除了交流思想外，我还没有发现它那么重要，并且我在性能至关重要的领域（光线跟踪，图像和网格处理，粒子系统，物理引擎等）工作，并且不得不设计出许多专有算法和数据结构在研发工作时。在这些领域中，通常只有少数几个非常高效的数据结构和算法可以产生全新的尖端产品，而昨天的算法却使现有产品过时了，因此人们总是追求使工作效率更高。需要说明的是，我从未发表过有关我设计的算法的论文。它们都是专有的。如果我这样做了，我将需要数学家的帮助来拟定证明等等。
但是在我看来，除非算法的伸缩性很差，否则每次迭代的计算工作量通常比算法的可伸缩性更重要。如果有人提出了一种先进的射线追踪技术，那么我对计算技术（例如它们如何表示和访问数据）比算法复杂性更感兴趣，因为在这种竞争性和创新性的场景中已经有了合理的可伸缩性。提出无法扩展的算法将无能为力。
当然，如果您要比较二次复杂度和线性运算，那是一个巨大的差异。但是我领域的大多数人都有能力避免在史诗输入上应用二次复杂度算法。因此，可扩展性通常被深深地暗示着，更有意义和更有趣的问题变成：“您是否使用过GPGPU？SIMD？它是否并行运行？您如何表示数据？您是否针对高速缓存友好的访问模式重新组织了它？如何它需要多少内存？它能可靠地处理这种情况吗？您要推迟某些处理还是一次完成？”
如果前者以更优化的模式访问内存，甚至更适合于多线程和/或SIMD，则即使是线性算法也可以胜过线性时间算法。有时，由于这些原因，即使是线性算法也可以胜过对数算法，而对于小输入，线性时间算法自然也胜过对数算法。
因此，对我而言，更重要的是某些人可能称为“微优化”，例如数据表示（内存布局，具有热/冷字段拆分的访问模式等），多线程，SIMD，有时还包括GPGPU。在一个领域里，每个人都已经有足够的能力去使用像样的尖端算法来处理所有问题，并且新论文一直在发表，在击败算法向导方面的竞争优势并不是来自算法复杂性的提高，而是来自更直接的计算效率。
我的领域是由杰出的数学家主导的，但并非总是知道他们正在做的计算成本或许多加快代码速度的较低技巧的人。尽管我的复杂程度不高，但在设计更快，更紧凑的算法和数据结构时，通常这是我的优势。我正在尝试硬件喜欢的东西，朝着比特和字节的方向努力，即使我比真正复杂的算法做更多的工作迭代，也使每次迭代的工作便宜得多-在我的情况下，工作便宜得多。我编写的代码也往往更简单。如果人们认为难以直接理解算法和数据结构的微观优化版本，就很难理解和维护，
作为一个基本示例，我想出了一个简单的网格结构，该结构最终在我们公司的KD树中表现出优于碰撞检测和冗余点去除的性能。我愚蠢的原始网格在算法上没有那么复杂，在数学上和算法上都比用他的KD-tree以新颖的方式找到中点的家伙笨拙，但是我只是调整了网格的内存使用和访问模式，这足以胜过更复杂的东西。
我所拥有的另一个优势，使我能够在一个比我聪明得多的人所统治的领域中生存，只是真正地了解用户的工作方式，因为我使用软件的开发方式相同。这给了我一些算法的想法，这些算法实际上非常符合用户的兴趣。作为一个基本示例，大多数人都尝试使用空间索引来加速诸如碰撞检测之类的事情。我在大约几十年前就对有机模型进行过一次简单的职业塑造观察，例如，如果角色将手放在脸上，则空间索引结构将需要拆分节点并进行昂贵的更新（如果角色）然后将手从脸上移开。相反，如果您根据连通性数据而不是顶点位置进行分区，您可以得到一个稳定的层次结构，该结构可以非常快速地更新，并且不需要拆分或重新平衡树（只需要在动画的每个帧中更新边界框）...像这样的事情-算法不需要笨重的数学背景如果他们只是了解基本概念，就可以提出来，但是由于他们没有以如此接近用户工作方式的方式来思考事物，并且对几何的特性而不是对几何的思考太多，从而使数学家们望而却步被普遍使用。与算法巫师相比，我更多地依靠一般的计算知识和用户端知识来相处得很好。因此，无论如何，我并没有发现专注于算法复杂性那么重要。
