我们【即将面对】和【已经面对】的那些事儿

    计算机世界在以一种令人吃惊的速度前进着，从1946年到现在，也不过六十余年的光阴。与动则上百年到千年历史的其他学科相比，计算机科学是那么的年轻。但正是这门科学飞速地改变着我们的生活。理论和实践都在继续推进着，而我们也开始面对越来越复杂的问题。下面我们就来看看这里来自理论和实践的各种难题：

计算机理论部分：

（1）【P=NP？】当之无愧的计算机理论第一难题，也是最有意义的一道千喜大奖数学题。详细介绍会在后续补充。

上图是普林斯顿大学（世界上最牛的数学研究地点）计算机系的墙壁，是ASCII码拼出的 "P=NP?"

（2）【离散数学】，尤其图论（影响软件算法）和数理逻辑（影响硬件设计）的进一步发展。现代软件中的算法理论主要依赖于图论的。图论将关系结构分为线性、树形、图形三类，他们之间是包含关系，即 线性<树形<图形。线性结构十分简单，被研究得比较透彻了；树形结构现在是高级数据结构的支撑点，基本上现代算法理论中的高级数据结构都和树形结构挂钩的；而图形结构是数学理论的难点。这就出现了一个有趣的关系：

实践中使用最多	计算机理论研究最多	数学理论研究做多
线性结构	树形结构	图形结构

    其实这不难解释，实践中运用最多的，一般都是被理解地很透彻而简单的结构；计算机理论总上想让实践更加高效，则大力推进着树形结构这种就有优良性质的数据组织方式；而数学上，树的性质是规整的，也是比较容易理清的，只剩下少数难题没有解决，那么数学家们自然更加乐忠于更加复杂的图形性质的探索。举一个不算恰当的比喻就是：线性结构好比你周围生活的小区，你十分熟悉；树形结构就好比这个地球，有很多神奇的东西让你惊叹；图形结构就好比宇宙，深邃浩淼，包容万物（事实上一切的关系都可以用图形表示）。这种实践、计算机理论、数学理论的阶梯，正好构成了计算机技术进步的阶梯。

（3）【人工智能的本质性发展】。其实人工智能在计算机诞生之初就被广泛设想，无数的科幻小说描述着人工智能，而人工智能在1956年，也就是计算机诞生后的10年就开始了广泛的研究。但令人遗憾的是，人工智能到现在都还没有任何本质性的突破。不要看到 IBM 的深蓝（Deep Blue）以及 Watson 先后击败了人类就认为人工智能已经得到了突飞猛进的发展，事实上Deep Blue和Watson所仰仗的是强大的计算机硬件，而不是强大的人工智能算法。在人工智能领域，先后出现了自动机，神经网络等令人兴奋的发现，以及后来的遗传算法、蚂蚁算法、退火算法。但事实上这些都没有本质上解决过人工智能的难题。下图是John McCarthy，人工智能之父，1971年图灵奖获得者。

    人工智能的本质难题是：现有的逻辑系统，只能按照确定的逻辑关系推理。一个东西，要么是"true"，要么是"false”，这就决定了计算机只能计算确切的东西。计算机无法想人类一样思考“未知”、“可能”这样的概念，但这却是人工智能需要的。总的来说就是：计算机世界的推进法则是 "数学界研究成熟"→“计算机理论界研究成熟"→”计算机实践运用"，而现在人工智能的尴尬之处就是数学理论基础都还没有成熟。一些数学家正在进行模糊逻辑的研究，但远远没有到说："我们已经有人工智能的数学理论基础"的时候。

（4）【实践相关领域与计算机的融合】。计算机本身的成熟，并不代表计算机就能运用于实践。比如汉语翻译，这是一个计算机问题吗？不，这是一个语言学的问题，因为汉语在语言学上就是难于分析的。比如中文分词，你能将“我们都很喜欢动漫”分解成一个一个单词吗？你说可以，你大概会这样分“我们”、“都”“很”、“喜欢”、“动漫”，“都”作为副词理解，相当于英语的all，“很”作为副词理解，相当于英语的very，你说这不是很好分吗？那么请你再分解“我现在在成都”，你的程序上一次分词将“都”识别为副词，那么“成都”如何理解，程序如何知道这是一个名词？另外，有来自于语音设别，天气预报，图像识别，智能朗读，医学分析，等等领域的计算机化问题，当计算机专业人员来到这些领域准备动手实现自己的程序时，会迅速发现这样一个悖论【这个问题不是计算机不能解决，而是你们这个领域自己还没解决】

 

下面是计算机实践部分（仅涉及计算机本身，不涉及相关领域融合问题）：

（1）【如何面对越来越高的数学运算要求】。如何面对超大数据，如何应对越来越高的各种精度要求？这个问题，对于在金融领域的程序员一定不会陌生。例如我对1 000 000 000 条双精度浮点数进行各种统计学分析，在公式计算过程中，乘除运算的精度高于Double的表示范围后，就会舍去部分精度，而如果每次运算舍去一定的精度，那么最后得到的结果可能和真实结果相差巨大！于是金融学的程序员一定对一种叫做Big Decimal的数据类型情有独钟，这个类型在一定程度上缓解了精度流失问题（Big Decimal的实现是非常有趣的，是一种软件模拟CPU数据运算的方法，有兴趣的朋友可以自己实现以下，可以帮你开阔视野，对你的计算机水平绝对很有帮助）。但是面对求7/3这样的问题仍然不可避免地会出现精度流失，是否可以让7/3这样的分数直接运算呢？而不是表示成浮点数。其他，可以讨论，一系列关于数学运算的问题，诸如平方、开放、log等一系列数学运算。这个问题可以概括为【能否让更多数学运算，原生地出现在程序语言中，而不是表示成整数或者浮点数】

（2）【如何面对越来越海量的数据】。如果一个程序员说“我连排序都不会！”，你一定会笑掉大牙，然后心中狠狠地鄙视对方一下，“连这么简单的东西都不会，不得不赞美一下老子的冒泡写地多么优美啊！”。但是，问题开始出现了，你可以轻松搞定1 000 000条数据的排序，甚至1 000 000 000条数据也不在话下，那么【数据量大于内存容量】呢？【数据量大于硬盘容量】呢？现在假设两种情况：一、有1 TB 数据分为1 000 个文件放在你的2TB的硬盘上，你有4G的内存；二、有1PB数据分布在1000台服务器上，每台服务器有12G内存。对于，这样两个排序问题，你还有信心简单搞定吗？我们现代即将面临的是一个海量数据的时代，多数简单的问题在面对海量数据这个前提的时候，都会变得异常困难。甚至连google这样的大公司都会为“68秒排序1TB数据，6小时排序1PB数据”而夸耀，hadoop分布式也自豪地说“2009年，在一个1406个节点组成的hadoop集群，在59秒里对500GB完成了排序；而在1460个节点的集群，排序1TB数据只花了62秒”。想想如何应对海量数据吧，这不是一个可以掉以轻心的事儿！

（3）【如何让计算更快】。在50年代到2000年左右，计算机界给出的答案是【更高的频率】，而随着频率的不断接近物理器件极限【多核CPU】成为了新的增长方式，但随之而来的就是【多核多线程编程】问题的出现，如何更好的进行多核多线程编程，计算机缺少一个坚实的理论基础来指引时间，这些年多核编程其实都是处在一个探索的过程中，Erlang的消息，Scala模仿的Actor，函数式编程，不变量的引入，基本这些都是实践的产物。这种实践先于理论的状况的发生，基本说明了这样一个事实，人们迫切需要使用多核多线程能力，但理论研究滞后了。所以现在的多核编程，更多地像一个实践难题，而不像一个理论难题。那么我们如何解决？