任何學電腦的人，都必需學編程，而編程則必須掌握處理數據的方法，這稱之為 Algorithm，中文譯作「算法」（不是計「算」，應作盤「算」之謂）。入門的算法不難，掌握幾套典型純熟運用便可，較進取的則嘗試優化個別算法的運行表現。那麼，進階的算法學習甚麼呢？答案是，如何處理現行算法都無法解決的問題！
「無得解」問題並不罕有
原來，不少情況不但沒有人想得出簡明有效的處理方法，更甚者，個別問題已被證明根本是不可能有便捷的解決辦法的；通常這些問題數目稍大，所需計算量便激增，如是者投入更大量的運算能力，問題也無法解決。70年代，電腦理論界不少的精力都花在鑒定這類型「無得解」的問題，發現大量例子，情況一度令人擔心，因為這類問題本身又是在應用情況中常常遇到。一個例子是所謂「背包問題」，假設某人有一個固定容量的背包，有很多不同大小和價值的東西要放進去，他要把總數達到某一價值的東西收入內，而不能超越背包體積的容量。這問題已證明沒有便捷的解決方案。
但這困難卻沒有窒礙算法研究的發展，反而提供有用的研究目標。若然無法獲得完整的算法，那可否設定一些約略的算法，這就促成90年代以來日漸成熟的所謂 approximation algorithm （近似算法）的發展，目標在於把問題解決達致某一程度的準繩，雖然並非十全十美，但卻不失為實際可行的方案。因為這些問題往往跟成本有關，就是不能得出「賺到盡」的方案，這些算法仍然能算得出究竟少賺了多少，於是可以把這負數分擔。
算法應用層面廣泛
一個國家或公司擁有對算法的知識，能夠有效解決其他人未能解決的問題，那當然對競爭有利。如果技術就是我們對環境開發的掌握，算法也是技術的一種。以技術為基礎，可以發展創新的企業，這是我們所應大力鼓勵的。我們日常所聽聞的創新，好像別人搞網上打的，我們亦搞，這些只能稱之為一個項目。真正的創新，必須是社會關係的改造，而這每每建基於技術的突破。
談到電腦學中的算法，我說算法也是一種技術，能愈高競爭力必然愈強。舉幾個應用的例子。例如數碼相機，可以自動辨別人臉，甚至鎖定人物焦點，這內中就是一個算法，鏡頭傳入來的景象數碼轉化後，存儲在記憶體的矩陣，那裏的數據相等於人臉，這必定有程序計算出來。2000年代初期，掌握這計算方法，做出來的產品，必然比人優勝。
幾年前，我在歐洲見到一個產品，用特製的筆在紙張上書寫，寫成的每頁內容自動存儲入電腦之內。這種筆是特製的，在筆尖有一個小型鏡頭，這不難，但這不足以把手寫的內容全然記錄，還有一個關鍵的算法。原來，雖然只是普通印刷的紙張，但印有特別設計的網點；這網點並非平均分布，而是按一定的規律變化，每個範圍的形狀不同，亦不重複。這樣的網點圖型全部開展出來，據說面積幾近足球場那麼大，因此印在A5的拍紙簿上，每頁都不重複，筆上的鏡頭便可轉化為電子筆跡。這是北歐一家公司的發明，關鍵在於生產這種網點的算式（大概是一個周期很長的函數）。當然，怎樣把技術變為成功的產品那是另一回事。
90年代初，一個成功的例子是華人社會趨之若騖的中文手寫板。用者以筆桿寫在觸感板上，筆觸化為點陣數據，怎樣計算出每一筆跡最近似的中文字呢？這屬於 machine learning 的題目，現在看來沒有多大的困難，打開教科書都大概找到答案，但20年前這還是較尖端的算法問題，當時台灣的業者比較掌握這個算法，推出的產品結果風行華人地區（特別是香港，原來香港人的輸入法最差，於是手寫板大賣）。
大數據與算法
近年盛行的大數據亦極需算法的開發。所謂大數據，當然不只是雲端上儲存一大堆數據，真正的目的是發掘內中的知識，以轉化為行動。例如網上的電影租賃，假如我們已知用者的一些動向，例如在那裏消費、購物內容等，能否推斷那部電影最合適？若然配合用者的朋友資料，推斷的機率可提升，但又能否在有限的時間內完成運算？凡此等等，都是現時電腦學研究十分活躍的題目。美國 IEEE學會每年辦有名為 KDD 的活動，內中設有這種算法的比賽，採用真實的大數據，要成功奪標必須算法（理論）和程式（實踐）的能力兼具。
美國在911之後動員大量人力物力進行反恐，相信是促進大數據研究的一個動力。若然大量的數據能推算用者對電影的喜好，那麼同樣的方法能否找出潛伏的敵人？不過，並非每一個電腦學者都願意參與這方面對開發。情況令人想起40年代的物理學界，並非所有人都願意參加原子彈的開發。日後出現所謂 concerned scientist（科學家關注社會）的聲音，反思技術應用的目的和後果。
原刊於《信報》網站，獲作者授權轉載。
