能够被记录下来的历史，往往同时满足几个条件：影响深远、可被验证、易于传播，以及经得起时间的筛选。大浪淘沙，最终留下来的，不仅重要，在某种意义上也相当“幸运”。

但还存在另一类历史。它们并不完全符合这些条件——它们曾在某个时代广为人知，却随着时间的流逝逐渐消失：不再被提及，也不再被记录。
于是便出现了一种现象：知道的人不再讲述，不知道的人无从得知。这正是所谓的“代际断层”。\

在众多学科中，计算机科学对这种断层的体现尤为明显。它的历史并不漫长，但技术演进却异常迅速。许多曾经被视为“常识”的理解，很快就被新的工具、抽象和范式所取代。在这一过程中，大量中间层的知识悄然消失。

本系列的目的，正是尝试回到这些被遗忘的“中间层”：重新提起那些曾经被提出的问题，以及它们是如何一步步被解决的。

如果从历史的角度回望，计算机科学的发展大致呈现出一条相对清晰的主线：

• 19 世纪，查尔斯·巴贝奇构想差分机与分析机，艾达·洛夫莱斯为其编写算法；
• 1936 年，艾伦·图灵提出图灵机，奠定计算理论基础；
• 1945 年，ENIAC 诞生；
• 同期，约翰·冯·诺依曼提出现代计算机体系结构的核心思想；
• 1950 年代，MIT、普林斯顿、伯克利等高校建立计算机实验室；
• 1960 年代，计算机科学成为独立学科；
• 1970 年代，编程语言与操作系统逐渐成熟，学科开始分化。

在此基础上，计算机科学逐渐向两个方向延伸：

• 向下，Close to silicon（机器与硬件）
• 向上，Close to carbon（人类与应用）

而在这两端之间，存在着层层叠加的抽象。
我们大多数人，往往是从更靠近“人”的一端进入这个领域的。这意味着，如果想真正理解计算机科学，就必须反向而行——逐层拆解这些抽象，回到它们产生的背景与动机。

人们常说，我们“站在巨人的肩膀上”。这在结果层面是成立的。但在抽象层面，我们继承的往往只是结论，而不是推导出这些结论的过程。

作为 Z 世代的一员，我成长于个人计算机早已普及的时代，可以说是某种意义上的“数字原住民”。然而，对计算机科学的系统性认知，却是在进入大学之后才逐渐建立的。这难免带来一种遗憾：我没有真正经历这一学科的发展过程。

学习一门学科，本质上是在头脑中构建一个自洽的认知结构。如果将计算机科学的发展视作一条时间轴，那么从不同位置、以不同方式切入，最终形成的认知结构将截然不同。

例如，一个在 2010 年之后才接触计算机科学的人，其理解方式，很可能与自 1950 年代起逐步接触这一领域的人完全不同。

以游戏开发为例： 在商业游戏引擎普及之后，许多人将“引擎”视为开发的基础； 但在引擎出现之前，开发者必须亲自处理诸如碰撞检测、资源管理、渲染流程等底层问题。

现代引擎几乎完全封装了这些复杂性。它极大地降低了门槛，也在无形中重塑了开发者对这一领域的理解方式。这种变化带来了效率与普及，但也可能削弱对底层机制的认知。开发者的理解方式，最终会直接影响其作品的质量。

从这个角度看，计算机科学的历史并不仅仅是背景知识，它本身具有方法论意义。

有人认为，学习历史并不能直接提升技术能力。这并非全然错误——历史不会让你写出更多代码，也不会立刻提升工程能力。但它会在更深层面发挥作用：改变你理解技术的方式。

只学习当下的技术，本质上是在接受结论；而回溯其发展过程，则是在重建推导路径。开发者之间真正的差异，往往不在于“知道什么”，而在于是否理解“这些东西为什么存在”。

因此，我们既要向前看，也必须向后看。向后看，并非出于怀旧，而是为了重新发现那些曾经被提出的问题，以及它们被解决的路径。