共计 1318 个字符，预计需要花费 4 分钟才能阅读完成。
在技术飞速演进的浪潮中，人工智能正引领一场深刻的范式变革。Thoughtworks 首席科学家、软件工程领域泰斗马丁·福勒近期指出，AI 带来的非确定性计算，是我们当前面临的核心挑战与机遇。就像机械工程师依赖精确公差确保结构安全，AI 系统也需要一套明确、可接受的操作准则来界定其能力边界。
福勒将人工智能的崛起，类比为编程史上从汇编语言到高级语言的伟大跨越。当年，COBOL、Fortran 等语言将开发者从繁琐的底层操作中解放出来；如今，大型语言模型正带来相似层级的思维转换，为我们提供了前所未有的抽象能力。
计算范式的根本性转变：从确定性到非确定性
然而，LLMs 带来的远不止是另一种抽象工具，它代表了一种全新的计算范式。传统的软件开发基于 确定性计算，遵循严格的二进制逻辑：代码执行的结果要么正确，要么错误，问题可以通过调试精准定位。
与之相对，人工智能驱动的 非确定性计算 则模糊得多。LLM 基于统计推理和概率模型生成答案，这意味着它可能在此时给出一个回应，彼时却给出另一个完全不同的结果。这种内在的不确定性，彻底改变了我们对“计算”本身的认知。
人工智能的实际应用：从快速原型到理解遗留系统
作为一家前沿的技术咨询公司，Thoughtworks 始终关注 AI 技术的成功落地。福勒指出，快速原型构建 是 AI 显而易见的优势领域，特别是随着“氛围编码”的兴起，能显著加速创意验证的流程。
但真正的“杀手级应用”，在于利用 AI理解遗留系统。在 Thoughtworks 最新的《技术雷达》报告中，唯一获得最高“采纳”评级的人工智能技术，正是使用生成式 AI 进行遗留系统现代化改造。
福勒介绍了一套高效流程：先对庞杂的遗留代码库进行语义分析，将结果存入图数据库，再通过 检索增强生成（RAG）技术进行查询，从而清晰地理解应用程序的内在逻辑与依赖关系。“只要你在处理遗留系统，就应该以某种方式借助 LLMs，”他建议道。
应对挑战：建立严谨的 AI 协作与评估机制
尽管 AI 能帮助理解代码，但能否安全地让其修改代码，则是另一回事。福勒强调，在复杂任务中使用 LLMs 时，必须将工作拆解成非常细的“切片”，并对每一部分进行严格的人工审查。
“你得把每个切片都视为一次 拉取请求 ，提交者是一个效率极高但完全不可信的协作者——你不能盲目接受他做的任何改动，”他如此比喻。为了提升与 AI 的交互质量，福勒建议建立更严谨的对话方式，并认为 领域驱动设计（DDD）和 领域特定语言 可能提供可行的路径。
界定 AI 的能力边界：向机械工程学习“公差”思维
福勒还从结构工程中汲取灵感，以评估人工智能的适用边界。正如工程师需要计算材料的安全公差，AI 系统也应附带说明其置信水平的指标。
“我们需要处理的 非确定性公差 是多少？”福勒反问。一旦明确了这一点，开发者就能更清楚地知道何时“不应过于冒险”。为了帮助开发者培养非确定性思维，他推荐了丹尼尔·卡尼曼的经典著作《思考，快与慢》，这本书能有效提升人们对概率与统计的直觉。
在访谈中，福勒以其一贯的清晰逻辑与深刻洞察，探讨了重构、敏捷流程、企业中的 LLMs 应用等诸多话题。对于希望驾驭人工智能非确定性计算挑战的开发者而言，建立系统的评估框架和严谨的协作流程，将是迈向成功的关键一步。
