Patrick Collison 谈编程语言、AI 与 Stripe 的重大工程决策

在近期的一次访谈中，Stripe 联合创始人 Patrick Collison 分享了他在编程语言选择、人工智能发展以及 Stripe 工程决策方面的见解。从早期创业到如今领导一家大型科技公司，他的经验揭示了技术演进中的关键思考。

早期编程经历：从 Smalltalk 到 Lisp

Patrick Collison 的第一个创业项目使用了 Smalltalk 语言，这源于他对 Lisp 方言和 continuation-based web 框架的偏好。他认为 Smalltalk 提供了高度交互式的开发环境，允许实时调试和代码修改，这在当时主流语言如 Ruby 中缺乏。尽管 Smalltalk 非主流，但团队快速学习并应用它，不过项目最终因创意问题而非技术选择失败。

更早时期，Patrick 还开发过一个基于 Lisp 的 AI 聊天机器人，用于 MSN Messenger。它使用贝叶斯模型进行单词预测，并通过遗传算法优化键盘布局（如 Workman 布局），但未深入神经网络领域，部分原因是计算资源限制。

编程语言的未来：集成开发环境的重要性

Patrick 预测主流语言（如 JavaScript 和 Python）会持续吸收 Lisp 和 Smalltalk 的理念，尤其是集成开发环境（IDE）的交互性。他推崇 Mathematica 式的环境，其中代码编辑、运行和调试无缝结合，而非当前分离的模式。理想情况下，IDE 应实时显示性能分析、日志和变量值，提升开发效率。

他赞赏 Brett Victor 的“发明原理”和动态可视化概念，但认为其更适用于特定领域（如动态系统），而非通用软件工程。对于 Stripe 这类复杂系统，符号化推理比空间可视化更实用。

AI 在编程中的角色：从助手到编译器

Patrick 讨论了 AI 如何改变编程范式。他设想 AI 可能从“人类助手”演变为“高级编译器”，使编程语言更高级、更专注于意图而非实现细节。这可能减少形式化，但保留命名和逻辑重用的优点。

他强调 AI 工具需支持快速迭代和控制，例如允许 AI 在后台运行代码并反馈结果。同时，AI 可辅助代码重构和美化，降低现有代码库的维护负担，这与 Jerry Sussman 的“易修改系统”理念一致。

Stripe 的技术栈选择：Ruby 与 MongoDB 的决策

Stripe 早期选择 Ruby 和 MongoDB，源于 Patrick 对 SQL 的“原则性反对”——他认为对象数据存储更贴合应用域模型。尽管这不是主流选择，但团队通过自建基础设施确保了高可用性（如 99.99986% 的 API 可用性）。Ruby 在性能瓶颈处用 Java 重写服务，以平衡开发效率与运行时需求。

这些决策具有长期影响，体现了早期技术选择对组织结构和业务策略的塑造力（Conway 定律）。例如，iOS 生态的成功部分归因于其优于 Android 的框架设计。

Stripe V2 APIs：设计理念与挑战

2022 年，Stripe 开始设计 V2 APIs，以修正核心抽象中的问题。新 API 统一了客户、子账户和支付接收者等实体，支持更灵活的 n-to-m 关系。设计过程强调客户反馈和实际集成测试，避免过度工程。

迁移类似指令集变更，需处理共存和升级路径。Patrick 认为统一性和灵活性是关键教训，且设计应由单一主导者负责以确保一致性。

Patrick 如何使用 AI

Patrick 主要用 AI 聊天工具（如 Grok 语音模式）回答事实性问题，或在阅读时实时查询。但他对 AI 生成文本不满意，认为其风格过于通用，无法匹配个人写作风格。在编码中，他通过 Cursor 使用 AI，强调控制力和迭代速度。

经济与生产力：AI 的宏观影响

Patrick 关注 AI 对生产力的影响。近期研究未显示 LLM 带来显著生产率提升，且全球经济增长仍未见指数级加速。他引用 Anthropic 联合创始人 Jack Clark 的预测——AI 可能年增 GDP 0.5%，但扩散需时间。

他认为 GDP 仍能捕捉经济增强，但未来更不确定，技术轨迹将决定受益者（如实物资产或 positional goods）。Progress studies（进步研究）的需求增加，以应对技术、地缘政治等多变因素。

生物学编程的突破

Patrick 参与创办的 ARC 生物医学研究组织正开发生物学基础模型和虚拟细胞。他指出，人类从未治愈复杂疾病（如心血管病或癌症），因缺乏足够实验技术。新进展如单细胞测序、CRISPR 和 AI 提供了“读-想-写”循环，可能破解疾病动态。

对 AI 编程工具的期望

Patrick 肯定 Cursor 对 Stripe 生产力的提升，并建议三个改进方向：

• 运行时特性集成（如 hover 时显示分析数据）
• 代码重构和美化功能
• 确保 AI 生成高质量软件，而非更多“粗制滥造”

他认为降低代码库变更成本和提高架构质量将增强灵活性。