121: PingCAP黄东旭的“内在世界源代码”：《黑镜》、程序之美和创作自由

嗯。欢迎收听晚点聊，我是曼琪。这一期我和晚点的创始人小晚一起与 PingCAP 的 CTO 黄东旭聊，聊黑镜，聊 AI，聊他个人生活方式的转变。这是一次编程、科幻和创业的通感碰撞。从黑镜第七季的故事到中国最早做开源的 PingCAP 公司和他们的数据库核心，都有一些共通的逻辑和内核。创业第一天是不是就给公司定下了几条原则呀？对，是的。第一条原则就是几个创始人我们是要组成一个分布式系统，分布式系统里面有一个很很重要的原则叫做互为冗余。程序之美曾给还是中学生的东旭带来了极大的震撼，比较影响特别深的 John Carmack。第一个。第一个是让他成名的事情是 Doom 一个游戏，当时让我第一次，我当当在读他的代码的时候，我我发现了一些非常美的东西，就是我第一次从一个软件里边有看到就像看一个艺术品一样的这种这种感受。虽然这一期仍是和 AI 相关的节目，但最后聊到生活，黄东旭的一个建议是我们不一定要搞懂 AI，你养一盆花啊。啊，做一道菜，然后去认真的了解你身边的人，啊，这些事情其实你作为人的一个可能是存在的这个意义，比起一些我要去搞懂 AI 非得要搞懂 transformer 的这个这个原理，这可能是要更加更加具体。这期的开场和结尾 BGM 与平日不同，因为我用了黄东旭今年的新专辑《Whispers of the Silent Mountains》里的一首歌，这张专辑在网易云上可以搜到，对他还是一个野生音乐家。放。放轻松，我们正式进入本期节目吧。

今天欢迎东旭做客晚点聊。东旭是一位老开源黑客，也是野生音乐家。嗯，你可以和我们的听友简单的自我介绍一下。

大家好，我是东旭，PingCAP 的联合创始人兼 CTO。我对自己的认知还是一个程序员，一直以来都是，而且比较骄傲的是天天都在编码，也很享受这件事情。我的爱好可能比较广泛，从编码到音乐、艺术，就非常喜欢一些奇奇怪怪的东西。现在平时大概一半时间在美国，这就是我。

这期播客的源头是最近《黑镜》上了第 7 季。我看到你发了一个朋友圈，说看完这一季《黑镜》之后想做一期播客，想聊一聊关于 AI 未来的基础设施、开发者体验、科幻小说，还有 AI 时代的黑客文化。

这也是我们一直很关注的问题：AI 怎么影响和改变每个人。你本身是开发者，PingCAP 的产品和公司组织里面其实也在用 AI 去做各种新的东西；你也是一个创作者，而 AI 现在也可以做很多创作，比如 Solo啊或者天工都可以生成音乐。

我觉得你的多重角色和活动，也会让你对 AI 有一些自己的体验。这些想法可能会对一些人有启发，让大家有共鸣，也可能会让另外一些人不同意，但我觉得这可以提供一些提出问题的空间，其实挺有意思的。

我们创业的一个动机其实就是 AI。

你们创业的动机是 AI？

是的。2015 年的时候，我跟刘奇特别爱看一部电视剧，一个美剧叫《Person of Interest》，中文名叫《疑犯追踪》。你看过吗？

没有。我没看过正片，但我知道这部美剧。

这部剧太棒了。它是在 AI 时代之前，甚至那个时候推荐系统都没有那么 AI 的时候，就设想了一个场景：所有摄像头，包括街道上的摄像头，都能够看着人类的各种活动。

对于政府来说，它有一个很好的动机：把这些数据全都拿过来，就可以训练出一个人工智能。这个人工智能能够预测谁是罪犯，但这里面会涉及一个伦理问题。

有点像《少数派报告》。

对，有点像《少数派报告》的展开版，变成了电视剧版。

但这部电视剧的设定我觉得非常好：它不会告诉你这个人到底是坏人、好人还是受害者。这个机器回避伦理问题的方式，就是蹦出一个身份证号。这个身份证号对应的人可能和它看到的未来有关，他会是主角，但机器不会告诉你他是好人还是坏人。他可能是受害者，也可能是加害人。

他的人类代理，也就是电视剧的主角，每天会拿到一个身份证号，然后去观察这个人接下来到底是受害者还是加害人。如果他是受害者，就去救他；如果是加害人，就把他抓起来。

这个设定挺有意思的。在这个设定里面，人类是 agent。

对，人类是 agent。这个片子厉害的地方在于，看上去这个设定还挺普通，但到第 3 季以后，它就变成了一部神剧。

为什么呢？原来还是 AI 指挥人去做事，但第 3 季开始有一个很自然的设定：政府发现这套系统太不够意思了，每天只给你蹦出一个 ID，这不够厉害。于是政府又拨了一笔钱，说我们要去搞一个通用人工智能，它可以像大语言模型一样告诉你各种事情。

所以政府又搞了另外一个 AI。这个 AI 上线以后，第一件事情你猜会是什么？

那应该先去搞掉那个 AI。

没错，你这个脑洞非常好。它上线的第一秒钟，就发现这个世界上还有另外一个和它一样的“神”，或者说一样的物种。

所以这部剧的后两季就脱离了那种每一集办案、判案的故事，变成了 AI 和 AI 之间，通过各自的人类 agent 互相较量的电视剧。

这还挺有前瞻性。

对。现在大家也会讨论一个问题：不同的大语言模型是不是有不同的价值观，以及它们之后会怎么相互沟通、是什么关系。

所以后来我们就在想，我们当时虽然不是做 AI 研究的，但至少能够给 AI 设计一个存储系统，让它把所有看到的东西、想到的东西都存下来。于是就有了 PingCAP 这家公司。

但你们最开始没有想过怎么赚钱、怎么商业化，或者客户是谁？

没有。我只是想做一个可以无限扩展的系统。

那这和那部美剧的关系是什么？

当你有这样一个人工智能的时候，这些人工智能其实需要一个很大的数据存储系统，去存储它所有看到的东西。

所以你们诞生第一天就是想为 AI 服务的？

是的。因为我觉得，未来产生数据的速度和消化数据的速度，如果这个主体是人的话，是跟不上的。

比如假设现在我已经能做到，你每天在手机上，或者每天跟这个世界交互，产生大量的数据。其实这些数据都存下来了，但这些数据怎么用，怎么让你的生活更加幸福，在大语言模型出现之前，或者说这种泛化能力非常强的 AI 出现之前，其实是用不上的。数据只是放在那里，但你没法用。

我觉得未来只有 AI 才能用上这些个人数据，才能把个性化的东西真正实现。比如现在我已经可以跟 ChatGPT 聊，根据你对我的了解，我可能会喜欢谁。

那你们最早见投资人的时候，讲的也是这个故事吗？

不是。这个故事只有跟我们非常熟悉的人才会讲，不然人家会说：“你疯了吧？”

先讲一下你个人生活的变化吧。你把房子卖了吗？

对，我的房子卖了，现在住在一辆房车里。

住在车里？

对。反正我觉得很多东西会绑住你。第一，我想把那些真正绑住我的东西全都舍弃掉，看看作为一个最简单的个体，我到底需要依赖什么东西。

最后我发现，我所有的家当里，没用的东西全扔掉以后，一辆车，加上大概 20 平方米的一个小仓库，就可以把所有生活必需品都装下了。

什么让你决定把房子彻底卖掉？

今年年初的时候，我发了一个朋友圈，立了一个 flag。尤其是加州大火的时候，我们有一个同事就在洛杉矶，火烧到离他家大概隔一条马路的地方。

你想，他在那个房子里已经住了二三十年，几乎相当于一生都在这个房子里。当时他特别慌，因为如果房子烧了，他又没有保险。一个美国人如果房子没了、又没有保险，基本就是 homeless。

当时我就在想，这还挺可悲的。如果你的人生被锚定在一个位置上，还是挺遗憾的。

第二个动机是特朗普上台以后，我觉得这个世界还真的挺东升西降的，不确定性在变大。我一直都想过一种更自由的生活，所以想强行让一些多余的东西不要再牵扯我的注意力。

那有什么东西是你必须留下的？我看你发的照片里有电脑、床，还有一个枕头。

还有我的一些乐器。其实我最多的是乐器，其他都没有什么东西。

你把那些东西丢掉的时候，完全没有留恋吗？有没有什么东西原来可以不留，但最后还是保留了？

没有。我想得比较清楚。哪些东西决定要丢，哪些东西原来就做好了规划，我就全丢了，没有任何留恋。

当然，有些东西对我很重要，比如我的收藏、乐器、唱片，这些我觉得要留，但其他东西我真的一点都没有后悔。

那在房车生活一周之后，你真的觉得更自由了吗？

对，我觉得更自由了。

财富上呢？

我其实对钱和财富没有什么概念，够花就行了。现在挣钱给我最大的刺激，在于公司运营，以及能够让整个公司有更多的可能性。

但对于个人生活来说，我一直都属于财务自由的状态。这个财务自由是因为你的标准变了：如果我一天只需要一张床、吃三顿饭，有一个遮风避雨的地方，这个标准下我就很自由。

你有把这个状态分享给身边的同事或者朋友吗？有没有人追随你的脚步？

有，我一直在分享。不过没有人真的追随。倒是有一些我接触到的年轻创业者会这样。

很多时候，如果一个人认同像我这样的理念，不需要我说，他本身就认同。他可能本来就在这条路上，不管是向内追寻，还是过一种有点嬉皮士的生活，在遇到我之前他可能就已经这样了。

至于那些拖家带口，或者还没有这样的生活经历、没有这样的价值观的人，无论你说多少、怎么展示自己，他其实也不太会相信。

你说 40 岁之前要掌握几项基础能力：种田、缝纫、种菜、木工、电器维修、摩托车维修。你是为了什么做准备？

为了做一个人做准备。

这些以前你都不会？

我以前基本不会。我以前一直都是程序员，每天和计算机、虚拟世界打交道。

但我觉得，当 AI 越来越强大的时候，我可以有更多时间去做一个人，而不是天天在那里看编程文档，再绞尽脑汁写程序。

做程序员时，AI 诞生以前，大概 80% 的时间都在处理 boring job，没那么有意思。真正有创造力的活可能只有 20%。现在有 AI 帮助以后，80% 的 boring job 里，大概可能有 50% 到 60% 都被 AI 做了。

对于我这种以编码为生的人来说，相当于突然多了 50% 的时间出来。那这个时间干什么呢？

那不是说，你写得再快也不可能比 AI 写得快，所以真的多了 50% 的时间？

差不多。我觉得如果作为一个程序员，当然现在我的 role 不只是程序员了，可能还有公司管理者的角色。公司管理者这边还是会消耗很多时间，这一会儿可以再说。

你们创业第一天，是不是就给公司定下了几条原则？

是的。第一条原则就是，几个创始人要组成一个分布式系统。分布式系统里面有一个很重要的原则，叫作互为冗余，也就是没有单点故障。

比如一个系统的某个节点挂了，另外的节点要马上能够接管。这要求我们所有人都必须互相成为彼此的 backup。

我们还会做一些测试，比如突然有一个人说：“我接下来要消失两个礼拜，去旅行。”那要看这家公司还能不能正常运转。这是第一个 rule：互为 backup。

第二个 rule 是决策机制。当大家达不成共识的时候，CEO 是 leader，最后由 CEO 作出决定，其他人要无条件服从。

这两个 rule 是我觉得最重要的。

这其实和我们今天要聊的主题也有关系。

是吗？

对。中间有一个地方我想和你讨论一下，就是“简单结构的复杂智能”。这也是你之前跟我说的。你看完《黑镜》之后，最关键的启发，或者说联想到的事情是什么？

Insight。看完这一季以后，我最喜欢的是第 4 集《Play Things》。

先给没看过这一集的朋友简单铺垫一下。大概是一个游戏公司的天才程序员，做了一个很不像游戏的游戏，有点像《我的世界》这种创造类游戏。他创造了一个小的智能体，这个智能体在一个虚拟世界里，不停地使用一些简单规则，比如繁衍、生活，逐渐让 sandbox 里的这些小数字人自己形成一个巨大的网络，在里面产生智能，慢慢变成一个社会。

然后，这个智能体又通过外面的人类，也就是这一集的主角，去影响整个世界。具体情节我就不剧透太多了，因为还有人没看。它的结局真的非常棒，有很多反转，大家可以自己去看。

我最感兴趣的点有两个。一个是在计算机模拟的世界里，产生更高级别智能的方式很符合我的理念：一些很简单的规则，加上受限的环境，再加上算力，就产生了复杂的结果。

这其实和现在的大语言模型、AI，以及我们自己做的系统软件，都有一些深层次的关联。用 simplicity 去对抗这个世界的复杂性，这个 idea 是我特别喜欢的。

另外一点，我也非常喜欢个人英雄主义的故事。有点像一个 hacker 有一个非常好的 idea，然后一个人把这个东西做出来，这种故事也让我很着迷。

这个故事里的开发者就是 Ratemman。他是一个人，后来维护这个游戏的人也是一个人。

对。这种故事其实在 IT 历史上也经常发生。

那我们正好可以沿着两个方面展开聊。一个是你刚才说的，用一种简单的结构去解决复杂的问题，也就是简单的结构带来复杂的智能。你刚才说这让你想到现在的大语言模型。

现在 GPT 这类模型，确实可以扩展的一个关键，就是它的目标非常简单：predicting next token，预测下一个 token。

所以我觉得现在的神经网络，与其说是计算机科学，不如说更像仿生学，或者说生理学。它把无数个神经元连接在一起，莫名其妙就产生了智能，这件事情其实挺有意思。

在大语言模型或神经网络这条路走通之前，我们看所有开发者写的程序，都是我在脑子里已经想好了的，有点像菜谱。我按照菜谱放入配料，它一定能做出某种味道。我知道我要做什么，它会输出什么，基本上是一个固定的 recipe。

但大语言模型这件事很有意思。它像是我要做一张桌子，只要按照某种结构把桌子做出来，它看起来就是一张桌子。在大语言模型的上下文里，就是我把这个神经网络构建出来。当结构完成以后，桌子上莫名其妙涌现出了饭菜。

你也不知道这个饭菜怎么来的，因为你造的是一张桌子。现在我们也解释不了，为什么把上千亿个神经元连接在一起，它自然就会有这么强的泛化能力。

这和以前我们看待软件的方式很不一样。以前我们看待软件，源代码就意味着我拥有了这个程序。但现在，我可能花一周时间就能写出一个 Transformer 的实现，一千行代码可能就能搞定。

可是这 1,000 行代码，只要不停地给它喂数据，就能够产生比有史以来我们写过的所有程序都更强的能力。这一点非常不一样。

你觉得它像一个有机体？

对，我觉得它像一个有机体。

这里有一点像古希腊哲学家亚里士多德看待事物的视角，叫“四因说”。第一个维度是它由什么构成，比如一张桌子是由木头构成的。第二个是形式因，有点像菜谱；对桌子来说，就是桌子的设计图。

第三个是使能因，也就是谁让它变成可能。对桌子来说，就是木匠，是木工让它成为可能。最后一个是目的因，也就是它为什么要有这个东西，造出来是干什么的。桌子的目的就是用来放东西。

亚里士多德认为，所有东西都可以用这四个原因去定位。作为事物本质的最关键原因，是形式因，也就是它的菜谱。桌子的形式因是设计图；对大语言模型来说，就是神经网络的矩阵、连接的方式。

我个人认为，当我们完全不能理解这个形式因的时候，它就是一个新的物种。比如一张桌子，我通过看桌子的设计图，就知道它是一张桌子。在这种情况下，我可以说我理解了它。

但是对于大语言模型，我只能理解怎么构建出这个神经网络，却无法理解它为什么在这个神经网络上拥有这样的泛化能力。至少现在，包括最前沿的 AI 研究和神经网络可解释性，都还没有突破这一点。

这是一个方向。

当然是一个很好的方向，也许未来我们能知道。但现在，在我们不知道的情况下，我倾向于把它认为是一个新的物种。

所以你是从这个角度觉得它是新的物种。昨天我们讨论这件事的时候，我写了一个评论。因为你说它是一个新的物种，我就在想，它真的能进化吗？它现在还不能自己进化，还是需要人来训练它。

我觉得我们不知道它能不能自己进化。

最近李飞飞也有一个工作，是拿一个比较弱的 LM 在上面做强化学习，有点像左脚踩右脚。给它一些人类的高质量数据，但它还是基于一个大语言模型底座，通过 SFT 能够让模型本身的能力再上一个台阶。

这意味着什么？意味着我们原来对大语言模型潜力的挖掘还不够。

举个例子，我通过在一个大语言模型上使用一些 thinking process，或者 chain of thought，也就是 CoT 的手段，能够让模型产生比以前更好的结果。就像让一个小朋友解数学题，说：“你多看两遍。”它一下子就做对了。

我觉得我们俩说的 point 并不矛盾。你说的是，人类给它一些刺激，在上面施加一些工作之后，它的能力发生了变化，而且这种能力变化是我们无法预测的。

如果用亚里士多德的四因说来讲，我有它的设计图纸，我知道它的形式，但我无法预测接下来会涌现出什么能力。

是的。我刚才说它没有自主进化，是指目前这个过程。

如果类比真实生物，从细胞、单细胞生物一直到现在的人类，它其实是在持续地自我进化。

我懂。

现在也有一些研究方向，比如持续学习。

我非常喜欢的一家创业公司，是 Transformer 的一位作者在日本创办的 Sakana AI。它最近好像还没有做出特别厉害的东西，但我觉得它的概念非常好。

它的概念就是，让一堆小的智能体在一个环境里面不断学习和演进，人类尽可能少地干预，然后看它们能够变成什么样子，有点像进化论。

这个概念我觉得非常好，只是目前他们的工作还没有看到太多成果。

那它已经非常像《黑镜》这一集的剧情了。

对，所以我非常喜欢这一集。

我们可以把这个概念再延展一下。你刚才说，一个比较简单的结构或形式，里面出现了一些大家很难预料的复杂结果，或者说它能够解决一些复杂的问题。

我看你之前在博客里写过一篇文章，叫《东方美学与软件设计》，里面也讲到，计算机历史上有一些真实存在过的案例，它们的特点都是规则或结构很简单，但可以解决复杂的问题。

一个是元胞自动机，另一个和你们自己的工作有关，就是 TiDB 下面底层存储的部分，TiKV。你可以都讲讲。

这种模式其实不少见。你刚才说的元胞自动机，还有另外一个名字叫“生命游戏”。

生命游戏定义了一个 n×n 的二维格子世界，可以想象成无穷大的网格。每个格子有两种状态，0 和 1，代表生和死。格子的生死状态取决于周围格子的状态。

它只有一些非常简单的规则，每一天、每一轮迭代，都会演进到下一个状态。就是这样一套简单的 rule，当你放进去不同的初始值，比如规定某种特定形状的初始状态，就能演变出完全不一样的世界。

有点像我一开始规定这里长出了某种形状的细胞，然后过了 100 万年，它长出了一个完全不同的世界。

元胞自动机已经被证明是一种通用计算模型。什么意思？你可以通过这几个简单规则实现逻辑门；实现逻辑门，就可以实现一台计算机；实现一台计算机，就可以做所有图灵完备的事情。

这意味着，我可以在这样的格子世界里面做一台计算机，里面运行一个操作系统。如果这个操作系统是 Windows 或 macOS，你可以在里面装各种东西，同时实现一个大语言模型，去实现 ChatGPT。

一切复杂的东西，背后都是一个个格子的 0 和 1 的状态变化，非常漂亮。

这是理论上可以，实际上没有人这么做。

理论上可以，我觉得就够了。数学证明可以就行。

我喜欢这个概念和设计本身，因为既然理论上可以做到，就意味着做到它只是一个工程问题。

我也非常喜欢《我的世界》这样的 sandbox 游戏。里面有一种石头叫红石，红石可以用来做逻辑门。真的有一些玩家在里面用红石做了一台计算机，还做了一个屏幕，在里面运行操作系统，非常好玩。

这种思想在计算机世界里非常多。操作系统也是这样，Unix、Linux 到最底下其实就是那么几个系统调用。在系统调用之下，CPU 可能也就是那么一些指令集。

你可以基于这些最基础的指令集开发操作系统，在操作系统上封装 API，在 API 上做软件，软件之上再有互联网和各种各样的世界。

归根结底，就是那几个指令。

那人类世界最基础的指令是什么？

不知道。这就是我们对自己的大脑理解得还太浅薄。我们理解智能，但很难说理解自己的大脑。

目前我们其实不理解智能，只找到了一种我们认为可能是智能的表达方式：我只知道大脑的一些生理结构，知道神经元之间相互连接，然后把这种连接模式用计算机模拟出来以后，莫名其妙地出现了智能，就像大语言模型一样。

这个“莫名其妙”现在是共识吗？

至少在大语言模型泛化能力的可解释性上，我觉得没有太多突破。

举个简单的例子。一般写程序，我可以写测试，整个系统应该是 deterministic 的。我给定一个输入，通过一系列规则和算法，就能得到一个确定的输出。

但大语言模型，你能告诉我它哪一部分是 deterministic 的吗？没有办法。

也可以讲讲你们自己的开发思路。你们做 TiKV，也就是 TiDB 下面的分布式存储，它其实也是一套比较简单的规则，可能就 10 条规则。

你还写了一首诗，来概括这 10 条规则。10 条规则解决了存储的复杂性问题。这是你们创业一开始就有的思路吗？

是的。因为我做软件工程师这么多年，觉得最本质的问题是：一个软件工程师到底在干什么？

我觉得一个 insight，就是在对抗复杂性。现实世界非常复杂，你写的软件要和这么大的现实世界交互，或者实现各种各样的逻辑，最大的敌人就是复杂性。

写程序，其实也是对这些复杂性做抽象。但这个世界如此复杂，无论怎么抽象，都会超出人的大脑能够处理的范围。

这也是为什么很多人说，做 ERP 之类的业务软件有门槛，因为这个世界太复杂了。各种各样的 know-how 和规则，都要在 ERP 软件里面实现。

数据库也是一样的，尤其数据库作为基础软件，要面对更大的不确定性需求，因为它是运行在所有软件最底层的东西。

我觉得第一个 insight 是，要战胜复杂性，只能通过简单来战胜复杂性，不能通过复杂去战胜复杂。

这个简单等于简洁吗？

有点像我允许复杂性发生，但会给这个世界设置一些宪法一样的东西，更像是把系统的边界设计好。

我觉得“简洁”只是形容描述这套边界的语言的一个词。除了简洁，它还应该自洽、正交。这些词都是在形容这些宪法：它不应该有漏洞，也不应该有矛盾。

如果宪法有一个漏洞，大家都会利用这个漏洞。我觉得现在美国发生的很多事情，就是有人在利用宪法的一些漏洞，去完成对整个系统的 hack。

它也不应该有矛盾，要自洽。正交，就是互相只覆盖自己关注的那一部分，两边没有交集，没有冗余。

但这和你们公司“互为冗余”的原则不一样。

不一样，这是规则层面和具体实现层面的区别。

比如在计算机系统里面，要实现数据永远可用，在现实世界里只能创建冗余。我有 3 个副本，一个挂了，另外一个顶上来。但我要的是，系统能够给我提供一致的反馈，或者说一致的 response。

一致性是通过冗余这个手段实现的。冗余不在规则这一层，而是在实现层。

对我们做存储系统来说，我当时有一个假设：同一份代码要运行在 3 台机器到 3 万台机器上，都应该是一套系统。我要通过一套规则，去面对 3 台机器的复杂性和 3 万台机器的复杂性。

当你面对一个 3 万台计算机连接在一起的巨大物理环境时，每台计算机都可能网络抖动，或者卡一下，磁盘也可能故障。你不能每出现一个问题就派人进去修，所以必须设计出系统本身能够自我修复、自我探索的能力。

所以在 TiKV 里面，有很多概念很像人类的生命，像一个细胞：我要分裂、我要移动，我发现自己不健康了，要吃药。设计这个系统的时候，我们不像是在做一个数据库，而是在做一个可以繁殖的生命体。

有点像病毒。

对，有点像。

我经常让销售演示一个例子。比如有 100 台机器在那里，我随机去 kill 一些，比如拔网线。你会看到这个系统没有任何问题，因为它自己发现：“我的腿断了，我马上要再长出一条腿来。”

然后我只是把这套机制封装成数据库的样子，让它变成一个数据库。

这是你们整个产品的核心吗？

对，是我们整个产品的核心。

我看你当时说过一句话：你们的主打产品 TiDB，某种程度上其实是让 TiKV 长成了一个产品的样子。

是的。它其实也可以做别的事情，只是做数据库更赚钱。

后来这个系统有演进吗？

有演进，但大的结构一直都是这样。

其他公司没有复制你们吗？

很少吧。代码就在那里，大家想复制就复制。

Oracle 是怎么做的？

Oracle 不是这样做的。它没有设计自己生长、分裂的部分，而是假设我就有 3 台机器，和硬件绑定在一起。它的假设是，世界上不需要这么大的数据量。

生长和分裂能不能再讲讲怎么实现？

在我们的存储系统里，一开始只有一个单位，有点像一个细胞，或者一个受精卵。数据都存储在这个逻辑上的细胞里。

这个细胞是一个范围，比如 0 到 100 的数据存在这里。随着不断写入，容器装不下了，它会在中间自己切一刀，把自己切成两个容器。一变二，二变四，四变八，八变十六。

一台机器装不下怎么办？它会相当于长出一条腿，把自己挪到另外一台机器上。最终目标，是让数据均匀分布在整个集群里。

那 Oracle 怎么解决这个问题？

Oracle 没有解决这个问题。它的假设是，真正需要这么大量数据的客户不存在，或者说它不服务这样的客户。

那 Amazon 的 DynamoDB 有点像你们。

DynamoDB 在哲学上有点像我们。

时间上是他们在前、你们在后，只是你们把这件事情变得更加形式化了。

我想知道，你刚才这种思路，在开发者中是比较顶尖的开发者才会有的追求，或者说审美、品味，还是大家其实有很多分歧？

我觉得还是有很多分歧的。

我这一派比较像武侠小说里的剑宗和气宗，我属于气宗多一些。也可以说是 Unix 派。我非常喜欢 Unix 之后的 Linux，以及贝尔实验室那条线上的很多软件。

它们的哲学是，规定一小块非常简单的规则，然后在上面长出很多 ecosystem，不过多干预上面的生态。

但另外一些路数不一样。比如 Microsoft，可能完全走另一条路：不管底下怎么设计，从头到尾都要控制。

你觉得你们这一派的缺陷是什么？

缺陷就是太 nerdy 了。

很多人会说，我把底层东西定好了就行了，非常漂亮，接下来让大家去玩。但最终用户其实不理解这些东西。他可能只需要打开微信，看到一个微信界面，就能直接使用。

而我们的做法是，我给你发动机、轮子和各种东西，你自己去组装一辆喜欢的车。

你们这一派可能更想做设计师，而不是做最后把它装好的工程环节。

是的。比如我在博客里也写过一个特别喜欢的操作系统，Plan 9。

Plan 9 把这些规则定义好以后，就觉得自己完成了史上最漂亮的操作系统。但后来可能没有什么人去用。

如果最终用户不认可这些理念，或者不理解这些理念，就会觉得这些东西特别难用。所以我觉得，很多像我们这一派的人，基本都死在最终用户体验这件事情上。

可能对一部分开发者来说体验很好，但对广大的普通用户来说，门槛还是太高。

你在 PingCAP 负责体验的部分吗？

我也负责体验，产品这部分也负责。

所以我们经常会规避把这些底层东西跟客户讲。我们会告诉用户，你别关心别的，直接使用我们提供的最终数据库接口就好了。

现在的科技公司里面，有哪些底层结构符合你的审美？

我觉得有一些公司，比如 Slack，我很喜欢。它规定了一些最基础的东西，然后让 ecosystem，也就是各种 integration，在上面生长。

还有 Discord，我特别喜欢。早年的微信可能也是，特别早期的微信，做产品非常克制。

你去看那些非常克制，或者非常轴的公司，一般都会有一点这种感觉。

从某种意义上来说，开发者可能也分不同的派别，像气宗和剑宗。回到智能这个话题，其实对什么是更好的智能、智能是什么，本来在 AI 领域就是一个很有分歧的问题。

你会怎么定义智能？你刚才说大语言模型已经出现了一些智能，虽然我们不理解它的机制。那智能本身是什么？

按照刚才的标准，大语言模型肯定是一种和人类不一样的智能。

如果这种智能能够在某些具体任务上超越人类，我觉得它就是更好的。当然，“好”并不是线性的。大语言模型很强，不代表所有事情都比你强，你肯定也有比它强的地方。所以好和坏这个说法有一点绝对。

在这个语境里，智能就是完成任务的能力吗？

我觉得是。你不可能在没有和一个东西交互的情况下评价它，你只能评价它在做某件事时的结果。这个结果可以评价，但你没法评价一个你不了解的东西。

昨天早上我和 Meta 的田园栋也在聊。他有一个想法，觉得沿着现在大语言模型这条路，最终可能无法抵达高级智能。

他确实不是从结果的角度思考。他觉得我们现在说推理模型、逻辑等等，但也有很多证据显示，大语言模型目前不是真的在推理。

当然，“推理”套用了人的推理方式。

我觉得这里面又会出现人类中心主义的问题：什么是好，什么是高级？如果说一个智能更高级，高级的定义是什么？

他们这一派有一个严谨的定义吗？

有。简单来说，这个定义是：学习、解码和编码外部世界的规律，而且能够发现新的规律，也就是从现象中抽取规律的能力。

我觉得从现象中抽取规律这件事情，事实上已经做到了。比如刚才聊到的 Sakana AI，它最近的一项工作好像叫 AI Scientist。虽然我没有仔细看他们的论文，但他们的想法就是，基于大语言模型，能不能发现人类还没有掌握的知识和规律。

所以你觉得这个定义还是以人类为中心？

是。我觉得学习只是人类众多事情中的一件。

按照他的逻辑，不光是人在学习。生命在地球上诞生之后，一直都在学习。只不过最开始很长一段时间，可能有 30 亿年，生命主要靠自然选择来进化。DNA 其实也编码了外部的一些规律，但它不是在个体的生命周期内学习，而是在物种层面，一代一代通过变异和自然选择进化。

后来有了神经系统和视觉，里面多了记忆和模拟的机制，存在脑子里。再往后，人产生了语言；再往后，大概到 3,000 年前，一些古文明里产生了比较抽象的科学、数学，大概是这样一个过程。

但你觉得这是线性的吗？

我觉得数学、科学、逻辑，也只是解释世界的一种工具。

这涉及一个更根源的哲学观区别：你到底相不相信世界的因果规律是可以被人掌握的，或者说是可以被掌握的。

我之前录过一期和马毅教授聊智能的播客。有一个听众留言特别有意思，他引用了休谟经验主义哲学的一些观点。休谟的核心观点，大概是质疑人的理性是不是真的能够掌握因果规律。

我有点同意休谟。比如一个很经典的比喻：我每天都看到太阳从东方升起，但你没有办法通过过去这么多年太阳都从东方升起，推导出明天太阳一定还会从东方升起。

这两件事情其实没有真正的因果关系，只能说，根据过去 99.99999% 的概率，太阳一定会升起。我觉得这是两种哲学观的不同。

当然，如果纯粹从哲学层面来说，这个世界上可能没有因果关系。大家都只是在经验中归纳总结出一些东西。纯粹的因果，只存在于数学和那套逻辑的抽象空间里。

其中一派会觉得，可以通过实验、证实和证伪来发现规律。但你说得对，数学是一个完整的概念体系，物理实验却不是。

而且即使是数学，它也并不完备。希尔伯特之后，数学的根基就动摇了。

所以，如果只用数学逻辑来作为高级和不高级的标准，第一，这个标准本身是不完备的；第二，它也并不是一个生命或智能的全部。

我觉得 no judgment，不要去评价它。它是你的好朋友，你不应该去评价它。

那你的观点是什么？智能的下一个阶段会怎么到达？它真的能成为你定义的更好的、更顶级的智能吗？

我可能更倾向于从实用主义角度看：它现在能够帮助我做什么。

我作为人有主体性，没办法影响大语言模型是怎么感受、怎么想的。但在和它交互的过程中，它能帮助我的生活过得更好，或者说它的能力越来越强，能够让我有更多时间去做一个人，我可能会从这个角度去看。

当然，未来有一天，如果真的 AGI 出现了，把人类都变成《黑客帝国》里的人肉电池，那也是没办法的事。所以现在不去想这么宏大的东西，先看怎么把它用好。

有了多出来的 50% 甚至更多的时间，就学会做一个人。

所以你看，我评价一个更强或更高的智能，是站在我自己能够理解的领域里：它在具体任务上能不能比我强，或者能不能成为我的老师。

不同的人会有不同观点。这也涉及你看完《黑镜》第 4 集之后讲的第二点：有一些进展或成果，可能就是由少数特立独行的人推动的。

尤其在一个技术早期，不同的人有不同想法，相信自己所相信的东西是对的，这很重要。极客或者 nerd 都有这个特质。

这也很像这一集里开发游戏的 Ratemman，以及后来花了几十年、倾尽所有去维护这个游戏的 WORKMAN WORKER。你刚才说的这些人，会让你想到 AI 背后的少数人、工匠精神，还有开源软件。可以聊聊吗？

我觉得计算机行业很有意思。从计算机诞生以来，很多工作真的就是某个人凭一己之力，把行业往前推动。

在更传统的工程领域，比如造水电站、造大飞机，不可能一个人造出来，肯定是团队和大系统。但在计算机行业里，还有一点古代大侠的感觉，也有点像牛仔。

你可以通过一己之力改变很多事情。这是我非常着迷的地方。尤其在开源社区和计算机历史的一些重要节点上，经常能看到这个 pattern。

你可以结合自己的经历讲讲。你小学三年级开始编程，有哪些人对你影响特别大？

第一个突然出现在我脑子里的名字，是沃兹尼亚克。为什么不是 Steve Jobs？因为沃兹尼亚克是苹果联合创始人，真正做早期 Apple II 的工程师。

我觉得他给我的鼓励或启发是，做东西是一件很好玩的事情。他的人生态度，以及从工程中找到乐趣这件事，我很有共鸣。

你一定要做一个东西，是因为它有趣。沃兹尼亚克一直都很享受造物的快感。至于最后苹果变成多大，其实有一个很有意思的细节：有人问他的理想是什么，他说想回到小学里，做一个五年级的计算机老师，和小朋友一起做一些好玩的事情。

这对我影响特别大。后来我一直觉得，好玩是最重要的，一定要把事情做得有趣。

你现在也会业余教小学生？

对，我非常喜欢教小学生。我觉得我小时候缺一个像我这样的老师。

第二个对我影响特别深的人是 John Carmack。

他最早成名的事情是《Doom》，一个有点像 FPS 开山鼻祖的游戏。他是这个游戏背后的程序员，也是一个大学辍学生。但他写的程序开创了计算机图形学，可以说用了各种非常巧妙的技巧，把《Doom》做了出来。

当时我第一次读他的代码时，发现了一些非常美的东西。我第一次从一个软件里看到，原来可以像看艺术品一样去看代码。那种感觉就是：这个人的脑子居然能够产生这么漂亮的东西。

你那时候多大？

小学到初中。

你小学到初中，就从软件里看到了一个世界，而且那时候还是小学生。

我觉得越小、越没有老师引导，越能发现这些东西。

《Doom》表面上是一个拿着枪打怪物的普通游戏，我小时候也玩。但当时计算机硬件和软件都非常受限，90 年代可能都是很差的 386 电脑。

《Doom》本身是一个开源软件，里面用了很多编程技巧，所以很多人会去分析它，经常引用它的代码片段。直到现在，很多 geek 项目都会说：“我在某个系统上跑起了 Doom。”

我当时就在自己的 PC 上看到这些东西，因为也在学编程，会看到一些编程技巧和背后的故事。

简单说，就是在非常受限的环境下，怎么极致地压榨 CPU 和计算机资源，让一些不可能的事情发生。如果按照正常程序写，画面会非常卡，但通过它的算法和优雅的代码，程序就能在很差的硬件上运行得非常流畅。

你看到这些东西，就像看到数学公式，比如 E=mc²，会觉得特别简洁。它有很多这样的 little tricks。

我在想，这对一个小学生来说是什么体验？你当时被震撼了，也没有人可以分享，对吧？

对。不过也不能算完全没人分享，那时候我已经开始接触开源社区了。

你小学就接触开源社区？

我是初中接触开源社区，小学开始写代码。小学三年级开始写程序，是自学的。

我开玩笑说，我编码能力的巅峰是在高中。那时候精力无限，天天熬夜也不会觉得疲劳；又没有上班或者其他条条框框的限制，可以实现各种各样的想法，甚至是非常奇怪的想法，完全沉浸在里面。

后来长大、工作、创业，老板告诉你要做什么，公司也有自己的目标，像画家一样自由画画的机会就少了。

直到 Cursor、Copilot 出现，我感觉又焕发了编程的第二春。

还有一个近几年对我影响特别深的人，是 John Cage。他和前面两个程序员不一样，是一个音乐家，可以认为是现代音乐之父之一。他放弃了西方传统的调式音乐，开始使用无调性音乐和实验音乐。

从他身上我看到的是，你可以打破规则。这个世界可能有很多人告诉你，事情固有就是这个样子，但你可以说“偏不”，从另外一个方向发展出一个更大的世界。

John Cage 也受到很多东方禅宗的影响。他本身还是一个特别有趣的人，虽然是音乐家，但另一个身份是蘑菇专家。

很多时候，艺术更重要的是故事，而不是艺术品本身。尤其是当代艺术、实验音乐，形式里面也包含故事：我为什么要这样做。

你去看实验音乐的曲谱，其实也有曲谱，并不是让你瞎搞。曲谱背后会告诉你两件事：第一，这个音乐怎么做出来；第二，作者为什么要这样做。后者其实更关键。

你们在自己的编程中，有尝试过这种打破固有规则的做法吗？包括取得成功的做法，比如 PingCAP 的产品里会有这种东西吗？

我觉得还挺多。

就像刚才说 Oracle 的例子，过去数据库开发者大概有两个门派，也有点像气宗和剑宗。我们属于完全没有做过数据库的人。我和刘奇，以及几个早期员工，大家都没有做过传统意义上的数据库软件。这是我们做的第一个数据库。

更多时候，是因为我们不知道原来还有这么多条条框框，所以按照自己的想法去设计了一个系统。但后来这个系统越长越大，发现它超出了很多人过去对这类系统的固有认知。

这有点像造汽车。我们一开始就选择了电动车路线，但汽油车已经发展了 100 年，很多做汽油车的人根本看不上我们，说我们是野路子。

早期我们招聘时，最常听到的声音就是：“肯定做不出来。”第二，做出来也没人需要，因为世界上哪有这么多数据让你存？为什么要这么设计？

但 10 年之后再看，很多看上去有点离经叛道、非主流的选择，似乎让我们走到了正确的道路上；反而传统数据库领域的路可能越走越窄。

你们居然都没有做过数据库？

我都没做过数据库。

这有点意外。回头看，你们做的第一个数据库经过这么多年的迭代，还是一个很扎实、很稳定的基础系统。

这是我非常自豪的事情。最早的设计都非常正确，一直到现在。

为什么最早没做过这件事，却能把最初的设计做得很对？其实和刚才的对话有关：我们一开始花了很多时间思考最底层的规则。

就像一个社会，比如美国现在还是三权分立，这套制度从美国建国时就开始了。设计软件时，我们最早也花了很长时间思考这些 primitive、这些原子的语义应该怎么定义。

这就是那首诗。但那首诗不是随便写的，我们花了很长时间想了很多东西。除了定义规则，还要想清楚：在遵循这些规则的情况下，我要牺牲什么。

这点非常重要。如果你不知道系统要牺牲什么，就说明没有想清楚。

我觉得我们做对的地方，在于早期把规则设计好，想清楚重要的东西是什么。后续只要不破坏这些规则，怎么在上面做，都不会把系统搞死。

公司的运营也是一样。

你们真正发展起来，是在最近 5 年吗？

对，但你可以认为前 5 年都在写代码。2015 年到 2020 年之间，主要都是开发。

你们真正有大客户，是 2020 年之后？

海外大客户是。中国大客户可能 2017 年就有了。我们第一个银行客户就是 2017 年，当时也正好赶上国产化的契机。

现在国内客户和国外客户的占比是怎样的？

七成是海外客户。

你们什么时候意识到，在国内很难有真正的大客户？

也不能说很难有真正的客户，应该说成熟的大客户比较难。

从 day one 开始，我们就认为这个东西一定得是国际化的。

但你们大概 2017 年才出海吧？

要看“出海”的定义是什么。头两年我们本身也没有时间亲自去做 business。

2017 年我第一次真正到美国设 office。那时 TiDB 也才刚刚能够运行，距离做企业客户还有一定距离。

整个公司发展过程中，有什么地方超出你之前的预期和想象吗？

从软件工程上来说，是云原生这一块。我们想到了这个方向，但之前走了很多弯路，一直到 2022 年才算终于走对 cloud native 的方向。

很早之前我们就决定要做云服务公司。作为一个卖数据库软件的公司，我觉得在中国和美国都不是特别赚钱的生意。如果要变成可持续的生意，就要把卖软件的思路变成卖服务的思路，也就是云服务。

这几年其实也是在转型。国内过去的大客户基本是卖 software license 和服务，但这种模式有很多问题。所以我们看到了从售卖软件到售卖服务的转型，只是在实现过程中踩了无数坑。

我们最早对云的理解是：我把数据库软件部署到云服务上，然后按照使用时长计费，不就可以了吗？但远远不是这样。第一版实现的成本根本做不下去。

因为对底层优化不够，消耗会很多。

对，你要付很多钱给云厂商。

举个容易理解的例子：如果给你一栋楼，让你做一个类似酒店的服务，你会发现，把楼装修成一个个酒店房间，一定比把一整层装修成一个大房间、租给一个人更赚钱。一个个房间的形式，才是更高效的模式。

你们当时的设定里，是不是一开始就想做云？

我们第一天就想做云。证据就是，我们很早就开始做 Kubernetes 的 ingress 集成，K8s 是云原生的 operating system。

最早我们确实没有那么远大的 vision，但大概从 2018 年开始，我们觉得完全拥抱 cloud infrastructure 可能是未来。从那时候开始做 prototype，只是没有让所有团队都参与这件事情。

这么说，现在做数据库有两个路径。

一个路径是把底下的每台计算机连在一起，让它们组成一个超级计算机，这是你们过去做数据库的方式，也是那首诗里写的。

但大概在 2018 年，你们发生了一个很大的转变：不再看底下的每一台计算机，而只看到云。比如云告诉我，有一个 API 叫“买服务器”，或者有一个像 S3、DynamoDB 一样的存储，我就假设云会提供给我。

以前我自己打井，现在假设家里有一个水龙头。2018 年，你们决定未来每家每户都有水龙头。

对，这可能是一个更大的变化。

然后你们做了什么？

我们把内核重新写了一遍。刚才给你看的那个 personal data 项目，底层存储引擎和开源 TiKV 不一样，它是一个纯云原生引擎。

它的存储在哪里？以前你们的存储在哪里？

以前存储在每一台计算机上，也就是组成集群的那些计算机上。

但刚才看到的那个产品，底层存储是在云上。

所以你刚才说的 surprise，就是成本差太多了。你们不再做最底层的事情，而是依赖云服务。

对。

你们还踩过什么弯路？

还有国际化的弯路。

一开始我们说自己是“在北京的硅谷公司”，因为那时候全球化正是最火热的时候。2015 年是这样，2017 年贸易战开始。

之前我们一直有一些幻想，觉得可以在国内做一个出海的业务。但后来发现，所谓全球化，其实是在不同地方做本地化。

如果不真正到那个地方去做 local business，就很难站在中国的视角向外输出什么东西。因为别人不需要你的输出，他们希望你成为一个 local vendor，提供理解他们的服务。

在这个 mindset 转变上，我们犯了很多错，比如团队人选、合作伙伴选择，以及在当地使用什么云服务，都有问题。

一个公司要不要有一个“出海团队”？其实不需要。因为“出海”意味着你的屁股还在中国，只是在往外走。

后来我们把模式改成：日本是一个公司，东南亚和 APEC 是一个公司，美国是一个公司。每个公司都有自己的 CEO、CTO 和本地员工。

但这样不是会有很多冗余，公共资源也会有浪费吗？

我们的实际体验是，达成共识和沟通的成本，甚至可能比整合资源节省出来的成本还要高。

所以你们现在有两个 CEO，两个 CTO，每个 region 都有？

每个 region 都有。每个 region 的 GM 就是这个 region 的 CEO。

比如美国，这边的商业决策和商业策略由美国团队自己定。我刚开完美国的 sales kickoff，讨论今年怎么卖、战略怎么做。因为我们 4 月 1 日开年，所以每个 region 的 CEO 都要负责这个 region 的战略、规划和资源。

我可以这么说，每个 region 的打法完全不一样。

那你们现在就从一个软件公司变成了售卖云服务的公司。

是的。

如果你们第一天成立时就把云服务作为战略目标，结果会不一样吗？

会非常不一样。

一个特别好的例子是 Databricks。Databricks 在这个问题上想得非常清楚、非常坚决。

它做数据分析和云上的数据仓库，本来是开发者社区里很 popular 的开源软件，也可以认为是数据库。但 Databricks 想得很清楚：不售卖 Spark license，也不做软件专业服务，而是做云上的纯原生数据仓库。

所以它从 day one 开始就完全长在云上。即使有一个大客户不想用云，它宁可不做，也不会为了这个客户改变方向。

它是长在所有的云上，对吧？

对。

那这种事情，大厂自己不做吗？

我问 Databricks 创始人的第一个问题也是：大厂怎么竞争？AWS 连开源软件都能提供 Spark，为什么大家还要用你？

答案其实很简单。大厂做这件事的团队，你去看可能就那么几个人。比如 AWS 做 Spark 服务的团队可能二三十个人，而 Databricks 那时可能已经有五六百人了。

我用五六百人打二三十个人，当然很容易。

而且对于 To B 企业来说，客户做选择时是理性的。他不会因为你的广告多一点，或者 AWS 的品牌好一点，就不测试直接选你。他一定会把 Tier 1 的方案都试一遍，然后看总体价值。

最后会发现，Databricks 也算 Spark 的官方团队，对产品 roadmap 有掌控力；第二，服务也更好，因为人更多。企业最终会选择服务更好的方案。

但中国长不出 Databricks，对吧？

中国长不出来。

你刚才的理论只在美国成立？

对，只在美国成立。

那你们怎么反思这次战略调整？

第一个反思就是，全球化就是更好的本地化。

所以后来我和 CEO 直接搬到美国，以美国 local 团队的身份去看整个业务，以及公司的文化应该怎么做。

在组织上，我们也会和外籍员工有一个原则：一个新员工加入后，不管他来自哪里，他看到的公司文化都应该符合普世价值观，让大家一看就觉得“不意外”，这是一个 global company 应有的工作方式和文化。

中国文化很多时候是高上下文的，假设对方了解很多东西。但这和很多国家的沟通方式、做 business 的方式完全不一样。

刚刚讲到中国为什么不能诞生 Databricks，你觉得主要原因是什么？

我觉得是基础设施还没有准备好，主要有几方面。

第一，我觉得能够为 cloud infrastructure 付费的客户，对于拥抱云这件事还没有 ready。他们更喜欢私有化部署。

中国的大客户是这样。

对。这一点其实阻碍了很多新的商业模式产生。

所以你们中间有一段时间融资不顺，也和战略转向有关吗？

我觉得一是大环境，第二是我们也不需要融资。

你们什么时候开始赚钱的？

怎么说呢，一直都在赚钱，但不是说已经实现盈亏平衡。

我问的第一问其实是一个战略决定，不是说……

对。你可以自己看那个节奏。

所以现在公司是盈利的？

现在倒也没有盈利，但可以无限地活下去。基本上看趋势的话，是有不错现金流的状态。

你们想把公司最终打造成什么样子？

当然这个说起来有点大，不怕你们笑话：想做全世界最受人尊敬的基础软件公司。

你觉得在此之前，全世界最受人尊敬的基础软件公司是谁？

目前好像还没有特别符合这个描述的公司。

是因为大部分人并不了解技术软件有哪些公司吗？

技术软件公司的知名度比较低，而且一家 To B 公司很难追求“最受人尊敬”。

你们可能比较奇怪，就是非常喜欢“受人尊敬”。

对。尊敬是指，第一，产品确实能够帮助大家。赚钱肯定是一方面，但更重要的是，你能对社会产生多大的正面影响。

这是我衡量自己做的系统的标准。比如 Linux 就是一个很成功的例子。从 Linus 的角度看，他可能没赚到什么钱，但他对整个 IT 行业的影响非常深远。

受人尊敬和赚钱，哪个优先级更高？

如果从公司的愿景来说，当然是受人尊敬更重要。

如果你创造了 10 万亿的社会价值，再从中赚 1,000 亿，我觉得这是很自然的。

你的很多想法，或者你们核心团队的追求，都挺古典程序员的。

非常古典，甚至有点复古。

上个题最受人尊敬的是马化腾啊。

是吗？啊，这样，那腾讯的愿景就是成为最受人尊敬的商业公司，挺好。

当然我可能太程序员了，很多观点都比较底层。

底层还是希望给社会带来更大的价值。

对，impact。

你们的愿景比我想象中大。我原来以为你们就是一家对标 Oracle 的数据库公司。

确实大一点。

这和你们出发时相信的事情是一样的。你们是因为看了一部电视剧，觉得要为未来的 AI 提供大规模存储服务。

当然这只是其中一个原因。第二，我们确实喜欢这件事情。

还有另外一个原因：这个系统本身对于我们这种古典程序员来说，就像珠穆朗玛峰一样的存在。这个世界上最难做的系统，我觉得就是分布式数据库。

你觉得组织规模和效率是什么关系？你们会刻意控制组织规模吗？尤其 AI 来了之后。

我不会刻意控制组织，因为很多事情还是需要人来做。

我只是要求大家理解，AI 一定是未来我们能够利用的最大杠杆。杠杆就是能够提升效率的东西。

我不是说那些 CEO 天天想：“AI 来了，我是不是要砍掉 50% 的人？”现在还没到那一步，人还是有很多不可替代的东西。

但对于优秀的人才来说，AI 一定是放大器，能够让他做更多想象不到的事情。

你们做了哪些为未来布局、但短期没有效果的事情？

第一个肯定是 AI。我们做了很多预研、投资和尝试。

难点是，当你看到一个非常巨大、非常有 impact 的方向时，团队里的每个人每天做的具体事情，却不可能完全拥抱这个方向。

大家会觉得：“老板天天在说这个，但我的日常工作好像对它没有太多帮助。”

我也理解。但现在我最大的难点，就是不停地通过各种方法、各种场合，让大家用正确的 mindset 去使用 AI。

很多人其实对 AI 是有敌意的。

你们公司应该没有吧？

我们公司也有，当然很多。

我经常推动一些事情，下面的同事调研一圈后说：“这个东西效果不行。”我就会问：“你有没有好好调研？”

很多时候我心里其实有一个答案，但你会发现，任何组织都会有这个问题。很多人为了证明自己，会带着一点人类的 ego 去挑刺。

我本来就想和你讨论这个问题。AI 来了以后，某种意义上好像有助于古典程序员的工作方式回来。

过去随着软件行业发展，软件越来越复杂，需要很大的团队一起开发，比如自动驾驶就是一个例子。

现在可能变成一个很有想法的人，加上 AI 的帮助，战斗力比一个小团队还强，而且更灵活。

我超级同意。包括我自己使用 AI 的工作经验，也是这样的。

我想知道你是怎么使用的。你自己的工作发生了什么变化？公司层面又是怎么用 AI 的？

顺着刚才的问题，我觉得站在程序员角度使用 AI，最大的困难是不要对自己设限。

我是后端工程师，但以前也做过前端，做过 Windows 客户端、iOS 客户端，也写过 Web 和 JavaScript。因为我很小就开始学编程，没有老师，所以都是根据我要做什么，来决定我要学什么。

但很多科班出身的工程师会说：“我的工作背景是后端，我就是后端程序员。”或者“我是 iOS 程序员，我要转型。”

在我看来，古典程序员，尤其是 hacker，其实没有什么转型一说，不要对自己设限。

以前不对自己设限的代价，是你得学所有东西，要快速学习。但现在有 AI 的帮助，学习效率变得很高，AI 可能比你更了解细节。

所以对个人来说，更重要的是要有信心完成目标。能够发现问题，能够动手做，这是最重要的，其他都不重要。

所以意图变得很重要。

对，动机，以及发现问题的能力。

当然，用 Cursor 这类 AI 编程工具也有一些问题。它在真正复杂的系统、很新的库，或者很复杂的场景里，还是不行，仍然需要老司机。

另外，它搞不定的是一个你不知道的东西。比如我要做一个微信，它没有办法仅仅根据“我要做一个微信”这句话，就帮你把整个路径都做出来。

这意味着，作为 AI 工具的使用者，你得知道怎么评价它的工作。你要知道第一步应该选什么库，第二步应该采用什么架构。你可以不了解细节，但大方向必须懂。

如果大方向不懂，或者无法判断它选的方向是不是正确，AI 大多数情况下都会走错路。

所以我现在的工作方式是，和 Cursor back and forth 地讨论。比如设计文档的路径该怎么做，甚至先把项目的代码框架写好，剩下的让它完成，就像完形填空一样。这样效率比较高。

这也是为什么我不看好 Devon 这种甩手掌柜式的 agent。你的 first shot 如果生成错了，后面就会一直沿着错误的方向走。

你怎么看最近硅谷很热？

我很喜欢 Web coding，但就像刚才说的，它有两个前提。

第一，你的整体框架要比较完备、清楚；第二，你要能够评价 AI 的工作。很多人做 vibe coding 时，没有办法评价 AI 生成的东西，这是很危险的。

没有编程经验的人不行？

绝对不行。

现在社交媒体上总是在吹，什么 3 岁小孩开发了一个游戏，这些我觉得全是扯。

因为你已经有 30 年编程经验，使用 Cursor 如鱼得水，也能节省很多时间。那对于一个成长中的工程师或程序员来说，完全依赖它不行。你觉得这会毁灭他的职业生涯吗？

如果他一直 web coding，却不学习，绝对不行。

举个大家都有体感的例子。最近 DeepSeek 开源以后，开源出了一堆 AI infra 的东西。在美国，做基础软件、做 system 的工程师越来越少，尤其是在创业公司里。

现在这一代美国硅谷最热门创业公司的工程师，底子可能没有 DeepSeek 那些人扎实。

DeepSeek 有很多优化，我拿去问一些不点名的、大家耳熟能详的顶级 AI 公司 infra manager，问他们怎么看。他们的回答会是：“Like magic。”

OpenAI 的代码看不见，但它早期也开源过很多 infra 相关的东西。你不用看代码，只要和这个人聊几句，就能知道他是否理解这个方向。很多时候内行看门道，聊三句就知道这是不是一个非常扎实的系统工程师做出来的东西。

美国不是没有这样的人，他们可能在大厂里，比如 Google，已经工作了二三十年。但在新的 startup 里，这样的人比较少。

你当时那个硅谷朋友为什么会形容它像 magic？因为他不知道。他会觉得，为什么工程师要把问题抠得这么细，去优化底层效率？在云上，或者在 OpenAI，不就是多买几块显卡的事情吗？

但 DeepSeek 的工程师也非常年轻，这就是不一样的地方。

中国的工程师年轻，但基础扎实？

我觉得中国过去 10 年、20 年互联网公司快速发展，阿里、头条、字节都面临过很多 system 层面的问题，这些经验滋养了这一代工程师。

我们自己平时招数据库研究员，人才构成也很年轻。我觉得不管怎么说，中国的计算机基础教育，尤其是热爱编程的小朋友的基本功，还是非常扎实的。

现在很多美国学校都不学 C 语言了，直接学 Python，或者 Java。你跟他说指针，他会问指针是什么。

你总体觉得，你们在美国招的本土工程师，整体不如中国的吗？

老实讲，在美国我不招特别底层、特别低调写代码的工程师。我主要招 manager 和 PM，希望用到美国老司机的经验，以及他们看待产品的视角。

中国会出现 Ilya 这样的人物吗？

我觉得很难。就像大家讨论中国可能不会有马斯克一样。

这种从 0 到 1 的创新，我觉得现在还早。

你刚才说，推动人类进步的那些群星闪耀的人物，中国现在还没有。

是的，这很遗憾。我们努力看看能不能做一做。

现在我觉得中国可能更强的是工程化。

那在 AI 时代，PingCAP 做的事情会有什么不一样？整个架构要重新用 AI 的方式写一遍吗？

我不会用 AI 把它重新写一遍。我觉得自己刚刚适应这个时代，之前的 philosophy 在 AI 时代还是受用的，尤其是最早那些 philosophy。

但要做好一个准备：你要把用户从程序员、软件开发者，转换成大语言模型或者 AI。你的用户可能是一个 agent，它会怎么期待一个数据软件？

我现在已经在做一些这样的工作，但还没有发布，不太方便具体说。只能从问题角度开始思考：AI 需要什么样的存储和数据库？

可以简单讲一些思考点吗？

比如要给这个“大脑”实现一个 memory，也就是记忆层，首先得放弃一件事：不能给它太多限制。

以前做数据处理时，经常说我要做一个报表、做一个 ETL、做一个归纳总结。现在很多公司的数据团队和运营团队，天天做的就是把运营数据翻来覆去地整理成报表给老板看。

但未来在 AI 时代，消化数据的方式不应该再像人类这样自作聪明地帮它处理一堆。最好的办法是把原始数据给它，让它通过一个灵活的接口访问原始数据。它能提供的价值，一定比你自作聪明地再做一层封装更好。

举个简单的例子。我们公司使用 Salesforce，过去可能有几个同事全职帮助高管跑 report。现在我可以直接问：“我上一次和这个客户开会，是和谁，什么时候？”

它会告诉我参会的人和时间。我再输入公司一个销售的名字，它会告诉我这个人最近 3 个月的情况。

当然，要把它真正做得好用，不写程序是不可能的。所以我刚才那些 insight 就是，有时候产品真的是做多错多。

为了得到这个效果，我其实没有做任何数据处理。以前这些报表都是运营同事帮我做的，但现在我的交互界面不是数据分析师，而是大语言模型。

这些数据由大语言模型直接在底层数据库上查询。效果最好的方式，就是把原始数据直接放进数据库，让 AI 直接写 SQL。

SQL 是一种很灵活的语言。刚才那些只是简单例子，有些更复杂的问题，它会自己生成几十条 SQL，不停地对一部分数据进行分析，最后给我一个 insight。

那 Salesforce 这样的软件服务供应商以后会怎么样？

Salesforce 当然仍然重要，但最后如果它能变成一个很好的 data provider 就行。

我这个东西的实现方式其实很简单粗暴：直接调用 Salesforce 的 Open API，把最近一段时间的 event 拿出来，写进数据库。

数据库定义就在这里。这是我自己写的一个 weekend project，没什么太难的，任何人都可以写。关键在于，第一，你能不能找到正确的实现路径；第二，你有没有发现这个问题。

按照这种新的数据消化方式，中间的 CRM 公司都可以被取代。

对。现在我的销售团队变大了，不可能对每一个销售都了如指掌。但我永远可以通过不同维度，和大语言模型 back and forth 地分析这些人的工作。

过去我提一个需求，可能 3 天以后才拿到一个报表，而且我可能看完发现，这不是我真正想要的，又要再等 3 到 5 天。

这个工具至少帮我提升了很多效率。

但刚才说过一个很重要的问题：怎么发现需求，或者怎么提出正确的问题？

当时我的核心问题是，我非常讨厌 Salesforce，不想看 Salesforce。这就是我真实的痛点，所以我想写一个程序，利用大语言模型帮我解决这件事。

我看了一下，Salesforce 的市值是 2,270 亿美元。

未来大家不需要它那么复杂的服务和收费产品了吗？

所以我觉得做数据库的人不会失业。因为大语言模型要和你产生关系，一定得通过你的 personal data。

普通公司、普通人也一样。现在我还有另外一个想法，和刚才你问的产品准备有关：我的基础设施可以给全世界每个人提供自己的 personal database，而且应该是免费的。

每个人都应该能把一生的数据存下来。其实这些数据也没多少。

现在我自己的 personal data 全都在里面，只是这个东西还太工程师了。比如飞书记录、微信记录，其实都在这个数据库里。

这个数据库是在云端，还是在你自己的设备上？

在云端，而且是实时的、全实时的。我的 email 也在里面。

每个人都会有自己的 personal data。比如一天里基于时间形成的数据流，今天下午你和东旭聊的这些内容，你的随身 agent 都可以直接把它变成结构化数据。

那确实可以记录一个人的 24 小时。

我自己做了一个小设备，不过今天没有带在身边，有点像一个树莓派，挂在这里。

现在很多多模态语言模型，你可以让它每隔 5 秒拍一张照片，然后总结一下照片里的内容，按照特定格式写到数据库里。

你之前是不是见过一家硅谷公司，也是一位华人开发的，可以 24 小时录下所有对话？

对。现在直接通过语音调用，就可以把那些东西调出来。

但那家公司破产了。

只是生不逢时。

我的设备就是一直录音，每隔 5 秒拍一张照片，然后让模型总结照片里有什么，按照特定格式写到我的数据库里。

最后呈现出来是什么？

一个 list，也就是 feed list。

这可能是 AI 最喜欢的人类，也是最好的数据。相当于做了一个智能眼镜。

对。

以前我们看待数据的方式叫大数据。大数据中间有很多 business，就是把数据做 processing，把零散数据变成大数据，再从大数据的分布里抽象出一些 insight，这就是过去大数据做的事情。

但未来从 AI 的视角看，可能会变成一条非常长的、长尾的数据。过去零散数据没法分析，但现在每个人的 agent 都可以帮你分析自己的 data。

这对数据基础设施和数据库服务提出了很多新要求。比如，怎么给全世界人民提供免费的数据库？

免费也有成本吧？

当然有成本，但我们找到了一种方法，能够让成本变得非常低。

现在所有云服务差不多都是类似的思路，也就是弹性。

90% 的用户，或者说 90% 的人的数据都是冷数据。你不会每天回忆自己 3 岁时在做什么。真正重要的数据，可能只是最近的 200 条数据。

如果系统足够 smart，能够合理分配数据冷热分布，利润空间其实很高。

举个例子，你现在的电脑，如果看存储，可能只用到 30% 到 50%；但如果看 CPU，大多数时间都在浪费。

如果我找到一个方法，把全世界计算机空闲的 CPU 和空闲磁盘利用起来，是不是就能做出一个这样的系统？

摩尔定律发展这么多年，人类制造出的存储设备和计算设备，完全有能力为每个人提供服务，成本也可以很低。

苹果有在做这件事吗？

我不知道有没有。但从基础软件的角度，我觉得这件事情是能做的。

如果你们有一个个人会用的产品，而且是很普适的需求，这好像就是你“最受尊敬”的方向。

我觉得这里面的策略应该是，和一个应用层，或者说做 memory layer 的 partner 合作。我为它提供一个免费的 database，让它可以服务任何想做的客户，打败所有竞争对手。

我可以帮助它成为全世界所有 AI agent 的 shared memory。

你们自己为什么不做？

因为我们是 infrastructure，是造水管的。不可能从上到下所有东西都做。

我们还是有自知之明的。我是 database expert，但不是 AI expert。

这个思路也挺硅谷的。中国很多行业更倾向于垂直整合。

但我觉得这不好。我们是一个水平分工的公司。

我们有一些 criteria，会反映在技术决策和产品决策里。

这是你们未来最大的战略重心吗？

至少在产品方向上，这是最大的重心。因为它代表整个行业范式的转变。

但它可能和眼前赚钱的事情不一样，甚至可能和我今年、未来 3 年赚的钱都没有关系。

你刚才说是整个行业的范式转变，具体指什么？

就是看待和使用数据的主体变了：从数据分析师，变成大语言模型。

有多少人意识到这件事已经在发生？

我不知道，应该很多人吧。做 agent 的人现在也会有类似讨论。

做 agent 的人不是做 database 的人。我觉得现在有一个很神奇的点：我们其实造出了一堆武器，但很多人不知道这些东西存在，于是会觉得“现在没有这样的东西，所以我们做不到”。

现在我的烦恼是，我确实把这个东西造出来了，但我又不想把上面的应用做了。就算我做了，也不一定能成为行业标准。

我觉得你挺幸福的。一方面有个人追求，另一方面又能通过个人追求实现想做的事业。

顺着这个往下聊，回到古典时代，我觉得有一个东西也在明显回潮，就是开源。

开源一直存在，但对中国很多公司来说，可能是在 DeepSeek 这个春节崛起之后，才让大家开始特别关注。你们却很早就做开源了，尤其是 10 年前、2015 年成立的时候，那会儿中国应该还没有基于开源的成功商业公司。

确实没有。

我觉得基础软件首先有个人因素。因为我成长过程中从开源社区得到了很多东西，所以创业时可能会优先选择这个方向。

第二个重要的点，是我们做战略时会想：不开源这件事能不能成立？

我们发现，在数据库这件事情上，如果想要获得很好的商业成功，不开源是不成立的。这是我们自己的结论。Oracle 可能觉得不开源也可以，但它属于上一个时代。

现在我觉得，开源是战略上的必经之路，不开源就会死。

最关键的一条原因是 trust。因为这种软件太重要了，如果不给全球用户一个信任的基础，新公司很难获得信任。

Oracle 运行了这么多年，已经有了信任基础，大家可以闭着眼相信它。但对新一代的外来者来说，开源就是信任的基础。

DeepSeek 也是一样。如果 DeepSeek 是闭源的，不可能有海外客户。但它开源，就能构建全球生态。

举个例子，101 号公路上，我上下班的路上看到过一家不点名的公司，它的广告牌写着：“Running DeepSeek in your data center。”

我觉得第二点是，接下来 AI、agent、大语言模型会越来越火。未来这些火热的应用和想法，第一时间一定会出现开源生态。

这也是历史规律：当你有一个很好的想法时，肯定不只是你一个人在想。想通过信息不对称去赚超额利润，这件事情很难成立，因为第二天一定会有人出来做一个开源版本，让这个东西民主化。

操作系统是这样，大语言模型是这样，我觉得 agent 也会这样。

大语言模型的开源，和以前的软件开源有什么区别？

以前的软件可能更机械、更无机，而大语言模型即使开源代码，甚至把权重放出来，也不一样。

我觉得未来大语言模型本身可能不是最重要的东西。它更像一场台风，模型只是台风眼，是很小的一部分。

而且你会认为 Tier 1 的大语言模型能力都差不多。比如刚才 Salesforce dashboard 的能力，并不需要 GPT-4 或 o1、o3，DeepSeek R1 可能就绰绰有余。

我现在用 GPT-4.1，但用 R1 一样可以做到。

Tier 1 模型的能力本身会持续进步，开源和闭源的差距也会缩小。但除此之外，所有 engineering 工作、agent framework 和 ecosystem，围绕大模型上下游的软件工程，闭源有了好的东西，第二天一定会出现开源版本。

所以你们选择开源，是因为第一名往往是闭源？

是，这有很大关系。

任何新的生态出来，第一名肯定可能是闭源。第一名出来以后，第二名一定会开源。

所以这是一个循环？

我觉得这是历史规律。

从操作系统到移动互联网时代，第一名往往是闭源。有人想垄断好的想法，占据商业先机。但一定会有第二波人完善这个想法，让它变成更民主化的东西。

第二会超越第一吗？

不好说。比如 iOS 和 Android，很难说谁更好。如果看市值和商业价值，也很难简单判断。Linux 和 Windows 到底谁赢了？

最后我觉得，它们会慢慢分化出各自的市场。

所以历史规律到底是开源赢，还是闭源赢？

为什么一定要赢？赢这么重要吗？

Android 和 iOS 谁赢了？它们共同推动了整个行业。

开源一定会成为构建生态的必然路径。

我们讨论输赢，是想说你选择开源不仅是因为信仰，也是一种商业选择。

对，是一种竞争策略。

但这个竞争策略不是为了赢 Oracle，而是为了能够服务头部企业客户。你刚才说的，开源是让客户产生信任。

现在大模型开源里，有哪些东西是你希望开源、但实际上还不够开放的？

现在已经有人在做了。我记得 Linux Foundation 下面有一个机构，名字忘了，大概是在做从训练数据、训练工具到权重的全链路开源，也就是可复现。

这已经是非常彻底的开源了，很少有人会开放训练数据。

但我觉得 DeepSeek 现在也可以。至少它开放了权重，你可以用比较宽松的 license。

老实讲，你也不能解释大语言模型神经网络里发生了什么。给你训练数据，更多只是让你觉得这个东西比较安全而已。

你在中美两边都有比较深的观察，在两边待的时间也比较多。你觉得两边开源社区的氛围有什么差异和相同？尤其 DeepSeek 之后，中国这边会有很大变化吗？

DeepSeek 出来以后，中国的变化其实也不叫开源生态，更像是一堆卖一体机的。

这是 DeepSeek 对中国生态最大的变化？

对。很多人说接入 DeepSeek，但其实不是真的接入 DeepSeek，都是接入阿里售卖的一体机。

这个利润很高吗？

确实高。但做这种事情，赚点钱就好了，我不会太关注。

很多客户自己也没想清楚怎么使用 DeepSeek，只是说：“我需要一个 DeepSeek，需要一个自己可控的 DeepSeek，上面的 API 和 OpenAI 的 RESTful API 一样就行。”

现在很多人只是做软件适配、硬件适配，再适配国产显卡。先卖出去，至于什么应用场景、软件生态需要怎么调整，完全没有想清楚。

最多就是加个 Defi 在上面，然后写一些工作流什么的。那能叫部署 DeepSeek 吗？

能叫吗？

能，为什么不能？买来一体机，插上电，最后蹦出一个对话框，那也是部署了。

但和真正部署 DeepSeek 没什么区别。我觉得这种东西就是 hype，和我们公司想做的事情不太一样。

当然，国内团队可能有赚钱压力，那就做吧。我不关注就好了。

海外的开源生态，我觉得还是有很多人在认真做 ecosystem。所以我自己投资的一些国内 AI agent 公司，也会建议他们：虽然是中国人，但应该做海外市场。

现在不要急着挣钱，尽可能融入全球 ecosystem，尤其是开源 ecosystem。

这就是最大的区别。不是做基础模型本身的话，现在大多数工作都在开源，尤其是 infra 和开发者领域，比如 MCP。

MCP 是去年很重要的一个东西。因为如果 MCP 不开源，没人会用。

对。这也体现了 Anthropic 和 OpenAI 思路的不同。

OpenAI 其实早就支持 function calling，后来也支持 MCP。但 OpenAI 的很多问题，就是它一直不理解开源，甚至有点敌对。

它其实起了个大早。包括用 reinforcement learning 训练模型的方法，并不是 DeepSeek 发明的，OpenAI 早就知道。o1 也是先发布的，但它一直藏着掖着。

包括 function calling 也藏着掖着。但拖来拖去，这些东西其实没有什么秘密。你可能领先 3 个月，但 so what？

开源出来以后，如果你没有掌握标准，就只能兼容别人的标准。

我之前和一个 DeepSeek 的前实习生聊开源。他说开源可能有几种目的，其中一种很有意思：一个人可能想追求一个非常大的东西，这个东西可能是一种标准。

对，类似 MCP。

而且最后你去看 MCP 的实现，不一定是最优雅的。但标准只要有网络效应、有人使用，护城河自然就起来了。

最后想聊聊你对 AI，或者说机器与人的关系和边界的想法。

一方面是你们公司现在用了很多 AI。之前我们交流时，你说过一个潜在担忧：我们会不会因为研发速度太快、技术加速太快，超过人类能够承受的范围。

你当时提到的是《神的九十亿个名字》。

对。这个问题可能要站在更高的维度，从人类文明本身去思考。

我先介绍一下阿瑟·克拉克的科幻小说《神的九十亿个名字》。大概情节是，西藏有一座寺庙，里面有一群喇嘛。他们有一个传说，要根据一种算法排列组合出这个世界上神的所有名字。

按照理论边界计算，大概是可能九十一个这样的名字。但西藏的喇嘛没有高科技工具，所以一直以来都是用手抄，一个一个抄。

按照这个速度，抄完那九十一个名字可能要好几万年。他们相信，抄完这些名字以后，世界会进入下一个维度，宇宙的意义也会在写完最后一个名字时体现出来。

后来这群喇嘛发现世界上有一种东西叫计算机，于是跑到美国租了一台计算机，把算法告诉工程师，请他们帮忙用计算机把这些名字打印出来。

计算机打印当然快，可能比人类手抄快几万倍。最后，当这些名字全部列出来的时候，故事就结束了。

结尾是，天上的星星一颗一颗暗下去。就像你看电影时强行拖快进，直接拖到了结尾。

我为什么对现在的大语言模型、现在 AI 对人类的渗透速度有一点担忧？就是人类是否已经准备好迎接这样一种能力？

如果从有神论者的角度看，也许造物主给人类的时间很长，预计几十万年、几亿年以后才会有这样的东西出现。中间这段时间，是让人类的心智 ready for 这样的 technology。

但人类可能通过各种方式超频了，在心智还没有足够成熟、还没有准备好迎接这种技术时，就拥有了它。

这也可能是技术本身的特性带来的。技术具有加速发展的特性，但人的进化速度太慢。

对。所以核武器之类的东西，从整个文明角度来说不一定是最好的。相当于人类已经拥有了把自己的文明搞垮的能力。

我觉得大语言模型也是一样。可能本来人类还有很多时间，但现在离大家变成人肉电池，可能也没有那么久了。

这里也有分歧。认为大语言模型目前没有自主学习的人，可能没有那么担心。但如果真的持续学习出来，可能会有更多新问题。

像下围棋。假设有一个世界，靠下围棋来决定人的命运。如果这个世界产生了 AlphaZero，它一下子就会变成这个世界的主宰者。

至少在一些封闭任务上，人工智能已经强到人类不可能触及的阶段：人类不可能战胜，也不可能理解，不理解它为什么这么下。

如果每一项工作都变成 AlphaZero 下围棋那样的模式，人一定会迎来巨大的存在主义危机。

你一方面用很多 AI 做新的工具，业务也在向 AI 转型，这可能会带来更多收入和机会，是让你开心的部分。另一方面，你也会去想更远的、concern 的部分。

作为一个人，自己的定位是什么？

在 business 上，我确实用这些东西提升了很多效率，也做了很多有意思的事情。

但我会想一个问题：作为一个人，在离开计算机的时候，我的意义是什么？

以前我很自豪地说自己写代码很厉害，但现在 AI 写代码比我厉害多了。如果我的 mindset 没有转变成刚才说的 hacker mindset——我是 building 的人，是 AI 的使用者——我也会陷入严重的存在主义危机。

这对你来说是自然而然的，还是也需要一个转变？因为你本来就挺黑客的。

我比较幸运，因为我从来没有把某一件事变成定义自己的东西。

但我觉得现在很多人把自己活成了机器，并且以此为荣。

“活成机器”的意思是，把人生意义强加在每天的 routine 上。很多人会捍卫自己做算术的权利，觉得人生意义就是打算盘。

但这件事一定会被更强的工具取代。被取代以后，你就会问：作为一个人，我的人生意义是什么？

很多人没有想过这个问题。他们的生活就是上班、工作、下班回家，周而复始。

在大模型热潮之前，你肯定也一直在思考这个问题。大模型来了之后，你对这个问题的答案有了什么变化？

我有了更多变化，会更多地向内探索。

过去我很崇尚理性、逻辑，以及用机械唯物主义解释世界。但最近两年，我开始看佛教、禅宗，以及一些关于修行的书，向内探索。

我做出很多生活上的改变，也是因为在思考，作为一个人，我的优先级应该是什么。

想来想去，我得到一个感悟：人还是在于体验。我来到这个世界几十年，意义就是体验这段旅程。

我现在开始试着不再用很多东西定义自己。我的房子不能定义我，车子不能定义我，物品不能定义我，包括我写的程序也不能定义我。

关键还是体验，体验当下，也体验过程。有没有见过没见过的东西？这是一种人生观，和 AI 到来没有必然关系，但 AI 加速了思考这个问题的紧迫性。

以前会觉得每天很忙，有很多重要的事情做。但几年以后，如果 AI 连复杂程序也能写，可能一句话就能把 TiDB 写出来。那时你要怎么面对公司，或者面对自己？

我觉得 AI 既带来了紧迫性，也带来了可能性。你得先空出一些时间，才有余裕去想这些问题。

我没有最终答案，但我觉得答案一定和人的特殊性有关：什么事情是只有人才能做的？

你不可能让大语言模型替你活，也不可能让它替你感受。你感受这段旅程，是你自己内在和世界发生的关系。

很多感受甚至无法用语言告诉别人。这些东西才属于你，而不是属于机器。过去很多时候，我们只是没有注意到它们。

在体验中创造出来的结果，和体验本身是什么关系？结果是不是可能不重要？

对，结果可能不重要。

比如现代农业种菜的效率，绝对比你亲自种地高太多。如果从填饱肚子的角度思考农业，肯定比不过机器。

但你亲自种这块地，播种，然后吃自己种出来的食物，背后会有很多不一样的感受。可能种地的 journey 本身就很特别。

但你之前不是说，计算机可以拯救人类吗？

是解放人类，不一定是拯救。拯救还是得靠自己拯救自己。

你是 80 后吗？

1987 年的。

那你现在会做什么保养，让自己有更长的时间体验人生？有没有做一些过去不会做的事情？

我现在住在房车里。

这对身心健康有利吗？

我觉得还挺有利。极简主义生活，第一是让人更自由，第二是这两年开始做一些冥想，meditation。

这当然也是一种放松方式，但也因为这个契机，我开始思考很多向内探索的事情。

第三个和 AI、艺术有点关系。当大语言模型可以生成音乐和高分辨率、高质量的艺术品时，我反而往另一个方向走：寻找那些属于人类的东西。

比如六七十年代的老乐器、传统录音磁带、黑胶，包括我自己做的音乐。我开始不再追求更好的技法，而是追求更意识流的东西。

你之前和我说，现在想欣赏更多非数字内容。太高清的东西会让你觉得很累，而且这些东西会越来越廉价。

对。以后人造的东西可能会变得更加珍贵。

我忘了是哪一本科幻小说里看到的：未来，如果发现一个人造的东西，比如手工刻的小马、一个小艺术品，它反而会在 AI 和工业化社会里变得非常珍贵，因为那是人做的。

所以我现在想刻意保留 AI 时代之前的东西，不只是数字互联网，也包括线下的音乐和艺术品。未来可能没有这样的机会了。

今天是从科幻故事开始的，我觉得最后也可以回到科幻故事。

如果有一天人类要灭亡，我们要编一个人类文明的遗产，放上很多信息，证明我们曾经存在于银河系的暗淡蓝点上。

如果只可以放一本科幻小说和一首音乐作品，你会选择什么？

这个问题太终极了。

一本科幻小说，也许我会放《基地》。一首音乐作品，如果真的只能选一首，我可能会放 Pink Floyd 的《月之暗面》。

所以这和公司没有关系，说明你真的非常喜欢这张专辑。

对，非常个人。

我发现技术圈和 AI 圈里有很多摇滚乐爱好者。你觉得为什么？

我初中开始玩乐队，之前一直在玩摇滚乐。那时候正好和我学计算机、接触开源软件的时间重叠。

在十三四岁、开始怀疑很多规则和固有观念的时候，你有了一点独立思考能力，第一步就是反抗。

我当时使用开源软件、和别人一起玩乐队，都是一种反抗。我不想用 Windows，我要用开源软件，不想被那些 evil 的大公司控制。

开源和摇滚确实有一些相似的内核：地下、非主流、边缘。正好和我的青春期重合。

你和 95 后、00 后交流时，会觉得他们的青春期体验带来了什么样的人生观？和你们这一代有什么区别？

至少 95 后接触到的生活和信息更多。

我们那个时候学计算机，互联网还没有普及，能看到的东西比较少。当然也会看一些哲学方面的内容。

但我并不是因为有存在主义危机才去看这些东西。可能是我逐渐理解了自己和别人不一样的感受，想和别人不一样，这种感受促使我去思考存在主义危机。

所以可能更内核一些。

我想来想去，我小学三年级开始学编程时，驱动我的就是一种很原始的美感：造出一个东西，并且欣赏造物的过程，进入心流。

那时候没人告诉我这叫心流，但我很享受这种感觉。

慢慢到最后，不管是音乐、艺术还是代码，包括我现在运营公司的底层逻辑，其实都来自小学三年级时对美的追求。这个审美可能是我和很多人不一样的地方。

你最开始编程的契机是什么？

非常巧合。我很喜欢玩游戏，但我爸妈把所有游戏卡带都收起来，只给我留了一张 BASIC 解释器。

于是我开始强行学习怎么写出一个游戏。写着写着发现，写游戏比玩游戏更有意思，创造比消费更有意思。

你之前列过 40 岁之前想掌握的几项基础能力。为什么没有开车或者开飞机？

因为我会开车。

所以你列的是还没掌握的能力？

对，缝纫、种菜、木工、电器维修。

缝纫是为了什么？

如果生活在路上，掌握补衣服、缝衣服的能力是必要的。

现在的人会说，衣服坏了去超市再买一件。但最近几年我越来越觉得，消费会让我有点不舒服。

你看小红书吗？

我不看小红书。也不能说讨厌，它对我来说像一个工具，差不多像 Google Maps。

我现在会刻意往回走，看看最小的消费应该是什么样。比如我可以自己把衣服补上，那为什么不补呢？

这也是我的一个乐器老师给我的启示。他很神奇，有点像流浪汉，过了二三十年嬉皮士一样的生活，在全世界流浪。

他的人生哲学是，尽可能不用新的东西。所有东西最好都是以物换物、二手的，或者通过其他方式获得。他不希望自己的存在给这个世界创造更多 karma，不想给世界带来太多负担。

这也是你的想法？

对，我也是这么认为的。慢慢来吧。

题外话，你看到现在美团和京东的商战，是什么感觉？

他们在商战吗？我都不知道。

这是很好的反应。

你现在通过什么阅读？

我看 Hacker News，其他基本都是书。我只看书。

每天阅读多久？

看时间吧。反正睡前一个小时肯定在看书。

这是最近才有的习惯吗？

不是，一直这样。

你还挺自律的。

我觉得这不叫自律。我一点都不自律，只是非常忠于自己。

我爱看书，就看书；爱玩音乐，就玩音乐。但很多事情我不喜欢，那些事情我一点都不想做。

不喜欢京东和美团的商业。

今天谢谢东旭做客《晚点聊》。

谢谢，谢谢大家陪聊这么长时间。

我们从 AI 聊到公司，又聊到 AI，以及怎么在这个时代何以为人、生活下去。

如果要给大家一个建议，就是回到具体的生活和具体的人。

从去年开始，我又开始自己做饭。以前我不做饭，因为觉得能点外卖，为什么要做饭？

但当你一点点学习做饭，会发现每一顿饭的过程很特别。现在我享受做饭的过程，甚至比最后把做好的东西吃掉更享受。或者看着喜欢的人吃你做的东西，我觉得也是一件很好的事情。

所以，很多事情没有那么宏大的叙事，都是具体的事情：养一盆花，做一道菜，认真了解身边的人。

这些事情可能就是作为一个人的意义。相比于非得搞懂 Transformer 的原理，它们可能更加具体。

本期连点呈现分享两个和往期节目有关的呼应和感受。第一个是我们在这期中聊到了对于智能的理解，背后可能是哲学上的一个分野，就是你是否相信这个世界的规律，这个世界的因果关系是真的可以被我们掌握的。在一百零八期我们和马毅老师聊智能的历史的那期节目之中，马毅对智能的总结就是从 DNA 到人类，从单细胞生物到复杂的智能生物，大家在做的一件事情都是去理解和解码外部规律，并进一步预测外部规律，所以智能的本质其实是学习。当然这件事有一个前提，就是我们真的可以掌握规律。在那期节目之中就有一个留言非常有意思，是分享了英国的哲学家休谟的经验主义的想法，他有一个经典的说法是，也是这一次东旭在节目中提到的，即使我们观察了一万次。太阳从东边升起，从西边降落。我们是不是真的可以说下一天太阳也会从东边升起，西边降落了？当然这是一个非常开放性的问题，可能它并不影响我们日常生活去做选择、去做判断、去过我们每一天的日子。

第二个我想到的点是这次聊天中我自己非常受触动的一刻，就是我们在问东旭，他列了一堆四十岁之前他想学会的新的技能，包括种菜、种花木匠等等，然后我就很自然的想知道，那你学习这些东西是为了做什么？他说是为了学会做人。在AI来了之后，大家讨论很多的一个话题就是，如果工作被AI取代，那人剩下的意义是什么？我觉得东旭的这个回答里给了另一种可能。另一方面我也想到了一百一十六期和田园栋聊，他自己是 Meta G N A I 团队的研究总监，同时他也是一个科幻小说作家，在去年出版了自己的第一篇科幻长篇《破晓之中》。我们在一百一十六期节目里就是在聊这本科幻小说，以及他作为一个 A I 研究者是怎么来设想 A I 时代的科幻故事的。一个非常核心的区别在于，在他的想象里，未来星际文明之间争夺的不再是能源等物质生存资源，而是最优解，是好的想法本身。那关于技术如此发达的未来社会里，人的意义是什么？田园栋也有一个设想，他的设想是有一些人生活在虚拟世界，不再为温饱而烦恼，可以做自己想做的事儿，这听起来好像是一个极乐世界，但实际上它也带来苦恼。也就是当你真的在做自己想做的事情的时候，好的想法本身仍然是稀缺的，你可能做不到第一梯队，也无法完全表达出自己所感受到的灵感和创意。这种情况下你会快乐吗？田园洞在他的书里是用了一个虚拟世界里的二流画家的苦闷来表达这个思考和推演，我们在那期节目中有展开，大家如果感兴趣的话可以去听那一期。本期节目就到这里，欢迎收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，欢迎推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果 Podcast 等渠道关注“晚点聊 Late Talk”，也欢迎关注我们的公众号“晚点 Late Post”，下期再见。