MIT新研究：过去80年，算法效率提升到底有多快？( 二 ) 新智元报道来源：MIT编辑：D

对于大型计算问题， 43%的算法系的效率提升带来的收益，不低于摩尔定律带来的收益。
在14%的问题中，算法效率提升的收益远超硬件性能提升的收益。
对于大数据问题，算法效率提升收益特别大，因此近年来，这一效果与摩尔定律相比越来越明显。
当算法系从指数复杂度过渡到多项式复杂度时，情况出现了最大的变化。
所谓指数复杂度算法，就像一个人猜密码锁的密码一样。如果密码盘上只有一位数，那么任务很简单。如果像自行车锁一样，表盘是4位数，估计你的自行车很难有人偷得走，但仍然可以一个个试。如果是表盘是50位的，就几乎不可能破解了，需要的步骤太多了。

文章图片
图3基于渐近时间复杂度计算的110个算法系效率提升的年平均速度分布，其中问题规模为：(a)n=1000 ， (b)n=100万， (c)n=10亿。硬件性能提升线表示从1978年到2017年， SPECInt基准性能的平均年增长率
这类问题也是计算机面对的难题，随着问题的规模越来越大，很快就会超过计算机的处理能力，这个问题光靠摩尔定律是解决不了的。
解决之道在于找到多项式复杂度的算法。
研究人员表示，随着摩尔定律终结这个话题越来越多地被提及，我们需要将未来的解决方案的重点放在算法的效率提升上。

文章图片
图4前导常数在算法性能提升中的重要性评价
研究结果表明，从历史上看，算法效率的提升带来的收益是巨大的。不过二者之间存在着频度的差异，摩尔定律带来的提升是平滑而缓慢的，而算法效率的提升是阶梯式的跃进，但出现没那么频繁。
本文通讯作者尼尔·汤普森说：
这是业界第一篇说明算法效率提升速度的论文。通过我们的分析，可以得出算法改进后，使用同样的算力可以完成多少任务。
随着问题的规模不断增大，比如达到数十亿或数万亿个数据点，算法效率的提升带来的收益，比硬件性能的提升更重要，而且重要得多。
在我们开始逐步为算力不足发愁的时代，在摩尔定律越来越显出疲态的今天，这一发现可能为未来解决超大型计算问题开辟一条新的思路。
参考链接：
https://news.mit.edu/2021/how-quickly-do-algorithms-improve-0920
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9540991