硬件強悍 算法就不再重要了嗎？
英文原文：Are algorithms (and efficiency in general) getting less important?
本文翻譯自程序員的問答社區 stackexchange.com 上的一個問題。
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》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：
牛X電腦A:
2·(107)2 次運算 1010 次運算/秒=2·104 秒
給爪機用戶：
土鱉電腦 B ：
50·107lg107 次運算 107 次運算/秒≈1163 秒
給爪機用戶：
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。
備注：以上外文原文來自程序員的問答社區 stackexchange.com 上的一個問題。