Travis Oliphant 在一个空学期里写出 NumPy，如今仍想让开源工作有人付钱

Lex Fridman 介绍 Travis Oliphant 是 NumPy、SciPy 和 Anaconda 背后的程序员，然后请他讲讲记忆里的第一个程序。那是四年级，他在班上用 Atari 800（也可能是 Atari 400）的 BASIC 循环打印东西，用了 GOTO。老师告诉他不要这样写，说那违反良好的软件工程原则。这是他第一次意识到，这个游戏是有原则的。直到高中的 Pascal 先修课程，他才再次遇到这些原则。C 语言则要等到大学才接触。

他对编程的恋情来得更早。十岁时，父亲带回一台 Timex Sinclair，兴冲冲地想用它做电子表格，他却非要父亲买下 BASIC 扩展包。这台机器只有 2K 内存，他们又加了一个 16K 的扩展包；存储用的是一台磁带机，它把比特变成声音。他至今还记得那个声音。大约十二岁时，他们换成了 TI-99/4A，它有精灵图形（sprites）、图形能力，还能编程做音乐。他说，就是在那时，他真正坠入了爱河。

数学一直是吸引他的东西，不过他很清楚，孩子为什么会被贴上“数学好”的标签：低年级的数学靠的是记忆、乘法口诀和很短的工作记忆。他记性不错，大人便说他有数学头脑。他真正喜欢的是解决问题，而计算机只是把这种习惯用到了极致。那时他还不觉得机器是思维的延伸，它太原始了，一个想法和一段能跑起来的程序之间隔着太多劳动。多年后，Python 才弥合了这道缝隙。“我能用 Python 思考，”他说。

这句话引出了一段关于语言的岔题。Oliphant 另一门熟练的语言是西班牙语，他还记得自己第一次在梦里说西班牙语的那一天。Fridman 会说俄语，他谈到一门满是战争、饥荒和被打破的承诺、又有押韵诗歌传统的语言，也谈到陀思妥耶夫斯基：他的作品对音乐性的依赖较小，所以翻译之后仍能成立，而诗歌则做不到。Oliphant 同意语言会把思维引向某些路径，然后他说出了那个令人难过的部分：大量科学和技术都活在英语里，因此许多天才始终没有被看见。这也是他偏爱那些能赋予人力量的工具、抵触威权结构的原因之一。

Oliphant 在 1997 年第一次接触 Python，当时他是梅奥诊所（Mayo Clinic）的生物医学工程博士生。此前，他作为电气工程师，用 MATLAB、Perl、VMS 脚本和周边的 Fortran 工具从卫星信号里提取数据。那一年，他筛选过包括 Yorick 在内的多种语言。有两件事让 Python 没有被淘汰。其一是数组：1995 年，MIT 校友 Jim Hugunin 写出了 Numeric，那是这门语言里第一个真正的 n 维数组对象。如今人们说 tensor，Oliphant 仍然觉得它应该叫 ndarray，只是这场命名之争他输了。

其二是复数。计算机科学家可以把复数当作两个浮点数，然后让用户自己去搭。但对一个整天和 FFT 打交道的人来说，复数是把物理与数学连在一起的代数结构之一。如果语言本身不提供它，每个团队都要重新发明，而这些发明之间又没有共同的思路。Oliphant 说，共享的抽象之所以强大，是因为社区能用同样的方式思考；它之所以危险，是因为它会把被丢下的东西藏起来。正是这种惯性，让他喜欢的 Julia 至今仍在 Python 的潮流里挣扎。

真正让他爱上 Python 的时刻要小得多。1998 年，他回看自己 1997 年为弹性成像写的 Python 代码，那是用超声和 MRI 把波送进人体，再反推出弹性；他发现自己仍然看得懂。而 1995 年写的 Perl，他已经完全看不懂了。他并没有在成为 Python 专家，只是能够持续使用这门语言，无需成为专家。用缩进代替花括号是一次跳跃，他也清楚其中的具体代价：粘贴出错、制表符和空格混用、哑终端。但他几乎没有撞上过这些问题，并且喜欢没有多余字符的视觉结构。Perl 崇尚简洁，直到整个文化把难读变成了一种标榜。Python 的关键字是英文的，而他整天本来就在用英语工作，这一点让他用起来顺手。

他没有研究过，但很好奇：如果你在日语或中文环境里长大，学这些英文关键字是什么感觉。不过，对于只浸淫在系统或网页编程里的人，他会坚决为数组思维辩护。20 世纪 60 年代的 APL 把整个数组当作一个对象，发明了专用字符，甚至还有专门的键盘，并且形成了一种文化，像 Perl 那样，以用 30 个字符写出生命游戏为荣。从文化上看，微软多年来都没有重视数组编程。MATLAB 继承了这一传统；Numeric 继承了广播和归约；NumPy 又继承了 Numeric。他说，一旦 n 维数组成为一等公民，你就不会再把它当作实现细节，而会开始用维度来思考。

SciPy 是较年长的那个孩子。1998 和 1999 年，Oliphant 像用 MATLAB 那样用 Numeric，却发现了不少空白：没有可以直接调用的常微分方程（ODE）求解器，没有积分器，也没有能接收一个函数并返回最小值的优化器。邮件列表上的人，包括 Conrad Hinson 和 David Ascher，都在公开希望有这些库。他是个穷研究生，妻子认为他在读博士，这没错；而他喜爱的博士生活，有一部分正是可以自由决定要造什么。于是他开始写自己需要的工具。

第一个扩展模块是一个读取 DICOM 医学影像的 I/O 包，那是他用 C 写的第一段对接 Python 的代码。Guido van Rossum 关于引用计数的帖子，是唯一让他没有在内存泄漏里迷路的东西。随后他找到了 Netlib：那里有几百个 Fortran 77 例程，都是 20 世纪 60 年代到 80 年代写成并经过测试的。他最喜欢的 Fortran 是带复数和数组的 Fortran 90；没人会用它写整个程序，但写一个子程序完全没问题。他封装了 ODE 求解器和 Quadpack，用一个糟糕的网页发布了 gzip 压缩包，然后眼看着用户冒出了一百来个。爱沙尼亚的 Pearu Peterson 寄来一个他并未完全看懂的 makefile。一个叫 Robert Kern 的高中生为收集起来的“multipack”做了 Windows 安装包，使用量随之猛增。Oliphant 意识到，二进制安装包决定了一个社区能否成长。这条经验后来成了 Anaconda 的一部分。

2001 年，Eric Jones 和 Travis Vaught 把他的模块与 Pearu Peterson 的 F2PY 等组件合在一起，做成单一安装包，并命名为 SciPy。最初的设想是一整套研发环境：数组、数学、绘图、REPL，也就是把 MATLAB 搬进 Python。在他看来，开源协作有一个合作上限：基础设施做得很出色，但参与的人一多，产品管理就一塌糊涂。绘图交给了 John Hunter，他是一位量化分析师，同年把 Matplotlib 作为独立库发布。Enthought 组织了 SciPy 大会，参会的大约 50 位在职科学家都想把代码写好，并摆脱对 MATLAB 的依赖。Oliphant 并不是开源狂热分子。他反感的是，有人把代码公开了，却告诉读者要运行它就得先买 MATLAB 许可证。

那时他有三个孩子，后来还会有六个。他很欣赏 Richard Stallman 关于知识产权法和集体协作的写作，然后读到一句大意是“要像我一样，别生孩子”的话。那条路他走不通。必须有一种办法，既保住开源的文化，又能养家。这个缺口，在同一批博士岁月里，把他带进了他从未学过的经济学。他高中是毕业生代表，大学也成绩优异，却很尴尬地发现，一个人可以做到这一切，却仍然不懂钱和价格是怎么运作的。

他读了马克思和亚当·斯密，最后落在 Ludwig von Mises 1920 年那篇关于社会主义共同体经济计算问题的文章上，那是在布尔什维克革命之后写的。没有私有财产，就没有真正的价格；没有价格，官僚就无法分配资源；价格从交易中产生，而交易又需要对所交易之物有权威。自上而下的体系拿不到这种信息流。这个论证让他豁然开朗。价格是一种信号。开源也有一个近亲：谁能解决问题，谁就获得影响力，这种影响力用声望和贡献来衡量，货币则不计入。

那几年他在杨百翰大学任教，讲信号处理、概率论和电磁学，也因为讲得“太高深”而收到不少差评。他很尊重学生，于是默认他们已经懂他懂的东西。他的第一门课用投影片，教室昏暗；两周后的测验显示，没有人真正学到东西。他把投影片收起来，改用黑板。写字让他慢下来，让学生有时间思考，也让他自己专注。字迹难看，那也是他喜欢的自己的一部分。这条教训也进了 SciPy：名字要短到一眼就能看懂，文档要丰富到足以带人进入细节，知识要直接交出去，用不着拿来炫耀。

到 2004 年，Oliphant 已经进入终身教职的评审轨道。评语说，论文就在路上，但他应该少做开源，多写基金申请。与此同时，年轻的科学 Python 世界正在分裂。Perry Greenfield 所在的 Hubble 团队需要更丰富的数组类型、更稳定的广播，以及 Numeric 没有的记录数组，于是他们做了 NumArray。随后 ND Image 问世：形态学、膨胀、开运算，以及医学影像人员一直想在 SciPy 里用上的分割工具，而它只能跑在 NumArray 上。Numeric 和 NumArray 无法共享数据，同一个进程里，两种数组各占 1 GB 也是有可能的。两份内存，两套技术栈，两个社区在重复劳动。

命运随即给了他一个空档。他本来列了一门数字 MRI 课程，结果两名学生报了名又退了课，那个学期他没有别的课。于是他决定合并这两个库。他曾与 Paul Dubois、David Ascher 和 Conrad Hinson 一起编写 Numeric 的 C-API 文档，所以熟悉其中的结构。头四个月做出了第一版，又花了十四个月才让它真正可用。最难的是头四个月。技术核心是一个名为 dtype 的新类型对象，以及真正的广播和高级索引，不只是切片，还包括掩码和间接索引。为了把两个阵营都拉过来，他必须与 Numeric 和 NumArray 向后兼容。他说，NumPy 里至今仍有的许多古怪复杂性，都是那个目标留下的化石；如果从零设计，他不会那样写。

Fridman 称赞他的同理心和没有自我，并指出这正是他在 JavaScript 框架里看到的失败模式：它们选择分叉，而不去倾听。Oliphant 补充说，光倾听还不够，你还得真想把东西做出来。大约六个月后，Francesc Alted、Robert Kern 和 Charles Harris 加入进来，这些默默无闻的英雄用贡献来鼓励他。转折发生在 2006 年：John Hunter 放弃了 Matplotlib 的 Numeric/NumArray 双后端，让 NumPy 成为它的依赖。“我们做到了，”Oliphant 想。2006 年到 2009 年间，影响之大让他目瞪口呆。人们开始用 NumPy 来思考。这种语言上的转变，不只是库的转变，是他没有完全预料到的。

2006 至 2007 年间，终身教职之争撕裂了系里，一路闹到校长那里，最后回来的结论是两年后可以再申请一次。他拒绝了，给 Eric Jones 打了电话，于 2007 年搬到德州。他在 Enthought 待了四年，并成为总裁；两人还一起帮 Jones 买断了一位合伙人的股份。这件事的结局并不好。他和 Jones 现在已经不是朋友了。他仍然尊重对方，也不愿讲述其中任何一方的版本。2012 年，他与 Peter Wang 创办了 Continuum Analytics，2015 年更名为 Anaconda。

在那次离开之前，他已经做过一场实验。他手上有一名研究生，却没有经费，又不想走寻常的募资路线，于是写了《NumPy 指南》（Guide to NumPy），自费出版，并收取 PayPal 付款。规则很简单：如果这本书卖出 25 万美元，或者五年后，他就把它开源。三年里他卖出 3 万本，收入 9 万美元，足以每年付给学生 2.5 万美元。大约有五封愤怒的邮件骂他收费是坏人；但也有更多人认为，用一本书为开源筹款，是一种公平的做法。一年半后，他在 Enthought 有了薪水，而 SciPy 的文档小组需要这些页面，于是他提前把书开源了。DARPA 的 Chris White 记得这次定价的噱头，回头找到了 Anaconda，一份跳过演示日的提案仍然拿到了资金。9 万美元的书销量，最后变成了数百万美元的研究经费。

2012 年，他在 NumPy 邮件列表上发了一封信，宣布离开项目。回头看，他不会再用数组标量来替代类型。Python 2 让用户定义的类成了真正的类型；他当时几乎没有理解那个元类钩子，于是搭了一套 Python 1 时代风格的系统，其中每个 dtype 都是同一个类型的实例。代价不在速度，而在笨拙：新类型、四元数、posit、渐进式类型，以及与 Numba 的干净衔接，都变得更难。最明显的疤痕是 GPU。从原则上说，NumPy 数组没有理由不能跑在 GPU 上；CuPy 的存在，就是这段历史的产物。他正在推动 data-apis.org，要的是一套共享的 API，而不只是一个数组，因为如今这种分裂局面，即 TensorFlow 和 PyTorch 被硬接在那些较晚才发现 Python 的 C++ 库上，比 2005 年还糟。他说，Facebook 让社区进入了结构之中，Google 要的是用户，而非贡献者。他仍然偏向黑客，也知道偏向这一边，可能会耗尽资金。

NumPy 早期，Oliphant 与 Paul Dubois 一起约 Guido van Rossum 在圣马特奥吃午饭，提议把数组对象放进 Python 3。他们没能把 NumPy 放进语言本身，却拿到了它的骨架，包括一个 memoryview 对象：他写了它的 C 内部实现，而它的 Python 接口后来由 Antoine Pitrou 和 Stefan Krah 修补。他从 Guido 那里学到的是开放，是在科学问题上愿意让步，以及回应贡献者、不让他们走开的习惯。缺失的矩阵乘法运算符晚了大约十年才到来。Guido 1998 年关于引用计数的笔记，至今仍是 Oliphant 能写出第一个扩展的原因。对他来说，Guido 因海象运算符（walrus operator）辞去 BDFL 一职，是一种熟悉的压力：只要做的事有分量，就不可能人人喜欢。

2012 年那封 NumPy 信件是一段艰难的时期。他说，批评者是必要的，因为你不可能什么都做对；但刻薄是另一回事。信息不完整时，人们会用最坏的故事去填补空白。他宁愿默认对方怀有善意，因为人们常常会不负这份善意；而一支想要发布产品的软件团队，必须练就这种默认。这是工程上的硬要求，不带道德口号的味道。Twitter 和 Facebook 已经学会，负面情绪能换来互动，所以这场斗争是结构性的。他还处在一个尴尬的中间位置：他对创业足够在意，让一些开源人士感到不安；对开源又足够在意，让投资人感到不安。

Python 3 是他研究惯性的一个案例。2005 年，他就已经在和 Guido 谈论跟上 Python 3 迁移的事。对 Python 2 的支持一直持续到 2020 年。在他看来，3.0 到 3.2 版没有多少值得喜欢的东西；他把 3.3 视为真正的 3.0，3.4 是他想要的第一个版本，而 3.5 带来了 @ 矩阵运算符，是人们不得不接受的版本。print 变成函数，修掉了 Guido 一直讨厌的一件事，但这不足以让大批人迁移。光靠“这是新版本”，无法让人挪窝。另一条教训是钱。Guido 有工作，但那份工作并不是全职做 Python。这门语言是靠志愿者劳动运转的。Fridman 想知道，匮乏是不是一种特性，就像经费不足的奥运选手那样。Oliphant 承认其中有一些道理，但他不认为钱和价值观是对立的。

当时正在领导特斯拉 Autopilot 的 Andrej Karpathy 发推说，在数据加载路径里把 np.sqrt 换成 math.sqrt 有帮助，有人回复说另一种写法还要更快。Oliphant 对此并不意外。NumPy 的数学函数是通用函数（ufunc）。对标量调用它时，标量会被广播成零维数组，穿过整套 ufunc 机制（类型转换、广播、解包），然后才交给 C 库的 sqrt。Python 的运行时可以为标量做特化，从而绕过这一整套流程。在大约一千个元素、也许一万个元素以下，原生 Python 可能更快，尤其是任务受 I/O 限制的时候。超过这个量级，数组带来缓存局部性、SIMD 和容易并行化的优势。他同意过早优化确实是一种恶习。为了更快的平方根而牺牲清晰度，往往是更糟的交易。

NumPy 里的 vectorize 只是他想要东西的假版本：给它一个 Python 标量函数，得到的是一个 ufunc，只不过每个元素都要弹回解释器。2009 或 2010 年，他试过 PyPy，但太重了。2012 年，他和 Wang 刚创办 Anaconda，又听过 Dave Beazley 讲 LLVM，于是写了一个编译器：把 Python 字节码映射到 LLVM IR，再让 LLVM 生成机器码。Numba 本身是用 Python 写的。它不解析，也不生成代码，它做的是翻译。他说，LLVM 的好处是提供了一块人们能共同协作的平台，那里面没有 GCC 或英特尔编译器那样的内部细节。这个项目重写了三次。原型很容易写，但要写出一个不乱成意大利面的编译器，就难了。

商业上的划分很干净：CPU 上的 Numba 免费，GPU 上的 Numba Pro 收费，它是最早的 CUDA JIT 之一。到 2013 年，你就能写一个 ufunc，把它放到 GPU 上，自动并行化，然后看到千倍的加速。大公司愿意为速度付费，也愿意为好用的界面付费。他说，这两样，是人们在开源周围总会买单的东西。同一时期，他还注意到一种社会层面的错位：2001 年 9 月 11 日事件已经满二十年，中东地区花掉了 6 万亿美元以上，而写出支撑科学工具的人，往往仍然没有报酬。Fridman 提出一个说法：相互贸易的国家不会开战，也许一起写代码的国家也不会。开源没有国界，商业却有。Oliphant 与伊朗和巴基斯坦的程序员做过线上交流，他认为，如果下一场大国冲突是各国都有强大开发者的网络战，这种人与人之间的连接层也许就很重要。

Continuum Analytics 起于两个技术押注：把 NumPy 和 pandas 扩展到多台机器上，并且不让网络绕过 Python 去抢它的位置。朋友、家人和愿意冒险的人都投了钱，所以 Oliphant 不愿玩风险投资那种“要么做大，要么出局”的游戏。他做咨询，这样就不会赔掉别人的钱，同时保留一部分上行空间。Dask、Bokeh、Numba、Conda、Datashader、HoloViz、Panel，以及为 JupyterLab 添砖加瓦的工作，都是在这股劲头里诞生的。他们发出了两份 DARPA 提案，其中偏数值方面的那份因为错过了五分钟的截止时间而落选。Chris White 仍然让一部分资金流向了基金会。打包之争则更早。2012 年，在 Googleplex 的一次聚会上（Wang 有一张 Oliphant 与 Guido 交谈的照片），他们说用户装不上这些软件。Guido 的回答是：你们自己去修。他自己从不安装新库。Oliphant 承认，如果你创造了这门语言，就可以把你需要的东西放进发行版里。

这份痛苦已经在扭曲 NumPy 本身。有人告诉他不要改这个库，因为他们花了一个星期才把 Python 装好，一改就得全部重来。SciPy 里满是 Fortran，scikit-learn 则串联着 C++。早期的 Python 打包无法处理二进制依赖。他们想要一个在 Windows、macOS 和 Linux 上都能用的包管理器，而且不想让它只服务于 Python。Conda 在 2013 年发布。从 2013 年到 2017 或 2018 年，conda install scikit-learn 是拿到整套技术栈的可靠办法。pip 后来也有了 wheel，但 wheel 止步于 Python 的边界，并且把二进制文件打包进去。只要底层库一换，你就得重建整个 wheel。他仍然认为用 pip 安装 TensorFlow 是个坏主意，而文档却一直在推荐。在网上搜索安装方法时，Conda 已经掉出了第一页，长尾文档里全是 pip 的方案，尽管 Conda 比 pip 的答案出现得还早。

他的实用建议是一种混合方案：用 Conda 搭建环境，把 NumPy、SciPy 和 scikit-learn 放进基础环境里，再用 pip 安装那些小型的纯 Python 工具。用 pip 安装 OpenCV 或 TensorFlow 要小心，因为一旦装上，就很难更新。他一直希望 pip 能把部分依赖交给系统包管理器，比如 Conda 或 RPM。他说，这个功能并不难做，只是没有经费。Conda-Forge 把配方做成了社区化的。至于 Conda 本身，他说得毫不含糊：它从来没有变成社区驱动，而这场斗争不该只让 Anaconda 一家去扛。每个项目都是从公司支持起步的，即便那家公司只有一个人。要成为基础设施，它就必须交到别人手上。

Oliphant 在 2018 年离开 Anaconda，创办了 Quansight，它的宗旨是把数据与开放的经济连接起来。咨询业务是一家全栈数据科学公司，做基础设施、Dask、GPU、培训和人员外包。Quansight Labs 则带点非营利色彩。企业可以购买一份“社区工作单”，也就是请一位 Spyder、NumPy 或 SciPy 维护者工作一个月。企业可以提出优先事项，但不能指定工作内容，由维护者和社区决定。每个 Quansight 项目的一部分利润，都会投入 Labs。他多年没有因为维护 NumPy 拿过报酬，如今终于开始付钱请别人去做了。

OpenTeams 是最让他兴奋的部分。他向埃克森美孚、壳牌、摩根大通和美国银行推销时明白，企业并不缺产品。它们买下平台，然后花大价钱请顾问去定制。开源加上同样的定制，可以更便宜。OpenTeams 是一个网络：它促成企业交易，把交付交给 Quansight 这样的公司，并对质量负责，这样客户买到的就不只是一条线索。Quansight Initiate 是一只早期基金，会把一部分收益分成（carry）交给 Labs。他认为，每一支风险投资基金都应当配一个开源实验室：投资人看到的是年轻公司，实验室看到的是社区，而这个循环本身就应该是一种产品。他复盘时说，Anaconda 发明得太多，结构得太少。Dask 已经分拆出几家公司，Bokeh 本可以再成一家，JupyterLab 则衍生出好几家。他希望把这种自然涌现变成一份可复制的配方。

微软在 2014 年提出收购早期 Anaconda 时，发起人离 Satya Nadella 还差两层。当时微软刚收购了一家 R 语言公司，想在 Python 这一侧也下一注。如果是 Scott Guthrie 出面报价，Oliphant 说他现在很可能已经在微软了。他认为微软收购 GitHub 很聪明，因为微软一直清楚自己的力量来自开发者。Ballmer 的那个梗很笨拙，但洞察是对的。他尚未看到的是 OpenTeams 那样的结构。为开发者喝彩，和让开发者拿到报酬，是两件不同的事。他给那些想赢得黑客好感的公司提的营销建议毫不含糊：拿出一部分广告预算，交给 NumPy、SciPy 和 Jupyter。把它当作有可读 ROI 的营销，别当成慈善。NumFOCUS 就是为了让这种转移更容易。难点在于找到能调动资金的 CMO，同时别把钱砸下去，制造新的问题。

被问到好的程序员需要什么，Oliphant 首先说的是好奇心。没有它，工作就会变得乏味，最好的工作也不会发生。第二，不要试图一次做完所有事。先把问题收窄：写代码之前，先写下输入、输出，以及你真正想达成的目标。把大项目整个吞下去，往往做得很糟。第三，善用别人的工作。从 Stack Overflow 上复制，或者从 Codex 上复制（他把 Codex 看作 Stack Overflow 的搜索引擎），都没有问题，前提是你理解了那段代码。不假思索地粘贴，什么也学不到。第四，对炒作周期保持怀疑。测试驱动开发、面向对象、敏捷：每个口号都有它的信号，但没有一个是解决一切的答案。

要怎样成为下一个创造 SciPy 的人？去倾听那些有问题的人，而这几乎就是所有人；然后去做实验。第一个版本大概会很烂。迭代是创新的核心，而人们之所以止步，往往就是心理上不敢发布那个糟糕的东西。好的工作不能靠刷屏完成，对一个深刻的问题，要坐下来待上一两个小时。构建 SciPy 和 NumPy 非常孤独。对他来说，内在动力是一种信念：这件事是对的。Python 已经有了有影响力的用户，却缺少库，所以写这些库本身就是好事。给一个新的开源项目 18 个月，再决定反馈是不是已经到位。6 个月远远不够，因为你面对的是人类的惯性。

催生这些库的工作环境，是一台 Linux 机器上的 Emacs，先是 CVS，后来是 SVN，再后来才是 Git。他曾发推说 Emacs 胜过 Vim，结果招来大量反驳，他最后删了推文。不过，只改一个字符的时候，他仍然会打开 Vim。Lisp 的括号曾经让他的思路受阻；如今他欣赏它的结构，也喜欢 Clojure 和 Hy 这样的项目。但他不认为 Lisp 能吸引偶尔写代码的人，那些人永远不会以编程为生，也不想在脑子里塞进花哨的语法。这正是 BASIC 能成功的原因，也是微软本该早十年就把这块市场交给 Python 的原因。他屏幕用得不多，窗口都在脑子里切换。十年来他一直用 Mac 笔记本，因为会议室的投影仪搞不定他的 Linux 桌面。他的招聘建议和职业建议是同一套：开一个开源项目，让人们来贡献，然后雇用他们。一两个小时的面试几乎说明不了什么；几周的合作却能说明很多。他最信任的筛选标准是谦逊，也就是承认自己还需要学习。他的妻子现在说他话太多了。

Fridman 请 Oliphant 给想要过上值得骄傲的生活的高中生和大学生一些建议。Oliphant 先从家庭说起，但家庭的定义比血缘要宽：找到你所爱的人，对他们作出承诺，让这份承诺成为其他东西都给不了的锚。然后再去找一些你也愿意承诺的东西，比如观念和团体。尤其是在高中阶段，不要把自己以为知道的东西就此定下来。给自己十年时间。他看到有些学生已经什么都懂了，就像他当年一样。观点是会变的。他曾是个激进的自由意志主义者（libertarian），反感美联储；如今他的看法更有层次，但仍然希望能有一场更长的货币政策对话。

他最想让人记住的一句话，是关于建设的。当你不喜欢某样东西时，本能是去攻击它。更好的做法是造一个替代品，并吸引人们走向你的路径。你不必摧毁一个项目，才能确立另一个。跟随好奇心，而不只是跟随金钱。找到你相信正确的事情，并坚持足够久，直到人类的惯性追上来。Fridman 以一个程序员的玩笑收尾，那是一条名为 Hodgson's law 的定律：每一个足够高级的 Lisp 应用，最终都会被用 Python 重新实现一遍。