在软件工程领域，Daniel Lemire 的名字几乎与性能优化同义。他主持着全球最受关注的性能工程博客之一，代码被嵌入 Git、Spark、Elasticsearch 等基础设施。然而鲜为人知的是，他职业生涯的转折点竟源于一次 “失败” 的数据处理任务 —— 地质学家交付的电磁波数据远超预期，而他编写的算法在真实数据集上几乎无法运行。这个困境迫使他重新审视一个根本性问题：为什么我们总是先看到有效方案，随后才理解其工作原理？
经验驱动的认知反转
Lemire 在多次访谈中表达了一个核心观点：软件工程的进步往往遵循 “实现先行、理解在后” 的路径。研究者首先观察到某种方法在实践中奏效，随后才从理论层面解释其成功原因。这一模式在软件工程界反复出现 —— 工程师们凭借直觉编写出高效代码，事后才由学者归纳出性能模型。
这种认知反转在 Lemire 自己的项目中体现得淋漓尽致。当他开始研究 CSV 文件解析速度时，业界共识是 "I/O 是瓶颈"，因此优化代码毫无意义。然而通过实际测量，他发现软件本身才是性能杀手，而非底层硬件。这一发现颠覆了传统认知，也为他后续的 JSON 解析研究奠定了基础。他与同事 Geoff Langdale 采用埃隆・马斯克式的第一性原理计算：若游戏主机磁盘速度已达 5GB/s，那么当前主流 JSON 库区区 300MB/s 的吞吐量显然存在数十倍的优化空间。最终产出达到 2-4GB/s 的解析库，性能提升二十至三十倍。
从直觉到形式化的桥梁
Lemire 的方法论揭示了一个关键洞察：直觉并非凭空产生，而是源自与真实系统的反复交互。他在访谈中指出，当工程师能够获得具体、可量化的数据时，推理变得更加可靠。相反，若问题过于抽象，大多数人 —— 连同 Lemire 本人在内 —— 都缺乏足够的抽象能力来直接把握本质。
这一观点与数学史中多个经典案例不谋而合。非欧几何的发展历程正是 “先有直觉、后有形式化” 的典型注脚。罗巴切夫斯基在 1829 年发表他那篇被视为异端的论文时，他已通过大量计算验证了平行公设的反面假设在逻辑上自洽，却始终未能给出严格的公理化基础。高斯更是出于对同行争议的顾虑，生前未敢发表相关研究。形式化的完善 —— 希尔伯特公理体系的建立 —— 要等到数十年后。在这个认知链条中，无数数学家凭借对 “负曲率空间” 中几何关系的感觉先于形式证明工作，只是这种感觉需要时间来转化为可传承的知识。
类似的现象也出现在算法设计中。快速排序的发明者托尼・霍尔曾描述他如何通过 “直觉” 察觉到分治策略的潜力，尽管当时他无法提供严格的复杂度分析。今天我们熟知的 O (n log n) 基准证明是由后续研究者在理解算法本质后补充的。最初的实现先于完整的理论框架，这在计算机科学史上并非孤例。
可操作的工程参数
理解 “先实现后理解” 这一模式的价值，在于将其转化为可落地的工程实践。以下参数清单源自对 Lemire 方法论的提炼：
基准测试优先级：在优化任何代码路径之前，建立性能基线。Lemire 建议使用代表性数据集进行测量，而非依赖理论推断。典型的 JSON 解析吞吐量基线应至少包含：每秒处理字节数、内存分配次数、以及分支预测失败率。
第一性原理估算：优化前先问：“理论上能有多快？” Lemire 使用的计算框架包括：硬件带宽上限（如当前 NVMe SSD 的 3-7GB/s 读取速度）、单核 IPC 理论峰值（约 3-4 条指令 / 周期）、以及内存级并行度（约 10-25 个并发请求）。若测量结果与理论上限存在数量级差距，则优化空间显著。
渐进式形式化：不要在早期追求完美理论模型，而是让模式在多次实验后自然浮现。经验法则：当同一优化策略在三个不同项目中重复产生效果时，考虑将其归纳为设计原则。
避免过度抽象：Lemire 在性能工程中反复强调抽象层的成本。内存分配应批量进行而非逐个处理；数据布局应与访问模式匹配；高层 API 的便利性常以性能损耗为代价。对于性能敏感路径，建议优先考虑缓存友好性和指令级并行度，而非代码可读性。
结语
“先实现后理解” 并非否定理论价值，而是强调认知的时序性：实践提供了检验假设的锚点，而形式化则为后续的传承奠定基础。Lemire 的职业生涯印证了这一点 —— 他首先通过实验发现代码性能远未达极限，随后才从硬件架构、编译器行为等层面构建理论框架。对于工程师而言，这意味着不必等到完全理解问题再行动；相反，应该让实现与理解相互驱动，在循环中逐步逼近本质。
资料来源：CoRecursive 播客访谈《Frontiers of Performance with Daniel Lemire》（2020）；Daniel Lemire 博客《We See Something That Works and Then We Understand It》。
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。