Greenplum 6: 混合负载的理想数据平台 高小明 全球领先的开源MPP大数据平台 可扩展性 ACID事务 VS 分布式 简单易用 VS 结构化 半结构非结构化 VS 事务型 分析型 VS MPP - massively parallel processing - 大规模并行处理 master standby primary

Serverless Kubernetes 理想，现实和未来 张维 阿里巴巴高级技术专家 观看视频回放 Serverless：关注应用而非基础设施 敏捷开发 极致弹性 成本优化 • 无需购买和安装机器 • 无需管理服务器 • 无需升级和更新OS • 快速部署和更新应用 • 快速发布 • “无限”容量 • 秒级弹性 • 更好的扩展性 • 更好的灵活性 • 按需创建 •

这些上层的东西都会有巨⼤的差异化，因为中间存在两个重要的技术变量。我认为这是我们的机会。 除了技术层⾯，价值观上我们有⼀点和
OpenAI
不同：我们希望在下⼀个时代，能成为⼀家结合
OpenAI
技术理想主义和字节所展现的商业化哲学观的公司。东⽅的效⽤主义我认为有⼀定的可取之 处。完全不关⼼商业价值的话，你其实很难真的做出来⼀个伟⼤的产品，或者让⼀个本⾝很伟⼤的技 术变得更伟⼤。
海外独⻆兽
其实是很好的，想要建⽴强信任，只是
Pi
可能要再往前推⼀步，到底怎样 跟⽤⼾去建⽴信任，⼈类社会可能并不接受指派⼀个终⾝搭档的做法，这有点反⼈性。
海外独⻆兽：⽉之暗⾯想做超级应⽤，你⾃⼰理想中的超级应⽤⻓什么样⼦？多⼤才算超级？
杨植麟：还是看破圈程度。周围的亲戚都在⽤，你才真正成为超级应⽤。⽽且我认为
AI
能⼒的提升会 领先于产品破圈。⽐如假设今天
character.ai
的概率⾄少 会⼤
10
倍。最终⼀个应⽤的上限体现在以年为维度的
AI
和⼈的
connection
的增加。
⽉之暗⾯：最好的⼈才需要
unlearn
能⼒

海外独⻆兽：AGI
公司最理想的
CEO
画像应该是什么样的？
杨植麟：⼀⽅⾯需要有
tech
vision。不能⼀直做别⼈已经证明过的东西。真的
AGI
公司必须有⾃⼰独 特的技术判断，⽽且这个判断应该影响到公司的整体⽅

https://github.com/gxthrj 企业介绍 一个小问题 Service Mesh 百花齐放，您对哪个方案更加中意？ 大纲  Service Mesh 现状和痛点  理想的服务网格应该是什么样  APISIX 在 Service Mesh 上的尝试  未来的展望 Service Mesh 现状和痛点 为什么需要服务网格  将通用能力下沉  应用专注于业务逻辑 扩展难度高 理想的服务网格应该是什么样？ 易于扩展 理想的服务网格 业务无感知 落地成本低 动态且增量配置 安全管控 可观测 流量精细化管理 跨集群部署 性能损耗低 资源消耗低 按需下发配置 理想的服务网格 整体使用体验上 • 学习和上手成本低 • 社区开放、活跃度高 且快速响应 理想的服务网格 控制面 • 易于上手 • 权限安全管控 • 配置方式被大众接受 理想的服务网格 数据面 Kubernetes集群南北向流量网关  控制面和数据面分离 https://github.com/apache/apisix-ingress-controller 总结 服务网格是未来 正在螺旋上升的状态 APISIX 正朝着理想中的 Service Mesh 解决方案前进 QA 感谢观看

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0; return logRecur(n / 2) + 1; } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 降低时间复杂度通常需要以提升空间复杂度为代价，反之亦然。我们将牺牲内存空间来提升算法运行速度的

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0; return LogRecur(n / 2) + 1; } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 降低时间复杂度通常需要以提升空间复杂度为代价，反之亦然。我们将牺牲内存空间来提升算法运行速度的

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0; return logRecur(n ~/ 2) + 1; } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 降低时间复杂度通常需要以提升空间复杂度为代价，反之亦然。我们将牺牲内存空间来提升算法运行速度的

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0 } return logRecur(n/2) + 1 } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 第 2 章 复杂度分析 hello‑algo.com 49 降低时间

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0; return logRecur(n / 2) + 1; } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 降低时间复杂度通常需要以提升空间复杂度为代价，反之亦然。我们将牺牲内存空间来提升算法运行速度的

“如果我当年学数据结构与算法的时候有《Hello 算法》，学起来应该会简单 10 倍！” ——李沐，亚马逊资深首席科学家 计算机的出现给世界带来了巨大变革，它凭借高速的计算能力和出色的可编程性，成为了执行算法与处理数 据的理想媒介。无论是电子游戏的逼真画面、自动驾驶的智能决策，还是 AlphaGo 的精彩棋局、ChatGPT 的自然交互，这些应用都是算法在计算机上的精妙演绎。 事实上，在计算机问世之前，算法和数据结构 return 0; return logRecur(n / 2) + 1; } 对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是 仅次于常数阶的理想的时间复杂度。 ?(log ?) 的底数是多少？ 准确来说，“一分为 ?”对应的时间复杂度是 ?(log? ?) 。而通过对数换底公式，我们可以得到具有 不同底数、相等的时间复杂度： ?(log ，它的位数为 ⌊log10 ?⌋ + 1 ，即对应字符串长度为 ⌊log10 ?⌋ + 1 ，因此空间复杂度为 ?(log10 ? + 1) = ?(log ?) 。 2.4.4 权衡时间与空间 理想情况下，我们希望算法的时间复杂度和空间复杂度都能达到最优。然而在实际情况中，同时优化时间复 杂度和空间复杂度通常非常困难。 降低时间复杂度通常需要以提升空间复杂度为代价，反之亦然。我们将牺牲内存空间来提升算法运行速度的