算法而非法则：从确定性囚笼到搜索视野
我们通常将算法视为一系列明确的、有限的、确定性步骤的集合，用以解决特定问题。从欧几里得求最大公约数到快速排序，这种视角主导了计算机科学教育近一个世纪。但这一传统定义正在悄然崩塌——当深度神经网络的梯度更新路径无法被逐条预测，当遗传算法在数百代后涌现出人类未设计的解，我们仍然称它们为算法吗？如果坚持经典定义，那么这些基于统计或启发式的系统将被无情排除在算法殿堂之外。然而，这种排除恰恰暴露了旧范式的狭隘：它把算法等同于机械执行，却忽略了算法在本质上是对可能解空间的定向探测行为。
我认为，算法的真正内在特征是“约束下的搜索策略”。任何算法都隐式定义了一个状态空间，以及一套规则来约束如何在这个空间内移动或采样。经典排序算法是在置换空间中的搜索，但它的约束极其严格——每一步都完全由比较结果决定，毫无随机性。而蒙特卡洛树搜索则是在博弈树中的概率性探索，其约束由胜率评估和随机模拟共同构成。神经网络反向传播则是在参数高维空间中的梯度下降，它的“搜索”并非逐点枚举，而是通过局部信息不断逼近全局最优的近似路径。三者形态迥异，但共享同一个抽象骨架：一组状态，一组动作，以及选择动作的规则。这个规则可以是确定的、随机的，甚至是可以学习的。
比较中的洞见：确定性算法的局限与随机性的价值
将算法视为搜索策略，让我们看到了传统确定性算法与随机算法之间的深刻关联与巨大张力。确定性算法（如二分查找）的优点是可预测、可验证，但它本质上是对问题结构的先验假设的固化——如果假设错误（比如数据分布极度不均），性能就会急剧下降。而随机算法（如随机化快速排序）通过引入随机性，降低了遇到最坏情况事故的概率，但这并不仅是工程上的“加盐”技巧，而是对搜索空间结构的不确定性的一种适应。随机性允许算法摆脱局部陷阱，或者以高概率覆盖更广泛的状态区域，这是确定性搜索永远无法企及的能力。
更进一步，进化算法与强化学习将“搜索”带到了新的高度：它们不只是在固定策略中搜索解，而是在策略本身的空间中搜索更好的策略。这相当于让算法具备了“元搜索”能力。从传统视角看，这类算法不稳定、不精确，甚至无法保证收敛；但从搜索视角看，它们是对复杂、非凸、病态问题最诚实的应对方式——既然我们无法解析出最优解，那就让搜索过程自己适应。这种对比揭示了一个被纯理论派忽略的事实：算法的价值不在于“正确”，而在于在可接受的资源消耗内，以高概率够得着“足够好”的解。
边界消融：学习算法如何重写算法的定义
如果说随机算法只是对搜索方向增加了噪声，那么现代机器学习算法则彻底颠覆了“步骤”的预定义性。一个训练过的神经网络，在推理时执行的是固定张量运算，这确实像传统算法；但在训练阶段，算法本身在动态调整参数、甚至改变结构（如神经架构搜索）。更棘手的是，像深度强化学习中的经验回放，其数据处理和策略更新规则也是被预先设定的，但策略本身却是环境交互的产物。那么，策略本身是不是算法？如果策略是算法，那么它并非由程序员编写，而是由数据“涌现”出来的——这打破了“算法必须由人设计”的默认定理。
我认为，这种消融恰恰是算法概念扩展的必然结果。我们不该再问“这段代码是否是算法”，而应问“这里的搜索策略是什么？约束是什么？”。当AlphaGo的走子网络与人类棋谱无直接对应时，它依然是一种算法——一种在19×19棋盘空间、由神经网络参数化的大型搜索策略。当大语言模型生成文本时，它是在词元序列空间中执行序列搜索，其约束来自训练数据分布和温度采样参数。因此，经典算法是搜索策略的子集，机器学习是搜索策略的延伸和自动化构建。我们失去的是算法的“清晰性”和“可解释性”，但换来的是处理复杂、非结构化问题的能力。这种代价是值得的，因为它让我们认识到了算法本质的普适性。
全新视角的实践意义：算法设计即约束工程
如果算法是约束下的搜索，那么算法设计就变成了一场“约束工程”。传统上，我们关注如何设计步骤；新观点下，我们更应关注如何设计搜索的空间、方向和边界。例如，在设计推荐系统时，我们不再手写排序规则，而是定义一个目标函数（约束）和一个探索机制（如多臂老虎机的置信上界），让系统在用户反馈中进行搜索。同样，在自动驾驶感知模块中，我们不去枚举所有障碍物形态，而是训练一个神经网络在图像空间中进行潜层特征搜索，其约束是大量标注数据和无损安全损失函数。这种视角转化直接带来了方法论升级：与其绞尽脑汁优化每一步，不如花心思塑造一个好的搜索环境和评估函数。
同时，这一全新视角对算法理论提出了挑战：如何证明某个搜索策略在给定约束下的效率上限？目前对随机算法和启发式算法的分析仍比较碎片化，缺乏统一理论框架。但如果你接纳“算法=约束+搜索”这个定义，就能将图论、统计决策和博弈论结合来审视算法行为。比如，将爬山策略视为在邻域图上的确定性游走，将模拟退火视为带有温度冷却的随机游走，将强化学习视为在马尔可夫决策过程中的策略搜索。这种统一范式不仅让我们能更清晰地对比不同算法间的优劣，还能启发我们设计出更灵活的混合策略——在约束不明确时用随机搜索试探，一旦结构清晰就切换到高效确定性方法。
总而言之，算法不是程序的同义词，也不是数学公式的机械展开。它是对未知空间的好奇心所催生出的、系统化的探索路径。从二分查找的严格推演，到AlphaGo的自我博弈，再到未来可能出现的基于因果推理的学型搜索，算法的历史就是人类对认知边界不断发起冲击的历史。当我们放下“确定性”的执念，才能看见更广阔的可能性——那个由约束与探索共同勾勒出的智能地图。这种视角将指引我们设计出更强大、更适配真实世界复杂性的算法体系，也让“算法”一词重新焕发出哲学与工程碰撞的魅力。