泛在感知与数智计算作为当前信息科学与智能技术发展的核心方向，其研究前沿已从“感知能力提升”转向“在复杂真实世界中如何形成可靠智能”。在大规模、长期运行的泛在感知系统中，首要面临的问题并不是传感器数量或数据规模，而是感知信息在弱信号、强干扰和高度非稳态条件下的可信获取。真实场景中的感知数据往往强度极弱、噪声来源多样、统计特性随时间和对象显著变化，传统依赖理想假设的信号处理和特征提取方法难以保证稳定性与可迁移性。因此，如何在不完美、不可控的感知条件下持续获取具有物理或行为意义的有效信息，构成了泛在感知体系得以长期运行的基础性问题。

在此基础上，第二个核心前沿问题在于如何将海量、异构、低层的感知数据转化为可用于计算与推理的高层语义结构。泛在感知并不天然产生“可理解的信息”，而是不断输出跨模态、跨尺度的数据流，如果缺乏统一的抽象与表达机制，感知系统与智能计算之间将始终存在断层。当前研究的关键不在于简单融合多源数据，而在于构建稳定、可解释、可迁移的语义表示，使不同模态、不同时间尺度的信息能够在同一计算框架下被理解、对齐和推理。这一问题本质上决定了数智计算能否从“处理数据”走向“理解状态”。

在完成语义层抽象之后，数智计算面临的第三个前沿问题是如何在动态、不确定和多目标并存的条件下实现真正的智能决策。泛在感知系统所面对的对象和目标往往随时间变化，约束条件不完备，评价标准之间存在冲突，静态建模和离线优化难以适应这种持续变化的运行环境。研究前沿正在关注如何构建具备在线学习、自适应推理和多目标权衡能力的计算机制，使系统能够在信息不充分甚至不一致的情况下持续生成可行、可信且可调整的决策策略。这一问题标志着数智计算从算法性能优化走向系统级智能能力的根本跃迁。

从整体上看，泛在感知与数智计算的研究前沿并不依附于具体应用行业，而是围绕真实世界复杂性展开，其核心始终聚焦于三个问题：在非理想条件下如何获得可信感知信息，如何将感知结果提升为可计算的统一语义，以及如何在不确定环境中实现自适应的智能计算与决策。这三者共同构成了该方向长期有效、跨领域通用的科学主线。