MIT历史学者林德奎斯特研究早期AI工程师为何刻意在算法中注入随机性以模拟人类创造力。他指出这种随机性正是当今大模型产生“幻觉”的源头，创造力与可预测性之间存在必然权衡。早期研究者重视系统偶尔给出意外答案，如今商业系统则压制这种怪异。他提醒，消除幻觉可能付出牺牲创造力的代价。

Jev是TypeSafe AI的决策模型，根据状态文本和问题输出概率、选项分布及期望评分，用于工单分派等场景。文章将其与古代占卜对比：两者表面相似，但Jev提供可校准、可验证的概率，占卜则用模糊叙事制造意义感。核心差异在于Jev摊开随机性，占卜隐藏随机性，而人类往往更渴望叙事闭合而非精确概率。

Go 1.27引入了UUIDv7，但在浏览器环境中生成的UUID存在规律性问题，导致随机性丧失。由于浏览器安全策略，Go无法获取高精度时间，UUID的随机部分变为固定值“7000”，这可能在高并发情况下引发碰撞风险。Go团队正在探索解决方案以确保UUID的安全性和有效性。

大模型生成文本时，通过预测下一个词元输出，使用Temperature、Top-p和Top-k参数控制输出的随机性和创造性。Temperature调节概率分布的尖锐程度，Top-k和Top-p限制候选词元的数量和概率密度。这些方法旨在提高生成内容的多样性和创造性，但模型仍基于概率随机选择，缺乏真正的创造过程。

随机性是游戏重玩价值的关键，但计算机生成的是伪随机。程序化生成需要平滑的随机性，即噪声。常见的噪声类型有白噪声、柏林噪声和分形噪声。柏林噪声适合地形生成，因为相近输入产生相近输出；分形噪声通过叠加不同频率的噪声，模拟自然景观。

塔勒布“不确定性系列”以随机性为核心，指出成功多靠运气，须警惕幸存者偏差；黑天鹅事件稀少却影响巨大，世界更接近极端斯坦。应对之道是培养反脆弱、采用杠铃策略、坚持风险共担与对称性“银律”。作者认同其视角，但批评他忽视概率、过度贬低专家，主张中庸。

Spotify改进了Shuffle功能，推出“更少重复”模式，以提升歌曲多样性和新鲜感。该模式通过生成多个随机序列并根据用户播放历史评分，选择新鲜度最高的序列，减少重复歌曲。标准Shuffle仍保持纯随机，适合喜欢经典体验的用户。

开发者在制作代理AI应用时应重视文档编写，以便AI理解工具的使用时机和原因。通过编写MCP工具，开发者可以提升游戏体验，增加随机性，打破可预测性。良好的文档不仅描述工具功能，还指导AI何时和为何使用工具，从而提升整体效果。

Oasis Sapphire通过可信执行环境（TEE）为区块链提供安全的随机数生成，解决了传统方法的脆弱性。合约可直接请求随机数，确保安全性和可验证性，适用于NFT铸造、链上游戏和DAO投票等场景，保护隐私且无需依赖中心化预言机。

量子计算开启了新的计算时代，Qiskit使学习变得简单。通过量子抛硬币实验，用户可以理解叠加和随机性等基本概念。这项技术将推动药物发现、网络安全和优化等领域的变革。

PD-PPO是一种新型强化学习方法，适用于随机变量环境。它结合双重评论网络与PPO架构，能更有效应对不确定性，尤其在高随机性环境中优于传统方法。