夜雨聆风
AI与软件复杂性悖论:解药,还是新的病毒?
AI 与软件复杂性之辩：解药，还是新的病毒？
AI 正在改变软件开发，这一点几乎已经成为行业共识，但随着其在工程系统中的深入落地，一个更难回答的问题开始逐渐浮现：
AI 到底是在降低软件复杂性，还是在以另一种形式重新制造复杂性？
从个体开发者的视角来看，答案似乎并不复杂。代码生成能力显著降低了实现门槛，知识检索与问题定位的效率大幅提升，而原型构建的成本则被压缩到了前所未有的水平。在这样的体验之下，将 AI 视为“复杂性削减器”几乎是一个直觉性的结论。
然而，一旦观察范围从“写代码”扩展到“构建系统”，这种直觉很快会遭遇现实的反例：代码生产效率的提升，并没有同步降低系统的理解成本，反而在许多情况下，使系统在行为层面逐渐呈现出一种“可观察但不可稳定复现”的特征，从而显著提高了调试与验证的难度。
这种表面上的矛盾，其实并非 AI 时代独有，而是软件工程发展过程中反复出现的一种结构性现象。
复杂性的结构：被消灭的，和无法消灭的
在《The Mythical Man-Month》中，Frederick P. Brooks Jr.曾对软件复杂性做出过一个至今仍然有效的划分：本质复杂性（Essential Complexity）与偶然复杂性（Accidental Complexity）。
所谓偶然复杂性，本质上来自技术实现层面的限制，例如早期编程需要显式处理内存、硬件差异以及大量底层细节；而软件工程过去数十年的进步，无论是高级语言、自动化工具，还是容器化与云基础设施，其核心贡献都可以理解为对这类复杂性的持续压缩。
但与之对应的，本质复杂性却几乎不受这些进步的影响，因为它直接来源于系统所要表达的问题本身——业务规则、交互关系以及系统之间的耦合结构，这些复杂性并不会因为工具的改进而消失。
换句话说，软件工程可以不断让“写代码”变得更容易，但却很难让“系统本身”变得更简单。
AI 的第一重作用：加速偶然复杂性的消失
如果将这一框架应用到 AI，可以很容易理解其带来的第一层变化：它正在以前所未有的速度压缩偶然复杂性。
代码生成、文档理解、接口调用乃至部分设计工作，正在逐渐从“人工完成”转向“人机协作”，而开发者的角色也从直接实现转变为对结果的引导与修正。在这一过程中，大量重复性与模板化的工作被自动化吸收，从而显著降低了进入门槛与初始开发成本。
这也是为什么，在短期体验层面，AI 几乎一致地被感知为一种效率工具，因为它确实让“实现一个功能”变得更容易了。
但问题在于，软件系统的复杂性从来不仅仅存在于“实现”这一层。
AI 的第二重作用：放大系统复杂性
当 AI 从辅助工具演变为系统组成部分时，复杂性的分布开始发生变化，而且这种变化往往是非线性的。
首先出现的是行为不确定性。传统软件系统的核心特征之一，是其行为的可预测性：在给定输入条件下，系统输出可以通过逻辑推导获得，而问题也可以通过调试逐步收敛。但在引入 AI 之后，在这一前提下，系统的部分行为不再属于可完全推导的逻辑空间，而开始进入需要通过统计方式理解的区域，而模型本身的概率性使得相同输入不再保证相同结果，从而直接削弱了系统的可预测性基础。
其次是评估复杂性的上升。确定性系统可以通过测试用例进行验证，而 AI 系统往往需要结合数据集评测、人工判断以及在线反馈机制，这使得“系统是否正确”不再是一个单一维度的问题，而变成一个持续评估的过程。
更深层的变化发生在系统结构层面。AI 很少作为孤立组件存在，它通常需要与检索系统、工具调用机制、数据管道以及业务逻辑形成耦合，从而推动系统架构向多模型、多组件甚至多 Agent 的方向演化。在这一过程中，系统的规模与交互复杂度往往不降反升。
复杂性的迁移：从代码到系统
当上述变化叠加在一起时，可以观察到一个清晰的趋势：
AI 并没有消灭复杂性，而是在改变复杂性的分布位置。
在传统软件系统中，复杂性主要集中在代码实现层，开发者通过代码结构来表达系统逻辑；而在 AI 驱动的系统中，部分复杂性被转移到了模型行为、系统编排以及组件协同之中，从而使“代码本身”不再是唯一的复杂性载体。
这种迁移带来一个直接结果：开发者面对的核心问题，不再只是“如何写出正确的代码”，而是“如何在一个由代码、模型与工具共同构成的系统中维持整体可控性”。
也正是在这一层面上，软件工程问题开始发生重心转移。
软件工程问题的重心变化
如果将软件工程的目标抽象为一句话，其核心并不是“提升编码效率”，而是：
在系统规模持续扩张的前提下，维持系统的可理解性、可预测性与可演化性。
AI 的引入并没有改变这一目标，但却改变了实现路径。一方面，它显著降低了实现成本，从而加速了系统规模的增长；另一方面，它引入的不确定性与结构复杂性，又在不断侵蚀系统的可控性。
结果就是，工程问题不再集中于“写得快不快”，而逐渐转向“系统是否还能被理解”。
当系统中同时存在代码逻辑、模型推理以及多组件协作时，系统行为不再是单一机制的产物，而是多个子系统交互的结果，这使得传统的软件工程方法在某些场景下开始显得不足。
复杂性不会消失，它只会重新分布
从更长的时间尺度来看，技术进步很少真正消灭复杂性，它更常见的作用，是改变复杂性的承载形式。
AI 也不例外。它一方面在快速吞噬代码层面的偶然复杂性，另一方面却在系统结构、行为机制以及协作模式中引入新的复杂性来源，从而使软件系统整体进入一种新的复杂状态。
因此，与其讨论 AI 是否降低了复杂性，不如更准确地说：
AI 正在推动复杂性从“实现问题”转变为“系统问题”，而这一转变的真正含义在于：软件工程所面对的，开始不再是一个可以通过构造与验证来完全收敛的问题空间，而是一个需要在不完全可预测条件下持续管理的复杂系统。
而这意味着，软件工程所面对的核心挑战，并没有因为 AI 的出现而消失，只是被重新定位到了一个更高的抽象层级之上。