ChatGPT 的崛起在工程师圈子中引起了广泛的关注。软件工程师的未来在哪里？大学的软件开发会教什么？软件公司会变成什么样子？大学的计算机系将来会教啥？Zadig 特邀全球 5 地（硅谷、伦敦、北京、悉尼、上海）的 Google 工程师（分别为 Google 知识图谱数据专家、Google 云平台工程专家、Google 搜索业务技术专家、DevOps  工程技术专家）三大时区隔空对话，为大家带来 Goolger 们特有的洞见。Enjoy!

嘉宾介绍

舒志：Google 移动搜索 APP 平台技术 Tech Lead （伦敦）之一；北大计算机毕业

吴佳骏：前 Google Maps Directions 专家（悉尼）；南洋理工大学计算机博士

周凡：前 Google 云平台专家；十多年 Infra、Cloud Platforms 工程和技术经验，知名工程效率专家

张逸林：Google 知识图谱系统数据专家（美国）；丰富的 GoogleSearch/Ads 经验。UT Austin 计算机博士， 北大计算机毕业

郭健（Grant）：Zadig 创始人兼 COO， 斯坦福大学运筹工程毕业

李倩（Landy）：Zadig 创始人兼 CEO， 云计算工程效能专家

核心观点

如果说谷歌是 organize the world's information  呈现世界的信息的话，那 ChatGPT 实际上是在呈现人类的智慧。

——Grant

对软件从业人员有什么冲击？我觉得是强者更强，ChatGPT 会成为他最好的助手。

——逸林

我认为目前没有公司能够承担 ChatGPT 这样的成本，但长远来看，这可能是一个相对危险的信号，或许比之前的奇点已至等预言，更接近我们预测的现实。

——佳俊

未来大学可能不再限定于特定的编程语言（如 C 或 Java），因为机器可以替代人类完成许多任务，而是更注重培养学生解决问题的能力，包括跨学科、抽象分析和解决问题的核心技能。

——舒志

对于 ChatGPT 一点恐慌都没有是不可能的，短期使用 ChatGPT 作为辅助工具，但长期来看，工程师需要更多关注软件工程的系统架构设计、代码可重用性和协作场景下的可维护性。

——周凡

我本人并不感到焦虑，反而充满兴奋，因为有很多事情可以去做。通过 ChatGPT API + Problems + UI 方式组装成各种应用场景，将对每个行业都产生深远意义和价值。

——Landy

以下为分享实录（ChatGPT 协助整理）：

01  自我介绍/ChatGPT OpenTalk

Hello，大家好，我是舒志，在谷歌伦敦工作了近九年。我在谷歌主要负责移动搜索 APP 的数据、实验发版、性能监控相关领域。我对人工智能这一块其实非常外行，对于从长远来看 ChatGPT 这个话题，我暂时还未形成比较好的看法。从短期来看我觉得作为一个新工具的出现，它还是非常振奋人心的。对于日常生活来说，很重要的一点是去比对这个工具能做什么，比对现在每天都在做什么，拆分成原子性的活动，看哪些可以被这个工具替代。例如我以前常开的几个链接是 chat、meeting、邮件等，现在已经增加了 ChatGPT，这个工具真的非常好用。

逸林：

大家好，我是逸林，我 15 年加入 Google，工作了将近八年，主要是在做 Google 的 knowledge graph 的 data quality，让知识图谱的数据质量更好。因为知识图谱 data 的数据量非常大，有 4 千多亿个节点，怎么样保证在这么多 data 的前提下还能做到没有问题？因为我们的质量数据是实时会给各种各样的用户去使用，所以我们要保证质量是非常好的，直接关系到 Google shopping ads 的广告收益。所以知识图谱实际上跟 LLM 和 ChatGPT/NLP，还是有那么些关系的。我个人理解 ChatGPT 是在一个非常棒的 NLP 的基础上的一个进步。世界上最赚钱的互联网行业，又是跟 NLP 相关的。

在我目前的工作范围内，我觉得有两件事情会被 ChatGPT 深深影响到，一件是搜索，由于大多数搜索都是文本输入，而且返回的结果也是文本。还有一件事情就是网上购物：和 NLP 以及 text 有关的还有 amazon、拼多多或者淘宝。大家想一想：现在的淘宝和五、六年前没什么区别，在上面找东西的 experience 还是跟以前一样。大家都知道，一件事物如果六七年没有变，sooner or later 它是会变的。我觉得 ChatGPT 可以让人们的购物体验完全不同。比如你在进入界面之后，不需要描述清楚你想要的东西，而只需要给予一些 hint，他就会给你找到最合适的产品。你可以根据他的产品继续进行调整，就像我们 training 的时候那种 fine tunning 感觉，不断地 fine tune 你的需求和你得到的 results。由于这两个场景 Dollar amount 是非常大的，跟 NLP 又是紧密连接的，所以我觉得 ChatGPT 会让整个互联网行业有所变化。

ChatGPT 为什么现在会火？实际上 ChatGPT 里面用的最根本的一些技术，很多公司很早就已经开始用了，只是 ChatGPT 的出现让世界上所有的人都知道了这种技术原来这么厉害。实际上在谷歌的 ads 或者是 search 里面这些 LLM 都已经用了很多年了，也有过很多年的迭代。比如说从以前的 bert，或者现在的 GPT model 等：我们可以看到对商业收益非常有用，当你用一个强的 model，每个 user query 可以赚到的收益和你用一个比较弱的 model 是完全不一样的。所以看到这种技术的变化，我个人还是比较激动的。因为就像 machine learning，它实际上是一个很早就有的技术，可能八几年就有论文，但为什么是零几年或者一几年以后，machine learning 疯狂地在各个互联网行业得到运用，实际上是因为它的 performance 有了巨大的提高。ChatGPT，或者说 LLM，从我的理解上来说也是一样的，他为什么今天特别厉害了，并不是说五年前、十年前没有人做，只不过今天 ChatGPT 的 performance 可以把其他的都打成渣渣，所以一旦有这种 performance，（就会有）爆发式的增长。

Landy：

逸林博士讲述了一个非常有意义的观点，即从技术和商业两个角度来看待问题。无论是技术的发展还是不断的迭代和进步，最终目的都是为商业世界提供服务。当然，未来可能由于 AI 的发展，人类文明可能会走向不确定的终点。我们面对未知和焦虑的情绪，同时也怀有期望，这种心态非常复杂。

周凡：

大家好，我叫周凡，曾在 Google 工作超过十年，从 2007 年入职至 2017 年。我曾在基础设施领域工作，主要负责网络方面；现在则主要从事软件工程和 DevOps 领域的工作。我在 AI 方面并不是内行，和大家一样，要说对于 ChatGPT 一点恐慌都没有是不可能的。我认为，对于规律性强、执行性高的工作，ChatGPT 的理解能力和快速提取人类网络信息的能力非常适合，能够处理重复的模式并产生创作性内容。从这个角度上来说，大家没有焦虑是很难的。但是，我们的工作并非只有执行性的部分，还有很多需要掌握情感色彩和思考的部分，这需要更多思考和创造性。在这些方面，ChatGPT 仍然无法完全覆盖，因为这些场景是分布式的，需要更多的数字化信息和思考方法。ChatGPT 对于信息获取和处理的效率提升非常高，能在更广阔的空间和时间跨度中连接，是一款非常好的效率工具。

总体来说，ChatGPT 的积极作用远大于负面影响，我认为人本身的价值才是推动时代进步最 top tier 的部分，所以我们非常期待它的发展和创新。

佳骏：

大家好，我是佳俊，我 2015 加入谷歌，2020 年离开，总共待了六年。和大家分享两件 ChatGPT 在商业上让我觉得特别吃惊的事。

第一件事是由于我当时在谷歌负责地图产品，其中一个我觉得非常重要的任务是如何实现个性化，比如记录用户的出行习惯，让用户在熟悉的城市中更好地使用谷歌地图。然而我们在实践中遇到了恐怖谷效应，当我们试图添加一些智能化的功能时，用户就会马上展现出不适，因为他们只是想简单地从 A 点到 B 点，在其中展现出人类化的特征会引起强烈的反感。但是现在，我看到 ChatGPT 这种对话模型展现出人类的对话能力和智力，并且克服了恐怖谷效应，即使它的回答看起来毫无意义，但用户仍然接受了它的回答，而这在我以前的认知中都会精准地踩到人的雷区上，这让我感到这是一个商业上巨大的全新现象，我以前几乎无法想象。

第二件事是 GPT4 论文中提到了一个非常重要的问题。首先，我们来看一下历史背景。在大约五零年左右，人工智能领域举行了一次会议，当时他们乐观地预测，大约 20 年后将会出现强人工智能。当然如今我们知道这是不可能实现的。自那时起，人们一直试图模仿人类的智能，但是后来发现，人类的智能或者大脑不是简单的基于逻辑或者基于直觉的，而是一个极其复杂的系统，包含大约一千亿个时间元和许多连接，这种系统是无法轻易地解释的。因此，从那时起，复杂性科学这门新兴学科开始兴起。这个领域的研究者发现，在自然界和所有的科学现象中，只要一些看似简单的结构组合在一起，并且出现了自组织的行为，当它们达到一定规模时，就会出现新的、不可理解的有组织的、表现出强烈智能行为的现象，这种现象被称为涌现，emergence。例如，类似于元胞自动机这样的简单结构，一旦组合在一起并出现了自组织行为，就会出现新的有组织的行为。如果去研读 GPT-4 的论文，我们会发现 GPT-3.5 到 GPT-4 的智力实际上有了非常大的提升，大型语言模型的特征得到了展现。它的能力进化体现在两个方面：如果它能够在某个低复杂度的语言模型上展现这种能力，那么当加入更多的参数进行训练时，它的效果会更好。另一种情况是，在低语言模型上这种能力尚未被发现，但在高参数模型上却突然表现出来了。当模型数量级再大两到三个数量级时，是否会出现突然涌现出真正的人工智能或者能通过图灵测试的智能，这是许多人焦虑的问题。然而，我个人的感觉是，这可能不会很快发生，因为现在训练一个大型模型的成本大约需要 20 亿，如果再乘以两到三千，就是 200 亿到 2,000 亿，我认为目前没有公司能够承担这样的成本。但从长远来看，这可能是一个相对危险的信号，或许比之前的奇点已至等预言更接近我们预测的现实。

Landy：

佳骏刚才提到两个话题，第一个话题是 ChatGPT 在商业领域上的跨越式发展，以解决恐怖谷效应为例。第二个话题探讨了我们焦虑的根源，这与复杂性科学领域有关。这让我想到了“蚁群效应”，它描述了当 100 万只蚂蚁聚集时，将产生集体智能，类似于人体神经元的工作方式。单体的规则很简单，但是大量个体聚集后会产生复杂的适应性系统，并可能涌现出一种新的形态，产生一个进化过程。接下来请 Grant 也谈谈你的看法。

Grant：

我是 Grant，和 Landy 同为 Zadig 的创始人。非常感谢各位 Googler 参与和我们 Zadig 组织的这次对话。

我算是相对早期的 Googler，和谷歌结缘是在 20 多年前，也就是 2000 年，那时候第一次互联网泡沫刚刚破碎，股市狂跌，除谷歌之外，几乎没有公司招人。当时谷歌来我们学校的 linguistic 系找人做中文搜索方面的研究，我在机缘巧合下加入了，那时的谷歌只有 100 多人。20 多年来，这么多伟大的软件公司 come and go，我认为唯有一样东西能与谷歌媲美：ChatGPT。如果说谷歌是 organize the world's information ：呈现世界的信息的话，那 ChatGPT 实际上是在呈现人类的智慧。他有没有可能再一次改变人们对待“信息”的方式？如果 ChatGPT 可以取代编程，软件何去何从？工程师做什么？全球最值钱的公司大多数都是软件公司，他们将会做什么呢？我们今天的云计算，大数据，它又会呈现什么样的形态？如果能在这些问题上看见各位的思想碰撞，相信会给大家带来一些 insights。

Lan

Grant 分享了他过去见证了许多颠覆性的创新的经历，例如 Google 搜索引擎。现在，当 ChatGPT 出现时，给他带来了更大的震撼和惊喜。我们也许已经经历过类似的感觉，但这次的变革似乎更为激烈，我们看到周围的技术人员每天都有新的技术突破。

我个人过去主要从事云计算领域的工作，但最近几年我把目光转向了创业，专注于工程效能和云原生 DevOps 相关的研究。对于 ChatGPT 这一技术趋势，我更注重实践，现在几乎离不开 ChatGPT。

这是我从自身的感觉出发的，因为我相信只有自己去实践、尝试，才能真正理解和体会任何新事物。这是一个拥抱变化的过程，因为不断提升自我认知、迭代自我是不断发展的前提。新的东西肯定会不断涌现，而它们的发展方向则需要在广泛的社会进程中不断探索。我认为现在正处于技术规模化阶段，技术最终会转化并产生商业价值，才会有更多的社会化应用。我本人并不感到焦虑，反而充满兴奋，因为有很多事情可以去做。我认为 ChatGPT API 可以加上要解决的问题，并用 UI 方式组装成各种应用场景。而对于每个行业的变化和产生价值，我认为是与领域相关的，同时涉及合规和安全等紧密相关的因素，所以需要有领域驱动的概念。比如最近的例子，今天早上的 Adobe Firefly，我认为是一个很好的应用场景，因为它实现了一种确定性场景的技术价值，我很期待未来会有更多这样的场景出现。

接下来，让我们来谈谈 ChatGPT 对软件从业人员的影响吧，这个话题大家肯定非常关注。我们可以从两个方面来聊，第一个是关于你的团队，你们是否已经应用了 ChatGPT 技术？如果有的话，你们遇到了什么利益或挑战？第二个方面是关于 ChatGPT 技术如何影响工程师的职业发展以及未来的趋势？这是两个非常值得探讨的话题。

 02  ChatGPT 对软件从业人员的影响

我们现在的团队现在还没有统一地使用 ChatGPT。最近我一直在思考如何将 ChatGPT 整合到日常工作流程中，并且我认为在接下来几周内，我会和团队的其他成员一起探讨这个问题，推广这个工具。

对于我个人而言，ChatGPT 已经成为了我日常生活中的必备工具。比如说，当我需要写邮件时，我可以告诉它邮件的主题、收件人以及邮件的主要目的，并指定需要在邮件中提到的几个关键点以及分成的几个段落。ChatGPT 可以非常好地整理这些信息，快速生成邮件。以前，我可能需要挣扎着将这些信息转化成适当的语言，但现在 ChatGPT 大大提升了我的效率。

最近我想用 GPT-3 做一些工具。在我以前没有接触过的领域中，我必须花费一定的时间学习。但是，GPT-3 的使用体验非常好，让我有一种赋能感。以前我经常需要花费一些零散的时间去学习并处理特定的事件，但是现在这些碎片化的事件就可以交给 ChatGPT。例如，我想要写一个 Chrome 插件，我只需要询问 GPT-3，然后它就可以为我生成代码。从这个角度来看，GPT-3 并不是非常复杂，但是它的强大在于它可以帮助我们完成很多以前无法完成的任务。在我们的团队中，我们正在探讨如何更多地利用 GPT-3 来提高效率。例如，在 DevOps 方面，如果遇到数据异常或线上回归等问题，我们可以使用类似 ChatGPT 这样的工具来提出问题，让它为我们提供一些解决方案。这也涉及到了我们作为软件从业人员需要掌握的技能，例如如何提出问题以及如何利用工具和数据解决问题。

再进一步表达，我认为“主动思考”可以被视为一种能力，它不仅仅是指会使用工具或完成任务的能力，而是更进一步思考问题的能力，比如为什么会产生这个问题。这种能力建立在对系统的深刻理解上，需要花更多的时间去了解系统的不同组成部分以及它们如何协同工作。这需要培养更全面的认知能力和更底层的理解，而不仅仅是知道如何使用工具。因此，从业人员需要持续学习并给自己设定明确的学习目标和度量标准，以帮助他们更好地了解系统的运作方式，并通过主动思考的能力来与机器进行更加智能的交互。

Landy：

舒志这几个观点我非常认同。他提到了从过去的解决问题的思路中跳出来，提出正确的问题并建立全局的系统视角，而不是仅仅从局部的逻辑出发。这种正确的问题定义和全局视角可以帮助我们更好地解决问题。此外，他们还提到了持续学习和积极拥抱新生事物的重要性，这些都是非常值得借鉴的。

周凡：

据我所知，有一些团队里具备尝试精神和动手能力的小伙伴已经开始使用 ChatGPT 了。它在开发一些具体的、比较小的功能方面非常出色，例如编写明确功能的函数和编写测试。甚至有一些同事想要开发一些与开发者生产力相关的功能，例如 VS Code 的插件，他们直接使用 ChatGPT 来生成代码，并且这种方法的效果还不错。在这个过程中，同事们不仅能够完成工作，而且能够从 ChatGPT 生成的代码中学到一些实用的编程技巧，从而提高了代码的质量和可读性。因此，我认为 ChatGPT 对工程师的影响是积极的，可以帮助他们更好地完成任务并提高代码质量。然而，在国内的很多公司里面，大家更加关注业务需求的交付，而对于工程本身的卓越度的重视程度不是特别高，这也许是一些公司还没有采用 ChatGPT 等技术的原因。

相较于在硅谷工作时，工程师更加注重代码的功能实现和没有显眼问题的质量。因此，使用机器人来处理某些工作可以提高效率和质量，确实能够比其他同学做得更好。尽管这种方法可能导致一些工程师感到焦虑，但使用像 ChatGPT 这样的工具可以帮助他们提高代码质量和学习。短期内使用 ChatGPT 作为辅助工具应该是有帮助的，但长期来看，工程师需要考虑更多的是架构层面和泛化的问题。从基础层面出发，使用 ChatGPT 可以帮助工程师提高效率，改善代码规范、风格和细节。但长期来看，工程师需要关注软件工程的高级问题，包括更好的设计、代码可重用性和协作场景下的可维护性。如果使用 ChatGPT 可以腾出时间，工程师应该将更多的时间用于思考这些高级问题。尽管这种方法可能会有些虚无缥缈，但是在时间分配上，国内同学可能更倾向于写代码而不是看代码，这和谷歌的实践是不同的。

根据在硅谷的体验，我觉得我们更多的时间是通过阅读代码来学习。虽然有时我可能学习得不够快，但我认为大部分时间是在通过阅读代码的过程中学习，并通过这个过程提高自己。在代码写完之后，它很可能会被别人查看，所以我认为在这些方面，通过使用 ChatGPT 等工具，我们可以更加注重如何将代码写得更好，或者说更加注重一些工程艺术的细节，而不仅仅停留在实现某个功能上。这是因为像 ChatGPT 这样的工具可以很好地辅助我们的工作，使得我们能够更加得心应手。

Landy：

周凡在过去的工作中，面对大规模的软件协作，对国内外工程师的协作现状有了深刻的理解和研究，因此非常务实。我也经常提到的一个词是“工程师的品味（taste）”。有些工程师天生具备好的品味，而有些人则缺乏这种感觉，从而难以理解品味的含义。

逸林：

首先，让我们来谈谈第一个问题，关于我们是否使用了 ChatGPT。实际上，我们使用了许多类似的技术，因为我们从事的是购物广告或购物搜索等领域，而这些都需要通过语言来描述。因此，使用大型语言模型（LLM）来解决这个问题是非常合适的选择。我们现在正在使用 LLM 来帮用户找到他们想要的商品，我们发现 LLM 对语言的理解能力似乎已经在人类之上了，对于用户的查询实际上匹配的是怎样的商品，它的理解非常透彻。

除此之外，我们发现 LLM 还有其他优点。在谷歌搜索等场景中，有些商品的介绍可能写得不太好，难以让人理解。但是，通过使用 LLM，我们可以更好地理解客户的需求以及商家的信息。此外，我们还发现，LLM 不需要大量的数据就能发挥其强大的学习能力。例如，现在有很多 few-shot 和 zero-shot 的技术，它们可以在没有训练数据的情况下直接理解和处理语言信息。这一点非常重要，因为很多公司靠的是大量数据的积累，而 LLM 的优势在于不需要这么多的数据就能取得好的效果，我认为这让一些公司的护城河没有那么深了。

目前，我们已经看到一些简单的帮助，例如代码自动补全，但这些帮助只是有限的，并不是颠覆性的，他可以做很多颠覆性的事情。比如当系统在某些情况下 performance 很差，由于代码是不同人写出来的，找到关键 bug 就变得很难。但如果让 AI 去学习，它完全有可能成为解 bug 高手。它可以轻而易举地告诉你，一个东西拷背了多少次，有几次是不需要这样拷贝的，可以轻而易举地解决包括生成代码带来的一些问题。AI 也可以自动生成 test，能看懂代码在做啥，能在 test 里面把这些需要 test 的部分一一诠释出来，我认为这是极大的解放。

说到对软件从业人员有什么冲击，我觉得是强者更强，弱者更弱。如果你本来代码就写得不怎么样，那很有可能会被取代，因为它的代码质量非常高。但是什么叫强者呢？强者并不是只是一个能写一手好代码的人，这个从业多年的人都会。强者是懂得代码里有多少 business logic，多少 hacks，多少坑，多少 trade offs，一个系统既要满足这个特性，又要满足那个特性，要满足 ABC 3 个特性，但是 ABC 又是矛盾的，B 和 C 矛盾，C 又和 A 矛盾，在这种情况下如何做选择，我觉得并不是 ChatGPT 可以马上解决的。那些纵观整个系统以及商业应用的角度下，能够很好地设计系统的人，我认为是真正的强者，他是不能被 ChatGPT 给取代的，反而 ChatGPT 会成为他的最好的助手。但如果你没有这种大局观，这种决策性，代码又写得不怎么样，就会受到比较大的冲击。

Landy：

逸林博士的回答针对工程师当前的焦虑点非常精准和清晰。他提到了该领域的应用场景，并解释了 AI 对其产生的商业价值和护城河建立的重要性。同时对于 AI 对工程师的职业冲击的分析极为精辟：所谓“强者越强，弱者越弱”：能力绝不不仅仅在于写一手好代码，问题定义的能力会变得越来越重要，因为我们无法胜过计算机的速度和能力。

佳骏：

我同意前面几位的观点，计算机这几十年一直以来的进展趋势是越来越抽象，越来越不需要关注底层的细节。ChatGPT 只是极大地加快这个进程。所以如果你的核心竞争力是能够做更好的内存对齐，能够做各种各样的细化，或者对某种语言了如指掌，这在未来将会是一个越来越不值钱的技能。程序员将会更加地回归到这种数学家的思路上。我认为未来的编程方式可能会更加注重数学思维和抽象化的能力，而不是过多地关注细节实现。可能出现的情况是，我们只需要告诉计算机我们要做什么，它会给出一个 Spec， 我们对 Spec 进行结构化修正，它基于上面的理解生成单元测试，我们再对单元测试进行修正，作为 Spec 的补充。当形成正式的 Spec 之后，也就是定义清楚这个产品、这个模块到底要做什么之后，接下来的真正生成代码这一部份将不再需要我们去关注。

因此，我建议每个人都应该学习数学和抽象化的思维，这将有助于我们更好地理解和解决实际问题，而不是过分关注底层实现和语言细节。反之随着 ChatGPT 能力的逐渐提升，一部分同学或许会被逐渐淹没。

Landy：

这些视角非常有价值。我们需要重新思考做事情的方式，从应用层和计算机基础原理层开始，再到如何使用数学或抽象概念与这个世界对话，这需要更高视角和更基础的能力。

 03  未来大学的计算机系会学什么？

既然未来工程师需要关注的东西不一样了，大家觉得未来计算机系都会教些什么呢？如果不教语言本身的话，未来计算机系学什么，会不会变成哲学系或者变成数学系？

逸林：

我本科学 CS 的时候就特别痛苦，要记忆那么多 CS 语法，老师如果没讲透彻的话就感觉特别痛苦。后来出国念博士后，发现国外 CS 也有很多理论课，但是更多侧重于工程实践。比如几个同学做一两个 APP，实现几个有趣的游戏。我相信以后这些实践课会在未来的计算机课程中会被 keep ，但我觉得也像 Grant 说的肯定有其他不一样的，看不到想不到的东西，会真正的在 CS 课程中成为很核心很重要的东西，但是是什么，我现在也想不到。

佳骏：

有位计算机先哲曾经提出过一种观点，他认为所有计算机系的学生在本科四年的时间里不应该学习任何与计算机有关的东西，而应该去学习数学、物理或哲学等其他学科的内容。等到本科毕业之后再学习计算机相关的内容。我觉得这种观点还是比较有道理的。虽然一开始你可能认为计算机科学是需要抽象化的，但是很快你就会发现实际上有很多的工程细节需要考虑，这些东西会让你变得越来越现实。现在计算机科学正变得越来越工程化，但是随着 ChatGPT 和其他技术的发展，它可能又会慢慢回归到需要更高抽象能力的领域，比如数学。因此，从我的角度来看，我认为我们应该开设更多的基础课程，在数学和基础课程方面做更多的补充。可能跟之前有位 逸林提出的观点稍微有些不同，我个人的感觉是我们本科学的关于抽象化的东西太少了。举个例子，当我们学习一门编程语言时，实际上这门语言背后还有编程语言理论。我们可以探讨这个编程语言是命令式的还是函数式的，还可以探讨这个函数式编程后面的计算模型是图灵机还是其他什么模型。进一步，我们还可以探讨类型论等更深入的概念，这些理论形成了编程语言的底层结构。编程语言理论（PLT）可能是一个比较特殊的例子，在国内并没有受到很好的关注，但在国外却很受欢迎。我个人认为，我们始终要了解这些东西是如何工作的，尽管我们可能不会再了解每一个具体的细节，但是这一层抽象和训练对于我们未来的发展可能会变得越来越重要。

舒志：

未来是否还需要计算机系呢？其实刚刚逸林博士和佳骏博士两个人提到了一个不同的看法，但我认为这些观点可以整合起来。他们的核心所提到的是解决问题的能力，包括工程实践，这实际上是人类所需要培养的一个解决问题的能力。解决问题的能力是一个非常抽象和基础的能力，它是跨越学科和具体的实践细节存在的。是如何看待问题、剖析问题、解决问题的能力的组合，我认为这会是以后比较关键的技能之一。

未来的大学可能不再限定于特定的编程语言（如 C 或 Java），而是更注重培养学生的解决问题能力，无论他们用何种方式解决问题。通过实践，再结合更抽象和系统化的理论去培养学生的分析和解决问题的能力，这可能会是未来的核心技能。具体的实践细节可能已经不再那么重要，因为很多机器已经可以替代人类完成这些任务。

Landy：

在视频号评论区，有一个同学提到：“通过学习技术掌握道理，然后忘掉技术招式”。我认为这句话非常有意思，它让我想到佛学中的“度”，即如何度过自己的人生，以及“指月”之手，即关注问题的本质。这使我们思考我们在一个什么样的社会中去创造自我价值。劳动有不同的类型，如体力、脑力和情绪劳动。情绪劳动是很难替代的，因为它包括协作、全局观和自我迭代的能力等软实力。相反，脑力劳动可能会被计算机取代。然而，我们必须具备逻辑和数学基础才能理解和连接这些技术。我们可能会成为现实世界和 AI 世界之间的代理。

Grant：

如果将每个人比作一个星球，那么 Googler 就是一个宇宙;) ，这一个半小时的交流时间远远不足以探索他们的思考深度和宝藏。我们真诚地希望随着 Zadig 的不断发展，我们将有更多的机会相互交流和合作，探索智能和数字化时代的未来，并与业界巨头进行深入的对话。感谢大家。

Zadig，让工程师更加专注创造。