二分搜尋找 27 需要比較幾次？
某電商平台工程師需在已排序的價格清單中，快速定位指定價格是否存在，給定排序後陣列：arr = [3, 8, 14, 19, 21, 27, 33, 45, 52]。若搜尋目標值為 27，且採用標準二分搜尋（Binary Search）流程（每次比較後排除中位數），請問最多需要比較幾次即可找到目標？
某電商平台工程師要在一個已排序的價格清單中，快速定位指定價格是否存在。清單共 9 個元素：[3, 8, 14, 19, 21, 27, 33, 45, 52]，目標是找到 27。工程師採用標準二分搜尋（Binary Search）流程，規則是每次比較後排除中位數。
問你：按照這個流程，最多需要比較幾次才能找到 27？
一句話總結
在陣列 [3, 8, 14, 19, 21, 27, 33, 45, 52] 中用二分搜尋找 27，依序比較 21（第 1 次）→ 33（第 2 次）→ 27（第 3 次），共需 3 次比較。
先感受問題：你玩過「猜數字 1 到 100」嗎？
「猜數字」遊戲：我心裡想一個 1 到 100 的數字，你每次猜一個，我只告訴你「猜太大」、「猜太小」或「猜對了」。
聰明的猜法是每次猜中間值：先猜 50，太大就猜 25，太小就猜 75，這樣每次都把範圍砍半，最多 7 次就能猜到 1 到 100 裡的任何數字。
「台灣快購」電商平台工程師陳建廷面對的就是同樣的問題：商品價格清單已排序好，每次查詢要最快判斷某個價格存在不存在。二分搜尋的邏輯和猜數字完全一樣，每次從中間比對，縮小一半範圍。
如果不用二分搜尋，從頭搜到尾有多慢
陳建廷的同事小李不知道二分搜尋，每次都用「線性搜尋」從第一個找起：
- 比較 arr[0]=3：3 ≠ 27，繼續
- 比較 arr[1]=8：8 ≠ 27，繼續
- 比較 arr[2]=14：14 ≠ 27，繼續
- 比較 arr[3]=19：19 ≠ 27，繼續
- 比較 arr[4]=21，再比較 arr[5]=27：21 ≠ 27 繼續；27 = 27，找到了！共比較了 6 次。
9 個元素找第 6 個，線性搜尋要 6 次。如果清單有 100 萬個價格，最壞情況要比 100 萬次。二分搜尋呢？100 萬個元素最多只需 20 次。
二分搜尋一步一步走：找 27
陣列（索引從 0 到 8）：[3, 8, 14, 19, 21, 27, 33, 45, 52]
第 1 次比較：搜尋範圍 [0, 8]，中位數索引 = (0+8)÷2 = 4，arr[4] = 21。目標 27 > 21，所以排除左半邊（含中位數），新範圍 [5, 8]。
第 2 次比較：搜尋範圍 [5, 8]，中位數索引 = (5+8)÷2 = 6（取整），arr[6] = 33。目標 27 < 33，所以排除右半邊（含中位數），新範圍 [5, 5]。
第 3 次比較：搜尋範圍 [5, 5]，中位數索引 = 5，arr[5] = 27。目標 27 = 27，找到了！
總共比較了 3 次。注意題目說「每次比較後排除中位數」，所以找到中位數等於目標的那次，這次比較也算一次，答案是 3 次。
這就是選項 B 的正確答案：二分搜尋在這個陣列中找 27，最多需要 3 次比較。
技術版：二分搜尋的概念與在 AI 應用中的位置
二分搜尋（Binary Search）是演算法基礎知識，核心概念是「每次把搜尋範圍砍半」，時間複雜度是 O(log n)。
三個前提條件：
- 資料必須已排序（Sorted）
- 能夠隨機存取（Random Access）：陣列可以，鏈結串列不行
- 有明確的比較規則（大於/小於/等於）
時間複雜度直覺：9 個元素，log₂(9) ≈ 3.17，最多 4 次（ceiling）但本題找到答案只需 3 次。1000 個元素最多 10 次。1 百萬個元素最多 20 次。線性搜尋 1 百萬個元素最壞需 100 萬次，差距巨大。
二分搜尋在 AI 中的應用：向量資料庫的近似近鄰搜尋、決策樹的特徵分裂點搜尋、超參數調整的網格搜尋都借鑒了「每次縮小搜尋範圍」的思想。排序後的特徵查找也大量使用二分搜尋提升效率。
為什麼出題者考這題：AI 應用規劃師需要有基本的演算法概念，了解資料結構和搜尋效率，在評估系統效能和選型時有判斷依據。這不是要你寫程式，而是要你理解「查找問題的複雜度」。
為什麼其他選項是錯的
A2 次
說找到 27 只需要比較 2 次就夠。
按照流程：第 1 次比較 arr[4]=21（範圍縮到 [5,8]），第 2 次比較 arr[6]=33（範圍縮到 [5,5]），還沒找到，必須進行第 3 次比較。2 次根本還沒找到答案，所以 A 不對。
在第 2 次比較後，知道目標在 arr[5] 那個位置，就直接算「已知答案位置，不用再比」的人。但題目問的是「比較次數」，確認到 27 的那次比較也要算。
C4 次
說需要 4 次比較才能找到 27。
第 3 次就找到了（arr[5] = 27），根本不需要第 4 次。可能是計算中位數時用了不同的公式（如向上取整），但標準二分搜尋 3 次就能找到。
中位數索引計算錯誤的人。例如第 2 次範圍 [5,8]，錯用 (5+8+1)÷2 = 7，arr[7]=45，再來 [5,6]，再來 arr[5]=27，變成 4 次。正確的公式是 floor((left+right)/2)。
D5 次
說最多需要 5 次才能找到。
9 個元素的陣列，log₂(9) ≈ 3.17，向上取整是 4 次（最壞情況）。3 次已經找到了，5 次超出合理範圍。選 D 代表對二分搜尋的效率完全沒有概念。
完全沒有做計算，用「感覺應該要很多次」直覺選的人。
同個考點下次怎麼變形
二分搜尋的前提是資料必須「已排序」，如果資料沒排序怎麼辦？
沒排序就用不了二分搜尋，只能從頭搜？
沒排序的資料只能用線性搜尋（O(n)）。如果需要反覆搜尋，先排序再二分搜尋通常比每次線性搜尋划算。排序花費 O(n log n)，之後每次搜尋只要 O(log n)。查一次：排序不划算。查一百萬次：先排序超划算。
二分搜尋的時間複雜度 O(log n) 代表什麼意思？
log 是什麼？跟效率有什麼關係？
O(log n) 代表隨著資料量 n 增大，需要的比較次數只增加 log₂(n) 倍。實際例子：n=10 需要最多 4 次；n=100 最多 7 次；n=1000 最多 10 次；n=1,000,000 最多 20 次。資料量增加 1000 倍，搜尋次數只增加不到 3 倍，效率非常高。
相同的陣列，如果搜尋目標是 5（不存在於陣列中），二分搜尋需要幾次才能判斷？
找不到的情況要比幾次才能確定「找不到」？
第 1 次：arr[4]=21 > 5，範圍縮到 [0,3]。第 2 次：arr[1]=8 > 5，範圍縮到 [0,0]。第 3 次：arr[0]=3 < 5，範圍縮到空（left > right），判定不存在。共 3 次。「找不到」和「找到」的比較次數差不多，都是 O(log n)。
線性搜尋（Linear Search）和二分搜尋的最佳情況各是幾次？
「最壞情況」很重要，那「最佳情況」呢？
線性搜尋最佳：目標在第一個位置，1 次。二分搜尋最佳：目標正好是第一次比較的中位數，1 次。兩者最佳情況一樣，但最壞情況差很大：線性 O(n)，二分 O(log n)。選擇演算法通常看最壞情況。
為什麼電商平台的商品搜尋不能只靠二分搜尋？
二分搜尋那麼快，電商用它就好了？
二分搜尋只能找「完全匹配」的值，而電商搜尋需要「模糊匹配」（你打「蘋果」要找到「蘋果筆電」「蘋果耳機」）、語意理解（「便宜的手機」要理解「便宜」和「手機」的關係）、個人化排序（依你的瀏覽歷史排結果）。現代電商搜尋用的是全文檢索引擎（如 Elasticsearch）加 AI 語意搜尋，不是單純二分搜尋。
想再往下看，這 5 個
- 演算法（Algorithm）解決特定問題的步驟化方法，二分搜尋是演算法效率設計的經典範例，時間複雜度 O(log n) 遠優於線性搜尋
- 向量資料庫（Vector Database）儲存並快速檢索高維向量的資料庫，使用近似最近鄰演算法（非二分搜尋）實現語意相似度查詢
- 語義搜尋（Semantic Search）理解查詢意圖而非關鍵字比對的搜尋技術，是電商精準搜尋的進化方向，與二分搜尋的精確匹配形成對比
- K 近鄰（K-Nearest Neighbors）找出最相似的 K 個資料點的演算法，是二分搜尋精確定位的延伸概念，廣泛用於推薦系統和分類任務
- 大數據（Big Data）資料量龐大時搜尋效率至關重要，二分搜尋的 O(log n) 複雜度正是應對大數據量的關鍵優勢