要想在TikTok上实现病毒式传播，不了解其算法可不行。虽然TikTok官方并没有透露其具体的推荐算法，但本期文章中，Nox聚星将通过多年的TikTok网红营销经验，带领大家详细盘点TikTok推荐算法究竟是怎么运作的？又是如何实现病毒式传播的？

01.TikTok推荐算法详解

TikTok官方曾表示推荐TikTok算法本质是一个“旨在帮助人们拥有更多个性化体验的推荐系统”。就像大多数推荐算法一样，TikTok算法主要是根据用户喜好来运行的。

但与Instagram、Facebook算法不同，TikTok算法最大的特点就是去中心化。简而言之不管你是有着百万粉丝的大博主，还是什么都没有的新账号。只要发布了视频，都会进入流量池，再进行层层筛选，通过数据筛选定输赢。

因此对于TikTok的主要算法，我们主要需要了解流量池算法机制以及内容分发机制。

流量池算法机制

TikTok推荐算法遵循螺旋上升机制进行流量分发，不断使优质内容最大化曝光。所谓流量池，就是指基于不同播放量所分的不同的层级。

TikTok的作品分发机制依次由审核机制、消重机制、特征识别机制和人工干预机制构成

审核机制

TikTok的审核机制分为机器审核与人工审核。一般情况下主要由机器对视频内容、画面、关键词进行审核，判断视频是否包含违规内容。人工审核主要辅助做一些机器无法判断的内容。

审核内容一般为视频内容、标题等是否存在敏感信息、是否违反TikTok社区规则等。

消重机制

消重机制主要是为了保护原创内容。对上传视频与平台已有视频进行对比，若发现重复度较高的视频则会进入低流量推荐。

特征识别机制

特征识别机制主要对视频内容与标题进行分类标签并匹配相应的用户人群，也就是决定视频发布时在第一级流量池匹配给哪些用户。

人工干预

由于机器没有办法百分百判定内容是否违规，于是TikTok在机器审核的基础上引用了人工干预机制，以填补一部分机器审核的漏洞。

02.如何获得TikTok推荐算法青睐

了解了TikTok推荐算法运行机制后，又有哪些注意点能够让我们的视频内容快速获得TikTok算法的青睐呢？

前 3 秒内吸引你的观众

视频完播率是TikTok算法判断视频是否受到受众青睐的重要决定因素之一。如果大多数观众没有看完全部视频，而是只看了视频的前几秒就划走了，那么这个视频就会被判定为“不吸引观众”或“与受众无关”。

因此为了得到TikTok算法的推荐，视频内容必须在前3秒足够简单直接、具有视觉冲击力，吸引观众注意力，从而留住观众。如果你的大部分受众能够完整地观看完整个视频，那么TikTok算法就会不断推荐你的内容达成滚雪球的效应，从而使得更多观众看到你的视频，实现病毒式传播。

积极参与互动

由于TikTok倾向让用户在平台上保持活跃，TikTok算法会优先考虑参与度，主要包括点赞和评论等参与形式。因此积极参与到其他人的互动之中是一种提高自己参与度非常有效的方式。

TikTok算法具有个性化特性，这决定了TikTok不仅会向用户展示他们可能喜欢的内容，还会向类似的用户展示他们自己的视频。因此不妨试着找到你的细分内容，点赞或评论与你的内容主题类似的视频，从而覆盖目标受众，为你后续的视频发布打好基础。

紧跟TikTok趋势

无论你的品牌是什么类别，了解现在最流行的趋势并且迅速利用相关趋势是非常重要的一件事。

尽管TikTok的趋势是由用户的兴趣所引导的，但趋势也是TikTok算法表达的一部分。不同的内容社区中的视频以及风格会被TikTok算法采纳并推送，从而实现指数级增长。因此如果想要自己的视频获得更大的影响力，紧跟趋势制作内容无疑是非常好的方式之一。

03.TikTok推荐算法注意事项

想要通过TikTok推荐算法实现病毒式传播，以下这些雷点可不能踩。

持续删除视频

删除视频这一行为在TikTok上非常影响账号权重，即使某些视频不太适合公开，可以选择隐藏视频但最好不要将其删除。

虽然有些视频在发布后24小时内的播放量很低，但TikTok有可能在后续会为你的视频进行第二波推送，也许一周后你的视频会被TikTok推送至下一个流量池。有人也将这种情况称作“延迟曝光”。

而如果持续不断的删除视频，TikTok算法会判断你的账号在不断地发布低质量内容，从而影响帐号权重。这样的账号内容今后将很难被推送至第三级流量池。

违规买粉行为

许多想借TikTok做推广的账号常常会为了更高的收益进行买粉的行为。然而TikTok有其独特的粉丝检测机制和算法，一旦账号中涌入大量的僵尸粉，可能会面临封号的处置。

因此想要获得TikTok算法的青睐，最好依靠优质内容来实现有效高质的传播，而不是通过买粉行为来增加账号所谓的“影响力”。

内容不垂直

所谓的垂直，指的是你所发布的视频内容是否能够在视频风格或者内容领域保持一致。持续发布垂直的内容，能够使TikTok算法生成明确的用户画像，从而将内容更精准地推送至可能对内容感兴趣的用户。

如果突然转变视频内容，由于内容和已有用户画像不匹配，TikTok算法将根据新内容对账号进行评估打分，账号权重可能会被TikTok重置。因此持续发布同一类型的内容，是一种非常好的“养号”行为。

来自： NoxInfluencer

在过去的几年里，深度学习(DL)在广泛的应用领域取得了显著的进展，如蛋白质结构预测(AlphaFold [Jumper et al。2021])、文本到图像合成(DL – e [Ramesh et al。2021])、文本生成(GPT-3 [Brown等人。2020a])等。实现这些性能提升的关键策略是将DL模型扩展到非常大的规模，并对它们进行大量数据的训练。对于大多数应用程序，可训练参数的数量至少每18至24个月翻一番——语言模型以4至8个月的翻倍时间领先(Sevilla and Villalobos 2021)。

大规模人工智能模型的著名例子包括:用于视觉应用的Swin Transformer-V2 [Liu等人2022a]，用于语言建模的PaLM [Chowdhery等人2022]，用于内容推荐的波斯[Lian等人2021]，具有100万亿参数。

尽管扩大DL模型正在实现前所未有的进步，但训练大型模型已经变得极其昂贵。例如，GPT-3训练成本估计为165万美元，使用谷歌v3 TPU[Lohn和Musser 2022]，且transformer 模型的低效/幼稚开发将产生相当于5辆汽车终生碳足迹的二氧化碳(CO2) [Strubell等人，2019]。值得关注的是，DL仍然没有达到许多应用所要求的性能水平:例如，在现实世界中部署全自动驾驶汽车需要人类水平的性能，但还没有达到。不断增长的模型和数据规模以达到所需的性能将使当前的训练策略在金融、环境和其他方面不可持续。事实上，根据目前的趋势推断，2026年最大的人工智能模型的训练成本将超过美国的GDP总量(Lohn and Musser 2022)。此外，DL对计算的高度依赖引发了人们对财务资源有限的用户(如学者、学生和研究人员(特别是来自新兴经济体的人)的边缘化的担忧[Ahmed and Wahed 2020]。我们将在附录A中更详细地讨论这些关键问题。

考虑到其计算负担的不可持续增长，DL的进步需要更多的计算效率训练方法。一个自然的方向是消除学习过程中的算法效率低下，以减少DL训练的时间、成本、能量和碳足迹。这种算法高效的深度学习方法可以通过多种方式改变训练过程，包括:改变数据或样本呈现给模型的顺序;调整模型的结构;改变优化算法。这些算法改进对于实现有效深度学习训练所需计算负担的估计下界至关重要，目前的做法导致的负担大大超过了该下界[Thompson等人，2020]。此外，这些算法增益与软件和硬件加速技术相结合[Hernandez和Brown 2020]。因此，我们相信算法高效的逻辑学习提供了一个巨大的机会来增加逻辑学习的收益并降低其成本。

虽然最近涌现的算法效率论文支持了这一观点，但这些论文也表明，算法效率方法的研究和应用受到碎片化的阻碍。不同的指标被用来量化效率，这产生了不一致的加速方法的排名。评估是在狭窄或特征不佳的环境中执行的，这将导致不正确或过于宽泛的结论。在讨论算法效率方法时，缺乏反映它们的广度和关系的分类法，这使得人们很难理解如何遍历加速环境，将不同的方法结合起来并开发新的方法。因此，本文的核心贡献是组织算法效率文献(通过受[Von Rueden等人2019]启发的分类法和调研)，以及对影响报告和实现加速的实际问题的技术描述(通过评估和实践指南)。我们的讨论始终强调这两个重点的关键交集:例如，算法效率方法是否会导致实际的加速确实取决于方法(通过我们的分类法可以理解)和计算平台(通过我们的从业者指南可以理解)之间的交互。我们的贡献总结如下:

形式化加速:我们回顾DNN效率指标，然后形式化算法加速问题。

分类和调研:我们通过适用于3个培训管道组成部分的5个加速行动(5Rs)对200多篇论文进行分类(见表1和表3)。分类有助于为从业者选择方法，为读者消化文献，并为研究人员识别机会。

最佳评估实践:我们识别了文献中常见的评估陷阱，并相应地提出最佳评估实践，以实现对各种加速技术的全面、公平和可靠的比较。

从业者指南:我们讨论了影响加速方法有效性的计算平台瓶颈。根据训练管道中瓶颈的位置，提出适当的方法和缓解措施。

本文来自：AI数据派

计算成本是人们打造 ChatGPT 等大模型面临的重大挑战之一。

据统计，从 GPT 进化到 GPT-3 的过程也是模型体量增长的过程 —— 参数量从 1.17 亿增加到了 1750 亿，预训练数据量从 5GB 增加到 45TB，其中 GPT-3 训练一次的费用是 460 万美元，总训练成本达 1200 万美元。

除了训练，推理也很花钱。有人估算，现在 OpenAI 运行 ChatGPT 的算力费用每天就有 10 万美元。

在发展技术，让大模型掌握更多能力的同时，也有人在尝试降低 AI 所需的算力资源。最近，一种名为 FlexGen 的技术因为「一块 RTX 3090 跑 ChatGPT 体量模型」而获得了人们的关注。

虽然 FlexGen 加速后的大模型看起来仍然很慢 —— 跑 1750 亿参数的语言模型时每秒 1 个 token，但令人印象深刻的是，它已经把不可能变成了可能。

传统上，大语言模型（LLM）推理的高计算和内存要求使人们必须使用多个高端 AI 加速器进行训练。本研究探索了如何将 LLM 推理的要求降低到一个消费级 GPU 并实现实用性能。

近日，来自斯坦福大学、UC Berkeley、苏黎世联邦理工学院、Yandex、莫斯科国立高等经济学院、Meta、卡耐基梅隆大学等机构的新研究提出了 FlexGen，这是一种用于运行有限 GPU 内存的 LLM 的高吞吐量生成引擎。

通过聚合来自 GPU、CPU 和磁盘的内存和计算，FlexGen 可以在各种硬件资源限制下灵活配置。通过线性规划优化器，它搜索存储和访问张量的最佳模式，包括权重、激活和注意力键 / 值（KV）缓存。FlexGen 将权重和 KV 缓存进一步压缩到 4 位，精度损失低到可以忽略不计。与最先进的 offloading 系统相比，FlexGen 在单个 16GB GPU 上运行 OPT-175B 的速度提高了 100 倍，并首次实现了 1 token/s 的实际生成吞吐量。如果提供了更多的分布式 GPU，FlexGen 还带有流水线并行 runtime，以允许在解码时进行超线性扩展。

目前，该技术已经放出代码，获得了几千 Star 量：https://github.com/FMInference/FlexGen

与2021年下半年相比，新增15个地方平台，其中包含1个省级平台和14个城市平台，平台总数增长约8%。全国地级及以上政府数据开放平台数量持续增长，从2017年的20个到2022下半年的208个。

截至2022年10月，全国各省域政府数据开放平台的整体上线情况如下图所示。平台包括省(自治区)本级和省内下辖地市，图中颜色越深，代表该省域政府数据开放平台的整体上线程度越高。目前，广东省、广西壮族自治区、江苏省、江西省、山东省、四川省与浙江省的省（自治区）本级和下辖所有地市都已上线了数据开放平台（图中显示为全境深绿色的省域）。从整体上看，东南沿海和中部地区的政府数据开放平台已经基本相连成片。

Stack Overflow 今年对超过 7 万开发者展开了问卷调查，在调查报告中写道：“每年我们都会探索开发人员目前正在使用的工具和技术，以及他们想要使用的工具和技术。我们有最喜欢的 Loved、Dreaded 和 Wanted 数据，以及 Worked With（当前使用工具和技术）和 Want to Work With（想要使用工具和技术），这向我们准确地显示了开发者在过去一年中使用了什么，以及他们在下一年中想要做什么”。

至于开发者使用的平台，Windows 保持领先，62.33% 的受访者将 Windows 用于个人使用，48.82% 的人将其用于工作。Linux 排名第二，分别为 40% 和 40%，而 Mac 则以 31% 和 33% 的比例排在后面。有趣的是，微软的 Windows Subsystem for Linux 排在第四位，使用率分别为 15% 和 14%，这表明 Linux 在开发者中的受欢迎程度甚至更高。

在实际的开发者技术方面，微软 Visual Studio Code 是迄今为止最受欢迎的集成开发环境（IDE），使用率为 75%，其次是微软 Visual Studio（32%）、IntelliJ（28%）、Notepad++（28%）、Vim（23%）和 Android Studio（20%）。(苹果的 Xcode 以 10.5% 的比例排在非常遥远的第 11 位)。

最受欢迎的开发者框架是微软.NET，使用率为 34.5%，其次是 NumPy（27%），Pandas（25%），Spring（16%），TensorFlow（13%），和 Flutter（12.6%）。

在网络框架方面，Node.js 是最受欢迎的，使用率为 47.12%，其次是 React.js（42.6%），jQuery（28.6%），Express（23%），Angular（20.4%），Vue.js（18.9%），ASP.NET Core（19%）和 ASP.NET（15%）。有趣的是，微软的两个网络框架加起来几乎占了 34% 的使用量。

亚马逊 AWS 仍然是占主导地位的网络平台，使用率为 51%，其次是微软 Azure（29%），谷歌云（27%），以及 Firebase（21%）。而 MySQL 是最受欢迎的数据库（46.9%），其次是 PostgreSQL（44%）、SQLite（32%）、MongoDB（28%）和微软 SQL Server（27%）。

对于希望从所收集的信息中获取价值的企业来说，数据成熟度是一个重要因素。高成熟度评级意味着企业拥有完善的流程和系统来收集、存储和分析数据，并将其集成到整体运营中。

报告称，投资提高数据成熟度可以让企业获得竞争优势，使它们能够根据数据做出更明智、更有效的决策，然后利用数据带来的增长和创新机会。调查发现，64%的数据领导者认为，他们公司中的大多数或几乎所有员工都不懂数据，这可能是数字化转型的最大障碍。

三分之一的企业难以正式确定数据角色

据了解，数据成熟度指数涵盖了企业内数据使用的四个核心领域：目的、人员、方法和工具。

研究表明，三分之一的企业或者数据角色和职责不明确，或者根本没有正式的数据角色和职责。这是一个大问题，因为确立数据领导角色是提高企业内部数据素养的重要组成部分。

该研究还发现了企业内部治理不成熟的问题，40%的企业目前很少或根本没有数据治理框架。

缺乏数据素养和数据治理

拥有更多懂数据的员工可以让企业领导层明白，数据并不是专业团队的专利，因此更有可能投资于数据转换。问题是，被调查的这些公司中，很少有数据成熟度达到这一水平，“这意味着企业仍需要努力提高数据素养，进而更广泛地构建数据文化。”

虽然人们正在为企业带来更不成熟的数据水平，但技术正在帮助他们迎头赶上。该指数表明，63%的数据领导者认为，企业可用的技术主要有助于他们使用数据。

此外，报告还介绍了账户聚合功能以及在开放金融生态系统中实施的可能安排。

报告展示了一个基于微服务架构概念的成功实现，该架构促进了高可用性、可伸缩性和复原力。数据共享方案在很大程度上取决于监管框架是僵化还是灵活。选择适当模型的最大挑战在于确定数据将存储在哪里，谁是消费者，以及使用哪些通信接口。

今年报告的主要发现表明，研究人员赞成数据公开获取作为一种普遍做法的趋势日益显著（每五位研究人员中就有四人对此表示赞同）。如今有超过70%的受访者被要求遵守数据共享政策，这一定程度上支持了这一趋势。

然而，研究人员还是提及了有助于他们分享数据的关键需求：更多有关数据访问、分享和再利用政策的培训或信息（55%），以及长期存储和数据管理策略（52%）。荣誉和认可也再次成为研究人员共享数据时的一个重要主题。此前曾分享过数据的人中，有66%的人获得了他人对其工作的某种形式的认可——最常见的方式是在另一篇文章中的完整引用（41%），其次是在使用了他们数据的论文中成为共同作者。 促使研究人员更倾向于分享其研究数据的因素是对引用量（67%）和研究可见度（61%）所能产生的影响，而不是公共利益或期刊/出版机构的要求（均为56%）。

今年的报告还包括了来自美国国立卫生研究院、白宫科技政策办公室、中国科学院计算机网络信息中心、出版机构和大学的开放数据专家的特邀文章。

Figshare创始人暨首席执行官马克·哈内尔说：“我们报告所得出的结果清楚地表明，尽管大多数研究人员接受开放数据和开放科学的概念，但他们也对开放数据政策和实践如何会影响到他们存有一些合理的疑虑。在一个开放数据的规定不断增多的环境中，资助机构如与研究人员更紧密的合作，并为他们提供额外的支持，以顺利过渡到完全开放数据的未来，那他们也会从中获益。”

施普林格·自然开放数据项目经理格雷姆·史密斯说：“过去七年，这些调查有助于展现研究人员对开放数据的看法。该报告不仅向我们表明所取得的进展，还包括了尚需采取的措施，以支持科研界走向开放数据的未来。无论是为研究人员提供广泛的支持，让研究数据公开获取成为普遍做法，还是针对开放数据规定的态度上的不断变化，我们都必须从中学习并推进具体措施，以解决科研界告诉我们的问题。”

健身领域在技术上面临非常巨大的变革,而传统健身也在顺应时代与技术发展的趋势和需求,传统健身模式也面临巨大的挑战,健身行业也伴随市场需求的升级产生了更多的细分领域。同时,智能体育由于被越来越多人关注,而逐渐从蓝海市场向激烈的红海市场转变。其中浩瀚体育,作为国际知名的综合体育平台,多年来秉承着不断进取、永不止步的企业精神,在竞争无比激烈的同行业内取得了高度的专业好评与广泛的用户认可。浩瀚体育近年来,在AI硬件+软件方面投入了大量的人力物力资源,致力于挖掘传统体育与健身行业在智能技术方面的更多可能性,如AI智能健身设备、AI智能教练系统、AI智能体育数据测算设备等,将智能科技的应用深入渗透到传统体育产业当中,激活传统产业活力,让智能带动产业的升级与发展。

目前全国很多城市也引入了智能体育设备,帮助市民打造健康体魄,期待创造新价值,带来新美好生活。将智能设备与智能手机相结合,以科技带动数据,用数据支撑产业升级,体育参与形成智能数据库,能够更有效的对不同类型的人群、不同类型的健身运动模式进行数据分析。随着互联网、大数据、人工智能等科技力量持续赋能健身行业,智能健身等新业态的流行将更加充分地满足消费者多样化、品质化需求,并进一步降低全民健身参与门槛,增加健身活动的互动性、获得感,帮助更多人开启健康新生活。

根据中国企业 IT 成熟度、产品丰富性以及业务战略的多样化等，Gartner 将 LCAP 领域厂商分为以下 4 类：

1、低代码平台厂商（LCAP):

面向专业开发人员或者业务人员等多种角色的低代码应用平台，例如 Mendix、OutSystems、得帆信息等，主要是在全球或者本地企业具有特定行业或特定领域吸引力的厂商，旨在采用最佳全球实践的成熟 IT 开发团队。这些低代码平台厂商具有强大的本地化定制支持能力，在平台开发过程中需要与领域专家或者企业 IT 进行联合协作，适用于服务高级别和中等级别 IT 成熟度企业。

2、无代码平台厂商（CADP) :

面向业务人员的无代码应用程序开发平台，来解决更多的功能性用例，比如表单或办公自动化应用程序。无代码平台厂商多用于初创企业，提供轻量级解决方案以满足相应的市场需求，因此更适合服务缺乏 IT 支持的中小型企业。

3、企业应用厂商（Enterprise Application ) :

包括 CRM、ERP 等应用程序，此类厂商通过从核心业务继承来的强大客户基础和关系优势进行相应领域的竞争，通过向 LCAP 提供打包业务功能和连接器来扩展产品，以支持不同范围的特定行业或特定领域的应用程序及解决方案。企业应用厂商还通过与低代码和无代码平台厂商进行合作，为客户进一步补充解决方案。

4、云服务提供商（Cloud Service Provider ）：

例如阿里巴巴、百度、微软等，这些大型云服务提供商寻求加强其云服务，以扩大销售。阿里巴巴、华和腾讯的目标是通过基于各自云平台的解决方案，发展合作伙伴的生态系统。

Gartner 认为，上述四类 LCAP 厂商虽然出于不同的动因进入此市场，但是都以满足客户快速应用实现为目标。Gartner 对四类厂商竞争性分析也为技术和服务提供商在中国规划 LCAP 产品战略提供了见解和建议，企业软件供应商和数据分析供应商也可以使用这些分析来评估企业 LCAP 市场中的各类供应商，以寻求合作伙伴，为企业提供数字化解决方案。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

最流行语言：JavaScript 持续霸榜，Java 被挤出前五

今年，StackOverflow 针对三个不同的群体（所有受访者、专业开发人员、初学者）使用的流行技术进行了比较。

不出意外，所有受访者与专业开发者的调查数据显示，JavaScript连续十年成为最常用的编程语言。另外微软的TypeScript的排名一直在稳步提升，从 2020 年第 9 位上升至 2021 年的第 7 位，在今年则是挤下了 Java 升至第 5 位。Python 和 SQL 相比去年调换了各自的位置。

在初学者的调查中，情况稍有不同，HTML/CSS 等仍是初学者更好的入门选择，Javascript 和 Python 也是最受初学者欢迎的语言。

有趣的是，尽管 TypeScript 越来越受欢迎，但是人们对它的喜爱程度却下降了。Rust 仍是最受喜爱的编程语言，约有 87% 对开发者希望继续使用它，TypeScript 从去年的第 3 滑落到第 4。新兴语言 Elixir 升至第 2。

Web 框架：Node.js 与 React 并驾齐驱

从 2021 年开始，Stackoverflow 将Node.js从 “编程语言、脚本和标记语言” 类别转移到了更合适的 “Web 框架” 类别。在 58743 名受访者中，大约有 47% 的人使用 Node.js，43% 的人使用 React.js。同时 Node.js 和 React.js 是专业开发者和初学者最常使用的两种网络技术。

数据库：PostgreSQL 超越 Redis 成最受欢迎数据库

PostgreSQL 完成对 Redis 的超越，成为最受喜爱的数据库，结束了 Redis 长达 5 年的霸榜。

开发者工具：微软仍占主导地位

微软继续在开发者工具领域占据主导地位，Visual Studio Code 仍是多数开发者首选的 IDE。在 71010 名受访者中，大约有 74% 的人使用 Visual Studio Code，相比 2021 年的 71% 略有增加。Visual Studio 下降至 32% ，IntelliJ 与 Notepad++ 分列第 3 和第 4。

云平台：AWS 地位不可撼动

AWS 不仅仅是使用最多的云平台，也是最受喜爱的云平台。微软 Azure 和 Google Cloud 分列第 2 和 第 3。

操作系统：排名变化不大

操作系统的排名几乎没有什么变化，Windows 在个人和专业用途方面胜出，但在专业用途方面，Linux 以 40% 的响应率超过 macOS 的 33% 位居第二。最值得注意的是适用于 Linux 的 Windows 子系统的增长，目前占个人使用的 14%，而 2021 年仅为 3%。

版本控制系统：Git 遥遥领先

StackOverflow 团队今年为版本控制系统引入了一个新类别，不出所料，Git 获得了高达 94% 的数据。如 StackOverflow 所说，没有其他技术能像 Git 这样被广泛使用，特别是在专业开发者中，而排名第二的 SVN 只有微不足道的 5%。但初学者中有 17% 的表示不使用版本控制系统。

Web 3 技术：结果呈三足鼎立姿态

调查显示，开发人员对于庄闲网络娱乐平台进入 、加密货币和去中心化等感到困惑，大约有 32% 的人赞成，31% 的人反对，26% 表示无所谓，呈现三足鼎立态势。

工资变化：普遍得到提升

本次调查显示，自 2021 年以来，开发人员的工资普遍上涨，报告显示，平均工资中位数增加了约 23%，Flow、COBOL、Couchbase 和 IBM Cloud/Watson 增幅较多，其中以 COBOL 的提升最多，年薪中位数从 52340 美元跃升至 75592 美元。

在线完整报告：https://survey.stackoverflow.co/2022/

编译来自：infoq

在新冠疫情之后，企业领导者面临着在新环境中重新吸引员工队伍的挑战——这是一个比以往任何时候都更加数字化、机器人化、多样化和分散化的环境。处在这样的环境之中，落后者需要自担风险。

在为未来几十年的成功设定企业目标时，管理者需要了解员工的哪些信息？

新兴劳动力的五个特征

麻省理工斯隆工商管理学院的专家对新兴劳动力的五个特征及其重要程度进行了分析。

01、他们精通数据

数据驱动的公司能够增加收入，改善客户服务，提升运营效率，提高盈利能力。

麻省理工斯隆工商管理学院高级讲师 Miro Kazakoff 表示，“在一个拥有更多数据的世界中，拥有更多‘具备数据素养’人才的公司，将会脱颖而出”。Miro在麻省理工教授有关数据交流和数据说服力的课程。

要想实现这一点，我们需要“数据民主化”——即数据应该掌握在每个员工手中。

麻省理工学院信息系统研究中心的首席研究科学家 Barbara Wixom 表示：“每个人都将发挥作用，推动企业朝着新的发展方向（纳入包括数据在内的新工作方式）前进。数据是一项团体行动，整个组织都应该成为数据团队。”

美国专利商标局前主任 Michelle K. Lee（麻省理工88届本科，89届硕士）在今年早些时候的 EmTech 数字会议上发表了讲话，并陈述了如下观点——在企业层面，数据应被视为整个组织的资产，而不是创建或收集数据的各个部门的单独财产。

分析平台提供商 ThoughtSpot 的首席数据战略官 Cindi Howson 表示，利用数据需要协同合作。Howson 去年 8 月在麻省理工数据研讨会上的一次演讲中表示，一些公司将需要围绕数据和数据分析进行重组——这可能意味着企业需要将业务人员、技术人员和编程人员结合起来。

Howson 表示，想要成为最成功的的公司，管理者们需要将数据和数据分析嵌入到每个业务部门中，并实现一定程度的数据集中化。

02、他们乐于使用人工智能、机器学习和机器人

大多数专家都认为人工智能的未来意味着工作的未来。一项研究估计，机器人技术有望扩大，到2030年，全球机器人市场的价值将达到2600亿美元。

然而，这些领域的增长并非全无坏处。麻省理工经济学家Daron Acemgulu发现，美国 1000 名工人中每增加 1 个机器人，工资水平就会下降 0.42%，而就业人口比率则会下降 0.2 个百分点。

Acemoglu说：“如果我们忽视我们使用的人工智能类型的正确性，它可能会对收入不平等和社会凝聚力产生灾难性影响。”

尽管人们仍然担心人工智能可能取代工厂和仓库中的人类，但精明的雇主却将教育、医疗保健和职业培训等领域的人工智能作为人类劳动力的补充，而不是人类的替代品。

在制造业中，协作型机器人或补充型机器人都能够增强人类劳动力。麻省理工学院教授、机器人专家Julie Shah指出，通过机器人协作，工人可以将更简单的任务委托给机器人，重点放在更困难的工作上，从而提高生产力和工人的幸福感。

03、赋权新兴劳动力

根据麻省理工斯隆工商管理学院教授、工作与就业研究所所长 Thomas Kochan 的研究，工人们认为自己在工作中经历了相当大的“声量差距”（他们认为自己应该拥有的发言权或影响力，以及他们实际拥有的发言权或影响力之前存在着差距），这种差距广泛存在于工作报酬、工作条件和公平待遇等议题。

麻省理工斯隆工商管理学院人力资源与管理学教授 Paul Osterman 表示，这种情况不会持续太久。在全国范围内，低收入工人都在寻找他们的声音和目标，而雇主却置之不理——我只能这么说，风险自负。

Kochan教授促请雇主和雇员订立新的社会契约，使投资者能获得更高的回报，维持更高质素的职业生涯。这些条约的原则包括：

精心挑选具有强大技术和行为技能的员工。不断投资于员工的培训和发展。尊重工人权利。工人有能力适应不断变化的技术和工作要求。推行公平和透明的薪酬制度，确保雇员的收入随企业及整体经济表现的改善而增加。在影响员工未来的关键业务决策中为员工发声。

04、他们尊重、期待和理解“好工作”的价值

今天的雇员有自己的“好工作”标准：薪酬和福利好、工作时间稳定且可预测、职业道路、安全保障和公平公正的工作环境。

因此，雇主有需要再进一步，不单是培训或提高低薪雇员的工资。Osterman教授说，提高他们所做工作的质量对公司也很重要，影响到美国大约四分之一的成年人。

如果不这样做会怎么样？麻省理工学斯隆工商管理学院运营管理教授、《好工作战略：最聪明的公司如何投资于员工以降低成本并提高利润》一书的作者 Zeynep Ton 表示，对人员投资不足，会导致运营和客户服务出现问题，进而导致销售额下降，预算缩减。”

“这种恶性循环对投资者来说代价高昂，它伤害了客户；同时，它也表现出对工人的残忍——从工资到工作日程，从待遇到尊严。在这种恶性循环中，每个人都是输家。”

斯隆工商管理学院教授Erin Kellyand和明尼苏达大学社会学教授 Phyllis Moe在《超载：好工作是如何变糟的以及我们能做些什么》一书中呼吁重新考虑双边议程，将其作为一项行动计划，将员工的福利及企业优先事项和目标联系起来。

两位学者研究了一家公司，该公司推出了一项“重新设计工作”计划，其中包括家庭工作或混合时间表等选择。他们认为“重新设计工作”实施后，员工离职率在三年内下降了40%。

05、他们致力于促进公平和环保

伯克希尔银行（Berkshire bank）前执行副总裁、麻省理工学院斯隆商学院讲师Malia lazu表示，缩小技术差距和培养新兴劳动力的多样性至关重要。相关行动包括：让所有儿童学习早期教育课程（科学、技术、工程和数学）；使高等教育更加普及和公平；根据技能而非学位进行招聘；专业网络的评估和多样化。

去年，负责创新和包容性的副院长Fiona Murray和负责多样性、公平和包容性的副院长Ray Reagans详细介绍了麻省理工学院斯隆学院是如何改变机构文化的，希望其他组织可以从这个蓝图中学习。

他们写道：“我们正在解决学校对现有教师和学生招聘网络的依赖。为了改变这种状况，我们聘请了专业招聘公司，在招聘员工时采用更广泛、更多元化的网络。”

麻省理工斯隆商学院教授Emilio Castilla表示，公平必须超越招聘过程。他建议组织从公平和基于数据的角度解决促进和提高工资的问题。

工作与组织研究助理教授Jackson Lu发现，更普遍地说，具有多元文化经验的领导者是更好的沟通者，这种能力在领导跨国团队时尤其有效。

特别是对于年轻员工，公平的概念也适用于治理和环境问题。Cone communications在对千禧一代员工的研究中指出，如果没有强有力的企业社会责任政策，64%的千禧一代不会接受这份工作；83%的千禧一代将更加忠诚于帮助他们解决社会和环境问题的公司。

麻省理工斯隆商学院讲师兼可持续发展倡议高级副主任贝Bethany Patten表示，在过去15-20年中，从反对到积极接受环境实践的转变已成为常态。今天，公司的可持续发展绩效与公司的成功密切相关。

本文作者：Kara Baskin

记者，波士顿环球报

平均年薪只涨了0.8% 

加拿大的平均工资增长率最高，薪酬增幅为9.2%，其次是英国和美国，分别增长了2.7%和0.8%。

在美国，薪资排名最靠前的地区是：旧金山湾区、西雅图、纽约，其次是波士顿、洛杉矶、奥斯汀、亚特兰大、华盛顿特区、圣地亚哥、芝加哥等地。 

其中，旧金山湾区、西雅图、纽约，两年排名均稳居前三。

薪酬排名前三的软件工程师分别是：安全工程师、研发工程师、自然语言处理（NLP）。

薪酬TOP10软件工程师还包括移动工程师、机器学习工程师、增强现实/虚拟现实工程师、数据库工程师、庄闲网络娱乐平台进入 工程师、数据工程师。

对于时下相当热门的人工智能领域来说，NLP工程师和机器学习工程师都有不错的收入，分别是160227美元和158307美元。只不过相较于前一年，前者的年薪降低了4000多美元，后者增加了7000多。  

Go的需求量最高，Python最受欢迎

比如Go就能给你带来1.8倍的面试机会。

在Hired的报告中，软件工程师们最喜欢的Top10编程语言依次是：Python、JavaScript、Java、TypeScript、C#、Go、HTML、C++、Ruby、C语言。

全栈工程师最受欢迎

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

卡诺模型（Kano Model）是用于制定设计决策的工具。

通过根据功能对客户满意度的预期影响来对产品功能进行优先级排序，从而更好地进行设计决策。

卡诺模型有助于了解产品设计的功能是否会给用户带来预期的满意效果。

卡诺模型模型起源于1980年代的日本，它建立在三个核心原则之上：

1、产品依靠价值吸引客户

2、产品质量保证了客户的忠诚度

3、创新力是差异化和竞争市场所必需的

它由日本教授Noriaki Kano开发，根据客户对产品的要求或属性对功能进行分类，从而评估这些功能对用户满意度的影响。

Noriaki将客户对产品的要求或属性，分为必备属性（threshold），期望属性(performance)和魅力属性(excitement)。这些要素共同构成了产品的客户体验。

• 推荐卖点技术背景
• 架构描述
• 核心 AI 技术
• 模型研发与实践
• 产品落地与回报

1. 什么是推荐卖点，用推荐卖点能做什么事情？

推荐卖点是一种商品文案，或者称之为对商品的描述。商品文案，即电商平台中在线利用文字来描述商品的特征、特色点、详细信息，以辅助商家吸引顾客、促进商品销售，丰富商品的推荐理由。

商品文案有多种类型，不同类型的商品文案有着不同的功能，主要包括长文案（商品标题和商品描述），短文案（卖点）。

• 商品标题是一种综合性描述信息的文字，在有限的字数内，信息完整且客观地阐述商品，例如描述商品的品牌、是什么物品、主要功能等。
• 商品描述类似于商品广告，可围绕某些特色点进行宣传，引导用户购买该商品。
• 商品卖点的目标是突出商品的特色，通常在 8 个字以内，用于丰富商品推荐理由。

传统的商品文案多是由人工撰写，费时费力，撰写速度也很难跟上新商品的迭代速度。随着自然语言处理飞速地迭代和发展，尤其是深度语言生成模型，通过商品文案自动化生成技术，可以帮助商铺的店家以又快又省的方式进行商品宣传。

2. 目前常用的文案生产技术

商品文案自动写作属于自然语言处理领域中 text summarization 或者 natural language generation 的问题。

输入是长文本形式，包括商品属性、商品详细描述、买家评论等，输出是目标商品文案，包括商品描述、商品标题、商品卖点等。

目前有以下几种文案生成模型的方法，如 Template-based generation、Deep neural network-based generation、Knowledge-based incorporate、Pattern-controlled 等。

• Template-based generation：一种较为传统的方式，需要预先定义某类别商品的属性，然后进行商品的属性值提取，最后基于提取的商品属性做文案生成；
• Deep neural network-based generation：随着深度学习的出现，开始使用深度生成模型做自然语言的生成，大多依靠的是典型的编码器和解码器结构，基于 transformer 等特征处理技术；
• Knowledge-based incorporate：引入知识图谱和知识库等技术使生成的文案信息链更全，即使输入的信息不够完整，也可进行知识整合；
• Pattern-controlled：该种方式能够控制生成文案的过程，比如可以控制生成的主题、重点、语言风格，以及文案长度等。

以上这几种方式主要针对长文本文案生成，目前还没有针对卖点短文案的生成技术。

3. 推荐卖点价值

卖点文案生成的核心是服务于推荐系统，可增加推荐系统的可解释性，向用户展示推荐理由；结合用户喜好进行个性化推荐，从而传达准确信息供用户决策；向用户展示特色优势如服务和优惠等信息，可以提升用户的满意度，促进点击行为，同时增加用户对平台的信任度以及延长停留时间。

4. 卖点短文案自动生成技术

通过卖点自动化生成技术，避免人工文案写作，节约了时间成本；同时，卖点短文案不需要复杂的文学表达，比较适合采用自动化文案生成的方式。为了生成高质量的卖点文案，需要做到以下几点：

• 能够捕捉到内容的特色点，足够吸睛；
• 文案长度有限，需要简短精巧，但包含重要信息；
• 能够实现个性化分发，针对不同的目标用户展示不同的推荐理由。

接下来通过介绍推荐卖点在推荐系统中的架构设计来介绍卖点如何与推荐系统结合发挥作用。

首先是当请求被初始化时，混合模块（SOA）会触发前端（Broadway）收集用户信息、商品信息等数据；基于收集到的客户资料，Index 模块作为 Broadway 和后端推荐的中转站，将信息提供给推荐模块；AI-flow 是推荐模块，执行召回和排序，以获取推荐候选产品，根据产品的库存和受欢迎程度进行筛选，最后确定要推荐的产品同时将请求发送给卖点模块，进行卖点的提取和个性化分发。

• SOA/Mixer：协调广告、推荐和分配应用的混合模块 / 平台。所有请求最初都发送到这个混合模块，然后分配给每个应用程序。
• Broadway：推荐系统的前端。收集客户的资料信息和购买历史，以及产品信息（包括属性、评论、描述、和图像等），这些数据被发送到索引模块。
• Index：作为 broadway 和后端推荐部分的中转站。Index 准备好来自 broadway 的输入数据并转发给推荐模块，并从 AI-flow 和 filtering 模块接收推荐产品及卖点。
• AI-flow（召回）：推荐模块中负责召回特征的关键组件。这里用到的特征都是离线提取出来的，召回是 AI-flow 的第一步，它根据用户和产品特征从海量库存中检索出少量可能感兴趣的物品，然后将他们传递给排序模块。
• AI-flow（排序）：这里我们采用非线性和线性的排序方法。GBDT 用于非线性排序，可以更好地从特征中捕捉非线性模式，逻辑回归用于线性特征排序；为了更好地捕捉动态数据分布，我们实施一种基于 FTRL（McMahan2011）的在线学习策略来处理在线数据流。
• Intelligent Online Product Selling Point Extraction (IOPSE) ：用于产生卖点以支持产品推荐。具体来说，给定一个推荐商品，从卖点池中提取几个优质的卖点，然后根据目标客户的个人资料，通过个性化分配算法选择最适合的卖点，然后将客户 ID、产品推荐和卖点发送回前端进行展示。

1. 智能卖点创作的技术流程

整个智能卖点创作模块分为两个部分：

• 卖点短文案的提取和生成，采用基于商品详情和用户评论的文本生成技术；
• 个性化卖点分发，采用基于用户画像的用户个性化卖点分发技术。

以石榴这个商品为例，首先获取卖点素材，比如石榴的属性表，商品标题，以及采用 OCR 文字识别技术从商品详情图片中提取的文字，买家的正向评论等；然后将获取的卖点素材输入到卖点提取和生产模块中，生成针对一个商品的多个优质卖点；在个性化分配模块中，结合客户兴趣给不同的用户进行不同的推荐卖点展示。

2. 卖点短文案的提取和生成

卖点短文案的提取和生成，主要包括卖点粗筛、卖点生成、卖点精筛这三个步骤。

① 卖点粗筛

目标是从商品文案素材库里（商详页 OCR，用户评论，达人文案等）提取初始卖点候选，主要基于 self-adversarialBERT 对文案素材（句子或者短语）进行打分，然后根据打分排序并选择 top-K 作为卖点生成素材，大范围地过滤掉与商品无实质性意义的短语或者句子。

在素材文案评分中，将人工写作的卖点（达人文案）定义为正样本，将用户评论或者商详页 OCR 等作为负样本，使用自对抗的 BERT 模型做分类训练。在实践的过程中，当句子输入模型之后，获取 Bert 模型的 softmax 层输出概率，表示该句子被分到高质量的概率，根据句子的概率进行排序。这里简单介绍一下 Bert 模型。它是基于 Transformer 的双向预训练语言模型，在预训练阶段有 Mask 语言模型和预测句子关系两个任务，在此基础上进行 finetune 从而完成文本相似度计算、文本分类、序列标注、问答类问题等。文本输入表征包括了语义表征、segment 表征（分割信息表征）、位置表征；最后将 softmax 层输出作为该文案的质量评分：

② 卖点生成

由于粗筛中选出的文案素材口语化、不简练，因此我们接下来依据 Transformer 和 Pointer generator 的文本生成模型基于已经筛选出的文案素材库进行卖点文案生成。

Transformer 是用于学习输入文本的表征向量，它的重要组成部分包括自注意力机制（multi-head self-attention）和位置编码 (positional embedding)。自注意力机制本质上会对句子中的每个字构建全连接的图，通过计算 attention 学习每个字的表征向量，考虑到句子中所有的字对该字的影响。位置表征中，每一个位置点都有一个编码，是一个周期函数。

将上一步获取到表征进行 Decoder 生成卖点文案。Pointer generator 与其他的语言生产模型的区别在于，其不仅可以从词库挑选要学习到的字，还可以从输入的句子中挑选字。首先分别计算从词库中选择字和从输入中选择字的概率，然后再将词库中的概率分布和输入中的概率分布结合获得最终的概率分布。

③卖点精筛

卖点精筛模型区别于粗筛模型，将生成后的卖点文案，输入到一种递归锐化的 BERT 模型中进行训练。具体来说，首先将达人卖点写作当做正样本，素材库文案 / 初始模型生成文案当做负样本，输入到 Bert 初始分类模型中进行训练；然后将前一步生成的排名靠前的高质量文案作为负样本，达人卖点文案作为正样本，再次输入到 Bert 模型中做优化训练，循环多次获得最终的高质量卖点文案。

3. 个性化分发

接下来，我们介绍基于用户画像的个性化分发。每一个产品有不同的特色点，可以产生多个高质量的卖点，我们希望根据客户的兴趣点为其分配最有吸引力的卖点，以引导用户购买该商品。个性化分发分为两个步骤，首先生成卖点文案的表征向量和用户兴趣的表征向量，然后匹配卖点表征向量和用户表征向量，从而实现卖点个性化分发。

用户兴趣嵌入表征：通过 work2vector 方式获得产品词里每个字的 word embedding，将产品词中每个字的表征向量求和获取该产品词的表征，结合用户对每个产品词的喜好权重，然后对所有的产品词进行加权平均，获取用户对产品词的喜好的表征向量。

卖点文案的特征向量：通过 work2vector 方式获得卖点文案里每个字的 word embedding，然后对卖点文案中每个字的表征向量求和得到卖点文案特征向量。

个性化分发：通过计算用户兴趣表征向量和卖点文案表征向量的相似度来实现。可用的向量相似度计算的主要方法有余弦相似度、皮尔森系数、欧式距离和基于 Kernel 的相似度计算等。

1. 文案输出素材选择

在模型开发的过程中，首先需要探索不同的卖点文案资源库对生成高质量卖点的影响。候选的卖点素材库除了基本的商品描述外，还有买家评论和商详页 OCR 提取文字。为了探索这两种素材来源的优劣，我们对比了这两种文案（买家评论、商详页 OCR 提取内容）在 5 周内对指标提升的影响。从下图中可以观察到，买家评论和商详页 OCR 提取内容均可以提高与销售相关的性能指标。特别地，买家评论素材源可将 UV 提升 7% 左右，原因可能是其他用户的评论更能激发用户的兴趣，即所谓的买家更了解买家；此外，商详页 OCR 素材源可能会带来 1% 左右的提升；这些数据告诉我们可以将这两个素材库作为初始素材库。

2. 在线卖点文案质量监管

在实践过程中，我们希望能够实时地检测和过滤历史数据中对购买行为产生负面影响的低质量卖点或者对购买行为产生促进作用的高质量卖点。由于人工很难综合评估卖点是否对客户有吸引力，所以我们希望通过业务端的反馈作为指标来帮助我们去识别高质量卖点或低质量卖点，在此基础上，可以过滤掉低质量卖点，同时通过实际生产过程中的高质量卖点来重新优化模型。对于在线监控模块，我们需要通过与业务相关的指标（曝光率、点击价值、客户停留时间等）计算相对提升指标。

3. 离线卖点文案模型优化

对于离线优化模块，我们发现经过业务反馈过滤出的低质量卖点和高品质卖点可以使模型对高质量卖点文案选择更加敏感，起到优化模型的作用。在实践过程中，我们将相对提升指标大于 30% 并且基础点击 PV > 5% 的短文案作为高质量正样本，剩余文案作为负样本，然后输入到 BERT 模型中进行 finetune，重新打分排序获取高质量文案；同时我们将基础点击 PV 大于对比点击 PV 或者对比点击 PV 小于某个阈值的短文案作为低品质负样本，剩余文案作为正样本，然后输入到 BERT 模型中进行 finetune, 从而打分排序同时过滤低评分的卖点文案。

当目前为止，我们已经完成了亿级别的卖点挖掘和生产，覆盖了上亿的 SKU，62 个品类（包括家电、运动、生鲜、处方药等）；同时，生成的卖点是多样化的，包括商品特色类、特色服务类、名人同款类、用户行为类、用户评价类、特色人群类，旨在能够挖掘商品特点以助力体验提升或者引入用户数据激发从众行为；另一方面，从销售指标上看，卖点技术可以有效帮助提升商品点击率（+2%）和停留时长（0.32%+），日常效果正向促进活动页赋能；基于 LBS 信息建设特色人群卖点（消费升级或者同城偏好），效果正向，目前在赋能极速版助力下沉市场用户运营。此外，推荐卖点也广泛地赋能于主站、京喜、极速版、通天塔活动页等多个应用场景。

• 大多数回复与往年一致。例如，开发者对 Go 的满意度仍然很高，92% 受访者表示满意，75% 的受访者在工作中使用 Go。
• 今年的部分受访者来自于调查团队对 Go VS Code 插件使用者的随机抽样，因此调查的回复跟以往相比也有所不一样。
• 缺少关键库、语言特性和基础设施是使用 Go 最常见的障碍。（此调查是在 Go 1.18 发布之前进行的，泛型是报告中最多人反馈的第一大缺失特性）。
• 受访者希望优先考虑对调试和依赖管理的改进。
• 使用模块时的最大挑战涉及版本控制、使用私有仓库和多模块工作流。
• 81% 的受访者对 Go 项目的长期发展方向充满信心。

Go 使用情况

和前几年的调查结果一样，Go 主要在科技行业被广泛使用。70% 的受访者是软件开发者，少数从事 IT 或 DevOps 工作。76% 的受访者表示他们在工作中使用 Go 进行编程。72% 的受访者表示他们使用 Go 开发 API/RPC 服务，其他的主要用途是 Web 服务、库或框架、自动化部署和数据分析等。少数开发者还使用 Go 开发桌面应用、游戏、AI 和移动 APP。

一些新的统计结果：

• 大多数受访者将他们的组织描述为企业或中小型企业，大约四分之一的受访者将他们的组织描述为初创公司。咨询公司和公共机构的占比更少。
• 绝大多数受访者在少于 10 人的团队中工作。
• 超过一半 (55%) 的受访者每天在工作中使用 Go，受访者在工作之外使用 Go 的频率较低。

开发者使用 Go 遇到的阻碍

受访者被问及曾评估过 Go 但最终没有选择使用它，其中主要遇到的阻碍包括：缺少所需的语言特性、其他的编程语言对现有的工具和基础设施提供了更好的支持、Go 生态缺少所需的库、团队没有使用 Go 的经验、Go 工具不过丰富、Go 性能未能满足需求、招聘 Go 开发者困难…… 等。

由此可见，语言特性的缺失和生态不够丰富劝退了不少本想 “入坑” 的开发者。其中「泛型」是他们最希望添加的特性（调查进行的时候尚未发布提供了泛型的 Go 1.18）。除了泛型，开发者对于类型系统相关的特性也具有十分强烈的需求你。Go 团队表示，他们将收集更多关于这些需求的背景信息，并可能在未来探索不同的方式来满足这些需求，例如通过工具、库或对类型系统的修改。

那么这些相中了 Go，但最后又不采用它的受访者选了什么语言？下面的图表给出了答案：

Rust、Python 和 Java 是最常见的选择。对此 Go 团队认为，Rust 和 Go 有互补的特性，所以当 Go 不能满足项目的需求时，Rust 会是一个不错的选择。使用 Python 的主要原因是 Go 缺少库和现有的基础设施支持，因此 Python 的大型包生态系统可能会导致他们难以切换到 Go。同样，使用 Java 的常见原因是 Go 缺少一些功能，不过这应该会通过在 1.18 版本中引入泛型而得到缓解。

开发者对 Go 的满意度

跟去年一样，92% 的受访者表示他们在过去一年中对使用 Go 感到非常满意或比较满意。

此外，越来越多的开发者表示，Go 对于他们公司的成功提供了极大的帮助。

开发者对 Go 的诉求

依赖管理和错误处理是 Go 开发者需求最大的两项功能。

开发者工具和实践

与往年一样，绝大多数受访者表示在 Linux (63%) 和 macOS (55%) 系统上使用 Go。不过随着时间的推移，主力使用 Linux 开发的 Go 受访者比例似乎略有下降。

目标平台方面，超过 90% 的受访者选择了 Linux。尽管在 macOS 上开发的受访者多于 Windows，但他们大多数选择部署到 Windows 而不是 macOS。

最后

Go 开发者 2021 调查报告的部分关键要点：

• 此次调查的样本有所变化，但大部分同比指标保持稳定，大部分变化。
• 开发者对 Go 的满意度仍然很高
• 四分之三的受访者在工作中使用 Go，许多人每天都在使用 Go
• Go 团队将优先改进调试和依赖管理的工作流程

完整报告查看：https://go.dev/blog/survey2021-results

2021年语言服务需求方急需语种排行前十位情况。

“一带一路”沿线国家的翻译业务量有显著增长，其中，阿拉伯语、俄语、德语、英语和白俄罗斯语为市场急需的五个语种。

语言服务需求方对翻译技术评价。

《报告》显示，人工智能技术不断创新，机器翻译在行业的应用越来越广泛，具有机器翻译与人工智能业务的企业达  252家  。“机器翻译+译后编辑”的服务模式得到市场普遍认同，通过调研，超九成企业表示，采用该模式能提高翻译效率、改善翻译质量和降低翻译成本。

 

我国翻译人才队伍呈现“年轻化”“高知化”“梯队化”等特征，翻译人才队伍以本科以上的中青年为主，广泛分布在全国各地。京沪两地翻译人才占全国总数的43.58%，头部城市聚集效用凸显。

翻译人才队伍发展对各领域起到了重要支撑作用。其中，教育培训、信息与通讯技术、知识产权是最主要的翻译业务领域，分别占比41.1%、40.8%、38.3%。