本文翻譯自程序員的問答社區 stackexchange.com 上的一個問題。

提問：追求算法（特別是普遍高效的）已經不再重要。

因為現在計算機硬件的成本，比起以前已經很便宜，是否意味著算法和改進算法的技能已經不那么重要了？大部分時候，只要別寫出一個死循環就行了。但當你擁有了強悍的硬件，是不是意味著爛代碼也不是什么大問題？

Pavel Zaichenkov 11 票

我特別喜歡《算法導論（Introduction to Algorithms）》一書中的一個例子，以摧枯拉朽地方法說明了算法性能的重要性：

我們來比較兩種排序算法：「插入排序」 和 「歸并排序」 。他們的算法復雜度分別是 O(n²)=c₁n² 和 O(nlogn)=c₂n lg n。一般情況下，歸并排序算法有一個更大的常數因子，所以我們假設 c₁ < c _2。

為了回答你的問題，我們在一臺時髦的高速電腦 A 上跑「插入排序」算法，和一臺跑「歸并排序」算法的老土電腦 B 做對比。

我們假設：

• 輸入的問題數據量為 1,000萬個數字：n=10⁷;
• 電腦 A 一秒鐘可以執行 10¹⁰ 次運算指令 ( ~ 10GHz );
• 電腦 B 一秒鐘只能執行 10⁷ 次運算指令 （ ~ 10MHz );
• 常數系數 C₁ = 2 （有點夸張），C₂ = 50 （比現實中稍微小了一點）

于是在以上假設下，我們得到如下結果：

電腦 A ：

2⋅(107)2 次運算1010 次運算/秒=2⋅104 秒

電腦 B :

50⋅107lg107 次運算107 次運算/秒≈1163 秒

所以你看，那部慢了1000倍的電腦，干活速度是快的那臺的17倍。而且在現實中，歸并算法有更高的效率，特別是隨計算量增加的而更加明顯。我希望這個答案能回答你的問題。

然而，這還不光是算法復雜程度的問題。在今天，單單想通過提高CPU主頻來獲得很明顯的性能提升是不可能的。我們需要改良算法在多核CPU架構下的 表現。而且這是個不太好對付的問題，因為隨著內核數量的增加，其他方面的開銷正在成為性能的障礙（比如內存訪問調度控制）。所以，堆硬件很難獲得線性的性 能增長。

總而言之，當下對于算法的改進和以前一樣重要，因為再多的CPU內核和再高的主頻都無法給你帶來和算法改進一樣的回報。

Yuval Filmus 11票

正相反，隨著硬件越來越便宜，新的運算需求正在增加。

首先，我們現在所需要面對和處理的數據正海量增加。這就要談到「準線性算法（quasilinear time algorithms）」和大數據研究的話題。比如想想搜索引擎的算法設計 —— 它們必須要處理巨量的請求，在茫茫數據中，快速地找到，返回結果，算法的效率比以前更加重要。

其次，「機器學習（machine learning）」的勢頭正猛，這就是一個算法的世界（可能和你大學本科學的不太一樣）。這個領域充滿荊棘，但也正是新的算法誕生的地方。

再者，「分布式計算」已經變得非常重要，現在我們在CPU主頻提升上已經遇到了瓶頸。如今計算機性能只能通過并行計算來獲得提升，這也是算法發揮力量的地方。

最后，為了平衡 CPU/GPU 性能的突飛猛進，大量虛擬機技術被用來抵御安全漏洞的威脅，操作系統花費更多的時間和精力來處理安全威脅和警報，余下的CPU時間才能真正用來做正經事， 這讓你的程序性能表現有所下降。特別是還有很耗費CPU資源的視頻壓縮/解壓縮計算，雖然計算機硬件性能與日俱增，但使用效率并沒有同樣提高。

總結一下，對于大數據處理、人工智能領域、分布式計算來說，算法的改進是不可或缺的；CPU 的運算能力在脫韁野馬一般增長的需求面前，因為各種原因沒有得到有效的利用，算法的重要性離死還遠著呢。

原文鏈接：http://cs.stackexchange.com/questions/15017/are-algorithms-and-efficiency-in-general-getting-less-important

譯文鏈接：http://junius.lofianima.com/post/algorithms-is-important