周五的晚上。手机经营，关上书房门。 打开 emacs，M-x compile 都懒得配，直接手写 Makefile, -std=c++20 -O2 -Wall -Wextra -fsanitize=address,undefined，编译器警告一个不放过。敲几行模板元编程，constexpr 函数在编译期就把该算的算完，concepts 约束模板参数，比 SFINAE 那套写起来清爽十倍。顺手用 std::variant + std::visit 撸一个类型安全的状态机，比裸指针 + 虚函数表干净太多。 内存这块 unique_ptr 管生命周期，std::span 传数组不越界，RAII 保证异常安全，绝不手写裸 new/delete。想验证性能，perf stat 跑一遍看看 cache miss，再上 godbolt 瞅一眼汇编，确认编译器真把循环向量化了。 gcc -c 编译，.o 链接，一行 ./a.out 跑起来，终端里吐出结果的那一瞬间 没有 IDE 花里胡哨的智能提示，没有云端协作,没有 AI 自动补全,只有hhbk键盘优雅的撞击声、编译器的沉默和最后那行正确输出。 这种幸福，有几个人懂。

🛠️在波场 #TRON# 第67次核心开发者会议上，社区分享了v4.8.2(Pyrrho) 的升级进展，并详细介绍了TRON Solidity Compiler v0.8.28发布、以太坊Prague和Osaka升级的兼容提案，以及面向AI Agent优化的全新wallet-cli版本。 重点内容如下： 🔺v4.8.2升级进展与网络参数讨论 • GreatVoyage-v4.8.2(Pyrrho) 已于2026年7月15日发布。目前已有19个超级代表（SR）完成了升级，网络运行平稳，建议社区最晚于2026年8月16日23:59（新加坡时间）之前完成升级。 • Prague & Osaka升级提案建议同时开启ALLOW_TVM_PRAGUE（95号网络参数）和ALLOW_TVM_OSAKA（96号网络参数），以兼容以太坊的Prague和Osaka升级特性。社区讨论反馈积极，具体提案创建和激活时间将在后续会议中跟进。 🔺TRON Solidity Compiler v0.8.28发布 TRON Solidity Compiler v0.8.28在保持与以太坊Solidity v0.8.28兼容的同时，进一步优化了对波场原生特性的支持，涵盖TRX、TRC-10资产操作、资源代理和投票等。 🔺wallet-cli引入全新TypeScript架构 wallet-cli最新引入了TypeScript实现版本（v4.9.7–v4.10.0），专为AI Agent工作流设计，提供机器与人类友好的双输出模式。 🔗各项功能的详细技术说明与讨论背景，请参考开发者会议记录：

我马后炮说一句，zig目标是a better C，那就不要做任何超越“a better C”的不能承受的任务，因为任何超越这个哲学的东西，都有可能无法支持。 既然持有small, simple的第一性原理，既然矛头直指C compiler的各种黑魔法，就必须警惕这种思想洁癖，因为有洁癖的人，你干扰到他的洁癖，他就会失去理智。 反过来，至于后来提到的memory manangement的问题，我觉得是Jarred后来找的借口，最初的原因我之前详细分析过，就是想merge一个multi thread codegen编译器后端，zig直接拒绝掉了，这个事情导致Jarred失去耐心。

我直接说结论。 大部分工作都可以用AI Agent来辅助，未来绝大部分的工作模式都是human-agent-human-agent一个infinite loop，那么决定一份工作能被AI替代掉的一个核心指标，就是这份工作中能够守住human in the loop的比例。 同样是程序员，绝大多数高强度贴近业务的工作，就是需要高强度human in the loop，这种工作里30%是coding，70%是code review、测试、设计、deployment、开会、组织管理等等，用AI Agent能替代的工作非常有限，除了能替代90%的coding时间，替代30%的设计、测试、code review时间，其他的很难替代。 相反很多做compiler、OS kernel、virtual machine/container、接近标准化infra、mlsys、PL相关工作的程序员，还有类似各个专业的仿真和模拟计算（生物、材料、化学、物理、流体力学、信号、电气电机），绝大多数工作内容可以在本地完备运行测试，被AI Agent替代的概率将会大大提高。 当然最可能被替代的就是pure math和TCS相关的工作，一台电脑简直就是AI Agent天然游乐场，一个人蹬20个agent工作100小时以上，完全不用human in the loop，这种工作是最危险的。

最近 DeepSeek 和 K3 的发布，让大家开始认真看 Agent benchmark 后面的 harness。 Karpathy 这条正好补上了另一半：harness 并不是换一套 prompt 和工具，就能无限放大模型。前提是环境能够把结果反馈给 Agent。 写代码有 compiler、tests 和 logs。 但在动态的 3D 世界里，Opus 5 只能缓慢地截取几张图。它看不到连续的状态变化，也很难判断动作、碰撞和叙事是否真的成立。 所以它能用两小时写出 5500 行 Three.js，却还不能可靠地审计自己的作品。 下一步缺的可能不只是更会生成的模型，而是能让 Agent 真正“看见结果”的 environment 和 verifier。 没有可读的反馈，self-improvement 就没有闭环。

MediaTek NeuroPilot 是联发科（MediaTek）闭源的商业闭环生态，因此它没有官方的、开源的单一 GitHub 主仓库。 如果你需要下载工具链或查看官方文档，需要前往联发科的官方开发者门户： 官方门户网站：👉 MediaTek NeuroPilot Portal 你可以在这里注册开发者账号，并下载编译转换工具（如 NeuroPilot Express SDK、Neuron Compiler）以及查看开发指南。 与开源社区（GitHub）的合作接口 虽然核心编译器和运行时是闭源的，但联发科在 GitHub 上为许多主流的开源 AI 部署框架贡献了 NeuroPilot 硬件加速适配层（Backend） 的代码。你可以通过以下开源项目学习它是如何接入硬件加速的： pytorch/executorch 说明：PyTorch 官方针对移动端设计的轻量化推理框架。联发科官方在其中维护了 MediaTek (NeuroPilot) 后端适配器代码，支持直接在该框架下调用 APU。 Google LiteRT (GitHub，原 TensorFlow Lite):项目地址： google-ai-edge/LiteRT 说明：Google 的端侧 AI 框架，内置了对 NeuroPilot NPU 硬件加速器的支持接口。

GTC 2026 preview： 从Groq生态位看AI异构推理(Heterogeneous Inference)新时代 Groq的SRAM路线的生态位在哪里？SRAM会不会替代HBM路线？ Nvidia如何整合groq到现有的产品线？是技术整合还是产品线整合？收购之后会给groq LPU产品带来怎样的升级？ 这里尝试从基本原理出发去拼凑一个逻辑链 —-------------------------------------------- 先从first principal说说groq的设计哲学开始：groq本质上是一个compiler first走到极致的路线而不是SRAM first路线，SRAM路线只是副产品 相对于CPU针对通用workload的设计不同，AI 推理workload的特征在于确定性(deterministic)更高，基本没有data-dependent branching，tensor shape固定，memory access pattern确定 当Groq带着这个新特征重新审视 hardware-software interface，去问"什么应该在编译时做，什么应该在运行时做"。对于 AI 推理这个 workload，答案是：几乎一切都可以在编译时做 这就是Groq最疯狂而独特的地方：完全确定性编译器（fully deterministic compiler），compile精确到每个时钟周期，完全精确带来极致的效率。在编译的时候就需要考虑到硬件在运行的每个时刻的所有状态，扮演一个全知全能的上帝，就可以避免硬件资源的浪费，而要做到这一点，必须要做到极致的确定性，也就是说，LPU里每一个计算，访问存储，通信的延迟，都需要精确到clock cycle，这对compiler来说是非常复杂的 AI workload更高的确定性，以及groq的完全确定性编译器优先路线很自然的避免了VLIW的弱点(内存行为以及branch行为不可预测)，放大了VLIW的优点。那么下一步要提高效率和并行度，VLIW 式的编码格式就是一个自然推论—既然编译器要控制每个功能单元每个 cycle 做什么，那指令格式当然就是一个宽指令里打包多个 指令会得到更高效率，这就是 VLIW 在groq的芯片里，不做乱序执行/speculation，大幅简化硬件(instruction dispatch仅占<3%面积)，把复杂度移到静态compiler上，这正是VLIW思想的精髓 既然要让编译器做确定性的 cycle-accurate 调度，那么硬件里所有不确定的因素都要消除，比如arbiter，crossbar, replay，这些有自主算法在运行时决策的部分都砍掉 memory latency 也必须是确定的，所以一切 cache 和 DRAM都是要砍掉的，cache也要换成scratchpad SRAM，因为cache replacement 策略是runtime决策的，不确定，必须换成软件控制的scratchpad，地址映射完全由compiler控制，保证确定性 通信也必须精确到cycle，发送和接收指令就是软件协调好执行的时刻,并没有传统的“我要发一个包给你，请分配好内存”这类操作，而是同步地根据一份时间表严格执行SRAM 的分配和收发操作，这个时间表是compiler已经决定好的，硬件只需要执行就行了 完全确定性compiler也带来了芯片节点之间互联通信overhead的极低延迟，这可能是groq确定性架构最被忽视的最大优势，毕竟传统互联架构里Packet Routing、Arbiter Contention 和 Buffer Queuing，这些是延迟波动的重灾区 这就是为什么说，groq其实并不是一个native SRAM first的技术路线，也不完全算是VLIW first的技术路线，而是compiler first的技术路线，更准确的说，完全确定性compiler是整个groq架构的核心 只是因为确定性compiler的原因，所以在核心decode阶段无法使用HBM/DRAM带来的不确定性，SRAM only成为了必然的选择。这也是为什么说Groq更像是compiler first路线。 —-------------------------------------------- groq被收购之后最直觉的第一反应： groq确定性compiler技术路线有没有可能用在Nvidia现在的GPU+HBM体系上？ 不能 原因有两个： 1. HBM/DRAM的物理特性和带宽优化决定了它天生带有不可预测的延迟，无法和deterministic compiler兼容 2. Nvidia的SIMT路线和Groq的VLIW/compiler first的哲学本质是有冲突的 DRAM为什么充满了不确定性 1.refresh操作每隔一段时间tREFI就会刷新一次cell上的电量，阻断bank访问，这是由DRAM cell物理特性决定的。而这个操作会随着温度的变化，refresh的频率也会变化 2. 为了最大化利用DRAM带宽，controller会做很多优化，最典型的是batch scheduling：把同一个page的traffic都放在一起减少page miss，同时让读写尽可能接触更多的bank，以及尽可能减少read和write switching 这些动态优化都是real time发生的，基本不具备可预测性 3. system上对DRAM的优化，比如bank address hashing，让compiler静态提前定位某段data难度太大，落实cycle确定性的复杂度太高 其实这些不确定性也是能解决的，代价就是放弃大部分的优化策略，大幅降低DRAM的efficiency和利用率。groq自己其实也对这方面做过探索，他们曾经做过一个确定性DRAM的专利，但工程上的实现是不现实的，这也是groq选择SRAM-only的核心原因之一。 所以确定性compiler技术路线用在DRAM上不是一个yes or no的问题，而是这不是一个好的选择，因为这意味着HBM的efficiency和BW都要大打折扣，而且是结构性无法避免的损失。 这几乎意味着要用compiler去重写一个完整的memory controller，因为确定性dram本质上是compiler software defined memory controller，这个SW controller会非常难做，复杂度极高，而且每一代memory迭代都要大幅更新compiler里的结构，在工程资源上是不现实的。而且每一代DRAM，每一家DRAM 供货商都需要调试 ，这在验证和validation上是一个nightmare --------- 为什么Nvidia的SIMT路线和Groq的VLIW/compiler first的哲学本质是有冲突的 这两套体系对同一个问题给出了相反的回答：运行时的不确定性，Groq是compiler阶段直接消灭所有不确定性，Nvidia选择了用warp switching去隐藏不可预测的延迟 Nvidia GPU 建立在 SIMT（单指令多线程）和硬件层线程调度器（Warp Scheduler）上。当一个warp因为访存而stall的时候，硬件warp scheduler立刻切换到另一个ready的warp继续执行，把stall的延迟藏在其他warp的计算里。这整套机制的前提恰恰是：延迟是不可预测的，所以需要足够多的并发线程来统计性地填满pipeline 如果要用确定性的编译器去接管，等于把 Nvidia GPU 里面最核心的硬件调度单元全盘废弃：如果你不需要多warp轮转，你也不需要那么大的register file 实际在历史上，AMD从TeraScale（VLIW）到GCN（scalar SIMT）的架构转型，正是GPU领域一次大规模的VLIW→SIMT迁移：当workload变得不够可预测时，VLIW的compiler负担太重，应该把调度权还给硬件 所以在原架构上引入确定性compiler应用到Nvidia现有的技术路线，是很难融合。这不是compiler能不能改的问题，是两套架构从第一性原理上就走了相反的方向。 所以说，Groq在Nvidia的唯一出路，就是独立的面向low latency decode的专用产品。 —-------------------------------------------- Nvidia收购Groq之后，就引出了第二个问题： Nvidia会给Groq带来什么样的新提升？ 那么首先看看groq的瓶颈在哪里，简单的说 1. SRAM容量太小，无法容下大模型的参数量+kv cache 2. 推理decode主要瓶颈不在SRAM 80T/s的速度而在于interconnect延迟(占80%) 3. 对于Prefill这样的compute bound task速度较慢 groq的主要架构基本上是17~18年就完成了，那是CNN的时代，架构也是以CNN/LSTM为主要的target，当时测试benchmark都是ResNet50，SRAM容量是绰绰有余的 但是进入LLM时代，单个TSP计算卡230MB SRAM就显得不够看了，一个LLAMA 70B模型的参数量占内存就相当于3000个ResNet50，再加上因为上下文long context日益膨胀的KV cache，scale out就成了唯一的出路 于是一个70B模型的推理就需要576卡的集群，采用16个Pipeline并行 （PP）和36个tensor 并行 （TP），80层的大模型切成16级流水pipeline串行，每级横向5层MLP分给36个卡并行推理 16级流水pipeline串行（PP），每级流水到下级流水的通信overhead延迟就要 X16。实测中PP和TP之间的通信延迟占据了80%以上的总延迟，特别是PP延迟，占据了50%以上的总延迟，通信延迟成为了主要瓶颈 Groq计算卡对decode阶段的memory bound很友好，但是片上巨大的SRAM也挤压了compute的面积，导致prefill阶段耗时很高。融入Nvidia产品线之后，Groq产品完全可以扬长避短，只做自己擅长的decode部分，避免prefill阶段的短板 Nvidia带来的最重要的提升，可能是通过工艺的提升，以及hybrid bonding技术(类似AMD 3D V-Cache)，扩大Groq LPU SRAM的容量，比如光是14nm到3nm的工艺提升，SRAM就能从230MB扩大到500MB，如果以后引入3D SRAM，容量还能翻倍 SRAM变大之后，原来576个LPU能完成的70B模型推理，现在只需要256个LPU了。猜测也许可以用32个tensor并行 X 8 个流水pipeline串行，pipeline interconnect延迟能直接减半。 所以Nvidia能带来的主要提升可能是，通过扩大SRAM的容量，减少scale out卡数，从而减少通信延迟时间，提高token速度 —-------------------------------------------- Groq的SRAM路线专用产品进入Nvidia产品线，引出了第三个问题： SRAM路线会颠覆HBM路线吗？ 不会。 SRAM路线本质上是用十倍的成本换几倍的速度，只能适用于一部分愿意为低延迟付出高额溢价的市场。AI硬件市场的主旋律仍然是比拼TCO(total cost ownership)成本 做一个简单的成本核算就清楚了 以LLAMA 70B模型为例，算上KV cache，Groq需要576张计算卡组成集群。Groq计算卡零售价大约是每颗2万美元(groq CEO说实际售价远低于，那就按2000美元算)，576卡就是超过110万美元的硬件成本。而2张H100就能跑同样的模型，成本不到10万美元。成本差距是一个数量级。 Groq于是转而卖token服务，Groq的API定价确实便宜，但这是因为两个原因叠加： 第一，Nvidia的GPU云服务商通常在硬件成本上加倍的margin卖出去； 第二，Groq自己是在亏钱运营的。2025年全年，Groq用LPU做大模型推理、对外卖API的业务，营收大约4000万美元，成本却是6000万美元，毛利-50%。Groq的便宜token价格不是因为SRAM的经济性更好，而是因为VC在补贴。 那么有人愿意为速度付溢价吗？ 有。 Claude Opus 4.6 Fast模式就是一个很好的市场信号：输出速度提升2.5倍，定价直接从$5/$25涨到$30/$150 per million tokens，6倍的价格，估计是牺牲了batch带来的速度提升。 所以这部分市场是真实存在的，SRAM路线在这里有它的生态位。 但这个生态位有多大？要看ML workload的分类。不同的workload对硬件的侧重点要求差距巨大： 推理的Prefill阶段对带宽要求低但算力要求高，推理decode阶段则是反过来。R&R(Ranking & Recommendation)对算力和带宽要求都不高但对存储的容量要求巨高 （见附图） 对延迟敏感的推理workload，decode阶段对Memory bandwidth要求高，是SRAM路线的优势领域（图中红色线），主要是real time/interactive LLM：chat、copilot、agent这类需要实时响应的场景。 特别是reasoning model，SRAM路线带来的极致体验是很夸张的：H100要两三分钟跑完一reasoning，cerebras十秒就搞定了 这部分注重极致推理速度的市场有多大，我暂时没有找到一个详尽的调研，看到一个Hyperscaler的说法目前是10%左右 但是agentic flow workload，常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU, 这些加起来通常远大于单次decode的延迟，SRAM路线速度优势被削弱。 而更大体量的workload：batch inference、offline processing、ranking、recommendation对延迟没有那么敏感，throughput和cost per token才是唯一的指标。这部分市场SRAM路线完全没有成本上的竞争力 H100/B200相当于大巴车，装的人多(batch processing)，每个人的车票钱很便宜，但是慢悠悠。 Groq/cerebras相当于是法拉利，极致的速度体验，但是装的人少，人均票价是大巴车十倍甚至以上。 长期来看，SRAM的成本劣势是结构性的，不会随时间收敛。6T SRAM cell天然比1T1C DRAM cell贵，这是物理决定的，和工艺无关。而且SRAM scaling已经慢了下来，从N5到N3E，SRAM单元面积几乎没有缩小 即便是速度优势，SRAM路线的缺陷在于访问速度已经接近工艺极限，很难跨代提升。特别是HBM的速度每代都在指数上升的情况下，SRAM 80T/s的速度优势很难长久维持。十年前这个路线刚刚兴起的时候，SRAM速度比HBM快了两个数量级简直是降维打击，但现在的速度差已经不到一个数量级(Rubin HBM4 22TB/s)，再过十年，两者的速度可能拉不开差距了。 所以结论很清楚：SRAM不会颠覆HBM，但它在低延迟、低batch、实时推理这个细分市场里有不可替代的价值。但长远来看，随着HBM速度指数上升的背景下，SRAM优势也会逐渐慢慢越小。 —-------------------------------------------- 写到这里，也许我们可以把这些碎片拼凑出Nvidia收购Groq之后计划的下一步雏形： 异构推理的新时代开启了 以后的推理workload本身已经分化，无法再用单一架构的最优点覆盖，体系结构最重要的是tradeoff，是尺度范围。一个架构形态在合理的tradeoff以及特定workload下可能惊为天人，用多个架构形态去迎合不同种类的workload，就是异构计算的思想 2026 GTC的最大主题，就是异构推理的系统化。推理不会由单一硬件统一完成，而会被拆成 几个部分： 控制和调度/agent runtime层交给Vera CPU 针对long context的prefill交给CPX (Content Phase aXcelerator，一个专门为prefill的compute bound特性设计的计算模块) 小模型/低延迟/low batch decode交给SRAM路线的Groq LPU，256块LPU集群 高吞吐/高并发batch decode，HBM GPU仍然是主力 以及可能会被忽略的ICMS：inference context memory storage, kv cache已经是核心基础设施，以前的异构更多是计算异构，现在的异构已然延申到了缓存异构memory hierachy heterogenity(似乎改名成了CMX: context memory storage) LPU和GPU的分工，更可能成为 inference stack 里两个不同的tier，小模型/低延迟/low batch都交给LPU，长context/high batch交给HBM GPU 目前CPX什么方式和LPU/GPU连接还尚不清楚，整个工作流程大概是，CPU做控制和调度，CPX Prefill 跑完得到几十 GB 的 KV Cache， 分配到 Groq LPU阵列SRAM，或者分配到HBM GPU，开启Decode流程 其实还有一种更大胆的猜想：如果引入speculative decoding，那么LPU完全可以跑通常尺寸较小的草稿模型，在LPU上速度极快，HBM GPU作为主力去验证草稿模型即可，这样的异构推理结构，可以让token rate大大加速，在某些场景下翻倍也是没问题的（比如代码任务模式固定，小模型很容易猜对语法，所以加速效果很好） 当 Nvidia 的眼光越过GPU，走向整个 Agentic 流程的系统级优化时，追赶它的难度已经不在一个单一维度了。以前 Nvidia 步子迈得大，靠的是 GPU 架构和参数的单点暴力跃升；而现在，随着CPX，LPU，ICMS加入异构推理，它是从“数据中心即一台计算系统”的系统视角出发，从Agentic flow的角度做底层的异构编排。 无论是系统的复杂度，还是软件栈的工作量(Dynamo/ICMS/CMX)，Nvidia 迈出的这一大步，直接把竞争门槛从“做出一颗好芯片”拉高到了“定义一整套异构系统来做普适加速计算解决方案“ —------------------------------------------------------- 不由得感慨，每一次计算范式的改变，半导体都会带来一波新的startup热潮，但当软件/应用形态逐渐收敛，最后还是变成了大厂通过收购把功能做大做全，参数做的更高，系统深度整合的更好更全面，成本更低，功耗和跑分更优秀，让startup慢慢失去独立生存的空间 比如移动互联网时代早期，也是群雄并起，有做AP应用处理器，独立基带芯片的，ISP的，GPU的各种小公司。但最后的赢家，都是从到后来把GPU，ISP，modem全都做进SoC，并且完成系统级整合的异构计算平台。 苹果收购PA semi的CPU，英飞凌的modem，掏空Imagination的GPU；高通收购ATI的mGPU，Atheros的Wifi，Nuvia的CPU，CSR的蓝牙/DSP，都是典型例子 异构推理的复杂度越来越高，能做系统级整合的公司会更有优势，这和移动SoC时代的逻辑一模一样。AI时代nvidia收购arm(失败)，收购Mellanox，收购groq，只是这个新历史轮回的开始

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！