演算法在我們的生活中應用場景越來越多，嘗試去瞭解它，瞭解電腦思考的方式能幫你在這個人機共存的時代中更加如魚得水。但是當你想要瞭解“演算法是什麼”你將獲得的是知識、是定義；可當你想要瞭解“什麼是演算法”，你將從根本理解演算法。 

從實際問題出發，能夠幫你更快融入“演算法的世界”。在下面這篇文章中，就有一個“魚香肉絲和蛋糕製作”的生活實例，快速講清算法的本質是什麼、它的優勢在哪兒、我們又如何去判斷演算法的好壞。 

其實演算法的門檻沒有你想像中那麼高，想要理解演算法嗎？快跟著《吳晶辰·演算法通識16講》主理人、亞馬遜公司資深演算法科學家吳晶辰一起來看看到底“什麼是演算法”吧。 

既然要學習演算法，那就先要搞清楚，演算法到底是什麼？ 

在演算法科學家眼裡，這個問題很簡單，演算法就是有輸入、有輸出的解決問題的計算步驟。可記住這句話你就懂什麼是演算法了嗎？並沒有。 

所以說，我們想討論的其實並不是“演算法是什麼”，而是“什麼是演算法”。 

請注意，這兩者是有區別的，前者告訴你一個知識，給你一個演算法的定義。後者帶你理解演算法，讓你識別出電腦做事與人類做事的核心差異。理解了這個核心差異，我們自然就懂了演算法是什麼。 

演算法對明確性有極其嚴苛的要求

我們先來講講，什麼是演算法。要理解這個問題，我們要先追問，電腦做事與人做事的核心差異是什麼。咱們來看這麼一個案例。 

有一位特別厲害的媒婆，王婆，牽線搭橋的成功率特別高。隔壁村的趙婆聽說之後，來跟王婆取經。 

王婆告訴她，“我給人介紹物件就看四要素：雙方離得近不近，年齡相差大不大，愛好匹不匹配，性格合不合得來。這幾條大都滿足就合適。其中性格最重要，只要性格合得來，其他條件可以適當放鬆。” 

趙婆學完，果然牽線搭橋的成功率顯著提升。 

王婆的孫子是程式師，他跟王婆說：“您把方法告訴我，我給您寫一套演算法，自動匹配，不用挨家挨戶跑去看了。”王婆聽了高興壞了，這孩子太有出息了，於是把這四要素如數家珍似的講了一遍。

結果，王婆的孫子很失望，“您這四要素不是演算法，電腦實現不了，要不您再想想？” 

這“四要素”明明幫趙婆也提高了業務能力，為什麼不是演算法呢？演算法要求有輸入、輸出、計算過程，這“四要素”方法也有啊。這輸入是男女生的住址、年齡、愛好、性格四個維度的資訊，然後做匹配計算，輸出就是匹配的人選呀。 

問題出在，這“四要素”的方法不夠明確。是輸入也不明確，計算過程也不明確。 

就拿離得遠近來說，表面上看很明確，輸入雙方住址，計算距離唄。但就算你把經緯度都要來，也解決不了“近不近”的問題。

 我們來分析一下，多近算近？方圓幾十公里算近嗎？你可能有過這樣的經驗，住在市中心，3公里以外都懶得去，嫌遠。住在郊區呢？10公里，開車也就一腳油的事，都算近。所以，什麼叫近，不明確。 

其次，離誰近？是男生和女生的家？還是包含工作地點？如果有好幾套房子呢？怎麼算？這也不明確。當出現多個地點，多個距離，怎麼處理優先順序呢？也不明確。 

你可能想，有這麼複雜嗎？的確，王婆親自來幹，或者教給趙婆，都沒這麼複雜。但要交給電腦來幹，那對不起，這些問題必須明確，一個都不能少。 

你看，這就是演算法和人的核心差異，人做事可以接受一定程度的模糊，演算法卻對明確性有極其嚴苛的要求。

再拿我舉個例子。我在美國難得回家，每次回家爸爸會給我做魚香肉絲，媽媽會給我烤蛋糕。他們跟我說，我們也是演算法工程師，按照菜譜做菜就是執行一套演算法。 

聽起來是這樣，做菜也是有輸入和輸出的計算過程。魚香肉絲要輸入豬肉、泡薑、木耳，要豬肉切絲、鹽少許、醬油少許。烤蛋糕要輸入15克黃油，30克麵粉，要放進200度烤箱，烤20分鐘。 

但你仔細回憶一下，魚香肉絲的輔菜稍微有點變化，或者換個人做，味道可能就不一樣了。但烤蛋糕只要嚴格遵照菜譜，誰來烤都一樣。 

所以從這個角度來說，魚香肉絲的菜譜不是演算法，烤蛋糕的才是。因為烤蛋糕的菜譜可以無數次複現，誰來幹都一樣。 

到這裡總結一下，演算法要求極其明確。當一個解決方案足夠明確，必然可以讓這個演算法無數次再現，同一個演算法，相同的輸入必然可以得到相同的輸出。不會因為執行的電腦不同、人不同，就導致不同的結果。 

能不能複現也是我們衡量明確性的標準。當你有一個問題要交給演算法解決，就要不斷明確每個細節，保證演算法執行之後能夠複現。所以本質上來說，演算法就是一套通過確定性保證解決問題的工具。 

模型化是演算法優勢的本質 

好，演算法需要明確，可只靠嚴苛的明確性，就能叱吒人類社會嗎？ 

你可能有這樣的感覺，演算法在今天已經侵入我們工作和生活的方方面面了。找物件，可以上王婆的紅娘系統；想網購，下單一個保溫壺，購物網站會一直推薦保溫壺；想看電影，搜索一個《風聲》，各種諜戰片撲面而來。 

演算法是靠什麼優勢，成功“入侵”人類社會的呢？我的答案是，模型化。你可能不會想到，剛才那些看起來完全不相關的程式，背後可能是一套演算法。 

什麼叫模型化？簡單來說，模型化就是對不同的問題，用同樣的方式來看待，用同一套演算法來解決。 

購物網站、搜尋引擎，沒有“紅娘四要素”這個理論，甚至還需要調用不同行業的背景知識，但數學模型可能完全是一樣的。 

比如，在紅娘演算法中，人與人之間的匹配分數，可以被看成是一個“距離”問題。匹配度高，距離近；匹配度低，距離遠。距離，可以定義人和人的遠近，也可以定義商品和商品的相關性，可以定義搜索詞和電影之間的相關度。 

表面上，這是紅娘牽線問題、商品推薦問題、搜尋引擎問題，但在演算法工程師的眼裡，這全是“距離”問題。這就是模型化。 

模型化最大的價值，就是賦予演算法超乎尋常的問題遷移能力。 

我看過一個這樣的研究，慕尼克工業大學用演算法預測《權力的遊戲》的劇情。你看過這部美劇肯定知道，劇中人物常常意想不到就送命了。 

這誰活誰死，能預測嗎？還真別不信，這個團隊在最後一季上映之前就預測，龍媽是所有角色中最可能活下來的。 

正確與否，咱先不論，就說說這個團隊預測用的模型。他們用的是保險公司的壽命預測模型，是不是又出人意料，又合情合理？保險公司分析的什麼？是人的壽命和性別、遺傳病史、是否吸煙等等之間的統計關係。 

而劇情裡同樣包含了角色的壽命和他們所處的家族、配偶、聯盟資訊等關係。

脫去現實描述，裡面隱藏的是就用多個變數來估計一個目標變數的統計預測模型。 

你看，模型就是一個問題脫去現實描述外衣之後的邏輯內核。 

同樣一種邏輯內核可以在不同的問題中穿梭，來描述不同的現實關係。正是這種穿梭的能力，讓演算法能在不同領域中快速遷移。

演算法沒有好壞之分，都是人的思想

你可能也聽到了一些不同的聲音，演算法帶來了歧視、排斥、不公平。怎麼有的演算法“好”，有的演算法“壞”呢？我想給你送達的最後一個認知是，演算法沒有好壞，背後都是設計者的思想。 

咱們還是從一個案例來講。機器學習領域有一個很經典的演算法，叫K臨近演算法，在解決分類問題上很好用。 

比如，在做腫瘤活體實驗之前，用K臨近演算法可以通過腫瘤的特徵資訊，判斷它是良性的，還是惡性的。 

那具體K鄰近演算法是怎麼實現的呢？我們每看到一個新腫瘤，就把它的特徵和資料庫裡和它最相近的那幾個腫瘤進行比較。 

比如說，有10個最相近的，裡面8個是良性的，2個是惡性的。於是醫生可以預判，患者有20%的可能性，得的是惡性腫瘤。 

同樣一套演算法，也被用到對簡歷進行評分上。結果，申請人的性別成了影響預測結果的主要因素。同樣的簡歷內容，把名字改成男性的名字，演算法就給出高分，改成女性，得分就較低。這是赤裸裸的歧視啊。 

同一套演算法，怎麼一會“好”，一會“壞”呢？ 

其實，如果你把這套演算法再用回到腫瘤的預測，也可能有類似的問題。把患者的性別從女性改成男性，那麼預測出是惡性腫瘤的概率也會高一些。因為男性得癌症的幾率高一些，這時候，我們不會認為演算法歧視吧。 

在演算法抽象模型的遷移當中，我們能接受腫瘤預測中的“歧視”，但容忍不了簡歷篩選中的“歧視”，這是演算法出了錯嗎？ 

不是。問題出在了，應用K臨近演算法的演算法設計者對問題的理解上面。 

K臨近演算法認為，要預測的資料和已有的資料在分佈上是類似的。也就是說，在診斷腫瘤的時候，資料庫中的男性更容易患癌症，那麼預測的時候，男性患癌症的概率也更高。 

但在簡歷預測的問題中，這個假設就不一定成立，或者說不應該成立，可能過去職場就存在歧視，又或者採集的資料中男女性別不平衡出現了問題。 

不是演算法錯了，只是在不同場景裡，我們需要的價值偏好和設計思想不同。 

所以，不要對演算法評判對錯、評判好壞，演算法的模型只是人思想的體現，如果演算法出了問題，請回到人身上找問題。 

演算法永遠不會完美，在這裡，我借用統計學家喬治·博克斯的一句名言：“所有的模型都是錯誤的，但有些是有用的。”演算法也一樣，沒有好壞，有用就好。