在计算机科学的开创阶段，编程更像一门凭直觉的手艺。20世纪60年代，程序员常常缺少可靠的衡量方法，只能靠经验判断代码是否高效。这样的局面在24岁的高德纳于凯斯西储大学的一次经历后被改写：他为IBM 650编写随机数生成程序时，切身感到没有理论支撑的优化往往无从下手，像“盲人摸象”。这促使他转向对算法数学本质的研究。高德纳的关键突破，是把注意力从硬件速度转向算法自身的数学特性。他系统提出“大O符号”，首次建立起可量化、可比较的算法效率框架，将复杂度划分为常数级O(1)、线性级O(n)、平方级O(n²)等类别，帮助人们用统一尺度评估不同方案的成本与增长趋势。美国计算机协会2023年的研究显示，这套诞生于半个世纪前的方法，至今仍是全球计算机教育的基础内容。该理论的传播并非一开始就被广泛接受。1970年代，高德纳出版《计算机程序设计艺术》时，曾有IBM工程师质疑其在64KB内存条件下的实际价值。但随着数据规模与计算需求不断扩大，大O分析的意义愈发突出：在规模增长时，决定性能的往往不是常数差距，而是增长速度。今天，从手机应用的响应优化到云计算中心的资源调度，仍离不开这套分析框架来指导设计取舍。面对量子计算等新技术带来的变化，大O理论也在展现适用性。专家指出，计算范式虽然在演进，但对算法效率进行数学刻画与比较，依然是推动技术进步的重要基础。我国“十四五”规划强调基础算法研究，也反映出对该理论体系的持续投入。在人工智能与大数据环境下，掌握算法分析这种“元能力”，比以往更直接地影响系统的可扩展性与工程质量。
从“凭感觉写代码”到“用数学尺度衡量效率”，算法分析建立的不只是符号和公式，更是一种面向规模、面向长期的工程方法。进入数字化深入发展的新阶段，只有把效率评估前置、用统一标准进行比较，并将优化沉淀为可复用的能力，才能在快速变化的技术环境中稳定质量、扩大创新空间。