Complexity（复杂度）是计算机科学与数学中衡量问题求解难度、系统结构或模型行为复杂程度的核心概念，在 AI 领域既指算法与计算理论层面的复杂度分析，也常用于描述代码库、神经网络和推理过程的复杂性。近期的多篇研究与讨论显示，Complexity 正从传统的理论议题延伸到 AI 系统评估、形式化验证等实际场景中。
Complexity 相关的近期研究进展
当前焦点与观察点
一个值得关注的讨论来自工程实践层面：Greg Brockman 展示了 Codex 技能分析代码库复杂度，给出优化建议 的用法，说明复杂度分析正在成为 AI 编程助手的实际能力之一，代码复杂度评估可能逐渐由自动化工具承担。此外，Simon Willison 在博客中引用 Carson Gross 的观点，也引发了对软件系统复杂性管理的讨论。
在应用研究方面，Does Neural Complexity Improve Health Misinformation Detection? A Leakage-Controlled Cross-Corpus Benchmark 通过控制数据泄露的跨语料基准，检验神经复杂度特征是否真能提升健康类虚假信息检测效果，提醒研究者警惕复杂度指标带来的表面收益。整体来看，Complexity 相关工作呈现两条主线：一是理论层面的参数化复杂度与可计算性分析持续深化；二是复杂度作为度量工具被引入 AI 系统的可信性评估中，但其有效性与验证边界仍在讨论中，特别是形式化验证与自然语言证明之间的鸿沟问题。