Question

VC里面的线程并行与串行的设计思路是怎么样的？

Answer 1

假设你的程序是一个WWW服务器，每分钟有可能都有若干数量的客户进行访问。用串行访问写这个程序，是比较复杂的：
x = 所有客户数据库
循环（所有客户）{
检查是否有新客户进来，如果有新客户进来，登记到新客户数据库x中
如果有客户需要下载某业务，则分配时间片p进行某业务
}//下一个客户

用并行方式写程序，相对比较简单

某客户线程() {
登录用户名密码，如果失败则直接返回失败页
如果成功，下载内容
正常退出
}
循环() {
等待新客户
如果有新客户，启动一个线程
如果没有新客户，继续等待
}

上面就是并行和串行两种思路。并行思路写程序比较简单，串行则对每一个操作的时间要求非常严格，但是相对来讲比较节省资源。

为什么呢？要知道每个计算机CPU数量是有限的。在很久很久以前，只有一个CPU的时代，所有事情都只有一个CPU去做，换句话说，所有的事情都是串行的，并行操作是在串行操作基础上用一个一个的时间片模拟出来的，可以说，串行是干完一件工作然后接着干下一件，而模拟并行就是每个工作都干一点点，然后飞快地切换到下一个工作。

真正的并行，是在多CPU和多核操作系统基础上彻底完成的，真正提高效率，否则在单核单CPU操作系统上，无论怎么处理，并行和串行基本上耗时都是差不多的。

从现代操作系统理论看来，如果你针对每个任务要做的处理都比较复杂的情况下，最好用多线程/多进程（也就是所谓的并行）方式设计软件，这样逻辑关系比较清楚。自DOS时代终结后，现在很少能够看到真正100%串行的程序了。

在云计算的时代，计算任务都是被调度计算机不知道调度到哪个真正的网络CPU进行计算了，这种方式代表了并行计算的最新潮流。

举个例子说，假设我们有从哈勃望远镜每秒钟对全太空进行一次拍照，现在需要对这个超高清晰度的超级大照片（比如1,048,576×1,048,576=1,099,511,627,776，也就是1G像素，相当与1张照片用1个硬盘进行存储）和上一秒钟的图像做一次比较，尽可能地多找出星星和星座、星云的变化有何不同，那么串行计算就需要CPU进行逐行逐点进行比对。假设这个CPU是每秒100万次的（相当于8086古董计算机），那么处理这1秒钟的照片，用串行方式，需要100万秒，也就是12天才可以完成。
如果是云计算方式，调度计算机会把这1秒钟的1G图像一次性分配各在互联网上的数百万台计算机，每台计算机都只处理这个天空照片的很小的一个区域，处理完后迅速返回给调度计算机，这样处理起来，也许只需要不到1秒钟

人类大脑经过数百万年的进化，已经成为超大规模并行计算的超级神经网络。我来解释一下人脑是如何处理串行和并行的问题的。

还是上面哈勃照片的例子。对于一个没有任何经验普通人，或者一个小朋友来说，对比两张巨幅照片，需要一个很漫长的过程，需要一行一行一点一点逐个比较。或者是完全随机，东看看，西看看，来找找二者有何不同。这样的结果耗时很久，而且对比结果可能不可信（所谓外行看热闹）

对于一个受过专业训练的天文学家来说，这可就大不一样了。首先，他经过成千上万的太空照片观测训练之后，在大脑中形成了“模式识别”的特殊记忆，就是上一张照片和下一张照片的【轮廓】上，不会有很大变化，星座【整体】不会变形，但是【位置坐标】和【比例】【颜色】【亮度】会发生变化，这样他就可以在非常短的时间内，只需要扫一眼，就可以确定大部分【不需要】去仔细分辨的内容，而只观察【显著】差别，这就是【超大规模神经网络】产生的【模式识别】计算能力（所谓的内行看门道）

计算机用并行计算模拟出来的神经网络也是这样的，通过一系列的【样本培训】之后（就是在做具体工作之前，花很多时间在人工智能的学习上），用神经网络进行【模式识别】。这种方式的编程，既不是【串行】，也不是【并行】，而是【训练】+【自动化】。很有意思吧？不过请注意，所谓专家也有走眼的时候，模式识别一旦形成，往往有些【盲区】被【经验惯性】所掩盖，所以【串行】和【并行】比较的是效率，【人工智能】是在精度控制基础上，尽量提高效率。

说了那么多，希望你感兴趣，也能看懂是怎么回事儿。很悲哀啊，我们国家的程序员，一开始学习的时候，就已经落伍了，始终没法走到科技的最前沿。