文：Gracia (本文为原创内容，部分或全文转载均需经过作者授权，并保留完整的作者信息和技术人攻略介绍。)
导语：本期访谈对象刘睿民（Dowson Liu），柏睿数据科技CEO。和Dowson的会面约在早上10点，在望京SOHO 塔2，15层走廊的尽头，我找到挂着柏睿铭牌的白色小门。门上着锁，没有朝向走廊的窗户，看不见内部陈设。为这次早到等候了足足二十分钟后， Dowson准时出现。这是我第一次见到他，平头、眼镜、浓眉，说话略带东北口音，语速不徐不缓。门后是一间带落地窗的大办公室，视野开阔。他解释说，这间办公室的主要用途是会客，负责业务的工程师约有20人，驻守在侧边的塔楼。核心研发团队则分布在海外，或在干燥炎热的内华达沙漠，或在细雨纷飞的西雅图，或在沿海季风吹拂下的悉尼。
1995年入行，Dowson正好赶上行业信息化的黄金时期。在美国高度发达、自由竞争的IT市场历练10年，曾师从图灵奖获得者Jim Grey，还在惠普实验室从事过海量并行内存数据库开发，根正苗红，习得一身硬本事；回国后的10年，历任华胜天成CTO、惠普大中华区数据挖掘总监、SUN/ORACLE大中华区服务总裁，创造过一年翻22倍，近10亿人民币的销售奇迹，bonus拿到手软。
这位典型的海归精英，手下已拥有3家公司，开一辆银白色的路虎越野车。一切顺风顺水，却掩不住那颗爱冒险的心。刚到美国不久，Dowson就和印度人开起了咨询公司，一年时间，签下千万大单，从南到北把业务跑了个遍；iPad上市之前，他自己手画电路板，投钱做出20块平板，一年时间烧掉500万。从上次创业摔的跟头中，他意识到：凭个人能力可以做出优质产品，却难以带动产业上下游的配合与发展，任何产业级的影响力都离不开长期的深厚积累。
在数据库领域摸爬滚打20年，Dowson深知这一波大数据革命的颠覆性，点滴信息正汇集成财富创造的新系统，大烟囱社会的权力结构，将进一步向超级信息符号组成的社会转移。站在这场权力争夺战的边缘，Dowson敏锐察觉到，过去铁板一块、巨头扎堆的企业级市场已开始松动。传统的关系型数据库，无力承载海量数据的处理和分析。随着新一轮窗口期开启，数据库领域进入战国时代，各类列式架构、内存架构、NoSQL、NewSQL等新型数据库层出不穷、各领风骚，动摇着旧有权利系统的支柱。
2013年9月，Dowson创立柏睿数据，研发基于MPP架构的海量内存数据库引擎。过往的人脉让他得以组建阵容豪华、实力强大的海外团队，并在过去半年里进展神速。他的目标是取代Oracle，做企业级市场数据处理的颠覆者。
在长达5个半小时的采访过程中，Dowson对国内基础领域的沦陷痛心不已。从他父辈那代起，国家的产业导向就偏重于对模式的迷恋，而非技术和品质上的精益求精。他母亲曾亲手拉出中国第一根单模光纤，但“高科技”光纤的质量，最终却受制于“低科技”的橡胶产业。这样的荒诞故事仍在不断上演，投射出当下社会的事态与人心。在公众知识分子许知远眼里：整个中国都陷入了一种同质化、低水平的竞争，人们有高度的竞争感，却缺少真正的创造力。IT、互联网也概莫能外，在漫天“互联网思维”的纷扰下，Dowson坚持做着高技术含量的基础研发，这群理想丰沛，不被骨感现实所惑的人，会是未来中国创新的脊梁。
注：照片拍摄于2003年，科罗拉多海拔5000米的山顶。
技术人攻略：你从什么时候开始观察到海量数据处理在企业级领域的趋势？
2012年我离开Sun Microsystem/Oracle时，看到两个趋势，当时OpenStack已经诞生，企业级市场的云是必然趋势。云产生之后，会引发第二个趋势，企业的业务不断向定制化APP转移，大量数据从移动端收集上来，需要进行实时、动态的处理。
举个例子，某家生产型企业客户，拥有超过两万个小终端，分别提供给理货员、快递员、仓库管理员和促销员使用，这些不同角色通过APP扫码、跟踪，产生实时销售数据，快速反馈到下一个环节。和2C的业务环境相比，企业用户对动态数据实时处理的迫切性更高，倒逼企业信息处理能力往上走。传统零售和物流企业，受电商冲击最大。淘宝已经能利用数据做好生意了，零售企业要么被逼死，要么去适应这个环境。同样有危机感的，还有电信行业，电信已成为管道，但所有的数据都要从管道里走，所以他们非常积极，想对自己平台上产生的数据做分析，以期获得更广泛的利用。是否能抓住大数据的机会，对企业生死存亡至关重要。
硅谷这一波数据革命，对产业已经造成了很大影响。全球各大租车公司，被Uber弄得快要翻船，这可是影响全球几十万人的事业。由于计程车司机接二连三游行抗议，法国政府已颁布法令禁用Uber。Uber成功的表象是互联网的胜利，但真正原因是对数据的控制和优化。这其实是一次权利的重新洗牌，掌握了数据就掌握了这一波产业革命的先机。
于是我开始做一些尝试，对全国3万家超市的零售详细数据进行挖掘分析，客户主要是P&G、可口可乐、联合利华这样的公司。过程中对比后发现，由于淘宝产生的数据量远大于零售ERP的结构化数据。如果将ERP数据和网络上的数据做结合，会大大扩展消费数据的外延。除消费习惯以外，用户的情感分析，时空轨迹分析，都可以算出来。
技术人攻略：为什么会从数据挖掘，转向数据库引擎研发？
后来发现，所谓的数据挖掘在中国，很容易走偏。机器剥夺了人的决策功能，这恰恰是许多玩政治的人不愿意看到的。我这人不愿意介入政治，过去管惠普大中华区数据仓库业务那段时间，公司内部几个集团，因为纯政治原因打架。业务做得再好，都仍被牺牲掉，很不喜欢这种失控的环境。我对自己的定位，就是一个技术人，在可以凭技术吃饭的情况下，干嘛要去玩政治？
我真正意识到应该把未来事业方向，放在自己擅长的领域，还缘于曾经摔过的一次大跤。2005年我花了599美金，从美国买了一个Toshiba e740掌上电脑，当时特别喜欢，想着如果能把它做得薄、更大就好了。那会儿苹果才出到iPhone2，我把它拆解之后，发现电路板并不复杂，部件也都能采购到。于是自己画了个4层电路板，基于Ubuntu 8.5切割出一个系统。2010年初，花了40万，去深圳加工出了20台产品，厚度和后来的iPad差不多。出于成本考虑，产品采用了电阻屏，但我写了一套算法，做出了和电容屏很接近的触感。
当年5月，苹果iPad上市。我在这个领域玩了一年多，把自己的500万花光后，发现不能这样下去。技术我可以做得很好，但我想达到的目标，不是500万能干完的，可能需要5个亿，甚至50个亿才能打通。有的事情并不是钱能玩出来的，而是需要产业经验和人脉的积累，需要产业链上下游的人和你配合，否则很难把整个事情玩透。
这块业务我后来转让了中信21CN，他们把这套东西用在了药店的工业扫码终端上，现在这块业务已经到了阿里健康那儿。投进去的500万就算是交了个学费，很贵，但也重新认识了一次自我。没有人是万能的，你只能干自己最擅长的事，我最擅长的事不是做平板，不是做数据挖掘这种应用型的事情，而是做数据库研发。
技术人攻略：数据库引擎研发是基础性技术，你在这一领域有哪些积累？
我在数据库领域做了差不多20年，从实施，到研发，再到销售等不同类型的工作都做过。2013年9月起，创办柏睿数据库，研发面向企业级IT市场的，海量并行内存处理架构的数据仓库引擎。之所以能从事基础研发，和我原来在惠普的工作经历有密切关系。
我在惠普是三进三出。大学毕业后，我加入新加坡电信，做BSS/OSS大机开发。1997年底去了美国，做电信系统相关的IT改造。随后加入Tandem，做Nonstop SQL商业数据库的开发，认识了我的导师Jim Gray,他凭借在数据库方面的开创性贡献获得过图灵奖。后来Tandem被康柏收购，康柏又被惠普收购，就这么第一次进了惠普。
第二次进惠普是在1999年，惠普实验室接了一个沃尔玛的项目，节点数高达512个节点。在那里遇到我现在的导师Dave Cracknell，那真是是一个非常好的年代，每天睡到11点去办公室，中午吃饭的时候，和导师交流遇到的问题，然后一直写代码到夜里2、3点。
惠普这家公司是钱多、任性，因为公司主业是硬件，对数据库并不是很理解。Tandem的Nonstop SQL，几乎可以等同于Teradata，但惠普没有意识到它的重要性。直到2006年，Mark Hurd（Oracle现任CEO）执掌惠普期间，重新拾起Nonstop SQL，把它变成Neoview这个新产品。导师让我回去，一起重做这个东西，于是我第三次进了惠普。 回去后我负责HP Neoview数据仓库在国内的业务拓展，经常硅谷、北京两边跑，把国内市场的需求反馈给导师。可惜一年多以后，Mark Hurd离开惠普，这个产品又被砍掉。原来做这件事的小伙伴们，都不想轻易放弃。在柏睿，我能继续和这群小伙伴一起，把未完成的梦想坚持下去。
整个研发团队共有12人，完全用remote的方式协作，分布在美国、澳洲、英国和印度，不少都是我在惠普实验室的同事。我的导师Dave Cracknell，在硅谷负责整个项目的管理。
海外12个人的研发团队投入很大，但效率也很高。2013年初，我们的产品还类似于VoltDB，只能做两张表的JOIN查询。半年之内迭代了9个版本，取得了突破性进展，已经能支持至少32张表的复杂JOIN查询。去年4月，SQL引擎的性能和SAP HANA还差得很远，现在基本上和HANA站在同一个起跑线上。而且从整体的发展路径上来看，会超越HANA。
技术人攻略：企业级市场对数据处理的需求，和互联网公司有什么区别？你们的产品解决了大数据处理的哪些问题？
早在80年代，IBM已经在大机上实现了非结构化数据的处理，但需求量并不大。互联网积累到一定量，非结构数据大量产生，这种情况会带来新需求。首先是解决海量数据的存储，接下来是分析这些数据，最后是解决数据分析实时性问题。
Hadoop只解决了数据的存储，于是出来了MapReduce方法，可对数据做一定程度的分析。从数学上看，MapReduce属于暴力拆解，用很多PC服务器，不断循环迭代，非常野蛮。好比用炸药把山炸掉，产生一堆数据的大碎石头，最后还得整理这些石头。这种方式导致MapReduce只能做ETL数据清洗，无法实现交互式的SQL查询，因为整个处理过程中，数据和逻辑并没有建立任何关联。
从严格意义上来说，关系型数据库依然是最强大的数据挖掘工具。只有把结构化和半结构化的数据，先做数据清洗，变成有逻辑含义的结构及非结构化数据，放到数据库里，才能做出符合数学范式的精确查询。2014年8月，Google公开了基于海量并行处理架构架构（MPP），近实时数据挖掘仓库Mesa的论文，也证明它最终要走回结构化这条路。
企业级市场对数据处理的需求，和互联网公司的处理方式并不完全一样。互联网提供快速的解决方法，不是成熟的产品。对于企业级用户来说，没有哪家能有阿里这样的实力，雇两万programmer写代码。别说两万，200个人都不可能。
企业用户要的并不是阿里所拥有的东西，而是想要一套完整的解决方案，装上就能解决问题。比如处理4个T的数据，两分钟以后见东西。只有一个Admin来管理这一套工具，顶多配10个人，绝对不可能搞一个大型的IT部门。因为企业用户的主业还是造机器、做纺织、做电器。我们为企业级市场提供一整套的解决方案，从文件系统开始，到预处理，再到最终的数据分析，而且可以帮他们快速在云上部署。
为实现数据处理的实时性，我们分了三步进行。首先是提升Hadoop文件系统的效率，MapReduce为了增加写的效率，把数据都切碎了，这种逻辑和存储分开的方式，导致读的时候不知道数据存在哪儿。电信用户一天的增量数据是10个T，在没有索引的情况下，想找到客户真正要的那片数据，非常难。我们在HDFS上做了大量优化，能把读取文件的速度，从网络访问提升到相当于读取本地盘的速度。
接下来做了内存数据网格这个产品，MapReduce太慢，跑下来4、5个小时，不能等那么长时间才做分析，那就必须在内存中重写。我们的实现方式很像挖煤矿，先做勘察，分辨出哪些是煤，哪些是石头，每一层用不同的方式挖进去。具体的实现过程，是用HASH把数据分层，在几秒钟之内起成千上万个模板，每个模板对应数据处理的不同粒度，相当于尺寸不同的筛子，对数据做预处理。
第三步，经过清洗之后，数据变成了结构化和半结构化形式，可以实现精确查询。例如对100张表做联合查询，得出精确的查询记录。原来在性能上做不到的，我们采用MPP的海量并行内存处理架构，可以在很短时间内，实现数据库节点的横向扩展。
技术人攻略：海量并行处理架构有哪些优势？
商用数据库的主流系统架构有两个流派，一种是对称多处理器架构（SMP），另一种是海量并行处理架构（MPP）。SMP架构的特点，在于共享系统的CPU、内存和I/O资源，Oracle数据库就是这一架构的主要代表。该技术诞生于内存昂贵时期，在数据量小于10T的情况下，可以应对自如。这种架构的局限性在于可扩展性差，多个CPU都通过内存总线访问同一内存资源，随着数据量增加，内存访问冲突将加剧，最终造成CPU性能的浪费。我们做过实验，Exadata在50个存储节点时性能还可以，一旦再上一个量级，就会遇到明显的性能瓶颈。
海量并行处理架构（MPP）可通过节点协同工作，并且每个节点都拥有独立的内存，是一种完全无共享的架构方式，因而有很强的扩展能力。MPP的理论基础在70年代已经成熟，只不过当时普遍不需要那么大数据量，所以仅在小范围内应用。1999年我参与美国空军的项目，就部署了1024个节点，虽然并不是基于云，但这条路已经打通了。
采用MPP架构最大的问题，在于节点之间的数据拷贝，可能会形成网络风暴。假设对300张表做JOIN联合查询，其中有30张表都大于1TB，其中1/10的数据要拷贝，那就是5、600个G的数据在网络上跑。现在不少企业动辄上千个节点，每个节点里有几十个T的数据，网络访问的优化非常关键。
我们采用了InfiniBand这种新型总线结构，以摆脱基于传统PCI架构的I/O性能瓶颈。这种服务器端的高性能互联技术，可大幅提升数据的移动速度，降低服务器和存储系统之间的网络开销。InfiniBand有一种远程直接内存访问技术（RDMA），允许直接对应用程序内存做读取和写入。过去内存里的数据转换，要经过几次System Call，在逻辑和电信号之间做多次转换，才能切换用户状态和系统状态。RDMA则不管数据存在哪一台服务器，直接都是系统态，只需要把电信号变一下就可以。
现在的架构可在一分钟内开数十个节点。用Hadoop作性能测试，在同样基于磁盘的情况下，运行速度可提升10倍。如果把数据load到内存里重写的MapReduce，速度能提升100倍。
技术人攻略：作为一家企业级领域的创业公司，如何与巨头竞争？如何赢得市场？
数据库领域正在窗口期，不少新机会正在涌现。IBM和HP守着自己的小机不放，但用户已经不要小机了，而且巨头们也解决不了大数据的问题。结构化数据原来占了99%，而现在却只占1%，从趋势上看，巨头擅长的地盘一下子变成了一个小市场。我们的产品不仅能处理非结构化和半结构化的数据，而且在结构化数据这块，还能替代巨头。
产业发展自有其周期，数据库领域的老大Oracle已经走到头了。Oracle的核心技术诞生于30年前，并在90年代成熟。从90年代末到现在，Oracle并没有修改过核心架构，只做了些外围修缮，这种单节点共享内存架构，无法支撑大数据时代快速扩展的需求。创始人拉里森本质上是一个商人，把Oracle做成了一家应用型公司，即使业务很赚钱，也没有设立过Lab，做基础性的研究。原来的生意一年赚9000亿美金，新生意才只有900万的情况下，要干掉老生意新起一摊，而且把基因也改过来，难度非常大。虽然Exadata里添加了全内存选项，但只是增大了共享内存的容量，架构上并没有做修改。估计5年之内，Oracle的架构也不会改。拉里森已经年过70，再过几年就更没有功夫管了。所以现在是替代Oracle的绝好机会节点。
国内的企业级市场，现在光拼关系也不行了，数据量突然提升了1000倍，过去的IT架构，已无力支撑这种大容量的数据处理，所以技术成了硬门槛。这一波基于云和大数据的革命，会形成一个完全不同于以往的，非常开放的生态。原来企业级领域研发出一项技术，必须依靠销售去推。由于市场过于分散，照IBM这类老牌IT厂商，卖东西给客户的成本太高。所以只有每个行业里Top3的客户，最多到Top10，能购买得起昂贵的IT服务。
云服务普及后，技术可以在云上部署。从市场角度来看，由于长尾效应，原来买不起这些服务的中型客户，可以按时、按需付费。这些中型企业也希望把原来行业的老大替代掉，所以他们有极大的意愿，去购买互联网上的服务。
另一方面，客户可以自己选择云上的工具，我们这样的小型服务提供商，和IBM等大公司能平起平坐。而且我们的东西天生是为云而做的，比他们还要先行一步，想把Oracle部署到云上，还做不到。总的来说，数据库领域不仅没有萎缩，而是产生了一个新市场，这个新市场可能比原来旧的市场还大。
技术人攻略：你观察到我们国家在基础领域有哪些问题？
我们国家一直以来对自己的定位，就是做应用型产业。大家的手很巧，能把东西修得非常像，但材料却不过关，所以皮是好的，瓤是碎的。这就是为什么，老外做的航空发动机，能跑3000个小时，而我们的却只能跑300个小时。
我母亲是从事半导体激光器研发的科技工作者，早在1972年，她亲手拉出了中国第一根单模光纤，获得了国家科技进步一等奖。光纤的制作过程，需要在完全密闭的环境下，让硅片气象层积，直到慢慢变成硅柱。光纤的质量，取决于这个密闭环境中的灰尘含量，究竟会进多少灰尘，取决于密封圈的质量，密封圈是否牢靠，又取决于橡胶的质量。但做橡胶这种基础工业的人，不想精益求精，只满足于做轮胎。到最后谁会想到，高科技光纤的寿命，会受限于橡胶的杂质太多，而达不到应有的质量标准。
回国之后过了两、三年，我才深刻认识到这个道理。2006年，我负责惠普大中华区的数据仓库业务，当时希望把惠普实验室Database的研发搬到中国，努力了一阵，发现根本是妄想。外企虽然纷纷在中国建立研发中心，但核心技术仍然在国外，只不过利用国内便宜的人力成本，拿些边边角角技术活过来，做厂内外包。
国家产业政策的制定者，天真地以为可以用市场换来技术，到最后才发现，这种交换根本不成立。技术是别人吃饭的东西，为什么会给你？某种意义上来说，这也关系到人家的饭碗。除非你自己造了一个饭碗，否则人家为什么会把饭碗交给你呢？
IT和汽车产业一样，在过去十几年遭遇了同样的沦陷。什么叫自主可控的技术？要自己做的才可控，不是自己做就不可控，就这么简单，永远别想拿市场换技术。可仍然有许多人觉得自己是战略家，从来没上过一线，说得多、做得少。所以从顶层往下的产业设计，根本是个伪命题，必须从草根往上颠覆。
技术人攻略：国内数据库研发领域最大的问题是什么？
国内在数据库研发领域最大的问题，是在理论研究和人才培养上都缺乏积累。人大金仓做了十几年，都没有掌握这个产业链上最核心的技术。也没有研究所或机构在这个领域持续追踪，等大数据真正来了之后，才发现理论上没有准备好，只能谈一些类似Hadoop怎么用，基于实践和操作层面的东西。
国外这一行的发展相对成熟，各类的数据库架构设计，从70年代就已经开始积累。加州理工、加州大学圣巴巴拉分校、威斯康辛大学等高校，有专门的科系研究数据库，在知识上有传承。
即使有这些积累，全球数据库领域核心人才，在美国也不超过200人。对核心人才的定义，得是做过SQL解析器、执行器、优化器，以及文件系统这几块最有技术含量的东西。即使在Oracle、SAP、Sybase这样的公司里，真正接触到数据库核心引擎设计的，也最多就是十来个人，更多人是围绕核心去写一些周边的功能。
国产数据库很多是把开源扒拉过来，在这基础上改一改，但并不表示你理解了它的设计思想。归根结底，数据库核心人才的培养需要过程。从上层工具开发，慢慢往底层深入，先做解析器，再做执行器，最后做优化器，是一个循序渐进的过程。表和表之间的JOIN，应该走什么样的执行计划，这中间的解析路径、优化路径如何设计，低下文件系统的读和写应该怎样配合，需要10年，甚至20年的工程积累。
缺少了这些积累，也就只能做一些数据处理工作，底层开发根本轮不到你。类似于其它基础领域，中国在数据库技术上，仍然是一个使用者的角色。一些企业里的人，甚至连理论都没搞清楚，就开始忽悠，比如把数据库和数据处理混淆成同一个东西，整个市场被搞得很乱。
在这种混乱中，学生没有可参考的东西，人才培养从根子上就出了问题。我在大学时，学数据库理论的那本书，到现在仍在作为教材使用。几周前我掏出来看了一下，写得真太浅了。大家被忽悠得很想学Hadoop、Spark等应用型的知识，可这些不过是风潮，不是根本，很快就会过去。
技术人攻略：做这件事情对你个人的意义在哪里？
我入行比较早，94年读大学时，就参与了全国第一张跨通存通兑绿卡的项目。做完以后，就去了新加坡，很遗憾没碰上电信97田溯宁那波创业潮，也没碰上第一次互联网泡沫。不过反倒因为没有碰那些潮流，我的精力一直集中在数据库领域，从最早的大机、中型机、小机上的数据库，做到基于PC，以及云的数据服务。
之前工作挣的钱，足以让我安稳退休，过上天天钓鱼、晒太阳的生活。之所以做数据库基础层面的研发，并不是为了钱。我天性爱玩，一定要有个东西让我觉得好玩，要能越过障碍，够到远方的目标，才会玩得有刺激。
这一波大数据革命，是从量变积累到质变的飞跃，我这辈子或许只能遇见一次。我希望能把以前所学到、所经历的这些东西，把MPP的架构，用到海量的数据分析里边去。数据库的产业链很长，有很多事情值得深入地去做，如果我能参与这次变革，顺着这次浪潮玩上10年、15年，会非常有趣。
在行业里待了这么多年，我也看到有的事情不是钱能玩出来，需要经验上、人脉上各方面的积累，才能把这个东西玩透，否则就变成东打一榔头，西打一耙子。只有拼性能的地方，摩尔定律才会生效，这是IT行业的实质。不拼性能，就只能拼关系、拼政治，我不想玩那个。这个产业里门槛最高的是数据库，不是应用，我就想挑战纯粹的基础技术领域，用性能超过对手，不需要拼政治。
我想和志同道合的人一起工作，虽说国内的氛围还是有点浮躁，但我对新一代程序员还很期待。他们成长的环境衣食无忧，不像我们70后，小时候还得自己拿着瓶子去打酱油。当基本生活富足之后，大家就会有不同的精神取向。总有人想做一些基础的、技术扎实的产品，你让他苦哈哈在华为工作，桌子底下放一个帐篷，他不一定愿意干。
技术人攻略：你的兴趣爱好是什么？
我天生热爱冒险，喜欢去别人没去过的地方，看世界上都在发生些什么事。在美国做技术咨询那几年，全国四处奔波，从最南边的弗罗里达，到冬季气温到零下50度的北达科他州，还有路易斯安娜、阿肯色、明尼苏达、印第安纳，基本上你能想到的地方，我都去过。
一直到2001年，我到了科罗拉多州丹佛市旁边的大学城Boulder。这座城市依山而建，有雪山，也有绿草，非常适合露营。喜欢滑雪的人，可以从头年9月，一直滑到第二年6月。我非常喜欢这样的环境，就把家安在了Boulder。
我喜欢穿山越岭，常常一个人带着帐篷，去科罗拉多大峡谷里待上个6、7天。在野外，狼、美洲豹时有出没，什么情况都有可能会碰到，所以得学会如何野外生存。这个过程不仅带来乐趣，还让我领悟到很多道理，比如想避开这些猛兽，你首先得学会观察风向。
我还特别享受在山路上开车的感觉，峰回路转，总能看到新的风景。许多人不敢在山里开车，朋友一起去山里玩的时候，都是我开车。我并不害怕悬崖，只要关心前方的路就好了。
我喜欢阅读，一直到现在都还订《读书》这本杂志。最近经济类的书看得比较多，尤其是计量经济学。宏观经济领域的问题很难预测，因为相关因素太多，但微观经济是靠数据说话，所以相对很准确。我喜欢研究计量经济学里的各种模型，数字和数字之间，我感觉终究是有关联的。只是因为工具所限，自己数学的基本功积累得不够，暂时还没做特别深入的研究。
作者介绍：
技术人攻略访谈是关于技术人生活和成长的系列访问，由独立媒体人Gracia创立和维护。报道内容以“人”为核心，通过技术人的故事传递技术梦想；同时以小见大，见证技术的发展和行业的变迁。在这个前所未有的变革时代下，我们的眼光将投向有关：创造力、好奇心、冒险精神，这样一些长期被忽略的美好品质上。相信通过这样一群心怀梦想，并且正脚踏实地在改变世界的技术人，这些美好的东西将重新获得珍视。
联系方式 [email protected]
微博: @技术人攻略
订阅：微信搜“技术人攻略”或“dev-levelup”
感谢SegmentFault提供博客专栏及推广支持
感谢迅达云成提供云主机及技术支持
感谢七牛云存储对“技术人攻略影像拍摄计划”提供支持