夜雨聆风
作者| 奥远·胡剑锋
著作 | 《创业兵法13篇》《微生态·新中台》
2023年以来，AI大模型浪潮几乎席卷了所有行业。
AI源于软件，但最值得玩味的碰撞，恰恰发生在AI与传统软件领域的相遇。有人说，软件天才们创造了AI，用以淘汰其他的同行。
虽然是笑话，却值得深思。
当AI生成能力被嵌入ERP、CRM、办公套件中，麻烦出现了：用确定性逻辑构建的软件大厦，能否容纳不确定性的AI内核？
软件的核心是“输入-处理-输出”的确定性链条。在Excel里输入公式，必然得到唯一的计算结果；你在OA系统里发起审批，必然沿着预设的流程流转；哪怕是最复杂的工业软件，其背后的逻辑也逃不开“if/else”的精准判断。
这种确定性，是软件工程的基石，也是软件可以被信任软件的前提。
但AI大模型的出现，彻底打破了这种默契。
用确定性驯服复杂世界
传统软件的本质，是用确定性的逻辑模拟和解决现实世界的问题。
从早期的汇编语言到如今的高级编程语言，从单机软件到分布式系统，无论技术如何迭代，“确定性”始终是其不变的内核。
这种确定性首先体现在“输入输出的唯一性”。
对于传统软件而言，任何一个明确的输入，必然对应一个明确的输出。就像数学公式一样，1+1在任何计算软件里都只会得到2，绝不会出现3或者2.1的结果。
只有这种唯一性，才能让软件胜任精度要求极高的工作，比如金融交易中的资金核算、航天工程中的轨道计算、医疗设备中的数据监测。
更重要的是，传统软件的“过程逻辑透明可见”。
一个软件的运行过程，就是一系列预设逻辑的逐步执行。程序员通过编写代码，将现实问题拆解成无数个“如果这样，就那样”的判断，再将这些判断组合成完整的流程。
无论是简单的计算器软件，还是复杂的操作系统，其背后的逻辑链条都是可追溯、可验证、可修改的。有了透明性，软件才可维护和可优化，也让用户能够理解软件的行为边界。
说到底，传统软件是人类用理性思维驯服复杂世界的工具。
不确定性瓦解底层逻辑
AI大模型的出现，戳中了传统软件的命门。
与传统软件“输入-输出”的唯一对应关系不同，AI大模型的输出具有天然的“概率性”和“模糊性”。
同样的问题，在不同的语境、不同的参数设置下，会得到不同的答案；甚至在相同的条件下，也可能出现微小的差异。这种“不确定性”，正是AI能够处理复杂、模糊问题的优势所在，却让传统软件行业从业者感到不安。
最典型的例子，就是AI在办公软件中的应用。当AI写作功能嵌入后，你输入一个简单的标题，它会生成几段风格迥异的文本；你让它修改一段文字，它可能会给出“更简洁”“更生动”“更正式”等多种优化方向，而这些方向之间并没有绝对的“正确”与“错误”之分。
这种输出的多样性，打破了传统软件“唯一正确答案”的认知。
更关键的是，AI的“黑箱特性”让其过程逻辑变得不可追溯。
传统软件的每一个结果，都能在代码中找到对应的逻辑支撑；但AI大模型的输出，是其通过海量数据训练形成的结果，哪怕是开发者也无法解释输出是如何产生。
这种“不可解释性”，让AI与传统软件的“透明性”要求形成了尖锐的对立。
接受AI必先接受不准确
这一年多来，从政府到企业都在大规模推动AI应用场景落地。
除了中美竞争、提升效率之外，也希望通过AI实现更智能的数据分析、更高效的流程自动化、更个性化的用户服务。这种需求的背后，是对“确定性软件”局限性的不满，因为现实世界中的大多数问题，都是模糊的、复杂的、充满不确定性。
AI的“不确定性”，恰恰是解决这些问题的关键。
但将AI引入传统软件领域时，首先要面对的一个现实是：AI不准确。
AI无法像传统软件那样给出100%确定的结果，其价值不在于“精准无误”，而在于“在模糊中寻找最优解”。
很多人为AI的“不准确”焦虑，本质上是将传统软件的评价标准套用到了AI身上。
在传统软件的逻辑里，“不准确”就意味着“错误”，意味着“不可用”。但在AI的逻辑里，“不准确”往往是“可能性”的体现。
比如，AI在分析市场数据时，可能会给出多个预测结果，并标注每个结果的概率；在辅助医生诊断时，可能会列出几种可能的病症，并说明每种病症的匹配度。这些“不准确”的结果，并非错误，而是对复杂现实的更全面的呈现。
事实上，“绝对准确”的软件，本身就是一种理想化的假设，是放弃了可能性的结果。
接受AI的“不准确”，本质上是接受现实世界的复杂性。
需求本就模糊怎会准确
反对AI“不准确”的人大概会质问：软件输出不确定，如何开展工作？
但实际上的软件需求，本身就是模糊的、不确定的。传统软件之所以有“准确的需求”，并不是因为需求本身是准确的，而是因为有人将模糊的需求强制转化为准确的、可执行的逻辑。
在传统的软件开发流程中，“需求梳理”是一个核心环节。
产品经理、需求分析师需要与用户反复沟通，将用户口中“大概要这样”“最好能那样”的模糊描述，转化为“功能点1、功能点2、功能点3”的明确需求，再将这些需求拆解为程序员能够理解的“逻辑规则”。
这个过程是对模糊需求的“强制确定化”。但强制确定化的需求，符合用户需求吗？恐怕未必。
用户说不清楚到底需要什么才正常。需求随着使用场景的变化、认知的深入而不断调整。而调整的耗费巨大，所以才要求需求必须确定。这也是软件项目常常延期、增加预算的根本原因。
传统软件的“准确需求”，其实是“妥协”和“强制定义”。
软件确定性走向叠加态
当AI融入传统软件，标志着软件正在进入“量子时代”。
量子力学中有一个核心概念叫“叠加态”，指的是量子在未被观测时，会同时存在于多种状态之中，只有在观测时，才会坍缩到某一种确定的状态（量子力学太复杂，不多解释，感兴趣问AI）。
AI融入后的软件，恰恰具备了这种“叠加态”的特征。
在用户发出指令之前，软件并不确定会输出什么样的结果；只有当用户发出指令，软件通过AI模型进行运算后，才会从多种可能的结果中“坍缩”到某一种具体的结果。
同样的指令，由于观测（使用）场景的不同，可能坍缩到不同的结果。
软件“量子时代”的核心特征，就是从“确定性逻辑”走向“概率性逻辑”。传统软件的运行逻辑是“非此即彼”的，而AI融入后的软件，运行逻辑是“亦此亦彼”。
底层逻辑的转变，让软件能够处理传统软件无法处理的模糊问题、复杂问题、动态变化的问题。
例如客户服务，传统客服只能根据用户的关键词，自动回复预设的答案；而融入AI后，能够理解用户的自然语言，甚至感知情绪，根据用户的具体需求和沟通语境，生成个性化的回复。
这正是软件“量子时代”的典型体现：包容模糊、适应变化、动态优化。
软件工程需要重新定义
软件进入“量子时代”，最核心的挑战不是技术的融合，而是软件工程范式的重构。
传统的软件工程范式，是建立在“确定性”基础上的，从需求分析、系统设计、编码实现到测试运维，每一个环节都围绕着“确保结果的唯一性和准确性”展开。
而当具有“叠加态”和“概率性”特性时，这套范式就完全失效了。
需求分析的范式不得不重构：精确定义的需求分析需要包容模糊性。需求分析师要学会识别哪些需求是确定的、哪些需求是模糊的，将确定需求转化为传统的功能模块，将模糊的需求交给AI模块处理。
测试验证的范式也需要重构：验证结果的准确性的测试不再适用不确定性结果。未来的软件测试，需要从验证准确性转向验证合理性，通过建立概率性的评价指标，判断软件输出是否符合用户的核心诉求。
运维迭代的范式则必须重构：维持系统的稳定运行将升级为训练和迭代。软件运维不再是修BUG，而是软件的全生命周期管理。软件交付之后，迭代工作才刚刚开始。
AI融入软件，不是简单的技术升级，而是一场深刻的行业革命。
当软件的确定性执念被打破，需求本质、软件价值和软件工程都将被重新审视，软件进入“量子时代”。
对于行业从业者而言，这既是挑战，也是机遇。
放下传统思维定式，学习AI、重构认知体系和能力模型。项目经理需要学会包容需求的模糊性，设计师需要学会与AI协同创作，程序员需要学会编写“确定性+不确定性”的混合架构代码，测试和运维人员需要学会应对AI模型的复杂性。
软件业的变革，这才刚刚开始。
