价值十亿美元的三句话：从“漂移”到“确定性”（Drift to Determinism，DriDe）
人人都在往系统里塞更多 AI，但我主张从另一个方向开始：把系统设计成逐步把 AI 写出来（即用可确定的代码/工具替代 AI 的非确定性部分），直到只在真正需要判断或创造力时才调用模型。把这个理念称为Drift to Determinism（DriDe）——目标是“让 AI 自我过时”。
什么是 DriDe？
简单一句话：用 AI 处理新问题、找到可重复的步骤，然后把这些重复步骤结晶成可调用的工具或代码。下次遇到类似问题时，优先用这些工具而不是再一次让模型从头试错。长远目标是把耗费 token、结果不稳定的流程逐渐替换为低成本、可预测的自动化。
一个实用的流程（步骤化）
给 AI 一个“新”的任务，让它先把问题解决一次（允许它烧 token）。
在流程末端放一个“观察者”——检查哪些步骤其实是可以用确定性逻辑完成的。
为这些可重复部分开发工具/函数。
下一次遇到类似任务：把工具作为输入提供给 AI，或者直接用工具替代模型。
如果工具可以串联，就把它们组合成更大流程。
反复进行，直到把尽可能多的环节“写出”AI。
对于偶发或复杂边界情况，保留模型回退；并用 shadow runs（影子运行）验证改进是否稳健。
这样，曾经需要 $50 一次、成功率 50% 的非确定性流程，可能演化为用几分钱调用模型做分类，再用代码快速执行余下步骤的高可用系统。
为什么这很重要（结晶化）
每次调用 LLM 都是一次概率性的输出——非确定性注定存在。把可预测、可复用的部分“结晶化”成 deterministic 的组件，能大幅降低错误率、成本与法律/合规风险。AI 最理想的角色，是发现流程、指出可优化点并帮你设计工具，而不是永远替代工程化的解决方案。
听起来很费事？
是的，但这是长期投资。当前的能力差距在于：模型能指出优化方向，但仍需要人来判断哪些部分值得固化、如何划分函数边界、何时保持模型判断。把这种“判定与改写”的循环做成常规工作流，会让系统越跑越稳、越跑越省钱。
我对未来的预测
在 2–5 年内，你会看到这样的场景：
你对业务提出一个新需求（例如自动对账），AI 生成一个工作流建议并在测试模式下运行；你作为审查者修正边界与误判并推动影子运行；系统把可重复的解析、匹配部分用代码实现，仅在触发异常或罕见格式时才唤起模型。结果是一个以 deterministic 为主、只在关键点使用 LLM 的高可靠自动化系统。
我如何看待 LLM（衡量风险）
把每个 token 看作一个潜在故障点。即使模型准确率很高，在大量重复执行时累积错误会把“看似安全”的系统摧毁（举例：0.99999^10000 ≈ 90%——长期大量通过模型的流程可靠性会下降到灾难性水平）。因此，把 LLM 的目标从“完成任务”改成“让自己可被替代/写出”，是更可持续的做法。
结语：建“幻觉工厂”还是“确定性引擎”？
你可以继续构建一个“烧 token、结果不稳定”的系统，也可以把 DriDe 作为设计原则：用 AI 发现并解决新问题，用工程把解法固化为工具，逐步把 AI 从日常流程中抽离出来。坚持这个方向，能显著降低成本、提高确定性，并在竞争中取得优势。现在就开始把 AI 用作“临时试验台”，而不是永远的执行者。