bzl首届工程师大会是干嘛的
粉丝2.0万获赞11.9万
相关视频
00:51查看AI文稿AI文稿九零后无人机公司老板二五年都干了啥？参展了世界无人机大会等多个展会，推出了迪诺回收和无人机维修培训两个板块。我们的无人机维修培训啊，为了真能教 出东西，教学主任啊，都是从大堂请来的维修部负责人。到今天啊，我们很骄傲的宣布配了几百名维修工程师。第三件事啊，我们有了一个新家，办公面积也从原来的两千平扩展到八千平， 我们还投了三千万加了无人机展厅和仓储基地，成立了研学中心，和多个高校进行合作，推动就业。下半年我们被多家媒体啊报导出圈，不论是二手回收还是维修培训，我们认真对待每一个客户， 诺标准正在成为行业标准，年底又马不停蹄的跑去深圳参加了低空经济春晚，成为协会副会长单位，而且获得了两个奖项，迪诺正在成为无人间后市场的代名词。这一年上万名用户选择迪诺，证明了专业的服务用户真能看得到。一路走来，感谢每一位选择迪诺和信任我们的朋友，是你们让我们这一年的折腾有了意义。
91搞无人机的老张
00:42查看AI文稿AI文稿获得首届中国电视剧制作产业大会年度盛典金树林绽放之夜年度女主角的是山花烂漫时宋佳。 文艺是铸造灵魂的工程，文艺工作者是灵魂的工程师， 他们可以用艺术作品，用真尚美的精神力量影响很多人。我希望未来我能够跟我的同行老师们一起努力，祝福我们的行业越来越好，为社会尽一份力，谢谢！
485深视新闻
10:08查看AI文稿AI文稿还在学习网络工程专业的同学，是不是天天刷到传统网络已死亡工三十五岁失业的帖子？那么刚入行的新人是不是看着 ai 大 模型爆发，不知道跟自己有什么关系？那么今天呢，我就拿刚刚发布的华为二零二五年财报 和二零二六年华为的合作伙伴大会的一手信息哈，来尝试回答呢，以下三个问题，第一啊， i c t 网络工程还能干吗？第二，这个行业正在发生什么样的变化，有什么样的机会？第三，我们该当如何？那么首先来看第一个问题哈， i c t 网络工程还能干吗？ 我的答案呢，是不仅能干，还是加仓时？先看一组华为的这个数据哈，二零二五年华为财报的数据显示，二零二五年华为总营收八千八百零九亿，其中 i c t 基础设施业务就是咱们的网络连接主业务哈， 这部分的收入呢，是三千七百五十亿，占比超百分之四十二，同比增长百分之二点六。可别小看这个百分之二点六，这在全球五 g 建设放缓，运营商开支收缩， 正企客户呢，预算紧张的大环境下，这不仅不是下滑哈，还是一个逆势的文件增长。那么对比排名第二的终端业务，也就是手机电脑、智能穿戴、智慧平等的哈，收入呢？三千四百四十四亿，增长只有百分之一点六，就能看出 i c t 业务这个数据背后的真正意义了。 那么末岸洲呢？克服了产业投资周期的影响，是穿越周期的压仓时。 为什么是压仓石呢？因为 ai 在 火，没有网络就是孤岛，大模型训练要万兆宽带，超低视野。那么工业智能体无人设备呢？要海量连接啊，稳定传输。而未来十年，智能体连接会让网络流量十年百倍的增长。 没有网络工程的底座，算力、存储、 ai 全都是空中楼阁，看市场啊，今天五 g 杠 a 万兆光网 f t t r 已经全场景覆盖。那么在行业端呢，从运营商到政企到矿山、金融、制造， 网络是所有行业数字化的入门刚需，大家学的 vlan、 ospf、 mprssd、 one、 网络安全等等等等哈，都不是过时的技能，而是数字世界的水电气。只要有数据，有智能，就永远需要网络人，所以别再被网络上的焦虑还带偏， 那么传统网工可能会萎缩，但 ai 时代的智联网工缺口只会越来越大，这个行业呢，不仅能干，还值得深耕。 那么第二个问题哈，今天行业到底在发生什么样的变化？有什么样的机会？答案呢？是三大巨变，四个机会。 首先我们说说啊，这个三个大的变化哈，变化一，我们看到今天网络已经在从连接到智联的变化，未来的网络一定是和 ai 深度融合的啊，就像木婉周说的啊，华为未来一定会把 ai 和安全切入每一个产品，每一张网络， 就像华为提出的水战略哈，包括他的天水、五 g 杠 a、 地水、万兆光网、太平洋算里有哈，核心就是要把连接从通不通转向治不治。 网络微联不再是一个哑管道，而是一套会思考、会自愈合的智能体系。那么变化二呢，是说未来这个行业哈，要从简单的卖设备向深耕行业吸粉场景去变化。 就像华为在二零二六年合作伙伴大会当中提出的一个深耕，两个扩张，我们可以看到华为在他的各个细分市场都是在主打垂直行业的解决方案，比如他在 n a 市场就是大客户市场， 深耕钢铁、矿山、电力、金融等等核心生产场景哈，要做智能化的灯塔项目，打造行业解决方案的标杆。 那么在他的商业市场会聚焦在十大行业推出九十五套轻量级方呃轻量级方案，覆盖中小企业。那么在他的分销市场呢，也会去推出一站式的方案哈下沉呢，打全国的这个地市市场。 所以未来网络工程呢，如果只会做机房啊架设备，那么大概率会被淘汰，要么呢就只能赚点辛苦钱。 那么未来的网络工程一定不只是懂陆游交换安全，而是真正的网络加工程。什么工程？就是我们的行业场景加业务，比如工业网络、矿山、五 g 金融的现代风险治理，医疗的远程诊疗等等等等。哈，那么变化三呢，就是从单一技能到全站能力的一个变化。 未来网络一定是从单一网络向算力、网络、数据、 ai 一 体化的发展，就像华为今天啊正在做的一样，它会把连接、计算、存储软件深度的绑定，比如 ai 数据中心要网络加算力的血统， 那么分布式存储呢？要高带宽低视野的支撑，云原声要 s d n 加容器网络的设备，只懂路由交换的窄网公会被淘汰，而懂网络算力、 ai 安全的全站网公才是香饽饽。 那么在这三大变化之下呢，又有四个黄金机会啊，我觉得些新人呢，一定要必须来看一看，那么这四大机会包括了五 g 杠 a、 万州光网、 ai 质检网络、行业数据化网络、算力网络。那么我挑两个来讲讲哈，比如万兆光网，万兆光网一定是下一代网络基建的风口哈， 在二零二五年，我们看到万兆光网 f t、 r 呢，已经全面铺开，在政策端的话，我们看到像工信部在二零二五年年初就发布了关于开展万兆光网试点工作的通知，那么这意味着万兆光网的建设有了明确的政策推动。那么从产业链哈， 只要在这个行业领域的朋友都能感知到，主要的几个网络设备供应商呢，都全部在推光法规划、部署、优化、运维全链条都确认，那么这既是传统网络的升级，也是新人入这个行业的机会。 那么再比如说算力网络，这是以下一个万亿级的赛道。今天我们看到 ai 大 模型带动算力爆发，尤其是以小龙虾这样的应用落地哈，让 ai 算力呢，在建设方面实现了商业的闭环。智算中心的建设，今天是异常火爆的，智算中心网络向着四百 g、 八百 g、 一 点六 t 引进哈， 那么今天智算中心的网络架构设计啊，高密交换机的部署，训练网推理网络的优化，都是当前最紧缺，薪资最高的岗位之一。那么我前段时间呢，去各个平台搜了两件事哈，第一 是智算网络工程师的招聘信息，第二智算网络工程师的培训机构培训课程，那么招聘信息呢，就是我所料哈，薪酬是非常高的，而培训信息基本没有培训的这个商机，看着我都眼馋。那么第三个问题我们该当如何？我的建议呢，是三步走，踩中 ai 的 风口。 那么首先说说针对在校的同学来说哈，我的建议是一定要注牢根基，提前布局。那么注牢根基呢，我们说的是 今天你学的网络，比如说 tcp ip 路由交换啊，安全防火墙，入侵检测等等，包括云网，云原生网络啊，容器网络这些呢，都是基础， 千万别把基础弄丢， ai 再强，网络协议也是根根基不牢，一切都白搭。那么第二呢，必须要学会网络加 ai 的 双技能，这是今天这个时代的刚需。 那比如说像一些大模型的概念呀，啊，计算网络这些基础知识呀，比如说 uncle 呀， r d m a 呀，是吧，还有些比如我们的 ai 运维工具啊，智能流量分析等等等等啊，这个答案都要去在校的时候去学一些这样的这个技术和理论基础。 那么第三呢，就是建议一定要提前的，这个抓紧行业场景啊，我一直认为实习就是关键，那么我也一直倡导就是大家要早点去实习，很多同学都说实习就是打杂是吧，那我想说，哪怕是打杂，能不能在一些真实的项目里面，哪怕是在项目的边缘去打杂 都好，因为在学校里面，你肯定是了解到最真实的行业场景的。那么如果实习参加不了的哈，我建议就是可以多参加一些开源的项目呀，比如说还有很多学校哈，都跟华为有这种校企合作， 这样的学校同学呢，可以多多参与这样的一些校企合作项目。那么针对一些职场的新人哈，我建议大家要早一点从执行者变成价值的创造者。 第一要从调设备到懂业务，别再只做这种简单的上架、配置、排障一些基础工作了哈，主动去了解客户的行业，比如矿山为什么需要第一食盐，比如金融为什么需要零丢包，对吧？能把网络技术和业务价值结合在一起的人才是核心骨干。 那么第二呢，也是要快速去补齐算力加数据加 ai 的 短板，对吧？多去学一些这个计算相关的，比如说服务器啊， ai 机群呀，智算中心网络这样的知识对吧？在数据领域，比如说啊，存储网络呀，数据备份呀，分布式存储啊等等等等，好吧，还有一些工具，比如说 ai u v 平台，自动化脚本是吧，数字孪生等等吧， 那么这些呢，大家都要尽快的去补齐你的基础短板。就像在华为二零二六年的合作伙伴大会当中哈，华为明确提出伙伴优先，赋能既懂行业又懂 ai 的 人才，那么他提出这个口号，也能看到，华为今天也意识到了，在他的合作伙伴的体系当中，是缺这样人才的。 那么第三就是要扎根行业，借势起飞，一定要深耕细微的领域，要么做五 g 杠一的专家，要么做数据中心网络的专家，要么做行业化智联网络解决方案的这个专家。那么就像华为自己提倡的哈， 叫战略聚焦，才能做强竞争力。那么对于企业如此，对于个人呢，也是如此的，华为今天的战略是聚焦硬件，做强竞争力，做好服务，以智取胜。那么这里面的智呢？是质量的智， 这里的质量也包括了产品质量、制造质量、服务质量、网络质量、经营质量。那么看到服务质量怎么提升？难道不是靠最末端的网络工程师吗？那么这又从另一个角度哈，也印证了今天网工这个职业还是有其生存空间的。那么最后呢，我想说，人工智能是今天这个时代最大的机遇，而连接就是根基， 网络是数字世界的底座， ai 越火，网络就越重要。 ai 时代不是网络工程的终点，而是新的起点，传统的管道工会被淘汰，但懂智联、懂行业、懂全站的数字筑桥师将迎来黄金十年。
1759展仪有话说
05:15查看AI文稿AI文稿ai 写代码越猛，软件基本功越值钱。近日，在一场开发者大会的演讲现场，工程师马特波克克抛出一句很反直觉的判断， 软件基本功比任何时候都更值钱。因为很多人正在用一种看似省事的做法，先写规格说明，让大语言模型直接生成代码，哪里不对就改规格，再生成一遍。尽量别看代码 听起来像自动化生产，但他亲测的结果是，第一遍还行，第二遍更糟，越迭代越像意大利面，最后产出一堆垃圾。换句话说，这不是工程化开发，只是换了个名字的 vape coating。 更关键的一句是，代码一点也不便宜，尤其是坏代码。坏代码是史上最贵的，因为一旦代码库变得难改，你就吃不到 ai 带来的产能红利。 ai 在 好代码库里确实能打，但在烂代码库里只会把混乱放大得比人类团队还快。 他给了一个非常工程师的好坏定义，引用约翰奥斯特豪特在软件设计的哲学里的说法，复杂度不是看起来高级，而是任何让系统难以理解、难以修改的结构。能改好改，改了不容易出 bug， 这才是好代码库。 那 ai 写作的第一坑是什么？ ai 没有做出我想要的东西，问题往往不在模型智商，而在你和他之间没有共享的设计概念。 弗雷德里克布鲁克斯把它描述为，当两个人一起设计时，真正的设计并不只存在于文档里，而是存在于双方脑子里那个看不见的共同理解。为了解决这件事，他做了一个简单粗暴的提示词技能，叫 realme， 让大语言模型像面试官一样不停追问每个分支、每个依赖、每个选择，都问到你们对齐为止。 他可能连问四十个、六十个甚至一百个问题，你会觉得烦，但这一步能把我以为你明白，变成我们确实达成共识，而这段对话还能直接沉淀成 p r d 或任务单。 第二坑是 ai 太啰嗦，你们像在鸡同鸭讲，这个现象其实和开发者对接业务方一模一样，没有共同语言，所有沟通都会变成翻译损耗。 于是他把领域驱动设计里的通用语言搬进来，把关键术语整理成一份 md 文件，写清楚每个词到底指什么，然后要求代码讨论需求都围绕这套词汇体系走。 他还做了一个通用语言技能，扫描代码库，把术语抽出来，生成一堆 mark 表格。之后把这份通用语言持续喂给大语言模型，你会发现他的计划更贴近你的意图表达，也不再发散落地，实现和最初的设想对齐的多。 第三坑更常见，方向对了，东西也写出来了，但就是跑不起来。你当然可以堆反馈回路，静态类型，让他能看到浏览器在家自动化测试。但他观察到大语言模型有个老毛病，喜欢一次写太多，跑的比车灯照亮的距离还快。 程序员修炼之道把这叫 outrunning your headlights。 反馈速度就是你的限速，你不可能在没反馈的情况下冲刺。所以他把解法收束成一个词，测试驱动开发。先写测试，再让实现通过测试，然后再重构 测试。驱动开发的价值不只是防 bug， 更是强迫大语言模型用小步快跑的方式工作，但测试为什么难？因为你要做一串互相依赖的决定。测多大单元，冒克哪些依赖，到底验证什么行为？最后你会发现一个朴素结论， 好代码库一定更好。测代码越好测，反馈回路越强，反馈越强大，语言模型产出的代码就越稳。 接下来是架构层面的关键招，深模块。约翰奥斯特豪特区分了浅模块和深模块。浅模块是功能少，接口复杂。深模块是把大量功能藏在简单接口后面，把复杂度关进盒子里。 大元模型特别擅长把项目写成一堆零碎小块，看似模块多，实际上让人和模型都要在无数小文件里迷路，最终谁都搞不清依赖关系。 深模块的思路是反过来，你把边界和接口设计好，确保接口简单稳定，可测试盒子内部的实现细节。很多场景可以让大圆模型去填，测试从接口打进去就行。 这也顺带解决了另一个隐形失败模式。你写的比以前快，但脑子跟不上反而更累。深模块让你把模块当成挥霍，只要外部边界可靠，目的明确，就不用把每一行实线都背在脑子里。最后他用一句话收尾，来自肯特贝克每天都要投资系统设计 规格说明到代码那条路。如果你只是在不断重新生成，却不投资设计，你其实是在撤资。 ai 更像一个战术层面的强力士兵，而战略层的架构边界、语言反馈回路仍然得由你来拍板。这就是为什么 ai 时代的软件基本功不但没过时，反而变成护城河。你用 ai 写代码时，最头疼的是哪种翻车？
1107GenAI动力
00:56查看AI文稿AI文稿未来的程序员长什么样？刚刚， ai 大 神卡帕西在红山 ai 大 会上又输出了，直接把去年他亲手造火的词 web coding 正式进化到了 agent engineering。 逻辑很简单， web coding 抬高了普通人的下线，而 agent engineering 正在拉爆顶级工程师的上线。 过去是你用 ai 随便写点代码，现在变成你只会一群 ai 工程师，交付专业级软件系统。卡帕西的判断非常直接，未来最强程序员不再是亲自敲代码。现在变成你只会一群 ai 工程师，交付专业级软件系统。卡帕西的判断非常直接，未来最强程序员不再是亲自敲代码的人，而是最会调度多 agent 定义、规范、控制质量的人。 软件三点零时代，本质上不是写代码，而是写 prompt， 写 context， 写给 ai 看的操作说明书。甚至未来三年，你的软件第一批用户都可能不是人，而是 agent 的 产品经理、开发者、创业者都得重写。思维模式。界面不再只是给人看，而是给 agent 的 调用。工作流，不再只是人类操作，而是机器协助。 而且卡帕西提出，你可以外包思考，但永远无法外包理解。 ai 可以 替你执行，但品味、判断、架构能力，反而成为程序员新时代最值钱的能力。
424阿博粒
06:05查看AI文稿AI文稿用 cloud code 帮你打工，你只用睡觉，你只需要一套 multi agent harness。 这是 luke 在 a i n 周年大会上公开分享的的工程实践。先上数字 luke 公开了一次真实运行十六天，连续跑一百八十五个 a， 整轮次七亿七千八百万 tokens， 三万八千八百行代码，其中百分之五十二点五是测试代码做出来的东西，是一个完整的 flag 克隆。 这不是 demo， 这是他们内部系统 missions 的 常规项目。 look 的 开场，就是整场演讲的核心。软件工程的瓶颈已经不再是智能，是人类注意力顶级工程师一天最多推进几件事，但今天的模型 一天能同时造五十个功能。问题不再是模型会不会写，而是人类来不及看，来不及审，来不及决定。所以要解决的不是把模型变得更强，是把人从回路里解放出来。 lucy 做了一件很有价值的事，给 multi i 阵协助做了一次分类， 五种模式，每种都有自己的适用场景。 delegation， 副 a 阵，伪派子 a 阵，适合能被清晰切块的任务。 create a verifier， 一个写一个独立的验证。 direct communication， a 诊之间直接聊天，适合 a 诊数极少的情况。 negotiation， 多个 a 诊，围绕共享资源协商，适合政和博弈场景。 broadcast， 一个 a 诊，向全体推送 适合长期任务的一致性通知。核心洞察新星多 a 阵不是简单的拆 a 阵，而是一整套协助模式。新 a 肯的工程本质上就是组织架构设计。很多人听完这五种模式，第一反应是，我该选哪个？ look 的 答案有点反直觉，这不是选择题，是一道连线题。五种模式在 missus 里不是互相替代，而是层层递进，互相兜底的关系。 delegation 是 入口 ok， shifter 不 会自己干活，他只负责派活，派 workers 去写代码，再派子 a 阵去搜文档查 api， 干完就释放，不占资源。 creator， variable fire steed。 写代码的和验证的必须是两个 a 阵，而且要彻底隔离上下文。 limititer 从来没看过实线， 所以他挑毛病时是针条，不是走过场。 blockchain 是 股价。所有 a 政共用一套 mission state， 相当于全团队的共享硬盘。规划变了，约束改了，所有人立刻知道没有 bocross， 长期任务跑两天就开始各说各话。 the goachention 是 刹车片， 在 mailstorm 边界处， orchestrator 得跟验证结果对质。 handoff 摘药对不对？要不要追加子任务？能不能重新定义范围？这步如果省了，系统会在错误方向上狂奔。复杂的写作机制之下是三个角色， orchestrator， 规划官，拆任务排优先级 workers， 执行者。写代码跑测试 validate 验收员注意这个 validate 他 从来没看过代码。 他只做一件事，打开界面，点按钮，填表单，按行为判断做对了没？为什么？因为只要他看过实线，就会产生沉默，成本偏差，会偏袒自己熟悉的东西。真正的审判官必须对实线一无所知，这是整套系统最反直觉的一招。 传统 a 诊断是写完代码再补测试结果，测试会迁就实线，不是真正在验证需求密室。反过来，在写一行代码之前， 先输出两个东西，一个叫 plan， 讲怎么做，另一个叫 validation contract， 讲什么叫做断。 validation contract 里包含几百条独立于实现的断言，每一个功能都绑定对应的断言，里程碑完成以后， 系统必须证明这些断言通通被满足，代码才算写完。问题来了，为什么不是让十个 agent 一 起并行跑？早期 factory 也试过，结果是多个 agent 同时写一个代码库， 互相踩脚，重复造轮子，架构，决策打架，协调开销，吃光了病情红利， tucker 却一路在烧。 luke 的 结论非常明确，软件工程不是简单的分包， missions 的 做法是一次只跑一个 walker， 只有只读操作才能并行搜代码，查 api， 做 review。 他 说的很直白，长期 a 诊系统的核心不是更大的 prompt， 而是更强的交接纪律和验证纪律。回到那个 slackone 案例， 大约百分之六十的时间和 token 是 花在 implementation 上的，真正在写代码，剩下那部分几乎全部在 validation， 在 等验收通过。 look 说 validation 几乎从来不会一次通过， 系统会反复重试，反复修，反复验。这才是密神最贵也最被低估的那一部分。质量不是靠模型更强，是靠结构性的花时间去验证。 luke 把模型选择叫做 joyed whispering， 机器人低语速。他说没有一个万能模型适合所有角色。 planning 需要慢思考，强推理，要做战略拆解。 implementation 需要代码流畅 有创造力，要快速落地。 validation 需要精确遵循指令，要严格按气约检查。更关键的一条星星，不同角色最好用不同的 provider 星，不要一个模型家族包到底会有同圆偏差？一错一起错，三个座位最好放三加 logo。 missions 最终改变的不是单个 a 阵能写多少代码，它改变的是团队的吞吐量。模型 look 的 说法是一个五人团队过去同时推进十条工作流，有了 missions 以后可能可以推进三十条。而且每跑完一轮都会留下测试结构、 skills、 handle 验证器，约这些东西会形成正向飞轮，让后续的 a 阵更容易接着往下跑。 这才是 look 所说的心经戒血，也是我们这代程序员接下来几年要拼的新基线。好啦，记得点好收藏、关注、赞，我们下期再见！
1704南山老实人
02:57查看AI文稿AI文稿孙雨辰最近的一个预测火了，他说未来三年 ai 领域的主线是物理 ai， 要知道这可不是孙雨辰一个人。这么说，其他的大佬也有相似的判断，马斯克今年为了物理 ai 这个概念，把自己家 model s 的 汽车生产线都给拆掉了，黄仁勋在大会上更是喊出 机器人的拆字， gpt 时刻就要到了。作为一名大模型算法工程师，我想和大家聊一聊什么是物理 ai， 它和普通 ai 的 区别是什么，以及和我们普通人又有啥关系。 先说说我们现在用的普通 ai， 比如拆的 gpt、 cloud、 豆包这些，它们本质上都在做同一件事情，就是把数字内容变成数字内容。比如说你给他发一段话，他也给你发一段话，你给他一张图片，他给你另一张图片，但你们的输入和输出都在这个屏幕里，在这个数字世界里， 如果你想让他把桌子上的水拿给你，那这个是现实世界中的任务，他做不了。而物理 ai 就是 为了做这种现实任务而产生的。但这并不意味着我们现在做的 ai 就 不重要了。 回想一下，我们是先有了大模型，才有了指挥调度大模型的智能体框架，那有了自主运行的智能体框架之后，我们才能把它从虚拟世界搬到现实世界。所以说这三者是环环相扣，逐层递进的。 我们可以说物理 ai 是 下个阶段要重点攻克的目标，但不能说我们吃了第三碗饭，吃饱了，前两碗饭就不重要了。 最后来讲一讲，物理 ai 会给我们老百姓的生活带来哪些实实在在的改变。一共有三大阶段，我按照技术的成熟度来说，那首先最成熟的就是无人机行业了，比如外卖无人机、农业无人机，甚至是战场上的无人机， 这些都已经实现了商业上的闭环，估计在半年到一年内，我们就可以体验上这些全新的科技。下一个阶段就是机器人。马斯克在今年初停产了自己家的 model s， 把整个工厂改造成了自己家擎天柱机器人的生产线，国内也有像语数科技这样优秀的机器人公司， 但我作为一个聚深智能领域的从业者，我还是想给大家浇一盆冷水。这个事的难度很高，即使是像叠袜子、叠被子这样简单的场景，也需要两到三年才能实现。 最后的第三阶段就是太空行业啊，登陆月球，登陆火星，我们先让机器自己把需要的材料运过去，然后自己在月球上搭建好基地、房屋啊，然后我们人类再大规模的过去 讲了这么多物理 ai 的 领域和应用啊，我们会发现压住物理 ai 的 人，他们的野心都是很大的。这是因为物理 ai 是 一个可以切切实实和真实世界交互，改变真实世界的技术。大家也不要觉得这些都是白日梦， 三年前 chad gpt 刚刚推出时，很多人也觉得这不过就是一个不成熟的玩具罢了，但我当时就敏睿地察觉到，这绝对可以给我们所在的世界掀起一场巨大的变格。
301Bridge聊AI
