计算机生成随机数被称为“伪随机数”，主要原因如下：

生成机制依赖算法

计算机通过确定性算法（如线性同余、梅森旋转等）和初始种子（通常为系统时间）生成随机数序列。这些算法本质是可预测的，只要知道种子或已生成的数列，就能推导出后续数值。

结果可重复与周期性

伪随机数序列具有固定周期（如梅森素数周期），且每次运行程序时生成的序列相同。例如，C++和Python默认的`rand（）`函数周期高达2^19937-1，远超实际需求。

与真随机数的本质区别

真随机数源于不可预测的自然事件（如原子衰变、量子噪声），而伪随机数是人为模拟的。计算机无法直接获取真随机数，需依赖外部设备（如硬件随机数生成器）或通过熵池收集环境噪声。

适用场景与局限性

伪随机数在安全性要求不高的场景（如游戏、非加密应用）足够使用，但加密、安全验证等场景需真随机数。此外，伪随机数无法保证在短时间内或小样本内符合特定分布（如均匀分布），可能导致统计偏差。

总结：

计算机生成随机数的“伪”源于算法的确定性和可预测性，而非缺乏随机性。通过合理设计算法和引入外部熵源，可平衡性能与安全性需求。