综合来看，丘成桐奖计算机课题主要可以分为四类。
机器学习类：从类型来讲包括监督学习，无监督学习，半监督学习和强化学习;从应用方向来讲包括计算机视觉，自然语言处理等。整体而言，鉴于难度水平和技术的成熟性，半监督学习和强化学习以及计算机视觉有关的课题较多。其中，有很大一部分的参赛课题集中在使用深度学习的各种神经网络的方法在实际场景中应用。这里参赛的作品所需要着重体现的是应用场景的重要性和可操作性，比如说医疗健康，人脸识别等。同时，这些作品也需要体现对应的神经网络技术或者算法的创新性，但这一部分对于高中生而言是非常难以实现的。所以参赛者想要凭借机器学习有关的课题获奖的话，需要充分满足上述描述中应用以及原理创新这两方面的要求。
对于之后参赛的学生而言，机器学习，特别是深度学习，毫无疑问是值得优先考虑的选择。首先，人工智能和机器学习是当下计算机领域最火热的方向，无论是AlphaGo 统治围棋界，还是 Alphafold对蛋白质的解读，AI已经从各个地方开始渗透改变人类的生活。对于高中生而言，在懂得神经网络，机器学习的基本原理后，可以较容易地去思考如何在日常生活中将其进行应用，使得复杂繁琐的任务及工作变得轻松智能化。所以，尽管听起来很复杂很高大上，但机器学习这一部分绝对是最适合高中生去掌握理解的参赛方向。其次，机器学习方向能选择的课题非常丰富，可以涉及到社会的各个方面，这也就极大程度上给了高中生一个创新和改变社会的机会，这与丘成桐奖的精神是非常契合的。最后，由于该方向的火热程度，绝大部分评委都会清楚这一方向的基本原理和发展现状，所以不会存在评委因为不熟悉不了解而对课题和论文压分的现象，这一部分的参赛作品，只要是金子，就一定会发光。
但是，机器学习方向的课题同样存在一些问题。第一，对于高中生而言，需要其掌握较好的数学知识，特别是大学才会学习的线性代数，才能对机器学习的理论和编程有较好的理解。第二，在学习过程中，训练模型，调参，做对比分析等环节需要学生花费大量的时间，而且相对会比较繁琐乏味。最后，这个方向的课题可能会存在一些环境配置、计算机硬件方面的要求，这也就对学生查阅资料解决陌生问题的能力产生一定的挑战。
对于今年甚至往后几年而言，丘成桐计算机奖的课题将不可避免的伴随计算机科学的进步而发生演变。但整体而言，人工智能方向一定还会延续其火热程度。最近在机器学习这一块比较火热的研究方向包括以下几类，自监督学习，集成混合模型，通用对抗网络（GAN），多模态学习，增加边缘智能的使用，视觉Transformer，高性能自然语言处理等等。在2022以及未来几年内，与上述理论和技术有关的应用与创新，预测会成为丘成桐奖的夺奖热门。
算法提升类：对于高中生而言，完全提出一个全新的可以改变现有成熟结构的算法是基本不可能的。但是，在导师的指引下，学生是有能力对于某一个特定算法在一定的场景下完成修改以及提升的。我们在过往的丘成桐比赛中，见到了大量的算法提升类的论文，这些论文往往能够触及到计算机最底层的设计与逻辑，能够从根本上改变某一个问题的解决方式。因此，如果这一类论文在满足算法的改进提升的基础上，加上条理分明的过程说明以及清晰的结果展示，是有很大的概率去冲击该项目奖项的。事实上，最近三年的丘成桐计算机金奖有两年颁发给了算法类的作品，其中一年（2019）是和图像压缩算法有关，另一年（2021）是和并行计算有关。
由于计算机每一个问题的实现都是和算法有关，我们这里就不再阐述这一部分还能做哪些小方向的细分。总的来说，算法提升类的课题完成起来极其困难，如果一般学生用99%的汗水就可以完成机器学习类的课题的话，这里还必须有那1%的灵感，甚至还需要有一些别的东西（2019金奖获得者父亲为上海某高校计算机教授，2021金奖获奖者辅导老师/教授来自麻省理工）。换句话来客观地说，仅凭学生自身的力量，是基本无法完成算法提升类有关的课题的。这一部分的课题，实质上和导师的科研方向是保持高度一致的。但如果学生能够把握住站在巨人肩膀上的好机会，用这一类课题去冲击丘成桐奖的好名次，还是有着很大希望的。毕竟深谙计算机原理的各位评委，在看到某些算法改进的论文时，可能有会着像武林名家登上侠客岛时的感受而对此类作品异常青睐。
控制优化类：控制（Control）和优化（Optimization）更多的属于传统意义上电气工程方向，其实际应用的场景也极为广泛。但目前由于机器学习的冲击，很多传统的控制优化问题都可以转化为机器学习的问题进行求解。由于大部分的控制优化问题实际上都有着相对比较成熟完善的解决办法，这一部分课题如果没有机器学习的加持是比较没有竞争力的。然而，在丘成桐的比赛中，由于高中生对于机器人，无人车等相关设备来源于天性的兴趣，控制优化的问题也就经常集中在和这些设备有关的地方。具体而言，往年的比赛中经常会有关于平衡控制，路径优化，障碍物识别等和机器人控制，无人驾驶等相关的课题。
然而，这一部分课题相比较上述两个方向，有着明显的先天性创新性不足的缺陷。如果想要改良和提升的话，不可避免的要向机器学习方向转变。从结果来看，这一方向的课题在反复参赛的基础上，最好的名次是银奖（2021 年来自山东省实验中学学生，其2020年已用同一课题参赛），也可以反映出评委对这种相对而言比较过时的理论的不看好。但是，如果学生可以将抽象的理论应用到硬件上，并在半决赛和决赛的舞台上将其进行充分展示，该方向还是有一定的竞争力的。
实际应用类：最后，我们从往年的比赛中发现有一部分的学生会通过计算机编程来独立解决一些实际问题。这一类型的课题往往不会涉及太前沿的技术，但因为其有趣性和实用性，也能够得到部分评委的赞同和欣赏。这一部分的内容并不涉及到机器学习的算法，而是通过一些人为的判定和限制对于复杂的问题进行求解。由于不涉及到机器学习的使用和算法的创新，这一部分的作品相对而言比较少，如果能够入围，多是因为算法应用的严谨与解决问题的可操作性。举例来说，2020年来自上海莘城学校的余同学就凭借“基于ScratchPI和云计算的老年人语音交互监控系统”这一作品得到了优胜奖。ScratchPI是一种针对小学生乃至学龄前的小朋友的编程语言，而该论文用这种语言和一个已有的云平台，实现了对于老年人进行语音交互监控的目的。虽然该奖项并不是很高，但不得不说的是，这一课题难度相对较小，属于高中生完全可以自发从选题到研究到分析和全方位设计并执行的命题。其存在也反映了丘成桐奖对于这种虽然科研价值略低但充满自主创新的命题的鼓励和肯定。
整体来说，近些年来丘成桐奖计算机类的课题都集中在上述四个大的方向上。除此之外，对比计算机评选标准，我们发现计算机类参赛作品与其他学科不同的地方，在于技术的先进性与选题的重要性这两个方面。下面我们将展示近三年的计算机总决赛的题目与获奖情况，来明确这些特点。
2021年总决赛
以下2021年总决赛时的丘成桐奖计算机获奖课题情况。在该年度的比赛中，来在海外赛区的Yihao Huang和Claire Wang取得了计算机金奖，同时也是科学金奖的优异成绩。金奖课题为算法提升方向，具体和图结构数据中并行计算的速度提升有关，这一作品的技术先进性体现在对于复杂数据结构的高性能并行运算上，其选题重要性体现在该技术对于日后大批量双联型图数据的处理可以提供很大帮助，该金奖作品在之后的板块会有详细的评述。
我们也发现该年度控制优化和机器人相关的作品较多，这可能和 B站，微博中大量的科技动手视频的火爆密不可分（稚晖君，何同学等）。然而，学生和家长需要明确的是，这一类视频中的作品往往是复制整合已有的技术和应用，从科研角度出发是不具备创新性的。尽管类似的作品很多都能给大家眼前一亮的感觉，但是其深度相对于能够做到理论创新的作品是远远不够的（评委更倾向于Sheldon 而不是 Howard或者Leonard）。所以如果学生对于机器人，自动驾驶技术等方面有浓烈兴趣的话，还是可以推荐继续用相关课题来参加丘成桐奖的比赛。但是在论文和演讲的过程中，一定要突出体现自己的创新性。
此外，COVID疫情有关的课题还是有两个，这也体现了计算机方向评委对于和时事以及民生有关问题的持续关注。
| 学生姓名（所获奖项） | 参赛题目（英文） | 参赛题目（中文） |
|---|---|---|
| Yihao Huang, Claire Wang （金） | Efficient Algorithm for Parallel Bi-core Decomposition | 平行双核分解的高效算法 |
| Richard Xue （银） | Multi-DeepNet: A Novel Weakly-Supervised Multi-Task and Multi-View-Oriented Convolution Neural Network for COVID-19 Diagnosis from CT Images | Multi-DeepNet: 一种用于CT图像中COVID-19诊断的新型弱监督多任务和多视图卷积神经网络 |
| 刘至理、解天佑 （银） | Optimal scheduling and path planning of multiple robots for disinfection in isolation areas | 用于隔离区消毒的多机器人的最佳调度和路径规划 |
| Yu Ding （铜） | A Novel Light Field Camera Calibration Algorithm Applied for Stereo-vision | 一种应用于立体视觉的新型光场相机校准算法 |
| 陈思达 （铜） | LBPNet: Inserting Local Binary Patterns into Neural Networks to Enhance Manipulation Invariance of Fake Face Detection | LBPNet: 将局部二进制模式插入神经网络以增强假脸检测的操纵不变性 |
| Sally Sijie Song （铜） | Deep Monochromatic Metal Artifact Reduction for Computed Tomography | 用于计算机断层扫描的深度单色金属伪影的减少 |
| 刘衍东 （优胜） | Deep Neural Network Based Recovery of MP3 Lossy Compressed Music | 基于深度神经网络的MP3有损压缩音乐的恢复 |
| 王习森 （优胜） | White Noise Testing on the LSTM Model Trained with Double Pendulum | 用双摆训练的LSTM模型的白噪声测试 |
| 时沐朗 （优胜） | Hybrid Networks Planning Approach in Autonomous Bicycle | 自主自行车的混合网络规划方法 |
| 朱俊儒 （优胜） | Obstacle Avoidance Control for Multi-Axle and Multi-Steering-Mode Wheeled Robot Based on Window-Zone Division Strategy | 基于窗区划分策略的多轴和多转向模式轮式机器人避障控制 |
2021年丘成桐奖计算机题目
2020年丘成桐奖总决赛计算机获奖课题类型分布。
2020年总决赛