以下内容整理自2023K+全球软件研发行业创新峰会北京站对话环节：（全文约9560字,预计阅读时间10分钟）
主持人：
张乐-腾讯DevOps与研发效能资深技术专家
对话嘉宾：
朱少民-"软件工程3.0"定义者/CCF质量工程SIG主席
张刚-前阿里巴巴资深技术专家
茹炳晟-腾讯 Tech Lead / 腾讯研究院特约研究员
王青-JFrog中国技术总监
今天我们对话的主题是：智数时代，软件研发的“变”与“不变”。
在数智化时代，数据被视为新的生产要素，智能化成为生产、生活的新方式，大数据和人工智能技术，已经成为驱动社会发展的新引擎。
首先想请问一下朱老师，您认为在当前的数智化时代，软件研发的模式或范式，正在经历或即将发生怎样的变化？
首先，我想谈一下自己对模式和范式的理解。假如我们写的代码跟原来要实现的程序设计模式相近，可以借鉴或参考拷贝过来，这地方适合叫模式，而范式会决定我们要做的软件本身。所以我们有时候讲范式转变主要指软件工程，因为软件工程本身是决定待开发的软件应该做成什么样子，或者怎么去做软件。所以我们讲软件开发范式更多的是指软件工程这方面的内容，模式更多是指像程序设计、代码等特定的风格。软件开发范式的变化，是因为软件本身的形态发生变化。过去软件作为产品，后来软件作为一种服务，今天软件作为一种模型。另外，范式的存在，有时候也是并行的。就像某些落后企业还在软件工程1.0，有的企业已经进入 软件工程2.0 时代，优秀企业开始进入软件工程 3.0，甚至在一个企业里，软件研发的不同范式也会同时存在。
在一个公司，因为有不同的产品生产线，所以开发的范式也是不一样的。在智能时代，或者数字化时代，和以前的开发软件不一样，以前开发软件更多的是用代码一行行写出来，像搬砖一样，功能要写出来。但是现在构建一个大模型，一方面要有好的数据输入，另一方面就是训练模型。但模型具有通用人工智能或人工通用智能的特点，它有各个方面的能力，这能力不是一个个构建的，而是自生长的。所以我们软件工程的一些方法、范式会发生巨大的变化。
大模型的到来让我感觉到了一个非常重要的点：从我们整个行业来讲，大家对于软件背后真正的方法和思维的关注度是不够的。相反，我们在框架、工具、语言上花了非常多的时间。变和不变，要回到软件的本质上来看，就比较容易看清楚。软件的本质是通过我们创新性的结构去解决现实世界的问题，所以我觉得现在会有两个大的变化。
第一个大的变化是我们的工作对象变了，就是软件的形态演进了。我不知道最近有多少人试过最新的 code interpreter，或者看过一些介绍，你会发现在未来，一些软件有可能不是我们今天看到的软件形态。一个数据分析，你可以完全不写代码，它直接给你的用户交互就可以产生最终的结果。还有一类可能用户自己就可以干，但是比今天低代码要干得更好一点，所以工作对象变了，这是一个非常重要的变化。
第二个是我们的工作方法变化，基层的编程技术这件事变得不太重要，最近三个月以来，我在写的代码里面，70%以上的代码不是我手敲的。大多数我是给它提一个要求，然后它就把代码给我产出来了，我稍微把它改一改，或者是把它适配一下、调整一下，基础编程工作就完成了。另外一类大家想的更深一点，就是软件的构建，有一些可能就是AI的模式构建出来的，而软件未来的架构形态，可能变化会很大。
刚才您说到70%代码已经是由大模型生成的，但这依然还存在提升空间，还可能进一步发生颠覆。包括刚才提到的代码解释器的例子，在这种模式下代码可能一行都不用写，您觉未来是否还有着巨大的想象力？
我觉得空间其实70%说少了，我是不想把这事说得太过分，我觉得我实际工作这个比例更高，甚至90%都有可能。关于基础编码这件事情，想象空间无限大，我认为缩减的到0不是没有可能，但前提是你能够把软件的职责模块分解好，把它的契约定义好。我认为契约这件事情在软件行业的重视度是非常不够的。做的好的话，基础编码的想象空间无限大。架构层面的颠覆，我认为现在还有一定的困难。但是我理解这件事情，最起码现在 Copilot 是可以做的。目前我在做的一些架构决策，我会咨询AI，因为它见多识广，它知道很多事，但是最终的决策还是我来做的，所以想象空间也很大。
对模式范式其实我比较忌讳去谈这个问题，因为很多东西的变化，像这种模式或者范式的变化，我的理解它不是一个从0到1突变过程，它一定是一个随着时间的推移慢慢积累的一个过程。刚才张刚老师讲到如果我们用 Copilot 这类工具在编码的过程当中，用过的同学一定会感知到，有时候很多生成代码是错的，或者很多代码是第一版生成之后还要去人工做引导，才能把它逐渐变对的一个过程。比如说你要完成一个排序，因为是通用算法，所以它可以给你。如果是一些业务领域的东西，你只是描述一个需求，直接让它生成代码，其生成的代码绝大多数情况下是很难一次通过的，一定是要在人的基础上进行多次干预，多次联调，形成很长的一个token去调它。你就会发现这个过程一定是慢慢的变过去的过程。
现在这类工具带来的一个提升是什么？我们可以想象一个场景，以前我要写一个代码怎么写？网上搜一段差不多的拷过来，然后根据我的东西改一改，然后调通上线。现在把这个过程自动化，这部分的确带来了很多提升，但是将来能不能把一个实现的颗粒度调到一个面向业务的颗粒度，这个才是范式的转变。但这种范式的转变一定会随着这种小的颗粒度越来越成熟，然后大的东西才能越做越广。尤其是领域模型。
软件研发虽然是个行业，但这个行业里面还分你是做操作系统的，还是做应用类的，还是做促销类的，做电商的。在这种领域里面，如果我们再去做细分范式，才有可能在单点的垂直领域上有模式的改变，进而带来大的范式的改变，它一定是一个缓慢变化并且逐渐迭代的过程。但这个过程会沉思多久？以前我们说可能要好久，现在我觉得会很快，因为大模型的能力大家已经看到了，尤其当我们现在结合ChatGPT 之后，不知道有多少人用过，我们先不考虑问答的成本，从实际的效果来讲，把很多的机械性的推导过程、思维过程用GPT 实现之后，其实可以带来很大的效果提升。当这个东西的精准度做得足够高，它的推理逻辑、思维链足够漂亮的时候，你就会发现它可能带来模式甚至是范式的转变。
所以我们说的变革，可能是以两种形态推进的，一种形态是渐进式的变革，每次只有少量的优化提升，比如代码原来是30%大模型生成的， 后来逐步提升到50%甚至70%，这是渐进式的过程；还有一种形态是颠覆式的变革，包括整个软件架构、人机交互的形态都可能发生巨变，这是一个完全颠覆的过程。我们现在应该会感觉到，大模型时代变革发生的非常快，比以往一二十年的很多技术演进的速度都要快。
JFrog是做制品库的，有一个相对于私有化的查询语言，一般比较成熟一点的软件都有自己的查询语言，像Jira有JQL，Prometheus有PQL，我们也有一个叫AQL，那么AQL实际上是一个私有化的domain的语言，但是它的API 接口都是在网上公开的。我就问过ChatGPT，我说请按照我的AQL格式，查询出来我要的某个版本的制品路径，然后第一遍查询的结果是错的，第二遍我就告诉它哪个地方有错，它是会实现自学习，然后给我列出来正确的一个查询语言的列表。所以这个当时对我来说震撼还是比较大的，它是能够实现根据你的指导产生正确的结果，实际我拿着结果跑到环境去测，是能测出结果的。但是它有个局限，它是一个公网的大模型，它不是一个私域的，那么我前两天肯定关注这个模型，知道这个 LLAMA two开源了，开源之后必然能够实现一些，比如说私域大模型的训练，能够针对你私有的一些业务场景，实现针对化的生成，所以它会诞生出来新的一些行业的应用场景。
对于软件工程，有一句话叫“天下武功，唯快不破”，我们做了这么多年，还是没有做到很快的软件发布的能力。Gartner有一个数据，在 2025 年，全球 60% 的企业那能够实现每天的版本发布。注意是能够，不是说必须要有这个能力，现在国内的一线互联网公司早都实现了，但是一线互联网公司之外的各行各业的软件企业是很难做到的，也没有做到这样的发布能力。我们仔细想一想，软件发布的本质就是把开发者做出来的版本，放到生产环境让它运行起来。但是很多企业在搬运过程中会有各种各样的挑战。第一有的企业不升版本号，Release 版本永远是1. 0，有的完全用Snapshot，不用 Release 版本，版本发布要审批，要走审批流程，审批完之后版本要搬运到各个环境，传输速度也很慢。所以整个过程中你会发现没有解决快速发布的工程方面的能力，所以从我的角度来看，如果能够做到这种私有化的部署，首先在制品的信息记录上，能够记录每个环节花费的时间，相关的信息，然后通过模型实现这种智能的信息。智能化的信息关联首先能够让你识别出来瓶颈在哪，然后帮你去做版本的智能化组合，最后发布。我觉得在提升软件发布速度这一方面会有很大的需求。
有专家说：ChatGPT这类大模型并不会带来编程的终结，而是会复兴软件工程领域的一些根本性的技术。那您认为这些软件工程领域根本性的技术有哪些？如何掌握并强化这些根本性的技术？
如果从根本性方法角度，结构化方法或面向对象方法，在软件工程里算根本方法。过去，我们更强调结构化分析、结构化设计、结构化编程，现在更强调面向对象分析、面向对象设计、面向对象编程。因为软件工程首先是解决问题，业务就是问题域，解决问题域是有不同的解决方案。所以软件工程跟数学不一样，数学可能1+1就等于2，有唯一的答案。在工程上，实际上会有多个解决方案，要从多个方案中选出一个更优的方案，那怎么选出更优方案？又需要找到一套方法来评估这些解决方案：哪个更好，哪个不够好？这就是解决问题的根本方法，即方法论——先要定义问题、分析问题，得出解决方案，然后再评估解决方案，从中择优选出一个更好的方案。
机器学习不具有解释性，它用因果图生成测试用例，它并没有画因果图，但把测试用例生成了，所以大模型内部真正怎么运作的？它的机制是什么？有时候不清楚，它没有结构化特征。但我们作为人要强调结构化分析思想，甚至要有系统思维，但机器很可能没有系统思维。如果按照我们现在简单的理解，它就是一个概率模型，根据概率的结果输出，但是它究竟是怎么产生一个结果，有时候我觉得这很神秘，不仅仅是一个概率的问题，因为概率的方法是在几十年前，甚至更早的时间就在一直探索、研究，但成果不理想。这样说，大模型一方面也是想模拟我们人的大脑神经网络学习，生成内容。只要我们把问题定义清楚，就会生成我们想要的。也许不能一次定义清楚，这个是可以迭代的，这个也没问题，因为软件本身就是一个迭代的过程。另外一方面，大模型生成的结果，我们人类还要去做评审或者去验收，判断其结果是不是我们想要的？但这个环节可能就会发生比较大的变化，所以有时候就会怀疑，要不要设计类似这样的问题。软件的形态已经发生变化了，不是我们以前做功能一个一个堆上去，那时候我们强调结构化，面向对象或者有实体，有对象有属性，今天我们大模型就是一个软件，它就没有实体或者对象，甚至让你都看不到结构化的东西。这样，我们的结构化方法有用吗？或者面向对象方法有用吗？有可能也没用，所以今天我们来看一看敏捷宣言是 2001 年国内刚开始试用的，像华为比较早的，也是 2007 年开始试用，20 年以后，到了今天许多人敏捷还做不好，还是假敏捷、伪敏捷。所以大家想一想，我们这个大模型也才几个月，还是一个婴儿，所以未来不能用两天、一个月的这种眼光去看，要用5000天的时间去看，用10年的时间去看，就像20 年后看今天的敏捷是不是发挥作用了一样。
张刚老师之前有一篇很火爆的文章，也在分析大模型时代有哪些软件工程领域的根本性技术，您可以再详细分享下么？
我非常喜欢这个问题。我是做架构出身，架构师是喜欢从变化中找到不变的东西的。做架构的有一个核心逻辑是：架构不会跟着功能需求的变化而变化。如果功能需求一变，架构就变的话，说明架构是脆弱的，这是一个非常重要的点。
另外一个变化中存在不变的例子是领域模型。在面对现实纷繁复杂业务变化的时候，能够有同一套领域资产来应对你的各种各样的业务场景。AIGC时代也是一样。找到不变，就更容易做到“反脆弱”。世界变化非常快，看到变的东西很重要，但是我觉得能看到不变的东西会更重要，因为它会让我们有更好的根基，去面对各种各样纷繁复杂的事件。从这个角度来讲，我觉得在软件里面最不变的东西，有两个基本点：一个是软件的本质，软件能够体现出的核心是靠它的结构来表达的，软件的结构是非常重要的一件事情，而结构这件事情它最重要的其实是来自于我们对问题域的分解以及组装。至于怎么分解，那我理解，也许 AI 来了能帮我们做得更好，怎么组装 AI 也能帮我们做得更好，如果我们自己人没有这方面的分解和组装能力，AI 的能力不会被发挥出来。软件开发本质是一个创造型活动，它是一个有着结构的创造型活动，所以我觉得作为创造型活动这件事情本质是不变的，而创造性需要的是人类的思考。目前我觉得 AI 是不具备思考能力的，虽然看起来它或许已经通过了图灵测试，但是并不是它真的具备了思考能力。从原理上，它是基于token序列的一个预测而已。第二个软件的持续演进的本质没有变，而持续演进在 AI 时代可能演进的更快，这是一个本质。持续演进本质不变的话，意味着设计能力其实是变得更重要了。上午的演讲谈到了编程的终结，我觉得挺好的。如果把作为偏具体化的构建活动的编程终结了，我们把精力放到前面，放到更有创造性的活动上去，不是更好嘛？如果真的变成终结，我很乐见其成。
这让我想起有一句话是这样说的：我们永远挣不了认知之外的钱。就是说如果我们自己都不懂或者没想清楚这个事怎么做，而指望大模型这样一个基于概率本质的工具去帮我们去实现，其实也不是那么现实的。茹老师近期翻译了一本书，原作者David Farley谈到现代软件工程有两个点很重要，一个是管理复杂性，一个是软件迭代和演进的本质。茹老师，您觉得是不是这里面也蕴含着一些关于软件工程根本性的方法和逻辑？
正好聊到《现代软件工程》这本书，其实David Farley我不知道有多少人知道，这个作者其实挺低调的，在年度DevOps报告里边，他都是主要的一个参与者，而且他也是持续交付这本书的第二作者。2022 年他的新书《现代软件工程》是本小册子，它里面就提到了很多重要的观点，一开始就探讨什么叫做工程，建筑工程跟软件工程，广义工程和狭义工程，这个其实引申到我们现在的“变与不变这个话题”来讲的话，你可以发现他里面很多观点都在讲一件事情。
当这些语言模型或者工具变得很强大的时候，我们很多最原始的东西反而会被复兴，有哪几个我认为是原始的？第一个需求工程，就是你能不能把需求描述清楚，或者更结构化的，或者用更轻量级的、半结构化的方式去描述需求，这个东西会回归；第二个软件方法，就像刚才张刚老师讲到我要把它拆小了才能生成的准，那谁来帮你拆小呢？还是得靠人去拆小，就是我们很多设计要去解决的问题，这部分的能力进一步被放大了；还有一部分可能大家都不太愿意听的，或者觉得很 low的一个部分。文档这件事情，其实大家一直都觉得这东西不重要，为什么把软件做出来了没文档也可以，资料都在你的脑子里，那人跑了怎么办呢？当然你又可以找人去接班，或者再去读代码，但成本很高，但是你以后很多东西想委托语言模型去做，用 LLM 去生成，那你怎么为LLM 去沉淀这个领域里面的足够多学习的高质量的语料或者样本？这部分东西其实都是来自于你的文档，你设计的文档的沉淀，你的半结构化需求的沉淀。举一个例子来讲，如果你做的某一个行业，或者做的某一个业务，尤其像金融或者保险，它的业务领域是非常固定的。你有没有办法去把这些金融领域或者是保险领域的知识沉淀成半结构化的需求，然后用语言模型去做学习，变成垂类的，或者是一个行业大模型的，这个其实就会有很大的想象空间。所以这个东西一定会去复兴整个垂直领域的软件工程。所以我认为现代软件工程里面，总结三个方面，一个是需求工程，一个是软件方法，还有我们的文档沉淀。文档被敏捷搞坏了，搞了敏捷之后都不搞文档了，觉得这个文档不重要，但实际上真的不是这么回事。文档其实是思想的传承，松细的对齐非常重要的一部分。但是大语言模型出来之后，它一定是作为语言作为输入的，所以文档的复兴，我觉得反而会变得越来越重要。
王青老师，您觉得在软件工程这个过程中有哪些根本性的技术更重要了？
我讲一个切实可行的案例，一个可能预计即将来临的一个变化。对于开发者来说，因为我之前也做Java开发的，其实大家如果看现在的 Java 开发，它的这个技术栈是非常的标准化，Spring Boot， 然后可能有这个后端的数据库，前端的 Vue， 你不管是Spring还是你的Vue， 还是后台数据库对接的模板都是完全标准化，而且接口是公开的，如果我们让这个模型来学习，首先基于我们现有的架构，现在大部分的业务需求基本上都是基于code，在后端前端去做增加，那有了这样的一个基于现有架构模型的这个指令，让机器大模型理解你的架构之后，你再让它去生成，根据你现在业务相关的这些代码，它是能够实现的。我预计有预测能实现，这个时候能够实现非常精准的一个代码，帮助程序员实现快速的软件编写。所以我非常认同茹老师之前讲的，手工业的这部分是会被替代的，而且是即将立刻就能发生的一个事情，这是我觉得可以预见的，如果有创业公司对这个感兴趣，可以考虑这方面，创业立刻实现这个行业技术领先。
我认为我们现在跟大模型的协作其实有几个层面。首先，我们是任务的分发者，自己把很复杂的事情搞清楚了，然后分解为几个步骤，然后分发给大模型去做。其次，我们在过程中给予大模型一些指导，如果发现大模型走入死胡同了，要告诉它能怎么绕过去。再次，我们是结果的验证者，让大模型的结果逐步收敛，最终得到一个我们真实想要的结果。这样我们跟大模型之间能保持一个比较好互动关系。
今天来参会的朋友基本都是软件行业从业者，有工程师，也有很多的管理者，几位能不能给我们这些参会的小伙伴们一些方向性建议？比如，马上要投入到大模型里面，到底怎么投入？有哪些具体行动的建议？
首先就是要拥抱它，就像敏捷里面讲的：拥抱变化，与时俱进。如果新技术来了，我们不要怕它或者躲避它，一定是要接受它。首先去用它，用了以后你才有体会，我们有可能讲的不对，因为实践出真知，你认真不断地去实践，才会得到更深的体会。在软件工程中，两个基本能力是最基础的。一个是抽象能力，就是你构建模型需要抽象，但最终解决问题还是要落实到具体的一个个函数、一个个模块去解决，所以分解能力也是必须的。这两个能力作为一个软件工程师来讲也是最基本的。另外，从教育上来讲，系统性思维或者分析性思维，以前讲的会比较多点，但是批判性思维就不够多，就实际上你要有自己的判断，或者你要去质疑这种假定、推理或者结论。
至于大模型，它有可能是会给你一个假的或一个错误的结论、错误的结果，而且它还感觉很有信心，但你不能被它欺骗，这就需要你自己有这个能力，所以从教育上来讲，对学生来讲就不能依赖大模型，什么东西都去问大模型，然后你自己的能力在不断地退化，有可能你就变成一个废人，所以从这点讲，你要不断地跟机器学习，你可以从它那里得到学习，但你应该比它更厉害。
另外一面，机器可能是向我们学习，向人类学习，但有一天它也可以不跟人类学习，完全也是可以的。就像我们以前讲的 AlphaGo 和 Alpha Zero，Alpha Go 刚开始是学人类的棋谱，但后来是机器跟机器学习。另外一个例子就是软件开发和测试之间的博弈，微软的一个首席研究员做过一次分享，一个ML模型生成代码，另外一个ML模型生成测试代码，它们之间是可以PK的。测试可以去提升代码生成模型的能力，那代码模型也可以去检验测试结果，它们之间的 博弈 会产生一个更好的结果。
批判性思维很重要。那这块也想问一下张刚老师，因为我之前也看到一些国外大神的言论，包括极限编程的创始人Kent Beck，他说大模型出来之后，他一开始不愿意用，后来觉得 90% 技能的价值好像归零了，但是有10%的技能他的杠杆作用扩大了1000倍。其实当时我一直好奇这10%是什么？10%的内容是不是就是我们广大的从业者应该去打造，努力加强的部分？
其实Kent Beck这句话确实是非常有冲击力。我们都是知识工作者，而前面的任何一次革命，不管是工业革命还是电气革命，那些东西它其实本身都没有触及到知识这件事情，它触及的是人类的其他方面的生产力，是能源、是力量，是这些东西。而知识工作者跟 AI 的能力之间有一个很大的重叠。虽然AI不见得有创造性，但它的确干掉了很多我们知识工作的苦力活，比如说编码就是个苦力活，我理解这就是那90%，那10%是什么呢？那10%我觉得是人对于问题的洞察，对于世界的认知，对于知识工作者本身的那种延展的原子级的能力，就是你能够快速长出其他知识的能力，我觉得这个是最关键的。
我的建议很明确，就是不要听我们怎么说，而是你要去试试看。就现在这种 Copilot， 包括X， 包括国内的一些大语言模型，你如果没有真正去用过的话，其实是不具有足够的发言权的。我的一个主要的建议就是说知道了这些东西之后，我们不一定能在工作上用，因为有信息安全的问题，你的代码弄上去它有可能，就有信息安全的问题。但是你可以在一些试点的项目作为一种能力验证的方式，一定要去用过，一定要躬身入局，你用过了才有足够的发言权。这是我这边最主要的一个建议。
第二个相对延伸出去的是什么？就是说我们在用的这个过程当中不要去做那些所谓的太假的项目。什么叫太假的项目？比如说有很多人说现在大语言模型能力很强，我问他一个LeetcCode里面的算法，你帮我写一下这种东西。哇，写出来的确是对的，而且写出来的算法很好，这代表大模型很牛吗？不是，因为这LeetcCode它见过，只是见过的东西它翻译出来而已。你不要被它的这种表面现象所迷惑了。所以我们在用的过程当中也要去分清楚哪些是它的能力，哪些是他本身见过的东西。总之一句话，你一定要去用，我的建议就是要践行 。
还有很重要的一点，如果有精力的话，韦青老师一直是我的偶像，他讲了一个点，他在研究这些大语言模型的时候，除了用以外，他会把背后的逻辑搞清楚，背后的逻辑怎么回事。这个东西之所以这么强大，背后的算法，背后的实现方式怎么样，只有当把这些东西搞明白之后，你才知道这个东西的技术天花板会在哪里。就像我在一些场合去讲 GPT 的时候，我上来根本不是给大家演示 GPT 到底有多牛逼，而是告诉你 GPT 本身是个概率模型，它是个填词游戏，它的学语过程三阶段学习怎么去做了？只有你了解了本质，你才知道它的天花板会在哪里。
如果真的要把这个东西搞透，你先有感性的认知，然后再去研究 Transformer， 然后再去研究 Transformer 怎么迭代成后面的东西。你的这种感知，你的观点才是真正是比较犀利的，能够看透本质的好，但第一步先要去用了之后你再去看这些原理。
刚才讲了很多应用场景，还有包括一些实现原理，其实最终我给大家建议就是针对开发者，我们企业不管用什么样的工具，要给开发者一个很快很丝滑的感受，有了这样的感受之后，开发者更愿意尝试更多的工具，用更好的工具来提升他的效率，从而进一步提升公司的交付效率。
大家努力的方向最终还是为人服务、创造价值，拥有了这些技术手段，我们最终还是要对内服务好工程师、对外服务好客户和用户。
如果这样的话，竞争应该更激烈，有一些超人出现，或有的团队更强，所以智能时代，更加竞争或者更加内卷的时代，你更要努力。
借用敏捷宣言，拥抱变化，不断地去提升自己。如果再加一点，就用批判性思维来提升自己。
其实这个快速变化的时代，有两个点很重要，一个点就是应该积极地去拥抱这些潜在的范式级的变化，它肯定会来，而且来的方式可能跟我们想象的不一样。第二个就是练好基本功，我觉得我们这个行业整体基本功不太够。
我觉得得回归事物的本质，就像我刚才讲的软件工程本质的东西，需求文档、软件方法，还是要回归本源，然后用工具帮你在回归本源的基础上把这些工具用得更好。所以我们还是要保持初心，以终为始。
好了，我们的对话即将结束，时间临近中午，大家应该有点饥饿的感觉了。我想请大家记住现在这个感觉，就像乔布斯说的， Stay Hungry， Stay Foolish。求知若渴，虚怀若愚，我们要拥抱大模型，保持好奇心，才能够持续成长，持续精进。谢谢大家！
如果想进一步了解AIGC相关内容，请关注8月11日晚8点K+Talk大咖对话，本期K+Talk邀请到微软中国高级研发经理/步绍鹏、中科院计算所高级工程师/李明宇、百姓AI 研发工程师/CSS魔法共同做客直播间，深入探讨“编程助手和代码生成会给程序员带来哪些收益？”~
- 以 GitHub Copilot 为代表的 AI 助手能帮程序员做什么？
- 在 AI 工具的加持下，程序员的工作流会有哪些变化？
- “AI 辅助编程” 的形态会如何演进？
AiDD北京站即将于8月18-19日于北京丽都皇冠假日酒店举办，主题为“AI驱动软件研发全面进入数字化时代”。伴随着人工智能（AI，特别是大语言模型）在众多行业领域的广泛应用及其带来的颠覆性变革，软件的开发模式、方式和实践都可能会发生巨大的变化。为助力更多企业在人工智能的浪潮中乘风破浪，“AI+软件研发数字峰会（AiDD）”应运而生，旨在帮助更多企业借助AI技术，使计算机能够更深入地认知现实世界，推动软件研发全面进入数字化时代。欢迎大家扫码报名！
