忍不了了，微软要消灭 C 语言了？

最近几天，有关微软设定目标，要在 2030 年从代码中彻底删除 C 和 C++ 的消息引发了人们的大讨论。

事情是这样的：发出此等言论的 Galen Hunt 是微软的一名杰出工程师，他在微软已经工作了 28 年。最近他在领英上招人，开放一个 IC5 首席软件工程师的职位。

这个核心高级专家职位不是闹着玩的，他表示：「我的目标是在 2030 年消灭微软所有的 C 和 C++ 代码。策略是使用 AI 与算法的方式，重写微软整个代码库。」

Galen Hunt 还说，在他所在的 North Star 团队，工作的目标是「每个工程师，每个月，100 万行代码。」为了实现这个无法想象的目标，他们正在构建处理代码的基础设施，包括算法设施，智能体驱动的 AI 处理设施，他们可以让代码的转换规模化。目前，这样的基础设施已经在大规模应用于代码理解等任务上了。

你没看错，每位工程师每月写一百万行代码。

另外，他们计划用于替代「老旧」C 语言的新语言，大家可能也要猜出来了，是 Rust。

这就引发了一场有关新旧语言、科技巨头、AI 代码生成技术的口诛笔伐。

有网友就说了，这真是纯粹的疯狂。这种决策方式在那些对 Rust 派抱有根深蒂固的，妄想式信仰的人当中很常见。

将多年来积累，经过大量实践检验过的代码以极快的速度重写，然后在未经充分测试的情况下强行采用，这样做可能短时间内对用户没有什么显而易见的好处。而且，这样做预设的前提是：默认 Rust 代码在各方面都更胜一筹，没有任何 bug，而且更安全。

总的来说，Rust 是一个更先进的语言，它在保证了与 C/C++ 几乎相当性能的同时，从语言设计的根源上解决了内存安全和并发安全这两个核心痛点，并提供了现代化的开发体验。

近 6 年以来，微软一直提倡使用 Rust。

微软已经让 Rust 开发者能够使用 Windows API。GitHub 上还有一个名为「windows-rs」的代码库，它是 Windows API 的 Rust 投影，让 Rust 代码可以像 C++ 或 C# 一样调用 Win32、COM 和 WinRT。

微软还专门开展了一个 Rust 驱动程序开发项目（windows-drivers-rs），这表明该公司也在探索 Rust 在应用程序之外的应用。可以看出，针对 Rust 进行优化并非一个口号或一次性开源工作，微软对 Rust 的重视程度是实实在在的。

不过迄今为止，微软试图用其他语言取代 C++、WinUI、XAML 等原生语言的尝试并未获得消费者、企业的认可。这种做法造成的内存占用问题反而引人诟病，例如 Discord 或微软自家的 Teams 都成了内存消耗大户。

另一方面，如果你知道 Windows 这个这个全球超 14 亿用户，PC 市场份额最高的操作系统主要是由 C 语言编写的，你肯定会认为 Galen Hunt 的主张有点异想天开了。这个「大重写」计划可能会对 Windows 11 产生巨大影响。目前，C 语言驱动着 Windows 内核和底层组件的大部分，包括 Windows API (Win32)，而 C++ 则用于构建原生 Windows 应用程序。

每人一月 100 万行代码的 KPI，必须基于 AI 辅助生成代码才可能做到。

今年 5 月，微软 CEO 萨提亚・纳德拉在和扎克伯格的谈话中提到，微软已有 20-30% 的代码是 AI 写的。纳德拉表示，公司在不同语言的 AI 代码生成方面取得了不同的成果，其中 Python 的进展更大，而 C++ 的进展则相对较小。

微软 CTO 兼人工智能执行副总裁 Kevin Scott 也表示，他预计到 2030 年，95% 的代码将由 AI 生成。

但大规模应用 AI 写代码，是否能做到靠谱，还是一个有待验证的问题，至少现在看还是不行。在闹得沸沸扬扬之后，Galen Hunt 修改了自己的原贴内容：

AI 能否把 Windows 代码彻底翻译成 Rust 语言？只有时间才能证明。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】