AI 科技評論按：在 Google Cloud Next 2018 大會上有一個萬眾期待的環節，就是今年三月獲得 2017 年圖靈獎的 John L. Hennessy、 David A. Patterson 兩人的現場訪談。
谷歌母公司 Alphabet 董事長、斯坦福大學前校長 John Hennessy 與谷歌 TPU 團隊、UC 伯克利大學退休教授 David Patterson 兩人因計算機體系架構的設計與評價方法以及對 RISC 微處理器行業的巨大影響獲得圖靈獎後，在多個場合進行了演講。在計算機體系結構頂級學術會議 ISCA 2018 上，兩人就是受邀嘉賓，面對自己研究領域內的研究人員們進行了一場嚴肅、詳細而富有前瞻性的學術演講。雷鋒網 AI 科技評論的報道請看這裡。
而在谷歌 2018 Next 大會上，谷歌雲 CEO Diane Greene 作為主持人，與兩人展開了一場面向普通大眾的、覆蓋話題更為廣泛的現場訪談。訪談氛圍不僅輕鬆幽默，也展現了兩人對整個計算機領域的獨到觀點。雷鋒網 AI 科技評論把訪談內容整理如下。
Diane：我知道大家都很期待這個兩位大牛的訪談環節。我先簡單介紹一下 David 和 John，我想大家都已經認識他們了，不過還是囉嗦一下，John Hennessy 是 Alphabet 的董事長，David Patterson 現在是谷歌的傑出工程師（distinguished engineer）。兩人合著了大多數人學習計算機硬件架構所用的教科書（《計算機體系結構（量化研究方法）》，Computer Architecture: A Quantitative Approach），這本書現在也已經發行了第二版了。他們共同開發了 RISC 架構，也在今年獲得了圖靈獎，油管上有一個很棒的主題演講。圖靈獎的頒獎詞是二人「
開創了一種系統的、定量的方法來設計和評價計算機體系結構，並對 RISC 微處理器行業產生了持久的影響」。 1997 年的時候 John 來到斯坦福大學任教授，1981 年開始研究 MIPS 項目。1989 到 1993 年 John 任計算機系統實驗室主任 —— 其實一般介紹的時候是不用說這一句的，但是很巧的是我的丈夫就是在這個時候被招到斯坦福去的，我在斯坦福跟他認識的。然後 2000 年到 2016 年的 16 年間 John 擔任斯坦福大學校長，對斯坦福大學有非常大的影響。
David 1976 年加入 UC 伯克利大學任計算機科學系的教授，從 1980 年開始擔任 RISC 項目的領導者之一。我就是在這裡跟 David 認識的，是他的計算機架構課上的學生 —— 我猜他已經不記得我了（ - David：當然記得啊。 - John：那她拿到 A 了嗎？ - David：A+，肯定是 A+）。David 2016 年退休，在 UC 伯克利工作了 40 年。兩個人都培養了許多優秀的學生。我剛剛才發現 Wikipedia 上寫了 David 在一個每次 2 天的自行車騎行慈善活動裡從 2006 一直到 2012 年都是最高貢獻者，看來後來沒有繼續騎了。
兩位除了為這個世界作出了很大貢獻之外，還有一件很棒的事情是，兩個人都與同一個妻子結婚超過 40 年。（全場鬨堂大笑）
John：如果換了妻子那就肯定不算了啊！
David：澄清一下，我們是各自和各自的妻子結婚，不是娶了同一個人……（全場再次大笑） 謠言就是這麼產生的……
（大笑過後）
Diane：那麼，你們兩個人都不是在硅谷附近長大的，上大學是在 70 年代，拿到博士學位要到 70 年代中末了。你們肯定在這之前就對電子電氣工程和計算機科學感興趣了，雖然這是很久以前的事情了，不過當時都是因為什麼原因呢？
David：我先說吧，我當時在 UCLA 念數學專業，這時候大學都還沒有開設計算機專業。那時候我已經知道世界上有計算機這種東西了，但我從來沒有想過要做計算機行業的事情，也沒有什麼畢業生勸我去做計算機。大三下學期有一門數學課取消了，我就在 UCLA 旁聽了半門計算機的課程，當時講的是 Fortran 語言，用的還是打孔紙卡，不過這都不重要，重要的是就是那個時候計算機來到了我的腦海裡，我被深深地迷住了。我在大四的商務和工程課的課後自學了各種計算機相關的課程，然後畢業前有人給了我一份實驗室的活幹，我也就這樣跟著讀研了。
John：我第一次接觸電腦是在上高中的時候，那時候我們有時分共享的計算機和紙帶，現在看起來很奇怪的。我參與了一個科學項目，要做一臺能玩三連棋（tic-tac-toe）的機器，然後用的都是繼電器，現在的人很難想象，但是當時我也就只買得起這個。玩三連棋的人都知道，你稍微聰明點就能贏，但是很多人其實沒那麼聰明，所以機器還挺經常贏的。不過也就靠這個，我說服了我當時的女朋友她們一家人覺得我做這個也能做得下去，然後她後來成了我的妻子，所以從這個角度來看結果還算不錯。
然後到了我上大學的時候，現在的人肯定不會相信 70 年代的時候是沒法學計算機專業的，有一些計算機的研究生專業，但是沒有本科專業。所以我學的是電子電氣工程，也決定好了要繼續讀計算機的研究生，就這樣不後悔地一路過來了。
Diane：這幾十年過得很快，如果當時有人告訴你們未來的技術發展是怎麼樣的，你們會覺得驚訝嗎？
David：應該會吧。你知道 Gordon Moore （英特爾創始人之一，摩爾定律提出者）當時在 IEEE 的某個期刊發了一篇文章寫了他對未來的預測，他畫了幾張畫，畫了未來的計算機和小汽車，還有計算機可以在商店裡面買賣。實話說我當時是不太相信他的預測的。
John：對的，有一張畫裡畫的就是有人在銷售家用的計算機。不過即便 Gordon 對未來也有一些猶豫，他說我們能預測未來 10 年會發生什麼，但是更遠的就預測不了了。所以我覺得沒有人能想到，誰能想到微處理器最終佔據了整個計算機產業，完全代替了大型機和超級計算機，誰又能想到大數據、機器學習會像現在這樣爆發呢？
David：是這樣。機器學習其實一直以來都有，但它的突然爆發、不停登上媒體頭條也就是過去四五年的事情。即便只是在 10 年前都很難預測到這樣的發展。
Diane：確實很驚人。那麼，說到摩爾定律，摩爾定律現在怎麼樣了呢？
David：結束了！摩爾定律結束了！人們很難相信摩爾定律終結了是因為十年、二十年以前就有人說摩爾定律要終結了，但現在是真的來了。摩爾定律是說，每一到兩年晶體管的數量就要翻倍，在我們的演講裡 John 有一頁 PPT 上就有一張圖，這個翻倍的趨勢已經結束了。這不代表以後不會有新技術帶來新的提升了，不代表我們停滯不前了，但是確實不是每一兩年就翻番了，它的速度要慢得多了。
John：對的。最近 5 年裡這個減速的趨勢變得非常明顯，這 5 年裡的發展速度已經比摩爾定律預測的速度要少了 10 倍，而這樣的緩慢發展的趨勢還會繼續。另外還有一個大家討論得不那麼多的、但是實際上要更尖銳的問題是 Dennard 縮放定律。Robert Dennard 開發的技術大家都在使用，就是把單個晶體管作為 DRAM 的一個單元，我們每個人每天都在用。他做了一個預測說，單位平方毫米的晶體管所消耗的能源是保持固定的，也就是說，隨著技術的發展，單位計算能力所消耗的能源會下降得非常快。這個預測的依據是電壓縮放定律等等，但是 Dennard 縮放定律現在也失效了。這就是你看到現在的處理器需要降低頻率、關閉一些核心來避免過熱的原因，就是因為 Dennard 縮放定律失效了。
David：第三代的 TPU 已經是水冷的了，就是這個原因。
John：對於大型數據中心來說水冷沒什麼不好，但是手機總不能也用水冷吧，我還得背一個包，包上都是散熱片。那也太滑稽了。
Diane：成了比能源的遊戲。
John：對，比的是能源了。
Diane：很有趣。那麼繼續這個處理器的話題，你們一個人做了 RISC，一個人做了 MIPS，那你們當時做芯片花了多久，為什麼要做呢？這個問題挺大了的了。
David：最早我們在 UC 伯克利開始了 RISC 的研究。RISC 是指精簡指令集計算機。我們不僅討論這個想法討論了很久，我們也構建了模擬器和編譯器。我們兩個人都做了芯片的實物出來。
RISC 的想法並不難，它的出發點是，軟件要藉助一定的詞庫和硬件溝通，這個詞庫就被稱作「指令集」。大個頭的計算機裡佔據了支配地位的思想是要有一個很大、很豐富的詞庫，可能有好幾千個詞，別的軟硬件要使用起來都比較方便。John 和我的想法與此剛好相反，我們覺得要有一個簡化的詞庫、簡單的指令集。那我們面對的問題就是，除此之外你還需要處理多少指令集、你處理它們的速度又有多快。最後我們的研究結果是，比我們一開始的計劃增加了 25% 的指令集，但我們讀取的速度增加到了 5 倍快。1984 年在舊金山，斯坦福的學生和 UC 伯克利的學生一起在最頂級的會議上發表了科研成果，我們拿出的芯片無可爭議地比工業界現有的芯片好得多。
Diane：從你們產生想法，到做出芯片發表，花了多長時間？現在做類似的事情需要花多久？
David：4 年。現在花的時間肯定要少很多了。
John：從當時到現在，很多東西都在同時變化。微處理剛剛出現的時候，人們都是用匯編語言寫程序，然後隨著逐步切換到高級語言，大家開始關注有什麼編譯器可以用，而不是有哪些彙編語言的好程序可以用。UNIX 也就是那個時候出現的，我們開始有用高級語言寫的操作系統，整個技術環境都在變化，當時雖然也有位片式的計算機，但是微處理器是一種新的技術，有著新的取捨。所有這些東西都給技術發展帶來了新的起點，設計計算機也開始換成新的思路。
Diane：那麼你們的想法被接受了嗎？
（David 和 John 兩人大笑）
David：大家都覺得我們是滿大街扔雞尾酒燃燒瓶的激進分子。當時佔據統治地位的想法就是，很豐富的指令集對軟件來說更有幫助。要回到更簡單、更原始的指令集，很多軟件都會出問題。別人都覺得我們這是很危險的點子。1980 到 1984 年間，我們去那些大規模的會議參與討論的時候，好幾次別人直接生氣然後開始大叫。我和 John 兩個人在一方，其他嘉賓、會場裡所有其他的人都在我們的對面。過了幾年以後，他們才逐漸開始接受我們的觀點。
John：不過工業界總是很抗拒。我記得當時有一個著名的計算機先驅對我說，你會遇到的麻煩是，你影響到了他們的現有利潤了，因為你的技術的性價比要高得多，他們賣 20 萬美元的小型計算機，就要被你的 2.5 萬美元的小盒子代替了。對他們來說簡直是毀滅性的。很多人都擔心這個。也有很多人不相信這會發生，但是最後就是這樣發生了。
David：今天都有很多人不認為 RISC 有什麼好處。（笑）
Diane：在你們開發 RISC 的時候，Intel 也發展得很快。
John：Intel 做了很多事情。首先他們發現了一種非常聰明的方式實現一種叫做 SIS 的指令集，它可以把 x86 的指令集轉換成 RISC 指令集，然後構建出 RISC 指令集的工作流水線。他們確實這樣做了，在 Pentium Pro 上很高效地實現了它，在效率方面帶來了很大的改進。對於芯片來說，緩存佔的面積越來越大，其它的東西變得不那麼重要了。但是有那麼一個問題是你沒法克服、也沒法繞過的，就是芯片的設計開銷以及設計時間。對 Intel 來說沒什麼問題，他們的開發週期是 2 到 3 年，有四百名工程師的開發團隊。但是這個世界上還有很多別的企業，比如設計移動設備的企業，你可能需要有 5 款不同的芯片，而不是一款芯片用在所有的場景裡，那你就需要能夠快速設計、快速驗證、快速製造出貨的人。RISC 在這方面的優勢就改變了整個芯片生態的發展。
David：RISC 有很大優勢。John 說的設計時間是一方面，能耗也是一方面。既然你用的晶體管更少了，芯片的能耗比也就更高了。
John：當你需要做低價的芯片，比如物聯網領域的芯片的時候，你可能需要做每片只要 1 美元的處理器。X86 這樣的有複雜翻譯機制的芯片是沒辦法做到每片 1 美元的。
Diane：我想問問，現在蘋果、谷歌都在做自己的芯片，以前他們都沒這樣做。現在發生什麼了？
David：是的。一開始谷歌所有東西都是買現成的，現在慢慢地谷歌開始設計自己的計算機、自己的網絡。John 以前也說過，這些以前都是扁平的企業，現在都開始做垂直整合了。
Diane：看到這樣的現狀你開心嗎？
David：算是吧。如果你做的工作是賣新的點子，那你就希望能夠找到很急切地希望嘗試新點子的人。當市場上只有 Intel 和 ARM 兩家指令集和芯片的承包商的時候，你必須去說服他們，寫了論文以後要先去求他們。他們是守門的人。而谷歌這樣的以軟件為基礎的企業就對硬件創新更開放一些，因為只要在他們自己的企業裡面起效就可以了。
John：這樣現狀是因為哪裡有創新的機會，哪裡就會往前發展。之前很長的時間裡我們都關注的是那些通用計算的芯片，它們變得越來越快。那麼隨著通用芯片的效率變得越來越低，我們需要另闢蹊徑。那麼我們找到的方案就是為特定的任務優化芯片設計，比如為機器學習設計 TPU，它是專用的計算芯片。那麼誰有設計專用芯片所需的知識呢？就是這些垂直整合的企業們，它們有軟件設計的能力，可以專門為硬件設計語言和翻譯系統。這裡也是一個有趣的變化，我覺得以後做計算機體系設計的人要變得更像文藝復興時期的人，他們要對整個技術堆棧都有了解，要能夠和最上層的寫軟件的人溝通，用和現在完全不一樣的方式瞭解他們要的是什麼。這對整個領域都很有意思。
Diane：因為太專用了，設計流程彷彿都倒過來了。做雲服務的人能看到服務器上都在進行什麼樣的運算，他們看到的可能反倒比做處理器的人看到的還要多、還要明白。
David：對。這也是另一點有趣的地方。對雲服務提供商來說，他們是一個閉環的生態系統，在企業內部它只需要解決一個局部的問題，不需要考慮通用計算市場和各種奇怪的使用狀況；
它只需要解決那一個環節的計算就可以了。所以這也會縮短開發時間。目前來看，這些大企業都很大膽地做出了各自的行動，微軟在 FPGA 上有很多投入，谷歌在做自定義的芯片，傳聞說 Amazon 等等也在做一些全新的東西。所以這個時代很有趣，可以看到很多創新。Diane：騰訊和阿里巴巴的情況如何？
David：嗯，我覺得他們也在做芯片。
John：我覺得現在這個時候很有趣，是因為有一件我們沒有預計到的事情發生了。雖然我們切換到了高級語言和標準的操作系統上來，但是 80 和 90 年代的時候你的硬件選擇反倒變少了。PC 的市場佔有率太高了，大家都不得不關注 PC，很多一開始專門給 Mac 寫軟件的企業都變成了專門給 PC 寫軟件的企業，就是因為 PC 幾乎佔據了整個空間，這限制了這個了領域可以出現的小創意和大創新。那麼一旦我們有了很多的創新的量，我們就可以做出很多新的東西。
Diane：它對創新的限制就是因為是它單方面決定了整個過程，別人都要圍繞著它來。
David：與 x86 指令集的二進制兼容性是一件非常有價值的事情。現在讓我來看的話，這些垂直整合的企業都是在提升抽象的級別，比如從 x86 二級制指令到 TensorFlow，這是很大的一個跨越。但是到了那個抽象的高度以後，我們就有很多的空間創新、把事情做得更好。
Diane：那語言和框架呢？
David：如果拋開硬件架構不談，現在有這種讓程序員變得更加有生產力的運動。如果你是剛入門的計算機科學家，你肯定會學 Python，這是一種很酷的語言，有很多很強大的功能，也有 Jupiter Notebooks 支持，所以它帶來的生產力很高。整個世界都有這樣的趨勢，我們可以看到 Python 這樣的腳本語言、TensorFlow 這樣的特定領域專用的語言等等，它們服務的用戶群都更窄，就是為了提高用它們的人的生產力。
John：我覺得這就是正確的方向。如果我們想要有很高的計算性能的同時還要保持軟件生產力的話，你知道只是逼程序員們寫更高效的程序、發揮更多硬件能力是不行的，硬件本身也要對任務有所優化。那麼我們不僅需要對編程語言做創新，還需要對整個編程環境做創新，然後把運行的結果反饋給程序員們。
Diane：這樣它就能不斷自己改進了。到時候全世界的人、小學生都可以編程了
John：你想象一下，
三年級的小學生在用機器學習，簡直是不可思議。Diane：你們認為最終大家都會用某一款芯片做機器學習嗎？
David：以我們的職業經歷而言，我覺得這是一批超乎尋常地快速發展的應用領域，由於摩爾定律失效了，它就很需要定製化的計算架構。你知道，典型的計算機架構設計就像是用打飛盤，我們的子彈飛出去要花好幾年，但是飛盤飛得太快了，等到子彈過去的時候誰知道飛盤已經飛到哪裡了。那麼我們現在看到有這麼多企業都專門為任務設計優於標準微處理器的硬件，但是誰知道誰的點子最好呢，尤其是這個領域還在繼續快速發展。據說現在有四五十家機器學習硬件初創公司，我們期待看到大家嘗試各種各樣不同的點子，然後看看最終誰能勝出。歷史上都是這樣，如果你回頭看計算機架構的市場佔有率，每個人都會做出自己的努力，然後逐漸有人勝出，有人退場了。
Diane：你覺得他們會不會受制於需要配合的那個軟件？
David：這裡的考量是，因為我們提高了編程所在的抽象級別，所以不會受到限制。不然就是經典編程的問題了。
John：世界還有一個重要的變化是，如果你回頭看 80 年代、90 年代甚至是 2000 年左右的計算機，臺式計算機和小型服務器還是絕對主流的計算模式。然後突然就是雲計算、移動設備和 IoT了，不再是隻有中間那一小塊空間了。這就是說，對於能耗比、性價比的取捨，我們現在可以有許多種不同的選擇。這邊我可以造一個 1 美元的處理器用在 IoT 設備上，那邊可以有一個水冷的三代谷歌雲 TPU，許多不同的運行環境，許多不同的設計考量。它也就提供了很高的靈活程度。
David：我現在覺得，這中間是什麼呢，中間的設備需要考慮二進制兼容性。在雲服務器上二進制兼容性不重要，在大多數 IoT 設備上二進制兼容性也不重要。我們只需要創新就好了。
Diane：嗯，這些限制都不見了，那很棒。未來即將要到來的是量子計算，跟我們講講這是什麼、講講你們的看法吧。
John：量子計算是「
未來的技術」，唯一的問題是它「永遠都會是未來的技術」還是有一天會真的到來。這個問題挺開放的，我自己的思考角度是，如果大多數研究量子計算的都是物理學家，而不是工程師的話，那離我們就還有至少 10 年時間。那麼現在做量子計算的多數都是物理學家。量子計算的真正難度在於能否拓展它的規模。對於某一些問題它有著無可比擬的優勢，其中一個它能解決得非常好的問題是因數分解，這其實對我們現在的信息安全提出了挑戰，因為 RSA 算法的關鍵點就在於難以做大數的因數分解；這會給我們帶來一些麻煩。其它很多方面也有優勢，比如量子化學可以給出非常精確的化學反應模擬結果。但是如果要做大規模有機分子的模擬之類的真正有趣的事情，你就需要造一臺很大的量子計算機。大家不要忘了，量子計算機的運行溫度只比絕對零度高几 K，那麼我實際上就需要保持量子計算機的運行環境非常接近絕對零度。這件事很難做。而且，室內的振動、數據的採集甚至如果量子計算機沒有做好電磁防護而你帶著手機走進了屋裡，量子計算機的狀態都會完全改變。為了讓它能夠計算，就要保持它的量子狀態，然後最終再採集它的量子狀態。這其中的物理規律很驚人，我們肯定能夠在研究中學到很多這個領域的知識，但是未來的通用量子計算機會怎麼發展，這個問題就很開放了。
David：我覺得量子計算機和核聚變反應堆差不多，都是非常好的研究課題。如果真的能讓它們工作起來的話，對整個世界都是很大的推動作用。但是它離我們起碼還有十幾年的時間，我們的手機也永遠都不會是量子計算的。所以，我挺高興有這麼多人在研究它，我也很敬仰願意做這種長期研究的人，你知道，以我自己來說，我的職業生涯裡很難預測 5 年或者 7 年之後的事情，所以我做的事情都是關注短期一些的目標，比如花 5 年做一個項目，然後希望再過幾年它可以改變世界。不過我們也經常會錯。你預測的東西離現在越遠，想要預測對就越難。
Diane：你們兩位都是在學術研究的環境裡成長，然後加入了企業。不過學校和企業之間的關係也在不斷變化吧，你們是怎麼看的？
David：計算機領域有一個很大的優點是學術界和業界之間的關係是協同的、互相促進的。其他一些領域，比如生物學，他們是對抗性的關係，如果你在學術界你就只能做研究，到了企業就只能賣東西。我們這邊不是這樣的。
Diane：現在也沒問題嗎？現在大公司不是把學校裡的教授全都招走了？
John：這確實是個問題，如果做機器學習的人全都跑到業界去了，就沒人來教育以後新一輩的機器學習人才了。
David：過去的 5 年裡人們對於機器學習的興趣一下子爆發了，機器學習也確實有不小的商業意義，所以做機器學習的人的薪水也在上升，這確實有點讓人擔心。我們兩個人職業生涯早期也遇到過類似的情況，也是一樣的
怕把種子當糧食吃了。當時微處理器以及別的一些東西因為太賺錢了，就會把所有大學裡的人都吸走，沒有人教育未來的人才了。現在機器學習確實有這方面的問題，不過你從全局來看的話，總是源源不斷地有聰明的年輕人想要研究學術，所以也不會 100% 的全都離開學校的。John 還做過校長呢，你也說說。John：像你剛才說的，我們這個領域的一大優點就是學術界和業界的互哺，企業的人和學校的人做的事情雖然不同但是也有項目的尊重。有許多領域都不是這樣的，學術界的人覺得業界的人做的是無聊的工作，業界的人覺得學術界的人做的是沒用的工作。計算機科學領域就不是這樣的。其中一個原因可能是因為這個領域一直都發展很快、有很多事情在發生。你做的某項科研成果，10 年後就可能改變這個領域。這真的很棒。
Diane：我可不可以這麼講，計算機領域的長期研究主要是在學術界，短期研究主要是在企業？
David：差不多吧。
John：對，差不多吧。不過當然也有一些企業在做長期的投資，比如谷歌收購 DeepMind 就是一項長期的投資。微軟和谷歌也都在量子計算方面有很多投資，這些都是長期的投資。這和當年 AT&T 收購了貝爾實驗室的感覺差不多，都是長期的投資，而且這些投資讓整個國家受益匪淺。
Diane：工程技術也隨著科學技術在發展。最近我聽說亞利桑那州有個人，Michael Crowe，創辦了一所工程學校。你們怎麼看？
John：人們當然是在對工程本身做一些創新。計算機科學相比別的學科在工程方面也有很大的優勢。我們有很多跨學科的內容，可以說有很多跨學科帶著計算機科學向前走，這種趨勢非常明顯。有一些學科始終都起到核心的作用，比如醫學和一些社會科學，那麼大數據、機器學習的革命來臨之後，社會科學發生了革命，我們對人類自己的瞭解、對整個社會的瞭解、如何改進整個社會都有了新的發現，這都很重要。
那麼計算機科學呢，當我 2000 年當上斯坦福大學校長的時候，我覺得計算機科學已經發展到頭了，它就那樣了。然後學生物的、學醫學的人開始說「二十一世紀是生物學的世紀」， 開始搞功能基因組學之類的東西 —— 我不是說功能基因組學不重要，不過計算機科學可能是功能基因組學裡最重要的東西，有計算機科學才能做出其中的那些發現。
所以我們看到了這一場難以置信的革命，我們看到學生的數目開始增長，以及謝天謝地，這麼多年了，終於看到女學生開始變多一點了。這都是非常健康的現象。我們在吸引著他們，全國的、全世界的最聰明最優秀的人才都加入了這個領域，這讓我非常激動。這也改變了整個世界。
David：當我和 John 剛加入這個領域的時候，其實我們自己的親戚都覺得我們是不是入錯行了，「行吧你想做就做吧」，就這樣。
John：我爸都說，「做硬件還行，千萬別做軟件」。（笑）
Diane：我們看到科技行業吸引了這麼多的資金，你們自己的學生創辦了好多企業，John 也建立過自己的企業等等。比爾蓋茨現在不做了，全職做慈善。你們做老師的時候也像是慈善事業。那麼你們怎麼看慈善的事情，以及整個科技行業裡的人。
David：我覺得，當年我拿到 UC 伯克利的 Offer 之後，過了一陣子才去報道。當時我看了一本書，名叫《Working》，裡面採訪了四十個不同行業的人，讓他們談談自己的職業。我從書裡讀到的是，你要麼要做一些結果很持久的事情，比如造帝國大廈，或者造金門大橋，要麼和別人一起合作，比如做教師或者做牧師。這樣的事情能帶給你滿足感，因為它們能影響到別人的生活。我自己就比較期待這樣的工作。其實在美國，大家默認認為等你有錢了你就開心了，但是其實如果你的目標是開心的話，你就直接向著開心去就好了，掙錢在其中不一定有多麼重要。我幾十年工作的驅動力就差不多是這樣的。有的人其實做了研究，研究什麼東西會讓人快樂，其中一件事就是幫助別人。影響別人、幫助別人能讓你感到開心。所以我覺得如果你想要變得開心，你就應該幫助別人。
John：討論這個還挺有趣的。我記得我大概 25 年前和比爾蓋茨有過一次討論，我問他對慈善的觀點是怎麼樣的。他說，微軟的事情太多太忙了，我現在還沒有時間考慮這個。不過如果你見過比爾蓋茨本人的話，你就知道他是一個非常專注、非常自我驅動的人，從他管理微軟的方式上你也能看得出來。後來當他做慈善的時候，那真的是完完全全的慈善家，他可以和斯坦福醫學院的人坐下來談生物學和疾病感染，談得非常的深入。他和妻子梅琳達是真的非常投入地要讓這個世界變得更好。Gordon Moore 也是這樣，他建立了摩爾基金會，在科學和保護區兩件大事上花了很多錢。
比爾蓋茨做慈善的時候很開心，他真的很喜歡慈善事業，他和梅琳達也是很棒的搭檔。我在阿拉斯加看到了 Gordon Moore 做的瀕危野生鮭魚的棲息地保護區，和 Mark Zuckerberg 和他妻子 Priscilla 討論他們的慈善想法，討論如何減輕人類疾病的影響，都非常棒。我覺得其中每一個例子、每一件事，都給他們的生命帶來了一些很激動有趣的東西。
之前我做斯坦福大學校長的時候，我經常在想有什麼辦法激勵別人變得更慈善一些。然後我看了《Alexander Hamilton》的作者 Ron Chernow 寫的另一本書，講石油大亨洛克菲勒的事，他快 50 歲的時候得了心臟病，差點死掉，然後他就退休了，這輩子剩下的時間都在做慈善，他創辦了芝加哥大學，他建立了洛克菲勒基金會，一直好好活到快 100 歲，非常美滿。所以我覺得回報他人能帶來快樂，我們都是聰明的、有創意的人，都能把事情做好。這也是能真正地讓世界變得更好的事情。
想知道關於計算機科學的更多知識？
或者移步 AI 研習社社區~
閱讀更多 AI科技評論 的文章
