技术工作多年，感受过很多“朝为断肠人，夕为东流水”，信息类工作变化很快，各种成功学，管理学里喜欢说拥抱变化，变化就是永恒的不变已为老生常谈。而不变性存在么，一位哲人曾说“聪明人坚持计划，智慧的人坚守原则”。本文将从语言，系统和算法三个方面探讨。
1.语言的范式存在么
第一次接触编程，学习变量，赋值，条件，循环，还有面向对象的继承，封装，多态。很庆幸当时看的是《Head first Java》, 如果淹没在C++的指针的海洋里，估计很早弃坑。多年之后，扩展了Python，Scala，C++，Golang，从语法上殊途同归，在一阶逻辑方面，如果表达一般算法流程，语言的区分并不大。
当年编译原理选修，我更喜欢做应用，就没有选择听听编译原理，实属遗憾。当下的教育环境，实用主义导向，工程技术犹如搭积木，对存在和本质的思考太少，当然没有生存何谈存在。一位大学教授被职称和成果压力，很难给出有深度的选题，一位学生着急工作挣钱，一心只想学习工业界的技术，也不会潜心研究。面试时，我曾问一位同学，你学过scala么？那函数式编程到底是什么？他说我就知道那是函数式编程，在写spark，大数据里用用，跟java没有区别吧。他或许已经感受到语言的范式，但说不清楚。
范式是一种普遍的原则，面向对象重在对复杂业务逻辑的模块化和抽象，其目标是分离和控制，相关逻辑放一起，不相关的不要耦合，让软件的生命力更长久。函数式编程，更多出现在大数据环境里，因为数据量大，就要分布式，函数式编程从原则上避免副作用，解决分布式里竞态关系的一大问题。
有很多著作探讨语言范式的哲学，这是一个有趣的话题，待有钱有闲可以好好研究哈哈
2.系统的迷思
系统是一系列功能的组合，为了完成某种理性的目标，一个系统通常是五个部分，输入，输出，控制，计算和反馈调节。刚开始工作时，总是只关心了输入，输出，控制和计算逻辑，很容易忽略反馈调节部分，因为反馈不在狭义的编程环境内。可能来自人：例如用户反馈，产品迭代需求，老板拍个脑袋，也可能来自对系统进行监控和观察。
围绕反馈的工作，是长尾的，消耗精力的，特别在一些数据挖掘系统中，算法上线要评估，要排查case，要找到系统问题出现在哪儿。以效果为关注点的管理层并不会关心这些评估工具的效率，只在出现阻碍时才随便下个命令让士兵们开发，而如果能有一些预见性，提早规划系统的反馈阶段的事情，后期的运维便会事半功倍。
系统是逐步长大的，从0到1的初创期，很快乐，使命感和成就感很足，就如一种蜜月期，仿佛划破天际的闪亮流星；然而，这颗流星能不能有汇聚效果，变成一个真正的行星或者太阳呢？
接下来便是，发展期，这是考验系统稳定性和扩展性设计是否良好的阶段。通常由于未来的不确定性，很难最开始就设计好，于是，系统的重构和迁移就开始了，通常是少数精英架构师做好设计和框架开发，画一个改进版本的架构图，写一些框架代码，接下来的体力活和很多琐碎的对接和适配工作，下面的士兵承担，并要给出排期和节奏，在什么时候完成，还要兼容老系统的问题。架构师会喜欢给出一个激进的预期，不然老板会觉得你重构咋要这么就，然后士兵们苦不堪言，delay and delay，终于延期1~2个月上线了，架构师去汇报，老板板着脸说符合预期吧，你的新功能做了么？这不刚重构完麻，第二期已经计划中。哈哈，这就是发展时候的拉锯战。
终于，到了成熟期，架构师由于各种会战中挂上了一枚枚勋章，终于军大衣太重穿不上，换上了一身笔挺的西服，加入了精英政治家的行列，去做纵横捭阖的工作。如果这个系统还在，那谁来浇水施肥呢？一些不思进取的老兵们，会根据业务需求，微调系统的功能，做集群迁移，做报警监控，做成本治理，待到边际收益基本为0，边际成本也下降的不能再降，这已饱经风霜的老兵可退休转业，去别的战场继续挖坑。
3.算法的荣耀
算法可分两类，不可微分编程和可微分编程。不可微，就是传统意义上的一阶逻辑，所处理的实体是序列，集合和图，实体间的关系可通过顺序，分支，循环表达，其运行结果是可复现的，确定的，可观测的，底层基础架构，上层信息类应用，喜欢用离散的状态去抽象表达，整体是不可微的，不连续的函数，这样的编程是一种艺术，有艺术就有高手，比如各种竞赛top coder，ACM。当年有幸见到一位业界知名top coder就如看到武林高手一般激动。
早年的计算机系统，靠近底层，对系统的性能，稳定性，可扩展性要求很高，通常在很小的内存或CPU里，要处理很复杂的任务，对抽象能力要求很高，有挑战的地方，就有聪明的大脑。而至今计算机已经发展70多年，互联网也已经快20年，对信息的CRUD，或者说分布式大规模数据处理，都有了标准化的工具和流程。已经很少有人从头去研究分布式算法，一阶逻辑的算法变成是面试里的一种标准思维考察，编程能力的考试。
算法的世界的注意力已经转向可微分编程，也就是以机器学习，深度学习，强化学习为代表的各种技术，他们要解决的是图像，自然语言处理，复杂智能体的感知，推理，规划问题，要创建人工智能。可微分的那个结构，就是神经网络，层峦叠嶂的权重矩阵，人脑已无法理解，但人可以编程如何生成这样的矩阵，借助反向传播，梯度下降算法，这里复杂的点是不确定性和不可观测性。如果只从经验中学习，经验是无法完全覆盖未来的，于是长尾的优化犹如那奥林匹斯山上的西西弗斯。
武林的世界，技术的世界，按技术的复杂度，影响力的价值度，财富累积的效应程度等，是分等级和分圈子的，对高等级金羊毛的追求，不知是福还是祸。