2000 年的網路泡沫，並未阻止資訊的爆炸。相反，Web 2.0 的浪潮——部落格、社群網路 (Facebook, 2004)、影音分享 (YouTube, 2005)——帶來了比 1990 年代更恐怖的資料洪流。這些資料不再是靜態的網頁，而是動態的、由全球數十億用戶每分每秒產生的「狀態」：按讚、上傳、評論、紀錄軌跡。
1990 年代末的「分歧 4」(結構 vs. 可擴展性) 在此時激化為一場全面戰爭。「水平擴展」(Scale-Out) 成為唯一的出路，催生了「NoSQL」運動。工程師們意識到，B+ 樹那種精緻、複雜、追求「ACID 強一致性」的結構，已經無法應付這場混亂。他們需要更簡單、更粗暴、更具彈性的新結構。與此同時，正是這股資料洪流，灌溉了人工智慧的種子。沉寂了數十年的「神經網路」藉由「大數據」和「強大算力」(GPU) 重生，開啟了「深度學習」的革命。這群 AI 科學家們也需要全新的結構，但他們的目的不同：他們需要的不是「儲存」，而是「表達」，是能讓機器「理解」這個世界的資料形狀。於是，資料結構的演化，再次分裂成兩條偉大的航道。
一、 大數據航道 (I)：為「速度」而生的妥協
1. LSM 樹：向「寫入」的極致妥協
B+ 樹在 1990 年代統治了資料庫，因為它讀取很快。但它有一個致命弱點：寫入很慢。當你 INSERT 一筆新資料時，B+ 樹為了維持平衡，可能需要分裂節點，這個過程牽涉到多次「隨機磁碟 I/O」。在 Web 2.0 時代，系統每秒要處理上百萬次的「按讚」和「發文」，這種「隨機寫入」的瓶頸是無法接受的。
2006 年，Google 發表了奠基性的「Bigtable」論文，其核心思想源自 1996 年的「LSM 樹」(Log-Structured Merge-Tree)。LSM 樹的哲學是**「寫入的成本，越晚支付越好」**。它將「隨機寫入」變成了「循序寫入」：所有新的資料（包含修改和刪除）都只會被「追加」(Append) 到一個位於「記憶體」中的日誌 (MemTable)。記憶體中的寫入是極速的。當 MemTable 滿了，它會被「凍結」並作為一個不可變的「SSTable」（已排序字串表）完整地刷入磁碟。
這是一個天才般的妥協。LSM 樹的「寫入」效能是無敵的，因為它永遠是循序 I/O。它的代價是「讀取」變得更複雜：為了找到一個鍵，系統必須先檢查 MemTable，然後再去檢查磁碟上一層層的 SSTable 檔案。這就是為什麼 LevelDB、Cassandra、RocksDB 這些 NoSQL 資料庫「寫入」極快，但「讀取」效能（尤其是範圍掃描）通常不如 B+ 樹的原因。LSM 樹，是專為「寫入密集型」大數據時代而生的結構。
2. Skip List：用「機率」取代「平衡」
大數據的另一個挑戰是「讀取速度」。當一篇貼文爆紅，或雙 11 的熱門商品被瘋搶時，系統需要的是「記憶體內」的極速快取。這催生了 Redis 這樣的「記憶體鍵值儲存」系統。Redis 需要一個能快速查找、又能快速增刪的「排序」結構，來實作「排行榜」(Sorted Set) 這類功能。
1980 年代的「紅黑樹」似乎是個好選擇？但 Redis 的作者 Salvatore Sanfilippo 卻拒絕了它。為什麼？因為紅黑樹太「複雜」了。它的「旋轉」和「重新著色」邏輯非常難以實作，且在「多執行緒」環境下，為了「上鎖」(Locking) 所付出的效能代價太高。他需要一個更簡單、更務實的方案。
他找到了 1989 年由 William Pugh 發明的「Skip List」(跳躍串列)。Skip List 的結構非常巧妙：它是一個普通的「鏈結串列」，但它在基礎上，增加了很多層「捷徑」（或稱「快速通道」）。一個節點是否要出現在「更高層」的捷徑上，完全由「擲骰子」的機率決定。這使得 Skip List 成為一個「機率型」的資料結構。它在「數學期望」（平均情況）下，提供了與紅黑樹完全相同的 O(\log n) 查找、插入、刪除效能，但它的實作卻比紅黑樹簡單幾個數量級。Redis 的成功，證明了這種「夠用就好」的務實主義，是這個時代的工程顯學。
3. Trie & Bloom Filter：在「空間」與「精確度」上做文章
這個時代還復活了兩個古老的結構，它們的共同點是「在特定場景下極度高效」。第一個是「Trie」(前綴樹)。當你在 Google 搜尋框輸入「資料結」時，系統會立刻提示「資料結構」。Trie 就是實現這種「自動完成」的完美結構。它將字串的「共同前綴」作為路徑，大大壓縮了儲存空間，並能以 O(k)（k 為字串長度）的超高效率查詢是否存在某個前綴。
第二個是「Bloom Filter」(布隆過濾器)，一個 1970 年的發明。這是一種「犧牲精確度以換取空間」的機率結構。它就像一個集合，但只佔用極小的空間。它能 100% 準確地判斷「某個元素肯定不存在於集合中」，但它在判斷「某個元素存在」時，有很小的機率會「誤判」（False Positive）。
這有什麼用？用處太大了。Google Chrome 用它來判斷一個網址「是否為惡意網站」，如果 Bloom Filter 說「不存在」，那 100% 安全；如果說「可能存在」，瀏覽器再去向伺服器做一次昂貴的完整檢查。Bigtable 和 Cassandra 則用它來「加速讀取」：在去硬碟上讀取 SSTable 之前，先問一下 Bloom Filter「這個 Key 存在嗎？」，如果答案是「肯定不存在」，系統就省下了一次昂貴的磁碟 I/O。
二、 AI 航道 (II)：為「智慧」而生的形狀
1. 陣列的復興：Tensor 與「特徵」的形狀
就在 NoSQL 工程師們與 LSM 樹和 Skip List 搏鬥的同時，另一群 AI 科學家正在「重塑」一個最古老的結構：1950 年代的「陣列」(Array)。在 2012 年 AlexNet 贏得 ImageNet 競賽、引爆深度學習革命後，「陣列」以一個新名字重生了——「Tensor」(張量)。
Tensor 就是一個「多維陣列」。0 維 Tensor 是純量 (Scalar)，1 維是向量 (Vector)，2 維是矩陣 (Matrix)，3 維（例如 [高度][寬度][顏色]）就是一張圖片。這個結構本身並不稀奇，稀奇的是它的「用途」。在 AI 時代，Tensor 不再是為了「儲存」資料，而是為了「表示」資料。它是一個「認知結構」。
AI 的核心是「線性代gebra」，而 Tensor 就是線性代gebra的「通用語言」。它將世間萬物（文字、聲音、影像）都轉換為高維空間中的「數字向量」。一個詞（例如「國王」）不再是一個字串，而是一個 300 維的 1D Tensor（詞向量）。這種表示法允許機器進行「數學運算」來理解「語意」（例如，"國王" - "男人" + "女人" = "皇后"）。PyTorch 和 TensorFlow 這些 AI 框架，本質上就是極度最佳化的「Tensor 運算函式庫」，它們能在 GPU/TPU 這些專用硬體上高速執行矩陣乘法。
2. 圖的再臨 (I)：作為「演算法」的計算圖
「圖」(Graph) 在 1990 年代因為 PageRank 而大放異彩，進入 AI 時代，它迎來了第二次、更深刻的復興。它的第一個新角色，是「計算圖」(Computational Graph)。這是一種「元結構」(Meta-Structure)，它描述的不是「資料」，而是「運算流程」本身。
當你在 TensorFlow 中定義一個神經網路時，你其實是在「建造一個圖」。圖中的「頂點」(Node) 是「操作」（例如 +、*、ReLU），而「邊」(Edge) 則是「Tensor」（資料流）。例如 (a * b) + c 會被建成一個有三個輸入、兩個操作頂點的圖。
為什麼要這麼麻煩？因為這個「圖」結構，是 AI 框架得以自動化的關鍵。框架可以自動分析這個圖，來計算「梯度」（即「反向傳播」Backpropagation，這是深度學習的核心），並能智慧地將圖中的運算任務「分散」到多個 CPU 或 GPU 上去執行。計算圖，是 AI 描述「智慧如何運作」的藍圖。
3. 圖的再臨 (II)：作為「認知」的圖神經網路
最後，我們迎來了終極的融合：當 AI 模型本身，就是一個「圖」時。這就是「圖神經網路」(Graph Neural Network, GNN)。在 2010 年代中後期，AI 科學家開始意識到，世界上有許多最重要的資料，其「結構」本身就是「圖」：例如 Facebook 的「人際關係圖」、藥物研發的「分子結構圖」、或是你我的「知識圖譜」。
傳統 AI（如 CNN）擅長處理「網格狀」的 Tensor（如圖片），但無法處理這種不規則的「圖」結構。GNN 應運而生。GNN 是一種能「直接在圖上運行」的 AI。它讓每個節點去「查看」它的「鄰居」節點，匯總鄰居的資訊來更新自己的「特徵」（Tensor）。這個過程不斷重複，資訊就在圖上「傳播」開來。
GNN 的出現，是「分歧 5」的完美體現。我們不再是「為了 AI 而重塑資料結構」（如 Tensor），而是「讓 AI 去適應資料結構」（GNN）。在這裡，資料結構（圖）與演算法（GNN）已經合而為一。我們用「圖」來表達世界萬物的「關係」，然後用「GNN」來理解這些「關係」。
最終分歧——從「如何儲存」到「如何理解」
回顧這 70 年的歷史，我們看到了一條清晰的演化路徑。
從 1950 年代到 1990 年代（分歧 1 至 4），資料結構的核心命題始終是**「效率」**。無論是 Array vs. Linked List（靜態 vs. 動態）、BST vs. Hash Table（邏輯 vs. 儲存）、還是 B+ Tree vs. Distributed Hash（結構 vs. 擴展），我們都在問同一個問題：「如何用最快（時間）和最省（空間）的方式，去儲存和取回資料？」我們的度量標準是 O(1)、O(log n) 和 O(n)。
而 2000 年至今，這個命題發生了根本性的「分歧 5」：
- 大數據航道：將「效率」問題推向了「無限規模」的極致。LSM 樹和 Skip List 等結構，是為了在「無限速度」和「無限資料量」的壓力下，找到的一個「務實的妥協」。
- AI 航道：則提出了一個全新的命題——「理解」。我們不再只問「如何儲存」，而是問：「如何用最適當的『形狀』去表示資料，才能讓機器『理解』資料背後的意義？」
這就是「數據結構」與「認知結構」的最終分歧。Tensor 是 AI 理解「特徵」的形狀，Graph 則是 AI 理解「關係」的形狀。我們的度量標準不再是 O(log n)，而是 AI 模型的「準確率」(Accuracy) 或「損失值」(Loss)。
資料結構，這門古老的科學，從最初作為演算法的「容器」，演變至今，已經成為了「智慧」本身的骨架。
