軟體的熵，與我們真正在對抗的東西

Coding 表面上是在寫程式，本質上是在處理軟體工程的問題。而軟體工程的問題有一個容易被忽略的性質：

它隨時間累積，而且是複利式的熵增。

東西用得越久，會越往壞的方向走，變腐敗、變脆弱、變得難以動它。

差別只在於，是五天就壞光光，還是五年才壞光光。

先把兩個關鍵詞講清楚。

熵增與複利

熵增 簡單說就是「東西會自己變亂」。一張桌子、一個房間，你什麼都不做，它只會越來越亂；你從來不需要「努力」去把房間弄亂，但要讓它變整齊，卻一定得花力氣。沒人維護的系統也是這樣，放著不管，它不會原地不動，它會自己往亂的方向滑下去。

複利，則是「變化會疊在變化上面」，這次的產出，會是下次的基礎。我常用一個例子：

每天進步 1% 一年後進步 37 倍；反過來，每天退步 1%，一年後趨近於零。

軟體的好與壞都是這樣滾動的：

好的地基讓下一步更好走，壞的地基讓下一步更難走，差距只會越拉越開。

而所謂持續維運，不管掛的是 SRE 還是 Agile Team 的名字，目的其實都只有一個：讓熵增減速，把產品的壽命拉長。

由此看，軟體只服務兩件事。一是滿足商業需求，把價值交付出去；二是維持產品長久營運的管理工作。這兩件事，其實對應著生意的兩端：

增加功能，是為了把客戶帶進來；維護系統，是為了把客戶留下來。

帶進來，靠的是不斷交付新價值；留下來，靠的是系統夠穩、夠可靠、出錯夠少。不管是人寫 code 還是 vibe coding，做的都是這兩件。做得好，熵增慢，產品活得久、也更有韌性；做得差，熵增快，錯誤、故障、可靠性下滑接踵而來，客戶也就一個一個流失。

但我想把這個框架往下挖三層，因為挖完之後，它會更準，也更能解釋我們每天的處境。

第一層：熵是不對稱的

複利這個比喻很容易讓人以為衰敗是 對稱的：

原本是問題就越來越嚴重，原本是好的就越來越好。

但這恰好是熱力學第二定律不允許的對稱。第二定律的全部重點，就在它的 不對稱性 ：

失序是 自發的，秩序卻要 持續灌能量 進去才維持得住。

回到那張會自己變亂的桌子。桌子會自己亂，但永遠不會自己變整齊，這就是我說的 不對稱性。

所以「壞的越來越壞」和「好的越來越好」並不是同一種現象。壞的那一邊，有一部分是自動發生的 (環境在變、依賴在腐、耦合在長)，再疊上一層人為的惡性循環：

爛地基讓人不想投資，而投資的成本又更高。

好的那一邊則沒有任何「自動」的成分。好的程式碼不會自己變好，它是因為好地基讓投資變便宜、回報變高，於是人「選擇」持續投入，才形成良性循環。

換句話說，這裡其實藏了兩個比喻：熵是自發、單向的；複利是雙向、會放大的。複利那一層是對的，良性與惡性循環都會被放大；但熵那一層提醒我們：

好的方向永遠是逆水行舟。一旦手鬆了，它就會漂回壞的那一邊。

這個不對稱本身，就是維運為什麼這麼昂貴的根本理由。

下圖是我把這段想法，丟給 ChatGPT 整理的概念：

第二層：腐敗來自內在與外在的落差

這裡要追問一個看似矛盾的問題：

一份 code 原封不動放著，字元一個都沒改，它為什麼會「壞」？

關鍵在於，要把系統拆成兩半來看。

一半是 內在，也就是程式碼本身；另一半是 外在，是它賴以運行的 環境：作業系統、函式庫、硬體、需求，以及維護它的那群人、使用他的那群人。腐敗幾乎從來不是內在自己變壞，因為內在根本沒變。腐敗是內在的「不變」，撞上了外在的「一直在變」，兩者之間的落差越裂越大。

OS 升級了、依賴改版了、需求漂移了、團隊換了一輪人，而你的程式碼還停在原地。它不是生鏽，它是跟世界脫節。這概念就像在外地打拼的遊子回鄉的感概：

景物依舊，人事全飛。

舉個生活一點的例子。三十年前的遊戲卡夾，插進當年的主機，今天還是跑得好好的，因為內在 (卡夾) 和外在 (主機、電視) 一起被凍結了，落差不大。可是同的遊戲卡夾，你想插進現在的遊戲主機，用現在的電視、或用模擬器跑，麻煩立刻冒出來：不是遊戲壞了，是它的外在世界整個換掉了。

只有那種放在真實世界、被迫跟著外在一起變的系統，才受「複雜度持續上升」這條律支配；而被封進一個凍結環境裡的系統，並不會。

這個角度的價值在於，它改寫了「維運」的定義：

維運 / SRE 真正在做的，不是替程式碼除鏽，而是去追一個一直在移動的標靶。

底下由 ChatGPT 產生本段摘要：

第三層：當生產變便宜，價值會被逼到哪裡？

回到那兩件事：

  • 第一件：交付價值，對應的是本質複雜度
  • 第二件：對抗腐敗，對應的是意外複雜度

我甚至會更想把它們講成「同一個目的的兩個時態」：

把價值交付到現在，以及，保留未來繼續交付的能力。

這樣講能直接看見兩者的張力：

「趕快出貨」與「可維護」之間的拉扯，正是 技術債的本體。

理解了這層，vibe coding 真正改變了什麼就清楚了：

它讓「生產」這件事變便宜，卻一點都沒讓「腐敗管理」變便宜，甚至更貴。

因為你現在會用超過自己理解速度的速度，囤積一堆看不懂的 code，而「看不懂」本身，就是最毒的一種技術債：

你連債在哪裡都評估不了。

所以 AI 不是讓工程認知變得不重要，恰恰相反，它把價值整個逼到了 認知 這一端。

寫得出來，不再是門檻；看得懂、判斷得對、掌得住熵的方向，才是。

不管是人寫 code，還是 vibe coding，最終都回到同一件事：對軟體工程與產品本身的認知能力。差別只是，當機器接手了「寫」這個動作，這份認知就不再是其中一項能力，而是唯一還算數的那一項。

底下由 ChatGPT 產生本段摘要：

結語：先看懂本質，才騎得動這頭巨獸

不管你寫了十年 code，還是剛在學校翻開第一本 CS 課本，這段話對你是同一句。

AI 不改變規則，它只放大規則。

回到 複利：

AI 是乘數，不是加數。

判斷清楚，它放大你的好；腦袋一團糊，它連你的亂一起放大，而且更快。以前是五天壞光、五年壞光，現在是五小時壞光。加速的從來不只是生產，還有腐敗。

對已經在線上的工程師：

別把 AI 當成可以外包掉「理解」的地方。

你越懂熵、越懂內在與外在的落差、越懂技術債怎麼長出來，指令就越準，眼睛就越利。

AI 放大你的本質。它不會替你長出本質。

對正在學的人，我要更直接：別以為 AI 會寫了，底層就能跳過。

你跳過的每一塊基本功，最後都會變成你看不懂、也評估不了的技術債。而它，會用複利討回來。

「寫得出來」已經不值錢了。值錢的是「看得懂、判斷得對」，而這一端，沒有任何捷徑能抄。

我寫這段文字的時候，不是只是說說，而是已經身體力行一段時間。這個 Blog 上很多文章，其實都是同一件事的不同切面：往下挖，挖到本質為止。我 自幹了一套作業系統，包含 Timer、Task and Scheduler、Context Switch、Networking 一個一個拆開重寫，就是想搞懂：當你以為程式「只是在跑」的時候，底下那層 外在 到底發生了什麼。我 用 Mini PC 實測 Throughput / RPS / C10K，是因為我不想再聽信任何沒被自己量過的效能數字。我 純手工寫了一個 Java 2D RPG、把有限狀態機 (FSM)、API First 開發策略、SaaS 關鍵設計 - Multi-Tenancy 拆到骨子裡，都是同一個固執：

不靠抽象層替我理解，我要自己看到底層怎麼動。

而有趣的是，這裡面有好幾篇，是我最近「騎著巨獸」學會的。我把 AI 當老師、當顯微鏡、當陪練，結果比過去任何時候都更深入底層。這正是我整篇想說的：

AI 不是讓你離本質更遠的藉口，它可以是你逼近本質的最快路徑。差別只在於，你是用它跳過理解，還是用它加速理解。

AI 是一頭巨獸，力量大得嚇人。但巨獸不挑乘客，牠只忠實地往你指的方向狂奔。看得懂地形的人，騎著牠跑得又遠又穩；看不懂的人，只是被牠載著，更快地衝下懸崖。

而最危險的，是第三種人：

以為自己在駕馭，其實只是抓著韁繩往下墜。

別當第三種人 …

先看得懂，才騎得動。

Comments

▲ TOP ▲