有一本书，流传甚广，常被引用，却鲜少被认真阅读，更少被真正遵循。
这本书便是问世已五十余年，被尊为软件工程“圣经”的——《人月神话》。
这本书的作者弗雷德里克·布鲁克斯，在撰写此书之前，是 IBM System/360 操作系统项目的开发经理。
System/360 是 IBM 的一场惊天豪赌，总投资高达 50亿美元（相当于今天的约400亿美元），几乎押上了全部身家。如果这次失败，IBM 很可能就此一蹶不振。
System/360 的目标在今天听来仍颇具野心：用同一套架构覆盖从小型机到大型机的全系列产品，所有机器都运行同一套软件，构建同一套操作系统 OS/360。
项目始于1961年，IBM 动用了数万名员工参与设计、制造、测试与支持。在那个“软件工程”概念尚不明确的年代，两千多名程序员硬是写下了上百万行代码。
不出所料，项目陷入了严重混乱，复杂度被严重低估，需求频繁变更，进度一拖再拖。布鲁克斯后来用一个生动的比喻描述了这种困境：软件开发就像“焦油坑”，表面平静，但一旦陷入，越是挣扎，陷得越深，难以脱身。
这段经历直接催生了后来闻名遐迩的 布鲁克斯定律：
“向已经延误的软件项目增加人手，只会使项目更加延误。”
—— Brooks’s Law
项目结束后，布鲁克斯深刻地认识到：软件开发的失败，往往不是因为程序员不够努力。真正的问题根植于管理方式、沟通结构和复杂系统设计的深层矛盾。于是，他将IBM踩过的坑、总结的经验，浓缩成了这本影响深远的著作《人月神话》，这无疑是软件工程领域一份宝贵的财富。
半世纪前的洞见，如何预见今天的AI编程？
那么，这本写于半个世纪前的《人月神话》，与今天火热的AI编程究竟有何关联？
它的核心贡献之一，是提出了两个区分软件开发复杂性的关键概念：本质复杂性和偶然复杂性。
1. 本质复杂性
这是与问题本身固有属性直接相关的复杂性，无法通过更换工具或方法彻底消除。它设定了软件系统在特定领域的“难度下限”。
例如，设计一个操作系统内核，你需要管理内存、调度进程、驱动设备，这些子问题相互纠缠、彼此制约。又比如航空航天控制系统，它必须处理极高的实时性要求、融合多路传感器数据、并严格遵循复杂的安全约束。这些挑战是问题本身带来的，是必须直面的核心。
2. 偶然复杂性
这种复杂性并非来自问题本身，而是源于工具、方法或开发环境自身的局限和不便。幸运的是，它可以通过更好的工具、更优的语言、更高效的框架或更合理的方法来大幅减轻甚至消除。
回想早期用汇编语言编程的时代，开发者需要手动管理寄存器、内存地址，开发过程极其繁琐且效率低下。当 Fortran、COBOL 等高级编程语言出现后，开发效率便实现了质的飞跃。高级语言所做的，正是消除了大量的“偶然复杂性”。
简而言之：
本质复杂性 = 你必须解决的真正问题
偶然复杂性 = 你可以通过改进方法而绕开的麻烦
那么，AI编程扮演了什么角色？显然，它正在以前所未有的力度，帮助开发者消除那些枯燥、重复、但又不得不做的“偶然复杂性”。无论是理解现有代码库、生成新代码、编写测试用例还是进行调试，AI 工具都展现了强大的辅助能力。
但一个更根本的问题随之而来：大模型能解决“本质复杂性”吗？
答案是：至少目前还不能。那些最顶尖的人类工程师都深感棘手的根本性架构难题，AI 仅凭自己还远远无法攻克。最近一些尝试让 AI 直接编写浏览器或编译器的项目频繁“翻车”，就是明证。再先进的 AI，也无法让一个本质复杂的问题本身变得简单。在复杂的、需要深度领域知识和创造性决策的场景中，脱离了人类的指导，AI 常常会“迷失方向”。
然而，AI 的价值恰恰在于：它能极大地减轻人类在处理本质复杂性时，所承受的那些繁琐、低层次的认知负担，从而让人能将更多精力聚焦于核心决策。
例如，当你要设计一个“分布式数据库的一致性协议”时，AI 可以帮你快速生成多种算法实现的示意图、代码草稿，并辅助检查潜在的死锁风险。最终的设计方案仍需你来拍板，但过程中大量的低级推演和文档工作已被分担。
再比如，面对一个庞大而复杂的遗留系统重构任务，其中涉及的业务逻辑、部门依赖、数据迁移风险都是“本质复杂性”。AI 虽然不能替你做出重构决策，但它可以自动梳理出代码依赖图谱、高亮风险模块，并为你生成配套的回归测试用例，极大地提升了你的分析效率和决策质量。
复杂性永不消亡，只会转移和升级
AI 编程固然强大，但它很可能正沿着前辈们（如高级编程语言、集成开发环境、各种自动化工具）走过的同一条路径演进：
工具变强 → 偶然复杂性被削弱 → 软件系统变得更大更复杂 → 本质复杂性更强
原因很简单：当实现成本大幅下降，人类不会满足于停留在原有的复杂度水平上。产品经理会要求更多功能，市场会寻求更精细的差异化，客户会提出更个性化的定制需求，企业则会尝试更广泛的系统整合……
这一切，都将推动软件系统的功能数量、模块耦合度、交互路径和状态空间呈指数级增长，从而导致系统整体的“本质复杂性”迅猛攀升。
几十年前，一个程序员用汇编语言可能只能写出一个简单的控制程序。今天，使用 Java 或 Python，一个团队可以轻松构建起复杂的微服务架构。
用汇编编写的 OS/360，百万行代码已是当时的巅峰。而如今，Linux 内核代码量超过3000万行，Windows 10 超过5000万行，Chrome 浏览器也在3000万行级别。现代云计算平台的代码总量，更是达到了数亿行，构成了一个真正的“代码宇宙”。
现在，AI 编程来了，代码的生成成本正被压缩至近乎于零。我们不禁要问，当编程的生产力再次被极大解放后，未来的软件系统将会演化成怎样难以想象的庞然大物和复杂形态？这既是机遇，也是摆在每一位AI编程实践者面前的全新挑战。
发表于 昨天 02:32
|
查看: 5|
回复: 0
