实际上今天上一节代码课的时候，老师把那段经典的随机数生成逻辑展示在我的屏幕上了。
那是用线性同余法，一个接一个地站在一个循环里转着。我盯着那些数字跳来跳去，心里莫名有点慌，感觉整个人都僵了一下。
后来我才反应过来，这哪儿是写程序，分明是在拿一个庞大的转盘，疯狂地往四周送风。 刚启动我还在琢磨，为啥有些算法看起来那么“流”畅，后面转一圈突然就卡住了，那是内存没对齐还是有啥隐藏的陷阱？后来我随意扒拉了一堆代码，发现大量时候不是卡住了，而是根本转不动。就像开车，车灯亮着，方向盘也稳，可就是去不了想要的地方。直到我回去翻翻网上的文章，才发现原来这是个老难题了，叫做“确定性伪随机数”。你给算法一个初始值，它就没有了选择，只能沿着那条唯一的轨道走。
这就是为啥在写游戏、生成验证码要么做风控模型的时候，要是没加一点“随机种子”，结局总会变得有点……如何说呢，有点像按了同一个快捷键。 我原本当作只要把参数调调，总能甩开这个魔咒，结局试了一整天都没用。
那天晚上我把自己关在电脑前，盯着那条循环，脑子里全是问号。我突然意识到，我们日常用的那些手机 APP，明明体验那么丝滑，为啥一旦深入底层，就会变得如此“死板”？
难道我们一直在用“智慧”的方式，却输给了“随机”的本质？后来我才明白，真正的随机不是数学上完美的均匀分布，而是一种充满“不确定性”的混沌。就像打麻将，牌面看似是两组静态的牌，但组合出来的分值却是千变万化的。我们试图去预测，去模拟，但这恰恰是它们最悬的弱点。 回家之后，我拍板给自己做个实验。我拿了一个真正的随机数库，故意在管住台输出几千次数据，然后一Ballpark 了一下，发现前一千次里竟然有 9% 的概率连续出现三个相同的数字。
这简直就是“撞车”现场。
那会儿写代码总认定运气好点就万事大吉，目前一看，原来运气这东西，有时候就是由纯粹的“垃圾”堆出来的。 这让我想到最近做的那次产品调研。我们为了优化用户留存率，把一些看似冰冷的算法模型包装成了“智能推荐”，结局用户反馈越看越顺眼，最终发现实际上只是用户习惯被系统“顺势而为”了。我们当作自己在引导，实际上是我们在赌。赌模型够牛，赌算法够准，赌用户没发现。可有趣的是，当你把算法切得充足细，把随机性引入进来，用户反而认定有些“毛躁”，反而更真。就像菜市场，忒规整划一了，反而不敢买。 后来我试着在几段核心业务代码里，加了一些看起来挺花哨的随机因子，哪怕只是调整一下哈希函数的常数。
那些原本死板的数据流，瞬间活了起来，像是有呼吸一样。
那种感觉，就像那会儿坐地铁进站，大家都排着整规整齐的队，看着挺“有秩序”，但间或会有人突然插队，要么有人提前挤进去，那份“意外”反而成了让人松快的烟火气。 目前的技术环境，越来越依赖 AI 去处理那些复杂、混乱、充满噪点的数据。AI 精通去噪，它能把乱七八糟的数据串成一条线，做出漂亮的报表。但 AI 也少了那种“意外”的直觉。它不知道哪天会下雨，不知道用户今天会不会突然跳出来吐槽。它忒“智慧”了，以至于有时候反而显得有点“假”。我们需求的，或许就是这种带着随机性的迟钝，那种看起来不完美，却真存有的生命感。 回去后我顺手把项目里的几处敏感数据做了处理，让逻辑里又多了一些不可预测的扰动。
看着屏幕上的数字在跳动，心里那块沉甸甸的石头，仿佛确实慢慢落了下来。
原来，真正的可靠，不是从不犯错，而是能在毛病形成的时候，还能稳稳地接住它。就像写代码，最好的状态不是不出错，而是出错的时候，你知道它为啥会错，并且能修好它，而不是假装它没形成过。
这种“知道”和“接纳”，才是最核心的随机。


相关标签：