0 引言
在人类科技发展历程中，计算范式的每一次革新均伴随着软件形态的深刻演进。从大型机时代早期的批处理系统，到个人计算机时代的桌面应用，再到互联网时代的分布式系统和移动互联时代的移动应用，软件始终是驱动社会进步的核心引擎。当前，人类正处于新的技术奇点，即大模型时代的开端。以GPT、Claude、Gemini等为代表的大语言模型，以及涵盖图像、音频等信息的多模态大模型，凭借其千亿乃至万亿级的参数规模、海量训练数据与卓越泛化能力，展现出前所未有的理解、生成、推理及自主学习能力。此类突破性进展正迅速渗透至软件及其生产的各个环节，从根本上改变了软件的定义、生产方式、运行逻辑乃至与用户的交互模式。传统软件以逻辑与代码为核心，开发者通过显式编程定义软件功能；而在以大模型为代表的人工智能时代，数据成为新的核心资产，模型构成新的核心架构，软件开始具备更强的自我学习、自我优化与自适应能力。
因此，深入研究大模型对软件形态演进的影响具有重要的理论和实践价值。这不仅有助于揭示当前技术变革的本质、预测软件产业的未来发展方向，还能帮助软件企业在激烈的市场竞争中探寻新的增长点，并为开发者掌握和适应新型开发范式提供指导。
1 大模型赋能软件形态变革
长期以来，软件始终以运行规则式代码为基础，呈现出固定化形态。然而，近年来以大模型为代表的人工智能技术取得突破性进展，推动软件形态发生快速变革，其核心特征从“规则驱动”向“认知驱动”转变，并围绕架构设计、交互方式、应用模式和开发范式等多个维度逐步演进。
1.1 软件架构的演进
在技术迭代与业务需求复杂化的双重驱动下，软件架构正经历从“人工构建”到“智能涌现”的根本性转变。如图1所示，传统软件架构以代码为核心载体，开发者依托C++、Java等编程语言，通过设计函数、类与模块间的调用关系，构建出单体架构、垂直架构、面向服务架构（Service-Oriented Architecture，SOA）[1]或微服务架构[2]等。在此模式下，软件能力严格受限于预设逻辑，尽管云原生技术[3-4]的兴起提升了其弹性与可扩展性，但其本质仍属“规则驱动”范畴。开发者仍需投入大量精力处理底层技术细节和业务逻辑，架构复杂度也随业务规模扩张而持续攀升。
图1 软件架构演进
智能化时代推动软件架构实现重构，模型取代代码成为新的架构核心[5]。以大模型为“数字大脑”、以智能体为“执行肢体”的架构体系，使软件功能可通过提示词编程实现，代码量显著缩减。开发者角色从“逻辑编写者”转型为“能力调度者”，借助智能体协作框架，将传统架构中的模块调用转化为大模型的能力调度与智能体的自主协同。此类架构具备动态演进特征，基于用户反馈的持续学习使模型和软件能力不断进化，多智能体间的博弈与协作可自发形成复杂功能，最终实现“智能涌现”的质变。
1.2 交互方式的变革
如图2所示，人机交互方式从命令行交互（Command Line Interface，CLI）到图形用户界面交互（Graphical User Interface，GUI）的转变实现了重大突破，当前向自然语言对话交互[6]的演进再次构成阶段性跃迁，未来多模态人机交互形式将进一步提升人与软件的交互效率和准确性。
图2 软件交互方式演进
传统CLI作为人机交互的基础形态，要求用户精确记忆并输入特定命令及参数，技术门槛较高。GUI则通过引入窗口、图标、菜单和指针等图形化元素，大幅降低了用户使用门槛，不仅推动个人计算机的广泛普及，且催化了软件产业的蓬勃发展。当前，大语言模型的崛起正驱动人机交互经历新一轮范式转变，自然语言对话交互逐渐成为新形态软件的主要交互形式。自然语言对话交互融合了CLI在复杂意图表达上的灵活性与GUI在操作层面的易用性，使得用户能够以自然语言对话发起指令、获取信息、确认结果或完成任务，显著提升了交互效率和用户体验的自然度，实现了交互方式的优化升级。
未来，人机交互将以用户意图为中心，进一步向多模态、无感化方向演进，语音、手势、眼动乃至脑机接口等交互形式将日趋成熟，交互入口形态也将发生根本性变革，软件能力的调用将更具情境化特征。
1.3 应用模式的转变
大模型正驱动软件应用模式从流程自动化向认知智能化迁移。传统软件以规则为驱动核心，聚焦于特定数据与预定业务流程的自动化执行，其核心价值在于简化重复性操作。典型场景如企业资源计划（Enterprise Resource Planning，ERP）系统，通过将财务、采购、生产等环节流程化和自动化，可大幅提升各业务执行效率与管理规范性。然而，此类系统依赖于预设规则与明确输入，当需求或条件发生变化时，需通过修改软件代码以适配新场景，导致其灵活性与泛化性受到限制。
随着大模型的语义理解能力、知识推理能力、上下文感知能力逐步增强，“认知驱动”正成为新时代软件的核心竞争力。未来软件将突破预设步骤的局限，能够主动理解用户意图、处理海量异构数据，并根据复杂推理与决策生成，执行和完成用户需求。软件正从自动执行的流程化工具向具备智能决策和执行能力的协作者或操作者跃升。例如，传统智能驾驶系统可能包含数十万行C++代码，而当前基于大模型的智能驾驶系统的代码量可精简约90%[7]，同时通过大模型实现对各类环境的感知、智驾条件的判断和操作的决策等。
1.4 研发范式的变革
软件工程自1968年诞生以来，已经历3次跨越式演进，其研发范式也随之转变[8]。软件工程1.0时代（1968—2001年）以瀑布式交付为核心，构建了严格的研发体系，推动软件工程走上有纪律、有流程的规范化道路，但存在交付周期冗长、需求响应效率低等问题。为突破传统模式的效率瓶颈，敏捷开发推动软件工程进入2.0时代（2001—2022年），通过持续集成（Continuous Integration，CI）和持续交付（Continuous Delivery，CD）实现快速迭代，以适配日益变化的需求[9]。
2022年以来，随着大模型技术的崛起，软件工程逐步迈向3.0智能化时代[10]。大模型为软件研发全生命周期带来重塑性变革，实现了需求理解、代码生成、测试验证、运行维护等全链路的智能化升级，并推动组织结构发生转变。以智能编码为例，其已从最初的局部代码生成，逐步转进为编码智能体，面向编程技术人员实现工程级编码并可解决工程级编码问题，进一步提升了拟人化编程体验。同时，“氛围编程”更易被普通用户接受，可帮助用户仅通过自然语言对话生成应用或软件。“人人都是开发者”的时代近在眼前，软件研发范式正发生根本性变革，未来以大模型为操作系统的软件或应用将实现广泛普及。
1.5 产品形态的重构
大模型正重构从底层操作系统到上层企业级应用乃至个人生产力工具的软件产品形态。操作系统角色正从被动管理硬件资源（中央处理器、内存、存储）的平台，跃升为主动感知用户意图、智能调度资源并按需交付服务的核心中枢。在大模型赋能下，操作系统可直接解析用户模糊化或口语化的需求，并自动拆解、转化为精确的底层资源调度指令，实现了从“指令响应”到“意图驱动”的质变。
数据库变革在于从专注于超大规模数据存储与高效检索的引擎，升级为具备实时计算、复杂推理与智能决策能力的“数据价值引擎”。传统数据库的核心在于结构化查询，而大模型所赋予的多模态数据处理与分析能力，使其从静态的数据仓库跃迁为动态的计算与推理中枢。例如，电商平台数据库可实时分析用户浏览行为特征，结合历史购买记录，主动生成个性化推荐策略。
企业级应用（如ERP、CRM）正经历从执行预设流程与功能操作的工具软件，向深度理解业务、主动洞察价值、辅助甚至驱动决策优化的“业务智能伙伴”转型。一方面，其可自动化处理合同起草、财务报告生成等重复性业务工作；另一方面，能够统一协调研发、生产、销售等多部门资源，实现全局性的智能化管理与流程优化。个人生产力软件（如办公套件、会议工具、文本编辑器）则从提供基础便捷功能的效率工具，重塑为能深刻理解用户意图、协同创作的“智能协作者”。例如，文档工具可基于碎片化想法生成完整大纲并模仿用户风格续写文本，会议软件则能智能管理日程、自动协调时间，承担高效工作助手的角色。
整体而言，大模型正驱动软件形态从“功能执行者”向“智能代理者”演进，深刻改变了软件产品形态与价值创造方式。
2 软件智能化落地方案
为推动软件智能化落地进程，为智能化转型企业提供参考，并助力软件行业实现渐进式演进，本文构建了软件智能化成熟度模型，并梳理总结了相应的实施路径。
2.1 软件智能化成熟度
如图3所示，软件智能化成熟度从L1至L5逐级演进，本文从交互方式、自主程度、任务复杂度等维度对5个级别进行定义。
图3 软件智能化成熟度分级
如表1所示，L1级智能软件以固定内容生成、固定交互方式（如按钮、表单）为特征，主要依赖传统机器学习模型运行，典型场景包括传统客服机器人、人脸识别系统等。此类软件缺乏动态学习能力，需人工全程主导，适用于低复杂度、高重复性任务。L2级智能软件引入基于大模型的自然语言对话交互（如多轮对话方式）方式，能够理解用户意图并为人类提供辅助支持，典型场景如智能搜索、代码生成工具等。此类软件需要人类深度参与（如确认或修改生成内容），适用于知识密集型场景的任务处理。L3级智能软件可实现多种模态生成（如文本、图像、语音等），通过外挂知识库并基于智能体等方式处理单一领域内的复杂任务，典型场景如编码智能体、人工智能原生应用等，此类软件需要人类参与关键环节的决策（如结果审核与确认）。L4级智能软件具备跨领域复杂系统处理能力，通过多智能体自主协同与动态知识库调用实现较强适应性，此类软件需人类设定初始目标及优化性目标。L5级代表智能软件的终极形态，能自主完成全领域未知任务（如科学发现），其基于物理世界的多维环境感知，通过全域知识库和自学习实现无干预的自我迭代，人类“零参与”。
表1 智能软件成熟度分级特征
各级别间均存在显著关键差异。L1~L2，实现了从“规则驱动”向自然语言交互的转型；L2~L3，由智能辅助过渡至智能体，实现单一领域内的智能化升级；L3~L4，突破单一领域限制，通过多智能体协同解决系统级问题；L4~L5，具备自我迭代与跨领域自学习能力，进而迈向通用人工智能。
2.2 软件智能化实施路径
当前智能化技术仍处于快速迭代阶段，企业在实施软件的智能化升级时，仍需遵循业务价值驱动的核心原则，坚持“三步走”落地路径。即首先选准高价值场景进行内部诊断和规划；其次依据目标进行智能化能力实施，注入“智力”；最后对软件智能化能力开展持续运营，维持“智力”。
规划阶段：首先开展多维度自我诊断，具体包括两方面：一是技术能力诊断，明晰企业在人工智能技术方面的优势与不足；二是基础设施能力诊断，深入了解企业已有算力资源、存储资源、数据资源等，通过自我诊断明确企业的能力定位。其次进行高价值场景筛选，通过分析当前业务流程或已有软件应用中的痛点、瓶颈及潜在增长点，结合数据分析和调研结果，明确哪些软件或哪些环节最能通过智能化技术实现效率提升、成本降低或用户体验优化，同步确定软件智能化能力升级的具体目标和预期成果。
实施阶段：根据企业能力定位和规划目标制定实施方案，通过采购、开发、引入等方式配置相应的智能化工具和技术。一方面对已有软件进行智能化改造，重点提升智能化交互、智能化决策、智能化协同执行三大维度的能力；另一方面全新开发人工智能原生软件，运用大模型时代的新思维、新模式、新框架设计软件需求和落地路径，在满足用户需求的同时拓展其应用边界。
运营阶段：通过建立软件的长效优化机制，持续维系并提升软件智能化能力。首先监控大模型推理效果与软件应用成效，及时了解大模型是否存在退化，以及大模型对软件业务功能的赋能效果是否发生变化；其次实时或定期收集软件应用的反馈数据，建立“数据飞轮”，根据数据分析明确问题和优化方向；最后构建大模型和软件的维护更新机制。
3 机遇与挑战
3.1 机遇
应用创新进程加速，助力企业竞争力提升。软件生产过程呈现高效化、低门槛化特征，大模型能力持续增强且调用成本不断降低，软件形态更趋灵活与智能，这进一步推动了软件重构与创新的进程。一方面，以大模型为操作系统的软件功能更具模块化、场景化与自适应化特征，通过多元化交互模式实现用户体验升级，催生出更多超级应用软件，软件产品的智能化转型成为必然趋势。据Gartner 2025年预测，到2028年33%的企业软件将包含代理型人工智能，而2024年这一比例尚不足1%[11]。另一方面，基于更高效的智能化研发范式，企业可快速生成软件原型、迭代软件功能、响应用户需求，从而迅速抢占市场先机。
生产力显著提升，推动企业实现降本增效。通过智能集成开发环境（Integrated Development Environment，IDE）、编码智能体等各类软件研发工具，软件生产力得到大幅提升。于专业研发人员而言，编码助手已成为提升效率的核心工具；于普通用户而言，“氛围编程”工具正逐步成为兼具便捷性与专业性的软件开发工具。这不仅推动传统软件企业在现有人员规模基础上提供更多软件产品与服务、满足更多用户需求，还将催生更多小型软件公司，这类企业在大模型等新兴技术的加持下可能具有更强竞争力。例如，软件项目组织结构将从团队作战演变为单兵作战，更多软件开发人员将聚焦于设计及高创新价值的工作。
产业结构加速升级，驱动企业智能化转型。其一，大模型将成为软件产业链的核心内容，为产业注入新的活力和创新动力，构筑软件智能化转型的重要底座。其二，传统软件企业的“护城河”变浅，例如软件外包服务面临转型压力，传统外包需求可能持续缩减，而数据标注、提示工程等需求将逐渐增多。其三，软件产业的长尾需求有望得到缓解，在“人人都是开发者”的时代，各行业细分需求的解决方案将更具可行性和经济性。
3.2 挑战
数据层面的挑战主要体现为：代码等软件相关数据受限于隐私和安全法规、开闭源协议等约束，导致数据获取成本高且类型复杂多样。据TIOBE指数统计，截至2025年6月，当前编程语言数量超过280种[12]。这使得行业内缺乏大量用于模型训练的代码数据集，尤其在工业领域的嵌入式代码等场景中，数据集短缺问题更为突出。此外，行业软件数据亦存在短缺的情况，这要求软件企业根据场景属性和已有数据积淀，构建高质量的行业软件数据集，为智能化软件适应不同行业和场景奠定基础。
安全与伦理层面的挑战主要体现为：大模型为软件注入高价值能力的同时也带来了不确定性，尤其是在风险容忍度较低的场景中，围绕数据、模型和软件3个层面将面临更多新型风险。对此，软件企业可以从3方面应对。一是从数据和模型等源头加强风险防范，降低模型推理和决策过程的“幻觉”问题；二是从软件层面增加“安全围栏”，通过工程化手段化解部分不确定性；三是在软件持续智能化的进程中为人类保留可控空间，例如设置“自动滑块”等功能，允许人类自主选择智能化程度，以规避潜在的深层伦理风险。
人才层面的挑战表现为：人才是企业软件智能化转型的关键。在人才培养方面，企业需重塑组织文化，构建开放协作、持续创新的生态体系，打破信息壁垒；同时提升全员人工智能认知，既要理解大模型的潜力，也要认清其边界和风险。在人才架构方面，企业需补充人工智能专业人才，或调整、融合人工智能团队与软件团队的结构，以匹配能力建设和应用需求，推动软件业务团队和研发团队的能力升级，最终实现软件智能化转型。
4 结束语
以大模型为代表的人工智能技术所引发的软件新形态变革，既是技术演进的自然结果，更是人类认知边界的重要突破。全面拥抱大模型为中国软件产业实现破局重生带来了历史性机遇，未来智能化软件将实现全域渗透，软件开发亦将呈现广泛化。置身于这一时代浪潮中的软件企业，既要探索新技术的落地路径，以创新思维推动软件行业在智能化轨道上加速演进，也要深入探索软件领域的深层次问题，合理规划提质降本增效的实施目标，从而推动软件产业实现可持续繁荣发展。
