https://softwareengineeringdaily.com/wp-content/uploads/2025/03/SED1813-Jeffrey-Ullman.txt
在計算機科學領域，Jeffrey Ullman 是一個無法忽視的名字。這位 83 歲的斯坦福大學榮譽教授，既是《編譯器：原理、技術和工具》（俗稱“龍書”）的合著者、資料庫理論的奠基人，也是 2020 年圖靈獎得主。他的職業生涯貫穿了計算機科學發展的關鍵時期——從編譯器開發到資料庫理論構建，再到演算法研究突破，他的工作深刻影響了計算機科學的發展，尤其透過《編譯器：原理、技術和工具》和《資料庫系統原理》等經典教材，塑造了無數程式設計師的思維方式。
前幾天，這位白髮蒼蒼的學者在一次採訪中展現出了令人敬佩的坦誠。他在對話中多次提到，技術是年輕人的遊戲，而隨著年齡的增長，他自己也越來越難以適應新技術。例如，他談到使用大模型時有些時候自己不太理解其邏輯，以及在使用手機導航和連線車載系統等日常技術時遇到的挑戰。這番感慨恰如其分地映照出當下技術變革的獨特性：當一位曾定義過“技術標準”的宗師級人物，也開始在 AI 浪潮中重新尋找方向，這本身便成為了關於技術進化的深刻隱喻。
在本次專訪中，Ullman 教授還系統回顧了自己跨越半個多世紀的學術生涯，分享了他對技術迭代的思考，並強調了技術發展的不可預測性。他指出，許多重大的技術變革在出現之前常常是無法預見的。舉例來說，1992 年他與其他學者討論“資訊高速公路”時，幾乎沒有人提到全球資訊網，而當時瑞士的全球資訊網技術已經出現。這表明，許多技術突破往往在專家和業內人士未曾意識到之前悄然到來。
在展望未來技術時，他說軟體工程領域最大的轉變是從機器語言到高階語言（如 Fortran）的演變，而如今大模型直接生成程式碼，這一變革的意義甚至超過了當初的變化。他認為，軟體工程正在經歷從“演算法”到“演算法 + 資料”的轉變，並行化的引入也肯定會逐漸改變我們對計算機能做什麼的思考方式。
Jeffrey Ullman：我基本上已經退休了，已經是個“過氣”人物了。沒錯，我們總得面對現實，計算機科學是年輕人的遊戲，而我已經不再年輕了。
Jeffrey Ullman：我想答案就在名字裡。它的封面很酷。很明顯，人們喜歡拿著這本印有龍圖案的書在校園中走來走去，甚至因此而選擇計算機科學專業。這可能就是我一生中做出的最大貢獻——讓一些原本可能浪費生命在物理學等領域的聰明孩子轉而投身計算機科學。
Jeffrey Ullman：我覺得最大的變化在於，我們現在主要是為並行機器編譯，包括八核處理器啦、大型超級計算機之類。 這些問題在《龍書》的最後一版中才開始被提及，主要是因為 Monica Lam 專門研究這個領域——也就是並行編譯。但在我們撰寫前三版時，甚至都沒有真正考慮過這個問題，可能當時這確實也不值得考慮。畢竟那會是 1977 年，並行編譯真的沒那麼重要。
Jeffrey Ullman：當然，如果是為序列機器編譯，就不需要處理併發控制等問題的任何抽象。我認為 MapReduce 就是平行計算的一個有趣抽象，這些東西在 20 世紀 70 年代是沒有任何意義的，也完全沒有任何實用價值。
Jeffrey Ullman：很明顯，將世界上所有的資料整合在一起給了我們一種驚人的力量，這是之前從未有過的。
我指的自然就是大語言模型。當然，其中仍然有一些粗糙的細節需要打磨。但無論如何，它已經賦予了人們做出各種奇妙事情的力量。同樣的情況也發生在 5 到 10 年前，那時候首次出現了大規模神經網路。
讓它們發揮作用的原因不僅是出現了廉價的大規模計算裝置，還有大規模資料集的誕生。當然，人們常常忽視資料的重要性。這不僅僅是演算法的問題，資料同樣重要。比如我聽說人們現在擔心大語言模型已經達到了極限，因為我們已經吸收了所有人類創作的文字，再也沒有更多素材了。
這個問題很有意思，我估計會在幾年內看到這種觀點是否屬實，或者說，大家會想辦法制造從未真正存在過的資料。比如說，如果你想透過機器學習來識別腫瘤，你可以拍攝一張腫瘤影像，將其放大 10% 或旋轉 10%，從而建立額外的可用資料，而無需實際擁有更多資料。總而言之，這是一個值得關注的方向。
Jeffrey Ullman: 說得對，而且我也沒有答案。就像我前面說的，這是個有趣的問題。我相信人們現在正在朝這個方向研究。
主持人：是的。既然談到了這一點，我想到您曾經寫過關於在處理這些大規模資料情況時降維的重要性。我在想，這是否與人們在蒸餾模型時試圖提取相關維度的方式有關。
Jeffrey Ullman: 說實話，我不記得自己有寫過這方面的內容……
主持人: 可能是在您的書裡……
Jeffrey Ullman：《資料集》這本書確實討論了降維。在理解資料時，降維通常是一個有用的工具，因為對於某些非常複雜的高維資料，有各種技術幫助我們聚焦於真正重要的部分。
Jeffrey Ullman：這是個好問題。我覺得我們還沒有真正找到該如何使用大模型的終極答案。
有趣的是，斯坦福大學從來沒開設過如何使用谷歌搜尋、如何建立搜尋查詢的課程。但現在我們正在教授一門名為“提示詞工程”的課程。許多學校可能都在開設或將會開設這樣的課程。就是說“提示詞”這個概念似乎得到了廣泛認可，而且也許需要被抽象化或以某種方式進行理解。但無論如何，我還沒看到能切實指導我們使用提示詞的具體原則。
我自己也擺弄過提示詞。在職業晚期，我做過大量的編輯工作。我為一家期刊工作，那裡有 300 名編輯，而我是唯一的計算機科學編輯，所以很多工作都堆到了我這裡。
我發現自己根本讀不懂眼前的內容，也沒有人可以交流。所以我開始使用各種大語言模型。
我會先向模型提供優秀審稿人的標準，然後說：“這是論文摘要。請推薦一些理想的審稿人選。” 有時，它確實能準確推薦，並介紹一些我從未見過但實際上相當先說的人選。也有時候，它會坦率地講：“這對我來說太難了，您可以參考以下審稿人篩選方法。首先閱讀文獻，然後……” 這基本上是一個完全無用的評論。
坦白說，我不知道為什麼會出現這樣的差別——是摘要的詳細程度，還是我對想要的東西的定義方式？我不知道。這裡有很多非常神秘的東西，我認為還有待人們去探索。
主持人：一點沒錯。我覺得這裡機會很大。我見過一款工具，嘗試像簡單的編譯器那樣編譯提示，其中包含不同的層次，可以看到它將元件組合並整理成不同的風格，以此適應不同的大模型。我猜它並沒有做任何最佳化，只是專注於如何從高階元件集轉換為適用於 Anthropic 與 ChatGPT 的提示詞形式。但我認為，它其實已經是某種類似於編譯器的等效物，它能理解提示這些不同模型的正確方法，並將需求意圖跟更好的提示方式對映起來。
Jeffrey Ullman：是的。這是個不錯的研究課題。
Jeffrey Ullman：我想想哈。再次強調，我希望自己在晚年也能有點事幹。我想大概是在 2000 年初，我和幾個朋友創辦了一家名叫 Gradiance 的小公司。它的目標是實現家庭作業自動化，我們採用的基礎架構是：對學生來說，它看起來像是一系列的簡短選擇題，整個解題過程就是從四個選項中選擇正確的答案。
但跟常規的選擇題不同的是，我們希望家庭作業實現的不僅是測試，還要進行教學。如果你答錯了，我們會給你一個提示，並要求你重新做一遍整個過程。傳統選擇題的問題是，如果你猜 A，但結果是錯的，然後猜 B，最終總會在不付出任何努力的情況下得到正確答案。我們的解決方法是開發了所謂的“根問題”，即擁有多個正確答案的問題。
那這個思路是如何實現的呢？比如，問題是解方程 2x 加 5 等於 10，求 x。現在，這隻有一個正確答案，應該是 2.5。看起來只有一個正確答案。但事實上，我們要求學生做的是提供解題過程。你要把步驟寫下來。如果你答對了，就是 x 等於 2.5。所以我們提供的選項不是 x 的值，而是告訴關於計算 x 的一些正確資訊。
比如你可以初步得出一個正確答案，即 x 不是整數，或者 x 小於 3，或者 2x 是質數。如果你知道 x 是什麼，就很容易認出這些正確答案。如果你不知道 x 是什麼，你就只能猜測。我們認為可以通過出售這項服務賺很多錢，但實際上商業反響並不好。其實大家還是願意使用，目前的使用者也不少。比如開羅大學就是我們最大的使用者，但他們不會為此付費。
大概是兩年前，我在班加羅爾做過一次關於這項技術的演講，聽眾中有一位 Infosys 的創始成員，他非常興奮，說：“我們可以用這個來教數學，” 其他人也可以。看看 Gradiance 的網站，就會發現這裡在用同樣的方法教授計算機科學，從 Java 程式設計到編譯器、再到作業系統和資料探勘。
但專案的商業化還是決定從數學入手。於是他籌集了一些資金，組建了一支團隊。產品還在製作當中——到目前為止，我們一直針對九年級的數學課程。順便說一下，印度的九年級數學大多是我十年級和十一年級學的東西。但這個不重要。總而言之，我們希望這些素材能在印度乃至世界各地供大家免費使用。
同樣的，這個想法不僅是要確保學生掌握了材料，還要在他們遇到困難並給出錯誤答案時，提供相關的提示或解釋。我們希望這最終能幫助他們答對所有的問題。
Jeffrey Ullman：這確實是個有趣的點。同樣的，大約在我們創辦 Gradiance 的同時，MOOCs（大型開放線上課程）風靡一時，人們甚至覺得以後大學都沒必要存在了。
後來怎麼樣了？我認為回答這個問題很重要。關鍵在於：當通用汽車決定用機器人取代裝配線工人時，沒有人會問裝配線工人是否相信機器人能夠勝任工作，對吧？但當學術界引入替代方式，也就是把技術引入教學流程時，教師卻完全有權說：“不，不應該這樣。我不想在自己的課堂上用這種技術。” 這跟其他產業應用完全不同。
所以結果自然很糟糕。技術的應用不僅遇上了明顯的阻力，特別是那些工作受到威脅的人。
而且事實證明，對於 95% 的學生來說，MOOC 並不足以達成教育目標，因為人會需要幫助。也就是說，我們只能自動化其中一部分。我認為 Gradiance 做到了一點，但人們遇到困難時總還是需要求助。MOOC 無法消除對教學專業人員的需求。它或許可以減輕教師們的一些負擔，從而提高他們的效率，這意味著整個行業對教師的需求量會減少。生活就是這樣，每個領域都是如此。
我覺得我們還可以做更多——如果教師們願意，比如說播放 MOOC 影片課，就像他們過去會選定教學大綱一樣。教科書和教學大綱承擔了一部分教學工作，現在 MOOC 可以承擔更多的教學工作，但仍然需要有人來主持課堂，特別是處理不斷出現的各種特殊情況。當然，還有驗證的問題。比如學生可以註冊一個 MOOC 賬號，然後讓家裡的哥哥姐姐幫自己完成所有作業，沒有人會知道。單純註冊了某門課程並完成了 MOOC 的測驗，並不代表你自己有解決問題的能力。
好吧，其實也有相應的技術方案——比如要求學生們接受指紋驗證等等。但這不是長久之計。教師的意義就在於隨時幫助學生解決他們遇到的各種問題，確保大家能夠得到幫助和引導。我覺得這樣的教學方式是不會改變的。所以雖然每個環節都有相應的技術方案，但我也完全能夠理解為什麼學校對於教學自動化會比較抗拒。
Jeffrey Ullman: 行業術語應該叫提示詞工程。
Jeffrey Ullman: 這事可不容易，我覺得恐怕得等到下一代人成長起來才行。
Jeffrey Ullman：沒辦法。隨著我年齡的增長，我發現自己也越來越難以適應新技術。順便說一下，人機互動（HCI）領域已經存在了很長時間。但我沒有看到任何人在解決怎麼跟老年人打交道的問題，所以我個人是比較悲觀……
主持人：我也有體會。我的父母越來越老了——我父親現在 80 多歲，母親已經去世了。老一輩人根本跟不上變化。我覺得在科技行業，從業者經常為了改變而改變，卻忽視了這樣做的成本。
Jeffrey Ullman：也不完全是為了改變而改變。比如說我就認真學過怎麼用手機，現在已經完全離不開了。我孫子已經 25 歲了，他出去遛彎時喜歡借車四處開。我習慣用車載導航系統，但他說：“我只想用谷歌地圖。只要買個適配介面，就可以把你的手機連到車上。” 我從來不知道這事，但年輕人們都很清楚，他們現在就是這麼導航的。我之前去看望我的兒子和五歲的孫女，我當時帶了一個平板電腦。他們平時不讓她玩平板，但爺爺奶奶來的時候，孩子可以稍微玩一會……（這應該是爺爺奶奶的特權）。
她想下載一個應用來畫畫，但應用有廣告。現在這些應用的生態系統都很奇怪，因為據我觀察，所有應用的廣告都是其他應用產品。這基本上就是個互相洗錢的生態系統。我不確定這背後的商業邏輯是什麼樣的，但目前的情況就是這樣。她在應用之間跳來跳去。我說：“看，你得躲開這些廣告，別去點。”15 分鐘後，我發現她找到了自己的方法，而且比我的辦法更好。五歲的孩子很早就適應了，但我們老年人不行。
Jeffrey Ullman：沒錯。我覺得最重要的一點，是如何讓老年人適應——我們這個群體有自己的經驗和習慣，但這些方式現在往往不好用了。所以說，開發者要怎樣識別使用者的身份，推測他們認為哪些設計和功能比較符合習慣，或者透過哪些機制來幫助他們搞清楚裝置的用法。
主持人：我覺得這非常重要，而且這是一個很大的盲點。因為正如您在談話開始時所說，科技往往是年輕人的遊戲。做決策和負責思考這些事情的人可能自己很少與老年人互動。即使是中年人，個體之間也有很大的不同。我 40 多歲了。我習慣了透過文字與大多數技術產品互動。我的孩子們對一切都使用語音和影片。這讓我感到驚訝。比如想要解決一個問題，我會用文字輸入、搜尋相關的文章教程。但他們會搜尋 YouTube 影片。作為一個行業，尤其是考慮到我們的社會正在加速老齡化，大家確實需要弄清楚如何納入老年人的偏好、需求和差異。
Jeffrey Ullman: 真的很期待能看到這樣的變化。
Jeffrey Ullman: 是指相關研究還是實際應用？
Jeffrey Ullman：我還沒看到真正好的系統設計，比如說一種完全不同的設計思路。但我有種感覺，這事應該有戲。
Jeffrey Ullman：是的。我認為新的大模型技術應該有這種能力，畢竟它都能總結 YouTube 影片了。
我之前提到的案例，大模型應該就能幫上忙。比如說我的手機上有一張地圖，我想把它連線到汽車的螢幕上。我不知道該怎麼操作，也許手冊裡有，但手套箱裡那本手冊足足 500 頁，笑死根本不可能去看。它一定在某個地方告訴使用者如何做到這一點，但我甚至不知道有這回事。
我兒子還告訴過我另一個功能，就是車子後備箱有一個按鈕，可以在不按下車內的按鈕的情況下從車外開啟後備箱。我想現在所有的車都有這個功能。但沒人告訴過我有這回事。
主持人：是的。這是一個資訊傳播問題。只有明確知道要問這個問題，才可能找到答案。但我們如何提出問題呢？
Jeffrey Ullman：完全正確。汽車應該說：“我注意到您一直在按車內的後備箱開啟按鈕。您知道您可以……”我不確定大模型能不能解決這類問題。
主持人：但這事確實有搞頭，而且讓我想起了您在 Gradiance 所做的工作。即如果有基座模型，就會有很多正確答案。我們能否構建我們的技術，以注意到有一類答案一直被使用者系統地忽略或者壓根沒聽說過，並主動展示給使用者。
Jeffrey Ullman: 總之，我覺得 HCI 人員應該試試看。
Jeffrey Ullman：這問題可不好回答。回顧那些巨大的變化，在有人拿出方案之前，沒人意識到這種需求。
我舉一個例子。日期非常重要。記得那是 1992 年 3 月左右，我被邀請到華盛頓特區討論當時被稱為資訊高速公路的事情。那裡有一群像我這樣的學者，以及電信公司和其他行業的負責人。我們寫了一份報告。有趣的是，根本沒有人提到全球資訊網。我想說的是，那裡有一些關於 GOPHER（計算機資訊查詢系統）的討論；另外還有個大問題，資訊高速公路到底該透過電纜還是電話線傳輸。
當時在瑞士，全球資訊網已經出現。但這 300 位專家中，包括我在內，都沒有意識到這會是個選項。記得幾個月後問我的一位同事，“你為什麼總在說‘://’？”甚至沒有人知道需要像全球資訊網這樣的東西。
手機、個人電腦的情況也差不多。DEC 當時的負責人有句名言：“為什麼有人想在辦公桌上放一臺電腦？” 答案是，我真的沒法預測下一件大事會是什麼，甚至無法猜測。
主持人：當然，但您已經指出了一件現在缺失的東西，那就是關注老年人的 HCI 研究。
Jeffrey Ullman：我認為這是一個不錯的研究課題，但它倒不至於改變世界。我的意思是，如果非要讓我猜，我肯定會選量子計算。我一直對量子計算持懷疑態度。它確實有一些應用，比如可以利用量子現象更好地模擬一些東西。順便一提，量子通訊似乎是真實可行的，就是所謂量子隱形傳態。
人們實際上可能能夠做到這樣的事情，把技術理論變成現實。但人們真正期待的，是這些量子計算機能擁有正確的量子位元，能夠執行 Shor 演算法，從而破解 RSA 程式碼和橢圓曲線程式碼等。我的意思是，如果真是這樣，那我們的思維方式肯定會發生轉變。但到底可不可行，著實令人懷疑。
畢竟像 D-Wave 那樣的機器，顯然使用的是無法執行 Shor 演算法的量子位元，而且他們還在不斷擴大規模。另外，量子計算可能並不遵循摩爾定律，只是我們還沒意識到。我們能否每兩年將可用的量子位元數量翻倍，特別是那些能夠真正執行 Shor 演算法的量子位元？我不知道到底行不行。可能可以，可能不行。如果再選一個，那可能是通用人工智慧。
正如我所說，並行性的引入肯定是個巨大的變化。只是這次的變革更微妙、更漸進，代表著從將軟體視為演算法、轉變為將軟體視為演算法加資料。這肯定會逐漸改變我們對計算機能做什麼的思考方式。
Jeffrey Ullman: 因為要先有資料，之後才能談得到演算法。
比如我們之前談到過提示詞工程。最終，我覺得這個主題將落地成將意圖轉化為文字序列的演算法，而文字序列在某種程度上甚至可能不再是文字的形式。比如變成影片或其他形式。
主持人：是的，未來會使用人類語言演算法來引導大模型。
Jeffrey Ullman：沒錯。從某種意義上說，這也是一種演算法，或者是以其他工具的形式。到時候將由計算機幫助使用者制定提示詞。與大家習慣的老辦法相比，未來可能會出現完全由計算機實現的演算法。
主持人：絕對的。我認為 AI 領域的許多發展都是圍繞這些工具生成提示詞，藉此幫助使用者實現各種功能。非常值得期待。感謝您抽出時間參加節目，非常感謝。
Jeffrey Ullman: 也感謝你的邀請。
– EOF –