向,包括語言、視覺和強化學習。機器學習通常需要線性代數、機率統計與微積分,深入訓練方法還需要最佳化。工程上還得處理資料品質、評測和部署。接入一個模型做應用,與研究新的訓練演算法,數學要求差距很大;像 Stanford CS229 就直接把機率、多變數微積分和線性代數列為先備知識。
資料科學與統計分析,側重從資料中回答問題。例如某個改版是否真的改善體驗,觀察到的相關性是否能支持因果判斷。需要統計推論和實驗設計,也要理解資料如何產生,辨認抽樣偏差。程式與 SQL 是工具,能否提出合理問題、選對分析方法,同樣重要。它與機器學習重疊,但工作目標經常更偏解釋和決策。
電腦圖學、視覺與多媒體,會比較直接地用到數學。圖學研究怎樣生成影像,常用幾何、線性代數與數值方法;視覺研究怎樣從影像推斷場景,還會大量結合機器學習。音訊和影像處理也常用取樣、卷積與傅立葉分析。CMU 的圖學課程就涉及幾何、蒙地卡羅方法和微分方程。遊戲開發則橫跨很多領域:玩法、工具、渲染和伺服器,要求各不相同。
科學計算與高效能計算,常替物理模擬或其他科學問題設計計算方法。除了把速度做好,還得知道浮點誤差會怎麼傳播、結果是否可信。數值線性代數和數值分析是重要基礎,並行實作還需要理解 GPU 或叢集。Cornell 的科學計算課程就把誤差、穩定性與演算法選擇放在一起教。
機器人與控制,還要面對會運動、會受干擾的真實世界。從感測器估計位置,再規劃路徑、控制馬達,需要結合幾何、機率估計和控制理論。軟體得跟硬體一起除錯,時序和物理限制都會影響結果。機器人最佳化課程會用到線性代數、微積分和數值最佳化。
資訊安全與密碼學,也要分開看。應用安全、系統安全和逆向分析,更依賴對程式、網路與作業系統的深入理解,重點是找出攻擊者能利用的假設。密碼學則有很強的數學成分,常用代數、機率和複雜度理論;具體分支還可能涉及數論或格。安全工程需要會選用、正確整合密碼工具,研究密碼方案還要分析或證明它的安全性。安全課綱涵蓋了這些不同層次。
人機互動 HCI,關心人怎樣理解和使用系統。需要使用者研究、互動設計和可用性測試,也會借用認知心理學;做實驗時需要統計。它能問很具體的問題,例如一個功能技術上完全正確,為什麼使用者還是反覆操作錯誤?HCI 課綱也包含無障礙設計與使用者差異。
還有計算生物、金融計算等交叉方向,除了計算機本身,必須補上應用領域的知識。各方向也都會碰到隱私、職業倫理和溝通責任,這些會直接影響系統該怎麼設計。
Axiom 現在學 C,可以一邊練演算法,一邊把程式做得容易修改:拆函數、取清楚的名字,測試邊界輸入,再試著改一次需求。剛才我們來回確認「數質數」和「找第 k 個質數」,其實就已經碰到工程裡很常見的需求與介面問題了(