关于 AI 落地：
- 模型的性能够用就行。
- 在数据集训练到天上，也不代表在实际中够用。因此我不大关心模型在训练时的性能。看真实测试的结果才有用。
- 了解实际客户需求，例如某些角度是客户接受度最高的。单纯的"高性能算法"不一定有用，需要有好的展现方式和场景。我们都知道现在的 AI 常常是"先有算法后找需求"，这个"找需求"很有趣，有时需要"好点子"。
- 很多客户的需求很简单。最容易落地的，是最简单的。人脸相关的内容，仍然是目前最容易落地的。物体识别也不错。
- 客户的需求也很复杂。不一定是算法的复杂，也包括工程的复杂。
- 各类需求其实很多，预计在未来几年内我们将看到 AI 的大规模普及。
关于编程语言：
类型系统等等，做学术合适，不过在大多数工程实践中用不到。毕竟如果做太复杂就在现有硬件架构下没有高效的实现。做软件，得以硬件作为基础。
个人认为，一个编程语言，首要的问题，是两个偏工程的问题：
- 依赖管理系统。现在大家都是调包侠。这决定语言的生态。
- 异步/并发机制。这个非常常用，而且很多程序员在此容易出错。相关的是异常/错误处理的语法机制。
其中的第二点，实际等于做一个操作系统（上下文切换，调度系统等等），或者再做一个虚拟机。一个实用的高效编程语言，做到后面，都应该变成做一个操作系统。操作系统核心的也就是上下文切换，中断，MMU，各种设备的驱动，资源管理，等等。
最近火的华为鸿蒙就是 RTOS，做一个简单的 RTOS 是比较简单的。【如果您是嵌入式工程师，在深圳，对下列方面有经验或感兴趣，欢迎私信简历：(1) 适配驱动 & 协议 (2) 做 UI & UI 库 (3) 做 RTOS。如果您对做编译器感兴趣，也欢迎私信。】
再往后有三个方面：
- 往大看：有并行化，分布化，同步，容错等等。
- 往小看：少不了内存管理，cache友好，对分支预测，流水线等等的友好。
- 往侧看：还有 SIMD，异构计算。除了 GPU NPU，还有模拟计算，量子计算，光计算，生物计算等等。
从前 C++ 还开创了一种道路，就是把编译做复杂，模板和宏的技巧。这方面有更多值得探索的地方，例如加入一些 AI 减少程序员的重复劳动，及早发现 bug，自动优化代码。现在的语言（和 IDE）在这方面仍然很原始。这方面 TabNine 是一种尝试。
关于编程：
以上的“编程”，仍然停留在“如何在某个硬件上做最好的软件”。
实际的“大编程”，还应该想“如何做最好的硬件+软件整体方案”。至少到门的级别，跳出冯诺依曼架构和哈佛架构。PiM，异步电路等等是好的开始。
我个人想知道几个问题，欢迎专家补充。这里暂不谈量子计算机等等。
- 很多人在试图走回模拟计算机的路线。这个知道的人都知道有一些问题，即使是用来算神经网络都有一些问题，这是很奇怪的，我想似乎是有可能解决。
- 数字计算机必须用门吗？元件有没有新的思路？例如忆阻器。
- 工艺上的进步。例如立体芯片的可行性，目前有一些初步探索。
在理论方面，从前的人认为编程=数学，或，数学=编程。这没有错，但是，现在的绝大多数编程任务完全不像数学，现在的绝大多数数学任务也完全不像编程。
与数学相比，编程至少有两个特殊的地方：(1) 资源有限。(2) 存在“时间”（or 运行速度有限）。关于数学的编程化，未来再谈。
