选哪种编程措辞不重要“看书”提升竞争力？独家专访亚马逊CTO

采访 | Kevin

编辑 | Tina、芳芳

1998 年，Werner Vogels 加入亚马逊时，这家公司只有一个美国网站，专注于书本发卖。
他欢迎了改变这种状况的寻衅。
“我希望您能理解，亚马逊首先是一家科技公司，”该公司的 CTO 在 2006 年的一次采访中强调。

Werner Vogels 一贯坚持这一目标。
亚马逊经历了从一家书店到云根本举动步伐巨子的漫长进程，如今已拥有超过 145 万家企业客户。
Werner 在将平台从普通在线商店转变为面向做事的架构方面发挥了举足轻重的浸染。

过去的一年里，技能变革的速率迅速加快，云技能、机器学习以及天生人工智能已经深刻影响着各行各业。
而作为环球最大科技巨子之一的首席技能官，Werner 这么多年一贯以察看犹豫者的独特视角核阅科技发展的脉络。
技能行业有着浩瀚从业者，作为这个行业的关键角色，每年他都能提出一系列深刻的技能预测。
而且过去几年，他的预测大部分都相称准确。
预测未来对付 CTO 和 CIO 们抢先一步占得技能先机是至关主要的。

今年，很多人都对 AI 领域的动向和潜在成果抱有浓厚兴趣。
Werner 就特地对 AI 技能的发展进行了预测，他认为天生式人工智能将成为技能发展的关键推动力之一。

在今年的 re:Invent 大会上，InfoQ 作为唯一一家参与 Werner 专访的中国媒体，进一步与 Werner 对话并结合他的预测进行了总结。
以下内容经由不改变原意的编辑：

人工智能来了，开拓职员该如何保持自身竞争力？

作为一名创造者和软件工程师，我对 AI 技能有着特定的理解，期待 AI 工具在日常事情中发挥更多浸染。
在过去两年中，我提到了 AI 工具在开拓中的主要浸染，特殊是在分担开拓者的一些繁琐事情方面。
AI 技能的快速发展让我们进入了一个美好的时期，与 40 年前我学习编程时比较，如今有了更多能够实际帮助学习的工具。

AI 助手不仅仅是大略的工具，它们正在逐渐改变开拓团队内不同角色之间的界线。
产品经理、前端和后端工程师、DBA、UI/UX 设计师、DevOps 工程师和架构师之间的界线将变得模糊。
AI 助手通过对全体系统的高下文理解，供应增强人类创造力的建议，例如将草图转换为代码、天生模板，或为任务推举最佳根本举动步伐。

在 2023 年的 Stack Overflow 开拓者调查中，超过 70% 的受访者表示已经在利用或操持在开拓过程中引入人工智能支持的工具。
这印证了我在 2021 年的预测，即天生式人工智能将在软件编写中发挥关键浸染。
开拓者们普遍认为，这些 AI 助手将增强他们的技能，使他们能够编写更安全、更可靠的代码。

当代软件开拓中一些最乏味的任务，如编写单元测试、样板代码和调试缺点，已经被 AI 助手肃清。
这些助手乃至能够重新搭建和迁移全体遗留运用程序，如从 Java 8 升级到 17，或从整体分解为微做事。
这使得开拓者能够专注于更有寻衅性和创造性的事情，提高了全体团队的效率。

两年前，我就以为 AI 工具紧张是分担一些“铲屎”之类的杂活。
作为开拓者，当我们碰着办理不了的问题时，一样平常会上 Stack Overflow 探求答案，或者问问社交网络上的其他同行。
其他人会给出答案，我们挑选个中的高赞答案并粘贴到自己的代码中，或者是直接从亚马逊如斯科技供应的示例代码中截取片段。
但对付未来的 AI 工具，更多是在帮助开拓者真正学习。
如大家所见，AI 技能正在快速发展。
短短一年之前，大措辞模型还没什么热度，大多数人乃至根本没听说过。
至少普通消费者肯定是没听说过这项技能。
但这统统都在默默发展、快速迭代，随时准备给我们一个惊喜。

40 年前我刚开始学习编程时，当时只有两到三种主流的编程措辞。
现在，各种商业机构和教诲平台都能帮我们快速节制新的编程措辞，以是到底选择哪种措辞本身已经不那么主要了。
如今我乃至可以雇用一位新手工程师来管理 Amazon S3，这可是几十万行代码构成的繁芜做事。
真要弄懂它是怎么实现的绝非易事，但好在根本没必要，会用就足够了。

其余，现在也有更多高等工程人才能辅导编程新人。
遗憾的是低级工程师们总在一遍又一遍提出同样的问题，搞得前辈们不胜其烦。
但 AI 系统不会烦躁，乐意无数次回答相同的问题。
它就像耐心极好的导师、助手和创造者，全心全意为培养精良程序员而努力。
在必要时，它乃至可以直接输出建议的代码。
但从实质上看，它们仍旧只是预测机器，真正的决策还是要由人类自己通过思考来完成。
人类的代价也正在于此，善于获取大量不同信息并做出推理、办理问题。

在此过程中，我们当然可以借助 AI 工具，并连续扮演最核心的角色。
这便是人类与 AI 的共存之道。
由于技能发展太过迅速，高档教诲、大学课程根本就跟不上变革。
问问那些刚刚走出校园的学生就知道了，他们对区块链、天生式 AI 等新技能的理解肯定不如我们这些从业者。
而且随着技能的采取周期越来越短，产品的上市速率也会远超以往。
也便是说，学校里传授的知识不再具有前辈性。
以是除了编程措辞之外，我们在学校中的最大收成绩是学习能力，这种学习能力决定我们能否成为技能专家、保持终生研讨。

我也不知道五年之后的技能会是什么样子。
单是过去一年的变革就已经远超我们的想象，以是谁敢说自己能预测五年后的技能格局？我们做不到，大学当然也做不到，而且这种割裂会越来越严重。
因此昔时夜学毕业生找到事情之后，每每还须要一整年的适应才能发展为有代价的贡献者。
为什么会这样？由于不同的企业有不同的需求，他们得花韶光理解并融入这种差异。
大家利用的技能各有差异，而我们在学校里最大的收成绩是学习能力。

当然，企业也该当为员工们的终生学习铺平道路、供应帮助，而不但是善意提醒大家放工后多看书。
那种空话没什么意思，一定要多给他们供应考证支持。
如果说之前大多数企业的员工培训都是种临时起意，那么现在越来越多的公司都开始参与进来、投资教诲，并意识到持续学习是保持竞争力的必要条件。

问题：天生式 AI 如何重塑开拓流程和开拓工具？

天生式 AI 将如何重塑开拓流程和开拓工具，又会对开拓者的观点产生哪些影响，这可以从两个方面来看。

它分别涉及开拓本身和成为开拓者的过程。
我以为这两部分是相辅相成的。

首先，我认为任何接管过良好根本教诲的人都有能力节制打算机技能，即便专业不同。

哪怕大家在学校里学的是艺术，还是不妨碍你成为一名打算机程序员。
由于详细学了什么专业并不主要，主要的是教诲经历让你节制了学习能力、知道要如何设立更伟大的目标、如何汇总信息、记在脑筋里、进行批驳性思考，如此往来来往。
我最近在德国伯林去过一所预备学校，那里收容了 200 万难民，而且大部分来自中东。
他们须要在德国找到新的事情。
实际上他们大多数都接管过良好教诲，只是须要学习跟专业干系的德语。
德国还有 80000 个空缺的开拓岗位，相信他们完备可以胜任。

以是那所预备学校的任务，便是帮已经节制一定英语知识的难民学习技能。
如果连他们都能做到，那已经接管过大学教诲的各位，在一年之内肯定也能做到。
其余没必要太迷信高档教诲，我无数次看到刚从学校走出来的年轻人至少要花一年韶光才能真正适应事情岗位。
当时的他们根本算不上程序员，要经由一年的历练才能理解整体目标、参与项目贡献。

是的，单凭大学里的打算机科学学位并不敷以造诣一位有代价的团队成员。
他们并不知道要如何编写代码、如何为团队贡献代价、如何为他人做事。
表现比较好的，常日是那些在学校里做过小项目的同学。
以是我比较喜好选择那些参与过开源项目的年轻人，由于他们已经理解了协作究竟是怎么一回事。

在实际事情中，我强调“协作”这天常事情的核心。
特殊是对付年轻开拓者，理解项目的体量非常主要。
项目不仅仅是一堆文件，更是一个完全的体系。
AI 系统可以帮助我们整合这些知识，办理项目中不断变革的繁芜性。

实在我们日常事情中的大部分内容，都可以概括为“协作”二字。
特殊是对付年轻的开拓者来说，首先要对项目的体量拥有明确的认知。
看到原来的项目有多大了吗，能感想熏染到它的份量吗？摆在我们面前的不但是一个个文件，更是完全的体系。
比如说我招聘一位年轻人管理亚马逊云科技的 S3 做事，那么其过去十几年间积累下的代码就高达数十万行。

最早开拓项目的工程师可能已经离职了，以是我们该怎么理解项目？现在我们可以构建 AI 系统并把这些知识整合起来。
更棒的是，有些高等开拓职员可能缺少耐心，常常问问题随意马虎把他们惹毛。
比如说连续把同样的问题问上五遍，对方可能就要骂人了。
但 AI 不会这样，你可以一遍又一遍提出同样的问题，把它当成帮助自己学习的工具。

对付招聘，我更关心候选人是否具备在大学里培养的学习能力，而不仅仅是特定的措辞或技能。

毕竟学校不会教你亚马逊云科技所利用的详细措辞，但授予你的能力会让你始终保持开放的心态、快速节制新的措辞。

再说说那些管理大型技能项目的 CIO 和工程师们，他们须要紧跟技能发展的脚步、须要保持终生学习。
技能的变革一刻一直，永久别指望自己毕业之背面一年学到的东西够用一辈子。

现在是 2023 年，就跟过去一年比，如今的技能格局都已经截然不同。
至少在去年的 re:Invent 上，还没人谈论大措辞模型。
我们知道大模型终将实现，但我们不知道它们详细什么时候实现，以是才会相对守旧。
毕竟实验性的成果可以早点展示给企业客户，但最好别轻松展示给普通消费者。

但守旧并不代表守旧，研究职员还是在努力把成果整合起来，打造出能让消费者们面前一亮的产品。
就像那个有趣的比喻，如果你看到一只熊在舞蹈，那最主要的便是它能舞蹈，而不是它跳得好不好。
希望大家能用类似的心态看待前沿技能，只管即便宽容一点。
现在大家在看到新兴技能时，下意识就会想到监管机构要如何参与，实在大不可不必如此紧张。

在开拓者的定位上，AI 的发展带来了一些变革。
举例来说，AI 可以接管一些繁琐的任务，这使得开拓者可以更专注于他们真正善于的事情，如获取和整合信息、做出决策和方案。

软件工程师中有很多人一贯被迫在处理最屈曲的事务。
对，便是屈曲，比如说从 Java 8 升级到 Java 17 这事毫无培植性，但工程师们还是得投入好几个月才能完成所有 Java 运用程序的升级事情。
如果我们能够稳定可靠地把这事交给自动化处理，那该有多好。
反正对付这类垃圾任务，我是乐意给 AI 个表现机会的。
但大家接管起来肯定还须要段韶光，未来也一定会有那种卖力从 Java 8 升级到 Java 17 的专职工程师。
但这活故意义吗？当然没有，没人会把这事写在简历上。

以是该当从现在开始，让工程师们做他们真正善于的事情，也便是获取信息、获取数据、整合数据，发挥主不雅观能动性将其组合起来并做出决策，终极制订出可操作的方案。
当然，目前的 AI 模型还有很大的局限性，但我相信未来一定能打破这种局限。
比如说，现在的大措辞模型就不懂数学逻辑，虽然问它“2+5 是多少？”，它也能回答“7”，但它明显不懂 7 到底是怎么来的、不知道 2 和 5 相加是什么观点。
毕竟它只是措辞模型，而数理逻辑是超越自然措辞的。
我们的这种能力是由父母传授的，他们会教我们背乘法口诀。

但在我们学会这些根本技巧之后，详细的任务就可以交给打算器了。
没错，加减乘除虽然主要，但我们须要跨过它们去办理更繁芜的问题。
至于这些相对大略又繁琐的部分，就交给工具吧。
很多朋友小时候学过心算，我也学过，但现在都用不上了。
而大措辞模型短缺的便是这种能力。
关于韶光也一样，我们可以哀求大模型帮我们设计晚间活动安排，比如想看某部电影、几点出发，那它就会见告我们晚上 9：30 在某处影院定时开场。
如果我晚上想吃日料，它就会给出详细的韶光建议。

实在这些建议都挺靠谱的，但模型本身实在并没有对韶光的观点。
不过随着韶光推移，未来我们肯定能办理韶光推理、数学打算这些问题。

然而，我们须要明智地理解 AI 的局限性，理解 AI 只是赞助工具，而不是取代人的决策者。

理解 AI 模型的极限在哪里非常主要，只有这样我们才知道可以把哪些技能交付给大众。
在亚马逊云科技，我们须要环绕明确的主题谨慎筛选技能要素。

但无论如何，现在的商业 AI 技能已经越来越强大，Meta 等公司的产品能帮大家办理越来越多的实际问题。
已经有一些企业在用它建立新业务，不过我个人还是持谨慎态度，我以为现在的天生式 AI 太随意马虎产生幻觉。

比如说用 AI 来方案会议安排的时候，它就弄不明白这个人这个时段有空、那个人那个时段有空，到底该怎么折衷。
AI 终极给出的方案，相信大家看了都会面前一黑。

总之，人须要肩负起监管的职责。
请记住，AI 只是赞助、是帮助我们的工具。
它们是在帮我们做预测，而不是替我们做预测，任务永久要由人来承担。

AI 模型常常产生幻觉，以是别轻信它输出的统统，由于那未必是事实和原形。
我不是要恐吓大家，只是希望各位能明白在全面拥抱 AI 时期之前，一定要做好精确的生理准备。
只有这样，大家才能理解 AI 该怎么用、它们的局限性在哪里。

大模型与措辞文化

不同地区的人对同一事物可能有不同的理解办法，这就须要我们在天生式 AI 的演习中引入更多的文化元素，以匆匆使这些模型更好地适应多元化的社会。
我认为须要关注文化差异，由于不同文化对付相同议题的理解办法可能存在差异。
这对付天生式 AI 工具的发展至关主要。

大措辞模型在不同文化数据上的演习使其具备更细致的人类履历和社会寻衅理解能力。
这种文化意识的发展预示着未来环球用户将更随意马虎利用天生式人工智能，由于模型能更好地适应各种文化背景。

我们已经演习了很多措辞模型干系的工具，最有名确当数 Common Crawl。
Common Crawl 语料库采集的紧张是美国和西欧的数据，属于建立在这种文化之上的措辞机器。
当然，它具备的只是措辞能力，而不是对事实的思维能力。
它只能供应措辞背景，帮助预测最可能涌现的下一个单词是什么。
只管如此，它仍旧反响出我们日常生活中蕴藏的文化知识。
措辞能力也是当前天生式 AI 最善于、最随意马虎理解的部分。
正由于极具代表性，以是我就拿它来举例。

我相信通过这种办法，我们就能避免全体天下被少数几个纯英文大措辞模型所主宰。

我们有必要关注那些包含多种不同措辞、承载差异化文化的措辞模型。

我以为这便是关键所在。
我本人对亚洲文化并不太精通，但如果向中国人、韩国人和日本人讯问关于孔子的问题，那他们每每会给出截然不同的答案。
这种差异不仅源自事实，更源自特定文化对付特定议题的理解办法。
以伊莎贝尔阿连德为例，她是一位著名的作家、写过很多书。
她的伯父是智利前总统，以是她本人对付智利的制度革命有着非常深刻的理解。
跟那种泛泛而谈的拉美先容性资料比较，她在书中做出了非常详细且不同的阐明。
但她的书大多是在美国出版的，这也会对内容产生影响。
其余，环绕 agent 智能体的谈论也在快速升温，我以为这些要素须要相互学习才能带来更强大的 AI 成果。

其余我看到中国、韩国、日本和马来西亚都各自开拓出了体量弘大的措辞模型，这些模型自然也建立在各国的措辞体系之上。
而我们必须确保这些成果也能从其他文化中汲取营养，理解更全面的人类代价不雅观。
措辞本身只是一方面，还要看笔墨质量和翻译效果。
当然，现在的机器翻译已经很不错了，我可以对动手机说荷兰语，而对方能直接听到英语或者其他母语。
总之，人类拥有自己的文化基因，但机器没有。

我相信我们已经来到了在技能中反响文化基因的临界点上。
我们不应该只考虑美国或者少数特定国家，还该当关注天下其他地区，由于他们的文化和方向也同样主要。

文化对付我们的生活方方面面都产生着深远的影响，而技能的设计、支配和消费办法也将受到文化的巨大影响。
在未来，通过天生式人工智能，大措辞模型将逐渐具备环球性的视角，从而更好地理解和回应不同文化下的繁芜社会寻衅。

问题：在资源有限的情形下，如何构建更具原谅性的模型？

每种措辞都承载着独特的文化属性。

构建原谅性模型的关键并非要使 token 数量达到上百亿，而是要考虑实际需求。
斯坦福大学的研究表明，体积较小的模型在天生能力方面与大模型相媲美。

而且从本钱的角度讲，我们也没必要搞什么武备竞赛，把模型弄得越来越大、把演习周期弄得越来越长。
实在模型小一点也没什么不好，效果还是挺不错的，我以为便是这样。
其余，我以为还该当参考详细需求，比如喀拉拉邦到底有多须要专属的大措辞模型。
虽然不同措辞肯定有自己的特色，但翻译在很大程度上已经足以办理问题，而且现在的翻译险些可以实时完成。
在即时通话的过程中，内容就已经能被翻译成其他措辞以供他人吸收了。
是的，任何措辞险些都可以实时翻译。
以是真正须要处理的，就只有不同措辞中的独特文化内涵。

现在，假设我手里有两套模型，二者的背景有一定交集，只是相应机制各有不同。
这时候如果让它们相互对话，会有若何的结果？很明显，我们根本不须要上百个拥有不同背景的大措辞模型。
当然，对付那些比较严明的运用需求，确实可以考虑演习专门的印地语模型。
但是马拉维语呢？对付那些运用范围的确不广的措辞，真有必要设置专门的模型吗？

虽然不同地区之间确实存在文化差异，但我认为多 agent 谈论实在已经可以通过小模型达成不错的智能效果。
它们不须要涵盖统统，而且可以通过相互对话来提升性能。
有些小模型可能比其他模型更善于某些任务，它们可以就这些问题进行谈论并达成共识。
不但是两个模型，还可以是更多模型，比如 6 个、8 个、10 个或者 12 个，结合高下文共同谈论出最佳答案。

换句话说，我们真有必要让每段高下文都有 5000、乃至 50000 个 token 那么长吗？真有必要在每次输入时都提交一整本书那么多信息吗？当然不用。

以是我以为个中是有很大的效率发掘空间的，总之先构建起来，再想办法逐步改进。

比如说我们可以先拿 1950 年之前的荷兰语历史数据进行模型演习，再随着韶光推移不断改进这些模型。
这样它就能理解主要的历史背景，而且这些历史背景已经不会再改变了。
假设市情上一共有五种不同的荷兰语模型，但哪怕它们各自霸占不同的文化或者宗教视角，对 1950 年之前的历史也基本会抱持相同的不雅观点。
这便是共通的根本，我们在此之外做详细的文化微调即可。

现在全天下也不过几十个国家，对应几十种文化。
我乃至以为很多文化基本是覆盖多个国家的，以是实际还没那么多。
我们还是以措辞为例，来自欧洲的阿拉伯人跟突尼斯的阿拉伯人连说再见的办法都不一样，但这并不影响他们拥有共通的思想内核。
从外部视角看，总以为文化会有很大的差异。
但并不一定，措辞和文化的差异并没有想象中那么大。
也容许以通过常常互助找到这种共通性的根本，同时尊重各自独特的要素。
比如说伊拉克，那里有八大紧张部落，各自拥有不同的措辞和相应的家族发展史。

以是我以为差异没有想象中那么大，不一定非要建立专属的大模型。
我承认肯定会有独特的文化和元素，但这些该当是在建立了共通的高下文、找到求同存异的最佳答案之后再考虑的问题。

问题：选择哪种措辞演习的大模型更有竞争力？

首先，我认为该当将措辞和文化严格区分开来。

措辞和文化之间当然存在关联。
因此，我们可以利用英语演习大措辞模型，然后将其翻译成其他措辞，比如说韩语，这样就得到了韩语版本的模型，实际功能上并不受措辞限定。
然而，文化的差异确实存在，对付韩语内容，韩国人理解起来可能比美国人更随意马虎。
而这种差异不仅存在于美国和韩国之间，还广泛存在于消费受众和企业之间。
以韩国为例，大多数亚洲国家都有自己独特而光鲜的商业文化，影响着交往办法、表达办法，乃至是专业人士之间的沟通办法。

比如，我曾在和亚洲的高等工程师们一起饮酒时创造，不能让羽觞离开视线，否则羽觞就会被再次填满。
这是独特的文化属性，是无法仅通过阅读理解的。
虽然这只是一个小例子，但却反响出背后深刻的文化差异。
这些文化元素肯定会对在本地和国际之间进行剖析产生影响。
然而，如果能够添加一些附加元素，比如肢体措辞，人们相互理解起来也就不那么困难。

总之，我相信本土元素在促进商业成功方面具有巨大的上风。

然而，真正的问题在于，并非每个国家和地区都有能力发挥自己的独特上风。
例如，我多次访问过非洲，去过肯尼亚和安哥拉，他们可能没有足够的打算资源来展示自己的独特元素，或者至少还须要一些韶光。
但随着机遇成熟，我相信他们将能够建立自己的本土比较上风。

重视“演习”：传统的 IT 教诲办法已经不知足需求了

教诲领域正在迅速适应技能创新，经历了一系列的变革。
传统的高档教诲不再是唯一的学习路径，行业主导的技能培训操持崭露锋芒，这种转变将使终生学习成为一种常态，个人和企业都将受益匪浅。

学位学徒制度的兴起进一步证明了这一趋势。
店主通过这种制度可以进行专门化的培训，而学徒在学习的同时能够赚取收入。
越来越多的公司也开始大规模投资技能教诲，将学习与实际事情相结合。

这种模式借鉴了技能工人的传统学徒模式，通过实际事情中的学习不断提升个体的技能水平。
须要明确的是，这个观点并非没有先例：当你想到电工、焊工和木匠等技能工人时，他们的大部分技能都不是在教室上得到的。
他们从见习生到学徒，再到闇练工，乃至可能是闇练技工。
在事情中学习是持续的，并且有明确的提升技能的路子。
这种终生教诲的办法——学习和好奇——对个人和企业来说都是好兆头。

教诲的核心不再仅仅是所学专业，更主要的是教诲经历是否培养了学习能力、设立伟大目标的能力、信息整合的能力以及批驳性思维。
这些能力对付成功适应不断变革的事情环境至关主要。
以德国为例，预备学校通过帮助接管过良好教诲的难民学习技能，为他们更随意马虎融入职场创造了机会。
技能学习并不依赖于先前的职业背景，而是在于个体的学习意愿和能力。

未来，我们将目睹行业主导的教诲机会崛起，逐渐超越传统的大学学位。
这并非是对现有教诲体系的取代，而是一种新的选择。
在科技领域，学术学习仍旧至关主要，但在其他行业，技能的快速发展将推动以行业为导向的培训和教诲。

区分性别的个性化医疗科技正在腾飞

我关注这个话题是由于曾在医疗保健领域事情，文化、种族等差异都会影响人们的康健问题，而精准医疗的涌现让我们能够更好地把握每个人身上的专有特质，标志着医疗保健行业迈向更高的层次。

近年来我看到女性保健在科技领域迎来了显著的发展。
只管女性每年在照顾护士方面的支出超过 5000 亿美元，占人口的 50%，并卖力 80% 的消费者医疗保健决策，但当代医学却基于对男性的默认假设。
直到 1993 年 NIH 振兴法案颁布后，美国女性才被纳入临床研究。
月经照顾护士和更年期治疗等常见需求一贯被视为禁忌，而女性在试验和研究之外的打消导致她们的治疗结果常日比男性更差。
女性在很多疾病上的诊断韶光普遍较晚，女性心脏病产生发火后被误诊的可能性赶过 50%。
处方药方面，女性报告不良副浸染的比率明显高于男性。

然而，随着云技能和更多数据访问的帮助，女性医疗保健领域（也称为女性科技）的投资逐渐增加。
亚马逊云科技与女性主导的初创企业密切互助，过去一年，FemTech 的资金增加了 197%。
女性科技投资的激增，照顾护士趋向稠浊化以及大量数据改进了诊断和患者治疗结果，将女性医疗保健带入了一个拐点。
这种发展不仅将婢女性受益，还将提升全体医疗保健系统。

当代社会对女性保健问题进行了更加开放的谈论，关注更年期等问题逐渐加强。
同时，女性主导的初创公司崛起，吸引大量投资，标志着女性在医疗保健领域地位的提升。
女性企业家的呈现将推动医疗保健行业更加看重个性化和全面性。
在过去，女性在医疗研究中的参与曾受到限定，但近年来已逐渐有所改进，彰显了女性在医疗保健决策中的主要性。

结语

综上所述，2024 年将是技能发展的关键期间。
人工智能助手和教诲变革将在未来几年塑造我们的科技天下。
我们期待着看到这些趋势推动技能的进步，为环球社会带来更多积极的变革。
天生式人工智能的文化意识将为跨文化互换供应更深刻的理解。
人工智能助手的崛起将提高开拓职员的效率，缩短软件发布周期，教诲的演进则将为个人和企业供应更灵巧的学习机会。
女性科技的崛起则将为医疗保健系统带来更全面、平等的做事。

在未来的技能发展中，我们期待看到更多创新的呈现，以知足不断变革的社会需求。
通过对技能趋势的深入理解，我们可以更好地把握机遇，欢迎寻衅，共同创造一个更智能、更原谅的未来。
让我们共同努力，推动技能的发展，造福全人类。

原文链接：选择哪种编程措辞已经不主要了，只提倡程序员放工后“多看看书”提升竞争力是误人子弟｜独家专访亚马逊 CTO_天生式 AI_Tina_InfoQ精选文章