在理论计算机科学中，有一个令人绝望的定理叫 Rice’s Theorem（莱斯定理）。
它告诉我们一件看似反直觉、却极其严肃的事实：
任何关于程序“行为”的非平凡性质，都无法通过静态分析被完美判定。
换句话说——
如果你想在程序运行之前，通过检查代码、分析结构、甚至借助再强的工具，来百分之百确定它“会不会做坏事”，
在数学意义上，这是不可判定的。
1. 为什么“预测程序行为”在理论上行不通
Rice’s Theorem 并不是一个工程结论，而是一个编程语言理论层面的定理。
它不关心你的程序是 Python、C++ 还是汇编；
也不关心你是否使用了最先进的分析工具。
它只断言一件事：
只要一个程序的行为不是“恒真”或“恒假”，
那么判断它的行为，本身就是一个不可判定问题。
这意味着：
- “这个程序会不会删除文件？”
- “这个程序会不会发送网络请求？”
- “这个程序会不会进入死循环？”
这些问题，在一般意义上，都不存在一个完美的静态解法。
这并不是工程能力不足，
而是计算机科学对我们施加的硬性上限。
2. 副作用（Side Effects）：不可预测性的根源
在编程语言理论中，这种不可预测性通常被归结为一个概念：
Side Effects（副作用）
一个程序如果只是把输入映射为输出（像数学函数一样），
那么它的行为是可推理、可组合、可预测的。
但现实世界中的程序几乎从不如此“纯净”。
以下行为，全部属于副作用：
- 写入文件
- 修改数据库
- 发送网络请求
- 修改全局变量
- 创建 / 删除进程
- 打印日志（是的，打印日志也是副作用）
一旦副作用出现，程序就不再是一个“表达式”，而是一个“事件序列”。
一个具象化的反例
import os, random
if random.randint(0, 1) == 1:
os.remove("data.txt")
通过静态分析，我们最多只能得出一个结论：
“这段代码可能会删除文件。”
但我们无法在运行前判断：
- 这一次执行会不会真的删除？
- 删除是否依赖随机数或外部状态？
更极端的情况是：
eval(input())
此时，程序的真实行为完全取决于运行时输入。
无论静态分析工具多么复杂，都无法覆盖所有可能性。
3. 一个恰当的类比：计算机科学里的“海森堡原理”
在量子力学中，海森堡不确定性原理揭示了一件事：
观测行为本身，会改变被观测对象的状态。
在有副作用的程序中，也存在一个高度相似的现象：
执行行为本身，会改变系统状态。
- 在代码被执行之前，它只是文本
- 一旦执行，它就开始改变世界状态
- 状态一旦改变，就无法回到“未执行”的原点
4. 函数式编程的态度：承认不确定性
函数式编程语言（如 Haskell）并不幻想消灭副作用，而是选择：
把副作用显式化、隔离化、类型化。
例如：
- Referential Transparency
- IO Monad
- 类型系统强制标注副作用
这并没有消灭副作用，但避免了“隐形副作用”。
5. 工程现实：动态语言中的失控半径
在 Python 等动态语言中：
- 程序可以同时访问文件系统和网络
- 几乎没有默认的权限提示
- 执行能力被完全交给了代码本身
这使得执行的爆炸半径被无意中放大。
6. 边界控制：工程上的现实答案
既然预测存在理论上限，工程系统真正能做的，往往不是更聪明的预测，而是：
限制副作用一旦发生时的影响范围。
这正是：
- Least Privilege
- Capability-based Security
- Bulkhead Pattern
等工程思想的核心。
7. 一个工程实验：FailCore
基于上述思考，我进行了一个工程实验，尝试在运行时而非运行前，对即将发生的副作用进行判断。
这个实验性项目被我称为 FailCore。
它并不是为了解决 Rice’s Theorem，而是承认它的存在，并在工程上绕开它的限制，作为一次围绕“执行边界”问题的工程化探索。
写在最后
计算机科学中，有些问题并不是尚未解决，而是被证明无法彻底解决。
副作用的不可预测性，就是其中之一。
真正成熟的系统，往往不是更聪明，而是更克制。
