编程语言选择不重要?亚马逊CTO独家分享提升竞争力的秘诀

发表时间: 2023-12-22 18:30

作者 | Tina、蔡芳芳

采访 | Kevin

编辑 | Tina、芳芳

1998 年,Werner Vogels 加入亚马逊时,这家公司只有一个美国网站,专注于书籍销售。他迎接了改变这种状况的挑战。“我希望您能理解,亚马逊首先是一家科技公司,”该公司的 CTO 在 2006 年的一次采访中强调。


Werner Vogels 一直坚持这一目标。亚马逊经历了从一家书店到云基础设施巨头的漫长进程,如今已拥有超过 145 万家企业客户。Werner 在将平台从普通在线商店转变为面向服务的架构方面发挥了举足轻重的作用。


过去的一年里,技术变革的速度迅速加快,云技术、机器学习以及生成人工智能已经深刻影响着各行各业。而作为全球最大科技巨头之一的首席技术官,Werner 这么多年一直以旁观者的独特视角审视科技发展的脉络。技术行业有着众多从业者,作为这个行业的关键角色,每年他都能提出一系列深刻的技术预测。而且过去几年,他的预测大部分都相当准确。预测未来对于 CTO 和 CIO 们抢先一步占得技术先机是至关重要的。


今年,很多人都对 AI 领域的动向和潜在成果抱有浓厚兴趣。Werner 就特地对 AI 技术的发展进行了预测,他认为生成式人工智能将成为技术发展的关键推动力之一。


在今年的 re:Invent 大会上,InfoQ 作为唯一一家参与 Werner 专访的中国媒体,进一步与 Werner 对话并结合他的预测进行了总结。以下内容经过不改变原意的编辑:


人工智能来了,开发人员该如何保持自身竞争力?


作为一名创造者和软件工程师,我对 AI 技术有着特定的理解,期待 AI 工具在日常工作中发挥更多作用。在过去两年中,我提到了 AI 工具在开发中的重要作用,特别是在分担开发者的一些繁琐工作方面。AI 技术的快速发展让我们进入了一个美好的时代,与 40 年前我学习编程时相比,如今有了更多能够实际帮助学习的工具


AI 助手不仅仅是简单的工具,它们正在逐渐改变开发团队内不同角色之间的界限。产品经理、前端和后端工程师、DBA、UI/UX 设计师、DevOps 工程师和架构师之间的界限将变得模糊。AI 助手通过对整个系统的上下文理解,提供增强人类创造力的建议,例如将草图转换为代码、生成模板,或为任务推荐最佳基础设施。


在 2023 年的 Stack Overflow 开发者调查中,超过 70% 的受访者表示已经在使用或计划在开发过程中引入人工智能支持的工具。这印证了我在 2021 年的预测,即生成式人工智能将在软件编写中发挥关键作用。开发者们普遍认为,这些 AI 助手将增强他们的技能,使他们能够编写更安全、更可靠的代码。


现代软件开发中一些最乏味的任务,如编写单元测试、样板代码和调试错误,已经被 AI 助手消除。这些助手甚至能够重新搭建和迁移整个遗留应用程序,如从 Java 8 升级到 17,或从整体分解为微服务。这使得开发者能够专注于更有挑战性和创造性的工作,提高了整个团队的效率。


两年前,我就觉得 AI 工具主要是分担一些“铲屎”之类的杂活。作为开发者,当我们遇到解决不了的问题时,一般会上 Stack Overflow 寻找答案,或者问问社交网络上的其他同行。其他人会给出答案,我们挑选其中的高赞答案并粘贴到自己的代码中,或者是直接从亚马逊云云科技提供的示例代码中截取片段。但对于未来的 AI 工具,更多是在帮助开发者真正学习。如大家所见,AI 技术正在快速发展。短短一年之前,大语言模型还没什么热度,大多数人甚至根本没听说过。至少普通消费者肯定是没听说过这项技术。但这一切都在默默发展、快速迭代,随时准备给我们一个惊喜。


40 年前我刚开始学习编程时,当时只有两到三种主流的编程语言。现在,各种商业机构和教育平台都能帮我们快速掌握新的编程语言,所以到底选择哪种语言本身已经不那么重要了。如今我甚至可以雇用一位新手工程师来管理 Amazon S3,这可是几十万行代码构成的复杂服务。真要弄懂它是怎么实现的绝非易事,但好在根本没必要,会用就足够了。


另外,现在也有更多高级工程人才能指导编程新人。遗憾的是初级工程师们总在一遍又一遍提出同样的问题,搞得前辈们不胜其烦。但 AI 系统不会烦躁,愿意无数次回答相同的问题。它就像耐心极好的导师、助手和创造者,全心全意为培养优秀程序员而努力。在必要时,它甚至可以直接输出建议的代码。但从本质上看,它们仍然只是预测机器,真正的决策还是要由人类自己通过思考来完成。人类的价值也正在于此,擅长获取大量不同信息并做出推理、解决问题。


在此过程中,我们当然可以借助 AI 工具,并继续扮演最核心的角色。这就是人类与 AI 的共存之道。由于技术发展太过迅速,高等教育、大学课程根本就跟不上变化。问问那些刚刚走出校园的学生就知道了,他们对区块链、生成式 AI 等新技术的了解肯定不如我们这些从业者。而且随着技术的采用周期越来越短,产品的上市速度也会远超以往。也就是说,学校里传授的知识不再具有先进性。所以除了编程语言之外,我们在学校中的最大收获就是学习能力,这种学习能力决定我们能否成为技术专家、保持终身钻研。


我也不知道五年之后的技术会是什么样子。单是过去一年的变化就已经远超我们的想象,所以谁敢说自己能预测五年后的技术格局?我们做不到,大学当然也做不到,而且这种割裂会越来越严重。因此当大学毕业生找到工作之后,往往还需要一整年的适应才能成长为有价值的贡献者。为什么会这样?因为不同的企业有不同的需求,他们得花时间了解并融入这种差异。大家使用的技术各有区别,而我们在学校里最大的收获就是学习能力。


当然,企业也应该为员工们的终身学习铺平道路、提供帮助,而不只是善意提醒大家下班后多看书。那种空话没什么意思,一定要多给他们提供考证支持。 如果说之前大多数企业的员工培训都是种临时起意,那么现在越来越多的公司都开始参与进来、投资教育,并意识到持续进修是保持竞争力的必要前提。


问题:生成式 AI 如何重塑开发流程和开发工具?


生成式 AI 将如何重塑开发流程和开发工具,又会对开发者的概念产生哪些影响,这可以从两个方面来看。


它分别涉及开发本身和成为开发者的过程。我觉得这两部分是相辅相成的。


首先,我认为任何接受过良好基础教育的人都有能力掌握计算机技术,即便专业不同。


哪怕大家在学校里学的是艺术,还是不妨碍你成为一名计算机程序员。因为具体学了什么专业并不重要,重要的是教育经历让你掌握了学习能力、知道要如何设立更宏大的目标、如何汇总信息、记在脑子里、进行批判性思考,如此往复。我最近在德国伯林去过一所预备学校,那里收容了 200 万难民,而且大部分来自中东。他们需要在德国找到新的工作。实际上他们大多数都接受过良好教育,只是需要学习跟专业相关的德语。德国还有 80000 个空缺的开发岗位,相信他们完全可以胜任。


所以那所预备学校的任务,就是帮已经掌握一定英语知识的难民学习技术。如果连他们都能做到,那已经接受过大学教育的各位,在一年之内肯定也能做到。另外没必要太迷信高等教育,我无数次看到刚从学校走出来的年轻人至少要花一年时间才能真正适应工作岗位。当时的他们根本算不上程序员,要经过一年的历练才能理解整体目标、参与项目贡献。


是的,单凭大学里的计算机科学学位并不足以成就一位有价值的团队成员。他们并不知道要如何编写代码、如何为团队贡献价值、如何为他人服务。表现比较好的,通常是那些在学校里做过小项目的同学。所以我比较喜欢选择那些参与过开源项目的年轻人,因为他们已经理解了协作究竟是怎么一回事。


在实际工作中,我强调“协作”是日常工作的核心。特别是对于年轻开发者,了解项目的体量非常重要。项目不仅仅是一堆文件,更是一个完整的体系。AI 系统可以帮助我们整合这些知识,解决项目中不断变化的复杂性。


其实我们日常工作中的大部分内容,都可以概括为“协作”二字。特别是对于年轻的开发者来说,首先要对项目的体量拥有明确的认知。看到原本的项目有多大了吗,能感受到它的份量吗?摆在我们面前的不只是一个个文件,更是完整的体系。比如说我招聘一位年轻人管理亚马逊云科技的 S3 服务,那么其过去十几年间积累下的代码就高达数十万行。


最早开发项目的工程师可能已经离职了,所以我们该怎么了解项目?现在我们可以构建 AI 系统并把这些知识整合起来。更棒的是,有些高级开发人员可能缺乏耐心,经常问问题容易把他们惹毛。比如说连续把同样的问题问上五遍,对方可能就要骂人了。但 AI 不会这样,你可以一遍又一遍提出同样的问题,把它当成帮助自己学习的工具。


对于招聘,我更关心候选人是否具备在大学里培养的学习能力,而不仅仅是特定的语言或技术。


毕竟学校不会教你亚马逊云科技所使用的具体语言,但赋予你的能力会让你始终保持开放的心态、快速掌握新的语言。


再说说那些管理大型技术项目的 CIO 和工程师们,他们需要紧跟技术发展的脚步、需要保持终身学习。技术的变化一刻不停,永远别指望自己毕业之后头一年学到的东西够用一辈子


现在是 2023 年,就跟过去一年比,如今的技术格局都已经截然不同。至少在去年的 re:Invent 上,还没人讨论大语言模型。我们知道大模型终将实现,但我们不知道它们具体什么时候实现,所以才会相对保守。毕竟实验性的成果可以早点展示给企业客户,但最好别轻松展示给普通消费者。


但保守并不代表守旧,研究人员还是在努力把成果整合起来,打造出能让消费者们眼前一亮的产品。就像那个有趣的比喻,如果你看到一只熊在跳舞,那最重要的就是它能跳舞,而不是它跳得好不好。希望大家能用类似的心态看待前沿技术,尽量宽容一点。现在大家在看到新兴技术时,下意识就会想到监管机构要如何介入,其实大不可不必如此紧张。


在开发者的定位上,AI 的发展带来了一些变化。举例来说,AI 可以接管一些繁琐的任务,这使得开发者可以更专注于他们真正擅长的工作,如获取和整合信息、做出决策和规划。


软件工程师中有很多人一直被迫在处理最愚蠢的事务。对,就是愚蠢,比如说从 Java 8 升级到 Java 17 这事毫无建设性,但工程师们还是得投入好几个月才能完成所有 Java 应用程序的升级工作。如果我们能够稳定可靠地把这事交给自动化处理,那该有多好。反正对于这类垃圾任务,我是愿意给 AI 个表现机会的。但大家接受起来肯定还需要段时间,未来也一定会有那种负责从 Java 8 升级到 Java 17 的专职工程师。但这活有意义吗?当然没有,没人会把这事写在简历上。


所以应该从现在开始,让工程师们做他们真正擅长的工作,也就是获取信息、获取数据、整合数据,发挥主观能动性将其组合起来并做出决策,最终制定出可操作的规划。当然,目前的 AI 模型还有很大的局限性,但我相信未来一定能突破这种局限。比如说,现在的大语言模型就不懂数学逻辑,虽然问它“2+5 是多少?”,它也能回答“7”,但它明显不懂 7 到底是怎么来的、不知道 2 和 5 相加是什么概念。毕竟它只是语言模型,而数理逻辑是超越自然语言的。我们的这种能力是由父母传授的,他们会教我们背乘法口诀。


但在我们学会这些基础技巧之后,具体的任务就可以交给计算器了。没错,加减乘除虽然重要,但我们需要跨过它们去解决更复杂的问题。至于这些相对简单又繁琐的部分,就交给工具吧。很多朋友小时候学过心算,我也学过,但现在都用不上了。而大语言模型缺少的就是这种能力。关于时间也一样,我们可以要求大模型帮我们设计晚间活动安排,比如想看某部电影、几点出发,那它就会告诉我们晚上 9:30 在某处影院准时开场。如果我晚上想吃日料,它就会给出具体的时间建议。


其实这些建议都挺靠谱的,但模型本身其实并没有对时间的概念。不过随着时间推移,未来我们肯定能解决时间推理、数学计算这些问题。


然而,我们需要明智地了解 AI 的局限性,理解 AI 只是辅助工具,而不是取代人的决策者。


了解 AI 模型的极限在哪里非常重要,只有这样我们才知道可以把哪些技术交付给大众。在亚马逊云科技,我们需要围绕明确的主题谨慎筛选技术要素。


但无论如何,现在的商业 AI 技术已经越来越强大,Meta 等公司的产品能帮大家解决越来越多的实际问题。已经有一些企业在用它建立新业务,不过我个人还是持谨慎态度,我觉得现在的生成式 AI 太容易产生幻觉。


比如说用 AI 来规划会议安排的时候,它就弄不明白这个人这个时段有空、那个人那个时段有空,到底该怎么协调。AI 最终给出的方案,相信大家看了都会眼前一黑。


总之,人需要肩负起监管的职责。请记住,AI 只是辅助、是帮助我们的工具。它们是在帮我们做预测,而不是替我们做预测,责任永远要由人来承担。


AI 模型经常产生幻觉,所以别轻信它输出的一切,因为那未必是事实和真相。我不是要吓唬大家,只是希望各位能明白在全面拥抱 AI 时代之前,一定要做好正确的心理准备。只有这样,大家才能理解 AI 该怎么用、它们的局限性在哪里。


大模型与语言文化


不同地区的人对同一事物可能有不同的理解方式,这就需要我们在生成式 AI 的训练中引入更多的文化元素,以促使这些模型更好地适应多元化的社会。我认为需要关注文化差异,因为不同文化对于相同议题的理解方式可能存在差异。这对于生成式 AI 工具的发展至关重要。


大语言模型在不同文化数据上的训练使其具备更细致的人类经验和社会挑战理解能力。这种文化意识的发展预示着未来全球用户将更容易使用生成式人工智能,因为模型能更好地适应各种文化背景。


我们已经训练了很多语言模型相关的工具,最知名的当数 Common Crawl。Common Crawl 语料库采集的主要是美国和西欧的数据,属于建立在这种文化之上的语言机器。当然,它具备的只是语言能力,而不是对事实的思维能力。它只能提供语言背景,帮助预测最可能出现的下一个单词是什么。尽管如此,它仍然反映出我们日常生活中蕴藏的文化知识。语言能力也是当前生成式 AI 最擅长、最容易理解的部分。正因为极具代表性,所以我就拿它来举例。


我相信通过这种方式,我们就能避免整个世界被少数几个纯英文大语言模型所主宰。


我们有必要关注那些包含多种不同语言、承载差异化文化的语言模型。


我觉得这就是关键所在。我本人对亚洲文化并不太精通,但如果向中国人、韩国人和日本人询问关于孔子的问题,那他们往往会给出截然不同的答案。这种差异不仅源自事实,更源自特定文化对于特定议题的理解方式。以伊莎贝尔·阿连德为例,她是一位著名的作家、写过很多书。她的伯父是智利前总统,所以她本人对于智利的制度革命有着非常深刻的理解。跟那种泛泛而谈的拉美介绍性资料相比,她在书中做出了非常具体且不同的解释。但她的书大多是在美国出版的,这也会对内容产生影响。另外,围绕 agent 智能体的讨论也在快速升温,我觉得这些要素需要互相学习才能带来更强大的 AI 成果。


另外我看到中国、韩国、日本和马来西亚都各自开发出了体量庞大的语言模型,这些模型自然也建立在各国的语言体系之上。而我们必须确保这些成果也能从其他文化中汲取营养,理解更全面的人类价值观。语言本身只是一方面,还要看文字质量和翻译效果。当然,现在的机器翻译已经很不错了,我可以对着手机说荷兰语,而对方能直接听到英语或者其他母语。总之,人类拥有自己的文化基因,但机器没有。


我相信我们已经来到了在技术中反映文化基因的临界点上。我们不应该只考虑美国或者少数特定国家,还应该关注世界其他地区,因为他们的文化和倾向也同样重要。


文化对于我们的生活方方面面都产生着深远的影响,而技术的设计、部署和消费方式也将受到文化的巨大影响。在未来,通过生成式人工智能,大语言模型将逐渐具备全球性的视角,从而更好地理解和回应不同文化下的复杂社会挑战。


问题:在资源有限的情况下,如何构建更具包容性的模型?


每种语言都承载着独特的文化属性。


构建包容性模型的关键并非要使 token 数量达到上百亿,而是要考虑实际需求。斯坦福大学的研究表明,体积较小的模型在生成能力方面与大模型相媲美。


而且从成本的角度讲,我们也没必要搞什么军备竞赛,把模型弄得越来越大、把训练周期弄得越来越长。 其实模型小一点也没什么不好,效果还是挺不错的,我觉得就是这样。另外,我觉得还应该参考具体需求,比如喀拉拉邦到底有多需要专属的大语言模型。虽然不同语言肯定有自己的特色,但翻译在很大程度上已经足以解决问题,而且现在的翻译几乎可以实时完成。在即时通话的过程中,内容就已经能被翻译成其他语言以供他人接收了。是的,任何语言几乎都可以实时翻译。所以真正需要处理的,就只有不同语言中的独特文化内涵。


现在,假设我手里有两套模型,二者的背景有一定交集,只是响应机制各有不同。这时候如果让它们相互对话,会有怎样的结果?很明显,我们根本不需要上百个拥有不同背景的大语言模型。当然,对于那些比较严肃的应用需求,确实可以考虑训练专门的印地语模型。但是马拉维语呢?对于那些应用范围的确不广的语言,真有必要设置专门的模型吗?


虽然不同地区之间确实存在文化差异,但我认为多 agent 讨论其实已经可以通过小模型达成不错的智能效果。它们不需要涵盖一切,而且可以通过相互对话来提升性能。有些小模型可能比其他模型更擅长某些任务,它们可以就这些问题进行讨论并达成共识。不只是两个模型,还可以是更多模型,比如 6 个、8 个、10 个或者 12 个,结合上下文共同讨论出最佳答案。


换句话说,我们真有必要让每段上下文都有 5000、甚至 50000 个 token 那么长吗?真有必要在每次输入时都提交一整本书那么多信息吗?当然不用。


所以我觉得其中是有很大的效率发掘空间的,总之先构建起来,再想办法逐步改进


比如说我们可以先拿 1950 年之前的荷兰语历史数据进行模型训练,再随着时间推移不断改进这些模型。这样它就能理解重要的历史背景,而且这些历史背景已经不会再改变了。假设市面上一共有五种不同的荷兰语模型,但哪怕它们各自占据不同的文化或者宗教视角,对 1950 年之前的历史也基本会抱持相同的观点。这就是共通的基础,我们在此之外做具体的文化微调即可。


现在全世界也不过几十个国家,对应几十种文化。我甚至觉得很多文化基本是覆盖多个国家的,所以实际还没那么多。我们还是以语言为例,来自欧洲的阿拉伯人跟突尼斯的阿拉伯人连说再见的方式都不一样,但这并不影响他们拥有共通的思想内核。从外部视角看,总以为文化会有很大的差异。但并不一定,语言和文化的差异并没有想象中那么大。也许可以通过经常合作找到这种共通性的基础,同时尊重各自独特的要素。比如说伊拉克,那里有八大主要部落,各自拥有不同的语言和相应的家族发展史。


所以我觉得差异没有想象中那么大,不一定非要建立专属的大模型。我承认肯定会有独特的文化和元素,但这些应该是在建立了共通的上下文、找到求同存异的最佳答案之后再考虑的问题。


问题:选择哪种语言训练的大模型更有竞争力?


首先,我认为应该将语言和文化严格区分开来。


语言和文化之间当然存在关联。因此,我们可以使用英语训练大语言模型,然后将其翻译成其他语言,比如说韩语,这样就得到了韩语版本的模型,实际功能上并不受语言限制。然而,文化的差异确实存在,对于韩语内容,韩国人理解起来可能比美国人更容易。而这种差异不仅存在于美国和韩国之间,还广泛存在于消费受众和企业之间。以韩国为例,大多数亚洲国家都有自己独特而鲜明的商业文化,影响着交往方式、表达方式,甚至是专业人士之间的沟通方式。


比如,我曾在和亚洲的高级工程师们一起喝酒时发现,不能让酒杯离开视线,否则酒杯就会被再次填满。这是独特的文化属性,是无法仅通过阅读理解的。虽然这只是一个小例子,但却反映出背后深刻的文化差异。这些文化元素肯定会对在本地和国际之间进行分析产生影响。然而,如果能够添加一些附加元素,比如肢体语言,人们相互理解起来也就不那么困难。


总之,我相信本土元素在促进商业成功方面具有巨大的优势。


然而,真正的问题在于,并非每个国家和地区都有能力发挥自己的独特优势。例如,我多次访问过非洲,去过肯尼亚和安哥拉,他们可能没有足够的计算资源来展示自己的独特元素,或者至少还需要一些时间。但随着时机成熟,我相信他们将能够建立自己的本土比较优势。


重视“实习”:传统的 IT 教育方式已经不满足需求了


教育领域正在迅速适应技术创新,经历了一系列的变革。传统的高等教育不再是唯一的学习路径,行业主导的技能培训计划崭露头角,这种转变将使终身学习成为一种常态,个人和企业都将受益匪浅。


学位学徒制度的兴起进一步证明了这一趋势。雇主通过这种制度可以进行专门化的培训,而学徒在学习的同时能够赚取收入。越来越多的公司也开始大规模投资技能教育,将学习与实际工作相结合。


这种模式借鉴了技术工人的传统学徒模式,通过实际工作中的学习不断提升个体的技能水平。需要明确的是,这个概念并非没有先例:当你想到电工、焊工和木匠等技术工人时,他们的大部分技能都不是在课堂上获得的。他们从见习生到学徒,再到熟练工,甚至可能是熟练技工。在工作中学习是持续的,并且有明确的提升技能的途径。这种终身教育的方式——学习和好奇——对个人和企业来说都是好兆头。


教育的核心不再仅仅是所学专业,更重要的是教育经历是否培养了学习能力、设立宏大目标的能力、信息整合的能力以及批判性思维。 这些能力对于成功适应不断变化的工作环境至关重要。以德国为例,预备学校通过帮助接受过良好教育的难民学习技术,为他们更容易融入职场创造了机会。技术学习并不依赖于先前的职业背景,而是在于个体的学习意愿和能力。


未来,我们将目睹行业主导的教育机会崛起,逐渐超越传统的大学学位。这并非是对现有教育体系的取代,而是一种新的选择。在科技领域,学术学习仍然至关重要,但在其他行业,技术的快速发展将推动以行业为导向的培训和教育。


区分性别的个性化医疗科技正在腾飞


我关注这个话题是因为曾在医疗保健领域工作,文化、种族等差异都会影响人们的健康问题,而精准医疗的出现让我们能够更好地把握每个人身上的专有特质,标志着医疗保健行业迈向更高的层次。


近年来我看到女性保健在科技领域迎来了显著的发展。尽管女性每年在护理方面的支出超过 5000 亿美元,占人口的 50%,并负责 80% 的消费者医疗保健决策,但现代医学却基于对男性的默认假设。直到 1993 年 NIH 振兴法案颁布后,美国女性才被纳入临床研究。月经护理和更年期治疗等常见需求一直被视为禁忌,而女性在试验和研究之外的排除导致她们的治疗结果通常比男性更差。女性在很多疾病上的诊断时间普遍较晚,女性心脏病发作后被误诊的可能性高出 50%。处方药方面,女性报告不良副作用的比率明显高于男性。


然而,随着云技术和更多数据访问的帮助,女性医疗保健领域(也称为女性科技)的投资逐渐增加。亚马逊云科技与女性主导的初创企业密切合作,过去一年,FemTech 的资金增加了 197%。女性科技投资的激增,护理趋向混合化以及大量数据改善了诊断和患者治疗结果,将女性医疗保健带入了一个拐点。这种发展不仅将使女性受益,还将提升整个医疗保健系统。


现代社会对女性保健问题进行了更加开放的讨论,关注更年期等问题逐渐加强。同时,女性主导的初创公司崛起,吸引大量投资,标志着女性在医疗保健领域地位的提升。女性企业家的涌现将推动医疗保健行业更加注重个性化和全面性。在过去,女性在医疗研究中的参与曾受到限制,但近年来已逐渐有所改善,彰显了女性在医疗保健决策中的重要性。


结语


综上所述,2024 年将是技术发展的关键时期。人工智能助手和教育变革将在未来几年塑造我们的科技世界。我们期待着看到这些趋势推动技术的进步,为全球社会带来更多积极的变革。生成式人工智能的文化意识将为跨文化交流提供更深刻的理解。人工智能助手的崛起将提高开发人员的效率,缩短软件发布周期,教育的演进则将为个人和企业提供更灵活的学习机会。女性科技的崛起则将为医疗保健系统带来更全面、平等的服务。


在未来的技术发展中,我们期待看到更多创新的涌现,以满足不断变化的社会需求。通过对技术趋势的深入理解,我们可以更好地把握机遇,迎接挑战,共同创造一个更智能、更包容的未来。让我们共同努力,推动技术的发展,造福全人类。

原文链接:选择哪种编程语言已经不重要了,只提倡程序员下班后“多看看书”提升竞争力是误人子弟|独家专访亚马逊 CTO_生成式 AI_Tina_InfoQ精选文章