编程语言是思维的自行车

Lex Fridman 向观众介绍 Chris Lattner，称他是现代计算领域最重要的工程师之一，这是他第二次做客播客。Lattner 创建了 LLVM 编译器基础设施和 Clang 编译器，设计了 Swift 编程语言，参与了谷歌 TPU 相关的软件工作，担任过特斯拉 Autopilot 软件的副总裁，并在苹果担任过软件方面的领导职务。他现在是 SiFive 的平台工程资深副总裁，这家公司希望让定制芯片的设计更快、更好，也更便宜。

Fridman 说，他从这次对话中得到的个人教训是谦逊：Lattner 作为工程师和工程团队的领导者都堪称顶尖，却依然愿意听取分歧并从中学习。插播广告之后，他以一个刻意设计得很难的问题开场：Lattner 与乔布斯、马斯克和 Jeff Dean 都共过事，那么，Fridman 问，这三人各自最突出的品质是什么？

Lattner 拒绝给三个人排个高低。乔布斯和马斯克都有远见，也都要求极高，但他与马斯克的合作远多于与乔布斯的合作，所以他把两人追求的东西区分开来。在他看来，乔布斯更看重人的因素：他想做出人们会爱不释手、会改变生活方式的东西，并且会提前一步去想人们将来会想要什么。马斯克则更侧重技术，他会花时间和工程师待在一起，并努力预测指数曲线究竟会怎样展开。

关于设计师如何与工程师打交道、又赢得他们的尊重，Lattner 说得很谨慎：他与乔布斯并没有密切合作，也不算专家。他的感觉是，乔布斯会非常用力地推动，等听到一个讲得通的解释之后就会放手。他尊重工程，也知道什么时候该继续施压。Lattner 说，如果你能很好地读懂人，就能分辨出他们什么时候在保留，什么时候还有余力可以再挖一些。这种能力很难教。

Jeff Dean 属于另一类。他极其聪明，而且 Lattner 特别强调，他是一个真正友善的人：典型的谷歌人，希望身边的人都过得开心，并能把一群人凝聚起来，因为聪明和善意在他身上同时出现。他仍然写代码，领导方式是亲手做技术，再把人吸引过来。Lattner 不认为他是 CEO 型的人，也不认为 Dean 会想要那个角色。在 Lattner 看来，领导力没有统一的模板，它取决于时代、地点和所面对的问题。

问到他从这三个人身上为自己的团队借鉴了什么，Lattner 先从不起眼的部分说起。你必须扎根于产品、技术、业务和使命。在他看来，特斯拉统一的愿景，比如清洁能源和电气化，是这家公司的超能力之一：人们来上班，是因为相信这件事。你还得懂得什么能激励人，怎样把其中最好的人招进来，以及如何写出真正能执行的计划。很多问题其实不必解决，确定优先级本身就是工作。

他越来越能接受的一项能力，是接受自己不知道答案。“领导力的很大一部分，其实在于找到正确答案，而非事先掌握答案。”在一个由能干的人组成的团队里，工作就是建立信任，让人们愿意敞开心扉，并让一个只成了一半的想法留在房间里，直到它长成好东西。环境不能是自上而下的“汝应当”式命令。人们必须是解决方案的一部分，并且要敢于在你出错时告诉你。

他给出了一个具体的练习。他曾经在港口附近待过，几乎完全不懂船是怎么设计的。结果发现，只要问很多笨问题，人成长得会非常快，前提是你身边都是乐于教人、同时自己也仍在学习的人。这种做法，也就是把自己放进懂得更多的人中间，并且愿意显得无知，是他在整期节目中不断回到的习惯。

Fridman 以刻意拔高的哲学视角发问：编程语言到底为什么重要？Lattner 从机器讲起。计算机是擅长特定工作的机器；人脑有了一个想法，希望把活儿交给机器完成。你可以用汇编语言告诉硬件具体该做什么，也可以一层层往上攀登抽象，直到设计出一个神经网络替你干活。每一门语言，都是在这架梯子上押注该在哪里停下，以及停在那里能换来什么。可移植性，即写一次、就能在电脑或手机上运行，只是这些押注里最基础的一项。

他说，大多数人走到一门语言前，争的都是大括号、制表符和分号。那些都是浅层、主观的表面特征。做得好的语言，关乎的是表达。它有两层：一层是底层机制，比如类型系统、编译器，以及让计算机高效运转的那套机器；另一层是介于这些底层与人之间的用户界面。人是有感受的，他们能分辨一门语言是被设计出来的，还是出于偶然。照 Lattner 的说法，Swift 在打磨这种手感上花了不寻常的心血，同时也没有怠慢底下的机制。

怎样预测几十万人会喜欢这样的界面？先减去那些让人痛苦的东西。样板代码太多，你会觉得自己毫无产出。像 C 那样的内存不安全，会让你一直追着悬空指针跑。不过，Stack Overflow 上得票最高的回答，所代表的是一小撮声音很大的人的偏好：代码要安全，要合乎规范，还要稳定。这未必就是多数用户真正需要的。把争论压缩到最简单，人们其实并不在乎 goto，他们在乎的是把一台网络服务器搭起来。从语言设计者的位置看，有两件事占主导：有哪些库，以及你能多快把它们拼到一起，包括调试和迭代的周期，而不只是初版代码写得多快。

世界在这里分岔。Python 很擅长拼装东西，却不太擅长写某些类型的库，所以对性能敏感的部分就用 C 或 C++ 写，再包一层。你因此同时生活在两个世界里，而两个世界从来都不太好：工具和库没有真正对上。你不会为了速度或 GPU 加速，用 Python 去写机器学习框架，你只会用 C++ 去写它，再从 Python 去调用。让程序拼装起来顺手，在编译期就捕捉 bug，是其中一部分；让语言里的值表现得符合数学家的预期，也是。

Lattner 拿张量（tensor）作为例子。张量是带有普通运算符的多维数字网格。在 Python 里，有时你得克隆一份，原因在于引用语义：你握着的是指向对象的指针，指向的并非对象本身。把张量传给一个函数，函数加了点什么，调用方手里那一份也跟着变了。把它交给一个会把引用存进字典的对象，再接着修改，就没人说得清数据归谁。习惯数学思维的人会觉得很恼火，因为数学是传值的。Python 悄悄地不这么做，你往往要到调试器里才会发现，或者不得不去读库的代码，才能弄清克隆该放在哪里。

Swift 默认采用值语义。张量就是一个值：复制一份，你得到的就是一个独立副本；改动其中一个，另一个不会跟着变。数组、字典以及其他集合也是同样的做法，因此传递数据结构时不必大费周章地做防御性克隆。这从定义上消除了一整类 bug，Lattner 称之为大多数人真正在乎的头号效率收益。它同时也是性能上的收益，因为防御性克隆复制的数据，很可能根本用不着复制。

实现上的关键技巧是写时复制。如果你把数组传给一个只读它的函数，大家共享的是同一块内存；只有发生修改时，才会真正复制一份。如果只剩一个引用，Swift 就可以原地更新。Java 用不可变字符串来模拟值语义，结果把 x 和 y 拼接起来时，会另外分配第三个字符串，以防有人仍然持有输入的指针。纯函数式语言在更多地方付出这种代价。Swift 的赌注是：默认使用值，直到写入时才恢复共享，这样的组合落在 Lattner 没在其他语言里见过的甜区。你不必为了正确性牺牲性能，也不必整天琢磨自己手里是不是唯一的引用。

他把这一点归入一条界面原则，这条原则他和类型一样看重：复杂性的渐进式披露。和 Python 一样，Swift 让你一开始就能写 print("hello, world")。而其他语言会在第一天就让初学者面对 public static void main、访问控制、类和包。那些强大的功能依然存在：模块、类，甚至如果你想用 C 级的指针，也还有 malloc，只是它们不在教程的第一页。他说，把复杂性拆解开，让默认路径既安全又快速，同时让高级用户能往下钻，是最难的设计工作之一。好的设计是可以感受到的，即便局外人总把它当成品味问题。

Swift 的设计并非出自一人独断。一个由约六七人组成的核心团队，自语言早期便一直参与其中（Swift 于 2014 年公开），负责维持连续性：他们打算填补的空白、计划安放的巨石，以及他们已经为之付过代价的错误。围绕他们的是 Swift Evolution 社区，数百人热情高涨，Lattner 说，他们常常提出核心团队想不到的好主意。讨论串本身不会产生共识。提案流程让核心团队能够征求社群的一致意见、保留护栏，并确保长远的走向不会跑偏。

Fridman 说，自己在 C++ 的大括号里感到安心，同时也明白为什么 Python 没有大括号也觉得没问题。Lattner 把这当作证据，说明大括号还是缩进，都算不上关键。真正艰难的决定，是那些每个人都同意某个空白应当被填上、摆在桌面上的提案只有一个，而且附带一堆缺点的时候：是采纳，是延后，还是先做另一个功能，免得把自己逼进死角。多个大脑之间的连续性，胜过单一的记忆。类型就是其中一个维度。Lattner 喜欢 Fridman 那个说法：Python 只有一种类型。鸭子类型让人很容易快速敲出代码，也很容易把字符串传到本该接收整数的地方，然后在一个你从未想读的库深处爆炸。类型也有代价。设计者会把类型的代价，与垃圾回收还是引用计数、编译还是解释、以及并发等取舍放在一起权衡。

如果一门语言拒绝对内在的复杂性建模，比如包，复杂性并不会因此消失，它会转移到模式和生态里，像 npm 那样，而且往往会碎片化。语言里塞得太多，你会为此付出永久的代价。把问题建模得足够充分，就能给人一套可以用来思考的结构。他借用了乔布斯那句关于电脑是思维的自行车的话，把它搬到语言本身上：你可以走路，但骑自行车能更快到达。提高抽象层级，让你能借用别人的库，正是重点所在。SwiftUI 基于值语义的声明式界面模型，就是当下的例子：用更少的代码做更多的事，整类 bug 从定义上被消除。

问他见过的最美的语言特性是什么，Lattner 没有挑一个巧妙的运算符。他选的是能写出感觉像原生一样的库的能力。在 Swift 里，Int 和 Float 都是库类型，并非编译器里的特殊内置物；标准库需要的东西，你的四元数类型同样可以用。Lisp 是这个世界的极端版本。Java 和 C 则是反例：你可以定义一个类，但 Java 里的 complex 是引用类型，于是丢掉了值语义，也就丢掉了数学。第一性原理思维，让你能判断什么时候该打破惯例。Swift 最初带着自增、自减运算符，是因为它们是从 C 里照搬来的，后来演进流程把它们去掉了。x += 1 更清楚。在他看来，清晰，就是语言不再制造痛苦的方式。

Fridman 把话题引向争议：Python 3.8 的海象运算符 :=，既赋值又返回值，而它的争议促使 Guido van Rossum 卸下终身仁慈独裁者（BDFL）的职务。Lattner 没有停在这个功能本身上。海象运算符之所以引起争论，是因为它属于语法糖，也就是用更简洁的写法表达语言本来就能做到的事。并非所有东西都是语法糖，类型系统显然就不属于此类。语法糖的取舍几乎完全是主观的：这种情况多久出现一次，更短的写法值不值得？人的心理让争论变得更激烈。人们会系统性地高估学习新东西的负担，它看起来陌生。要是第一天它就在，那它就只是 Python 的一部分。

Lattner 对 Guido 不算熟悉。他的感觉是，Guido 不仅扛着决策者的重担，还把这件事和自己的身份绑在一起，于是把争论当成了私人的事。他就是“那个人”，身边没有支撑的结构。Python 社群很大，哪怕只有百分之一的人发来仇恨邮件，也是数量可观的仇恨邮件。Fridman 指出，核心开发者中有多数反对海象运算符，或者至少看不出它有什么好处，这造成了一种停滞、压抑的感觉。Lattner 的回应是，给语言添加东西是一种高负担的行为：人们会在它之上构建，你无法收回，而且一门已有二十五年历史的语言也不必急于求成。到了某个时候，Python 已经超出了 Guido 本人。现在它属于用户了，哪怕他的大部分职业生涯都在其中。

Fridman 反驳说：艰难的决定本来就会引起分歧，领导者无论如何都得凭直觉拍板。Lattner 举了创始人的例子。创始人知道公司是怎么走到今天的，能够说：我们二十年来一直这么做，今天我们改做 Y。创始人离开之后，即便接任者拥有 CEO 的头衔，往往也感受不到那种主动权。原因有两个。第一，他们没有参与最初的决策，于是旧路线在他们眼里就像福音。第二，即使理论上由你负责，你也只是一个自认为负责的人。你仍然得激励团队、解释转向，并让他们相信这个方向。他们不相信的转向，奖金也买不来。领导者的权力是有上限的。

Swift 尝试避免让这份重担压在某一个人的身份上。核心团队认真对待这一角色，然后把最终决定交给群体的智慧，让决定不至于变得私人化。流程是透明的，理由都写下来。Lattner 把它比作最高法院的判例：一份记录既指导下一场论证，也起到防御机制的作用。人们抱怨的是“那项决定”，指向的是决定本身，而非“那个人”。团队里的人仍然会有分歧。成员变化很慢，他认为这是健康的，苹果、谷歌和 SiFive 也都在这张桌子边上。从原则出发，再把原则讲清楚，让社群认同，这是他所知道的让这件事行得通的唯一办法。

LLVM 很快就要满二十岁了。Lattner 说，社群已经到了可能僵化的年纪，这是真实的危险。有一批人在上面工作了十年，时间长到足以让他们看不见问题。LLVM 有很多问题，如果项目自己不去修，别人也会去修。Lattner 自嘲，自己的毛病正好是爱的反面：他看到了许多缺陷，看着它们很不顺眼，却已经没有时间去写补丁。这些问题像指甲缝里的沙子一样硌人。每当他说某个东西应该修，会场里的人听到的是“这听起来很冒险”。

新的框架是 MLIR（多层级中间表示）。Lattner 打趣说，编译器圈子的人不擅长起名字，很多人以为 ML 指的是机器学习。以往的编译器通常是为某个领域量身打造的完整方案：LLVM 很擅长 CPU，JVM 很擅长需要动态编译的带垃圾回收语言。每个领域往往都要从头重建整套技术栈，里面有大量重复的基础设施。Swift 自己就有一个 LLVM 后端，又有一层 Swift 专用的高层部分，重复了很多类似的机制。

MLIR 是一堆编译器基础设施，用来更快地构建这些领域专用的编译器，而且结果确实很好。它覆盖的领域包括定制加速器、矩阵乘法硬件和硬件综合，也就是把设计编译成硬件电路。它比 LLVM 更通用、更灵活；在 Lattner 的说法里，LLVM 只是 MLIR 能做的一部分。更让局面复杂的是，MLIR 已经并入了 LLVM 项目。那些维护了二十年经典组件的人，对这个新东西并不熟悉。它是由 Lattner 和其他人构建的，他们很清楚 LLVM 犯过哪些错，所以能够修正它们。新东西总让人觉得不可靠。他认为这种张力是健康的：想法会慢慢渗透，人们会用自己的语言重新理解这些工作。扩散很慢，但它正在发生。

SiFive 是围绕 RISC-V 成立的，而 RISC-V 正是编译器真正与之对话的指令集。Lattner 提到的功臣之一是 Dave Patterson；RISC-V 的三位创始人在伯克利的研究基础上创办了这家公司。RISC-V 的特别之处在于它是开放标准。x86 芯片可以由英特尔和 AMD 生产，ARM 卖授权，MIPS 有所有者并对外授权。RISC-V 则是任何人都能实现的规范，就像 TCP/IP 或 C 是标准，而非某个单一的二进制文件。SiFive 既推动标准向前发展，也在整个设计谱系上销售实现，从微小的内核到又大又耗面积的内核都有。

制造是另一个行业。台积电、三星等芯片制造厂，把设计转化为光刻掩膜和硅片，批量可达数亿颗。从类似 Verilog 的源码一路走到芯片厂能接受的东西，这条路是一条古老且被充分研究的流水线，经过多年并购，如今主要由三家 EDA（电子设计自动化）厂商主导。工具零散，标准松散，生产力就消耗在胶带和补丁上。Lattner 忍不住把整条流程看成一个编译器：有表示，有变换，组合性和易用性都很重要。在所谓摩尔定律的终点，定制加速器是仅存的几条获取性能的途径之一，这使得这套设计技术栈一下子具有了战略意义。

计算史上充满了随公司一起兴起又消失的指令集。Sun 的 SPARC 仍在苟延残喘。惠普的 PA-RISC 撑着一条服务器业务和一大批客户，直到惠普转向英特尔的 Itanium，结果并不理想。你为一种由单一公司拥有的指令集投入数十亿美元，然后那家公司做出一个技术或商业决定，你就被卡住了。英特尔自己也并非次次都能执行到位。RISC-V 提供的是选择权：从 SiFive 买一个内核；二十年后如果 SiFive 出了什么事，你可以从别家买一个 RISC-V 内核。多家实现、各有取舍的生态，意味着一个产品家族大概总能找到合适的方案。但指令集过于多样，尤其是在微小的单片机里，同样不好：工具古怪，生态微小。Lattner 预计，RISC-V 会吞掉这条长尾，因为它能向上、向下和横向扩展。

如果 SiFive 成功，他预计的是更多定制芯片，而不会陷入无穷无尽的指令集混乱：电池续航更好，针对具体工作调优的物联网芯片，上市速度更快。如今，没有 iPhone 那样出货量的公司负担不起定制芯片，只能买现成的芯片，然后为用不上的硅片付费。把设计成本压下来，就会出现更多差异化的芯片，因为世界还在不断增加无线电、标准和功能组合。没人知道未来会怎样。他愿意打赌，未来里会有大量的硅片。

Fridman 把 Dave Patterson 和 Jim Keller 放在摩尔定律的两端。Lattner 说两人都对，因为他们谈的并不是同一件事。Keller 的版本讲的是物理：还有大约一千倍的余量，晶体管仍然可以变得更小、更快，我们还没到极限。Lattner 同意这一点，但那并非 Gordon Moore 当年写下的内容。最初的观察带有经济维度，即每单位面积的成本，以及那个空间里成本最经济的点，这正是 Patterson 等人强调的技术细节。按照这个定义，这条定律已经变了。

Lattner 给出了第三种读法，这可能才是大多数程序员真正的意思。单线程性能已经不再像过去那样大幅跃升。你买一颗奔腾，等上一年半，同样的程序就快了一倍，那个版本已经死了。取代“免费午餐”的，是对人们写软件方式的新要求：GPU 计算用 CUDA，CPU 上有五十个核心、一百个线程，还有面向特定领域的机器学习加速器。性能依然存在，只是编程模型变了。

改变编程模型，就又回到了语言的世界。C 是为 CPU 设计的，要与 GPU 打交道，就得与它的表亲 CUDA 打交道，那是另一套工具、另一种思维方式。目前还没有一个能够扩展的统一世界，而 Lattner 认为它是可以出现的。硬件设计语言天生是隐式并行的，就像始终在工作的晶体管阵列。CUDA 介于两者之间：你写的是类似标量的内核，驱动在一千条通道上运行它。一旦底层有了 MLIR 这样的编译器，设计问题就变成：如何让库表达这些模型，这样你就能创新，而无需每次都发明一套新语法，同时还能在芯片流片之前捕捉 bug。

Swift 并发宣言（Swift Concurrency Manifesto）之所以存在，是因为社群既想要小而可审阅的提案，也需要一个大的走向。没有墙上挂着的那幅图景，小步骤就只是随机游走。Lattner 写这份宣言，就是为了画出这幅图景。这座塔的地基很简单：当计算机或线程相互通信时，它们应当是异步的，也就是要有一种对这种通信进行建模的方式，很可能是 async/await。接下来是内存安全。两个线程同时访问同一块内存，就是竞争，是那种令人抓狂、通常无法稳定复现的 bug。值语义会有帮助，因为在并发的世界里，数学和复制依然能正常工作。

在此之上是人的模型。这份宣言的赌注，是对一个旧想法的新诠释：Actor（参与者）即一座座逻辑上单线程的孤岛，它们彼此异步通信，默认安全，是你首先会想到的工具。如果这些孤岛只互相发送消息，它们就不必共享同一个进程，甚至不必在同一台机器上，这是通往分布式编程的一条循序渐进的通道。在同样的图景里，加速器只是另一种你可以向其发送消息的异步事物。最后这一步并不在提案里。这一切底下的设计张力非常古老：多少该是魔法，多少该由人来控制，以及当默认值本身就是错误的默认值时，会发生什么？

Logo 语言是一个警示故事：入门很容易，然后遇到天花板，最后到另一个世界里重写。Python 的全局解释器锁，也给大型并发程序设下了类似的困局。Lattner 偏好的是一个简单、能解释清楚的模型，外加一个逃生口。Swift 的内存安全就是范本：默认情况下，你不会误伤自己的脚；如果你想要 C 级的指针，可以显式地请求。在并发提案里，由人来决定什么是并行的，运行时和编译器则保持可预测。这是在否定一个长期的传统，也就是那些承诺能让未修改的代码提速十倍的自动并行化编译器。这种技巧在你加入一个功能、某个函数无法内联、某个启发式规则失效之前一直有效，然后性能就断崖式下跌。你本不想知道编译器或内存层级是怎么工作的。魔法一旦消失，你就完全不知道该怎么办。如果你在乎性能，可预测性本身就是特性。

对普通的命令式 C 或 Swift 代码（带着所有指针）做自动并行化，依然是个残酷的难题。机器学习改变了抽象的层级。那些本来只想做出猫脸识别器的人，用可组合的算子拼装网络，抽象层级之高，使编译器能够把一个 TensorFlow 模型切分到 1024 个 TPU 节点上。批量处理（batching）是一个同样简单、却杠杆效应极大的想法。Lattner 指出，这种编程模型出自解决实际问题的人之手，并非语言研究者的成果，如今它让你能用 Python 驱动一台超级计算机。让网络跑得快依然是全栈问题：顶层是 Keras 和模块 API，中间是硬件抽象，底层是在 TPU 或 iPhone 加速器上榨出峰值性能。他说，连他帮忙打造的那些系统，也还远谈不上出色。

关于 GPT-3，Lattner 既不意外，又印象深刻。深度学习早就知道，更大的模型加上更多数据，在训练得当的情况下会得到更好的模型；但要真正把它跑起来，需要极其庞大的工程投入。他仍然认为，OpenAI 当初对发布 GPT-2 持谨慎态度，这一担忧依然有效：一个出于好意的工具，可能被以可怕的方式使用。Transformer 很简单，与大脑并不太像，而扩大规模会持续带来回报。他更感兴趣的是架构上的跃迁，以及 Jeff Dean 谈过的一些想法：一种稀疏门控的混合专家模型，分布在整个集群上，由局部专家组成，通过学习得到的路由，让一次查询借助专业分工，而非靠蛮力的稠密计算，来调动整台机器。

Andrej Karpathy 提出的 Software 2.0，即用学习到的模型逐步替换更多命令式代码。Lattner 说，这种说法部分正确，但并非取代。他把机器学习视为与结构化、函数式、面向对象、泛型和可微分编程并列的一种新编程范式。你不会再用 C 写猫脸识别器或翻译器；学习到的模型，才是应对人类世界中杂乱感官输入的正确方式。你也不会用神经网络去写引导程序。这些模型耗能巨大。理论上它们能实现任何函数，但这并不意味着它们高效。值得关注的部分在于范式的混合，就像面向对象在被重新放回函数式风格旁边之后，就不再是一种教条。强化学习本身就在迫使这种混合：一个学习到的策略，要接在机器人手臂和一堆遗留系统上。

语言模型能否取代编译或程序合成的某些环节？Lattner 说，当然可以，而且人们低估了它们。表达意图才是尚未解决的部分。补全脚手架里的一个空缺已经很令人印象深刻，你还希望有总能通过的断言，以及一个朝着正确性攀升的循环。他会让人类把测试当作需求来写。在他看来，GPT-3 一类的模型做的是模式匹配和续写，而非等式式的推理。也许推理被高估了：人类凭直觉做决定，事后再倒推出理由。对于未来的 AGI，即便我们不理解它，他也不准备仅因此就断言它没有灵魂。他真正担心的失败模式，与天网无关：那是一个人们失去个人挑战的世界，无论是孩子、社区还是工作，人性中最糟糕的一面，填补了这个空白。

给学生的建议，与造船厂的那些问题一脉相承。真正的飞跃，源于有人相信改变可能发生，并愿意做艰苦的工作。热爱你正在做的事，因为两年项目的中段恰恰是自我怀疑最重的时候；尽早尝试，因为在试过之前，你无法知道自己会爱上什么；还有，别忘了运气。让自己身处比你懂得多得多的人中间，多问笨问题，聪明人往往很乐意教人。跨领域跳跃，是带来领域里没人有的视角的办法。他宁愿年轻工程师去人才稀缺的地方工作，比如编译器，或摩尔定律终点那些不热门的一面，也不愿他们挤进涌向机器学习的人群。保持乐观、继续打造下一辆自行车，靠的是创造，而非消费愤怒。