技术小黑屋
·
幂等性的劣化：从数学确定性到 AI 不确定性
内容提要
计算机科学正经历从数学的确定性到编程的灵活性，再到AI的不确定性的发展。为了增强表达力，我们牺牲了可控性，导致结果变得不稳定。尽管函数式编程努力保持纯粹性，但面向对象编程和AI的引入使状态管理变得复杂，最终使不确定性成为常态。
关键要点
-
计算机科学经历了从数学的确定性到编程的灵活性，再到AI的不确定性的发展。
-
幂等性在数学中达到完美，但在编程中受到物理计算机限制的影响。
-
编程中的纯函数面临浮点数精度、计算资源限制、I/O不可避免和时间依赖等妥协。
-
函数式编程努力保持纯度，但实际应用中纯函数的比例在减少。
-
面向对象编程引入了状态管理，使得幂等性崩溃，状态无处不在。
-
设计模式的出现是为了应对状态泛滥，但实际上承认了幂等性的放弃。
-
多线程和异步编程进一步加剧了状态问题的复杂性。
-
AI时代带来了根本的不确定性，即使是相同的输入也可能产生不同的输出。
-
AI模型的输出依赖于上下文和时间，导致结果的变化。
-
Prompt工程试图通过详细约束提高AI输出的质量，但仍然无法完全控制不确定性。
-
AI的不确定性是本质性的，表现为概率性而非确定性。
-
我们接受幂等性的劣化是为了获得更强的表达力和灵活性。
-
在AI时代，测试的重点转向行为的正确性，而非代码的一致性。
-
实践中需要分层保证确定性，接受多样性，并建立反馈循环以优化决策。
延伸问答
幂等性在数学和编程中的区别是什么？
在数学中，幂等性是绝对确定的，相同输入总是产生相同输出；而在编程中，由于浮点数精度和外部状态的影响，幂等性受到限制。
为什么面向对象编程会导致幂等性崩溃？
面向对象编程引入了状态管理，使得对象的内部状态影响方法的输出，导致相同方法调用产生不同结果，从而破坏了幂等性。
AI时代的输出不确定性是如何产生的？
AI的输出不确定性源于模型的概率性，即使相同的输入也可能产生不同的输出，且结果依赖于上下文和时间。
如何通过Prompt工程提高AI输出的质量？
Prompt工程通过详细约束输入，试图引导AI生成更高质量的输出，但仍无法完全控制不确定性。
在AI时代，测试的重点应该放在哪里？
在AI时代，测试的重点转向行为的正确性，而非代码的一致性，以适应AI输出的多样性和不确定性。
接受幂等性劣化的原因是什么？
我们接受幂等性的劣化是为了获得更强的表达力和灵活性，能够处理更复杂的系统和需求。
