AI：人工智能
一、人工智能的相关概念
1、什么是人工智能
1.1 AI(Artificial Intelligence)：1952年，图灵在《计算机械与智能》一文中提到了“图灵测试”来验证机器是否具有智能：如果一台机器能够与人类展开交流，并且有超过30%的人无法在规定时间内识别出与自己交谈的是人还是机器，那么这台机器可以被认为是具有智能的。后来科技界又提出了其他界定人工智能的标准：例如能否实现语音识别、机器翻译、自动写作等等。
1.2 AI的作用：1）对C端：人工智能在C端的应用体现在：①对原有劳动力的替代与生产力效率的提升：如语音识别、智能客服、机器翻译等；②新增内容：如“千人千面”的信息分发（如抖音、快手、小红书等）、内容生成（AIGC）、人机交互（如ChatGPT 等）、辅助驾驶等。2）对B端：企业对于效率的提升需求旺盛，人工智能在金融、公共安全、医疗健康等领域均取得了较为普遍的应用。
图1：人工智能所涉及的基础技术及终端产品
2、人工智能引领第四次产业革命
人工智能有望引领第四次生产力革命：1）18世纪60年代，英国率先发展并完成了第一次工业革命，在随后的一个多世界里成为了世界霸主；2）19 世纪60年代，完成了资产阶级革命或改革的美、德、法、日在第二次工业革命中崛起，使人类进入“电气时代”；3）进入20世纪中叶，以信息技术、新能源技术的代表的第三次科技革命在美国兴起，进一步强化了美国的霸主地位。4）自2006年以来，深度学习算法的提出，伴随着海量数据的积累、GPU、芯片计算能力的提升，人工智能的三大要素“算法”、“算力”和“数据”皆已准备就绪，而近期ChatGPT模型的出现，及其在安防、金融、医疗、内容分发领域的持续落地，使AI技术在提效降本、解放劳动力、提升资源配置效率方面的巨大作用得以显现，在本轮变革中具有良好技术沉淀和全面布局的国家有望抢得科技的主动权。
图2：人类历史上四次工业革命
二、人工智能的发展历程
1、复盘历史上的三次人工智能浪潮，历次浪潮可以总结为AI从推理能力形成，向知识储备，再向自我学习能力的方向持续进步，未来有望进入到自我创造的阶段，即AIGC。
1.1 第一轮，兴于感知神经网络，终于计算机性能约束
1956年达特茅斯会议探讨如何通过机器模拟人类学习或人类智能的其他特征，掀起了第一波人工智能热潮。但第一波人工智能浪潮总体成就有限，仅在定理证明等特定领域取得了成功。受限于计算机的处理性能，当时其所能处理的程序对象少且复杂度低，机器无法读取足够的数据实现智能化，在语音、图像识别及象棋游戏等看似简单的任务上，进展都十分有限，AI 自然无法大规模落地商用。
图3：冯·诺依曼结构模拟人类记忆存储的模式
图4：Rosenblatt 感知机模型
1.2 第二轮，兴于BP神经网络，终于专家系统失败
1986年，Geoffrey Hinton等人先后提出了多层感知机（MLP）与反向传播（BP）训练相结合的理念，将人类基于结果误差反馈反哺逻辑推理的思想融入AI。BP算法的基本思想是用误差的导数（梯度）调整，并通过误差的梯度做反向传播，更新模型权重, 以下降学习的误差，拟合学习目标。基于该模型，IBM 等公司开发出了一系列用于模拟专家决策的专家系统，应用于数学、物理、化学、医学、地质等细分行业，能够辅助科研人员解决化学分子结构、疾病诊断、地质分析等特定任务。
1980年，美国卡耐基梅隆大学与DEC公司合作研发的XCON专家系统，运用计算机系统配置的知识，依据用户的定货，XCON可以给出一个系统配置的清单和这些部件装配关系的图（如CPU 型号、操作系统种类及相应型号，存储器和外部设备等），以便技术人员进行装配。
专家系统的维护成本极高，但神经元网络只能解决单一问题，数据量积累到一定程度后，计算结果便不再改进，实际应用价值有限。1987年，PC电脑性能超过了由Symbolics等厂商生产的通用计算机，专家系统逐渐淘汰。
图5：多层感知机（MLP）模型
图6：反向传播（BP）模型
1.3 第三轮，兴于深度学习算法，强于数据及算力
2006年，Geoffrey Hinton等人提出深度学习（Deep Learning）概念，掀起第三次人工智能热潮。深度学习的本质是机器通过海量数据，可自动实现规则的特征提取，完成最复杂的“算法归纳” 。典型代表AlphaGo的深度学习模型可分为策略网络和价值网络，分别解决了围棋中的“下一手最佳策略”和“下一手后的胜率”两个问题，结合人类专家比赛中学到的棋谱，以及在和自己下棋（Self-Play）中，进行强化学习。
2017年，Transformer 架构横空出世，GPT（Generative Pre-Training，GPT）模型利用更大规模的文本数据以及更深层的神经网络模型学习更丰富的文本语义表示，打破了自然语言处理各个任务之间的壁垒。从GPT到GPT-3，模型参数量达到了1750 亿，在不进行微调的情况下可以在多个NLP 基准上达到最先进的性能。GPT 模型的演进为国内外AI大厂提供了重要的借鉴意义，即通过优质训练数据输入和模型复杂度的增加来提升模型性能，而未来AI以少样本乃至无样本学习为核心目标。
表1：GPT，GPT-2，GPT-3 模型对比
1.4 第四轮，AIGC从文本扩展至图像，商业化空间打开
AIGC在图片、音视频领域的模型在大模型基础上持续优化，性能趋向商用化需求，空间有望打开。以ChatGPT 为代表，AI 将进入创造（创作）时代，引领第四次人工智能浪潮。AIGC以自动化生产和高效为两大特点，目前已经可以自动生成文字、图片、音频、视频，甚至3D模型和代码。未来大量数字原生内容有望由AI 协助完成创作。
表2：AI 图像生成模型发展梳理
三、人工智能的技术流派
1、符号主义：又称为逻辑主义，在人工智能早期一直占据主导地位。该学派认为人工智能源于数学逻辑，其实质是模拟人的抽象逻辑思维，用符号描述人类的认知过程。早期的研究思路是通过基本的推断步骤寻求完全解，出现了逻辑理论家和几何定理证明器等。上世纪70 年代出现了大量的专家系统，结合了领域知识和逻辑推断，使得人工智能进入了工程应用。PC 机的出现以及专家系统高昂的成本，使符号学派在人工智能领域的主导地位逐渐被连接主义取代。
2、连接主义：又称为仿生学派，当前占据主导地位。该学派认为人工智能源于仿生学，应以工程技术手段模拟人脑神经系统的结构和功能。连接主义最早可追溯到1943年麦卡洛克和皮茨创立的脑模型，由于受理论模型、生物原型和技术条件的限制，在20 世纪70 年代陷入低潮。
3、行为主义：行为主义又称为进化主义，近年来随着AlphaGo取得的突破而受到广泛关注。该学派认为人工智能源于控制论，智能行为的基础是“感知—行动”的反应机制，所以智能无需知识表示，无需推断。智能只是在与环境交互作用中表现出来，需要具有不同的行为模块与环境交互，以此来产生复杂的行为。在人工智能的发展过程中，符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果，各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术，从而诞生了深度强化学习技术，成为AlphaGo 战胜李世石背后最重要的技术手段。
四、人工智能的分类标准
1、分类标准：
1.1 弱人工智能（ANI）：又称为限制领域人工智能，本质上是某个特定领域内基于统计规律的大数据处理者。通俗来讲，弱人工智能只专注于完成某个特定的任务，例如语音识别、图像识别和翻译，是擅长单个方面的人工智能，类似高级仿生学。它的底层原理是从海量数据中从中归纳出模型，再泛化至新的数据中进行正向运算。
1.2 强人工智能（AGI）：是人类级别的人工智能，拥有独立思想和意识，在各方面均能与人类媲美。拥有AGI 的机器不仅是一种工具，其本身可拥有“思维”，能够进行独立的思考、计划、解决问题、抽象思维、理解复杂理念、快速学习等，可实现“全面仿人性”，在智力水平和行动能力方面与人类基本没有差别，目前只存在于电影及人类想象中。
1.3 超人工智能（ASI）：假设计算机程序通过不断发展，智力水平可以超越人类，则由此产生的人工智能系统就可称为超人工智能。在人工智能的三个层级中，超人工智能的定义最为模糊，目前还没有精准预测能够说明超越人类最高水平的智慧到底会表现为何种能力。对于超人工智能，目前只能从哲学或科幻的角度加以想象。
图7：弱人工智能的典型应用
图8：美剧《西部世界》中的强人工智能形象
2、当前人工智能的现状：弱人工智能
当前人工智能尚属于“弱人工智能”阶段。但弱人工智能在特定领域的表现均超过人类，多种劳动密集型工作均具有较强自动化潜力。2017年10月，AlphaGo的升级版本实现了不通过向人类学习，只通过概率计算和自学自练就达成自我超越、战胜李世石的初代AlphaGo。由IBM开发人工智能Waston，使用机器学习来分析和解读海量医疗数据和文献，检查患者数据做出治疗决定。Waston与医生在提供肺癌、结肠癌和直肠癌治疗建议方面一致性比例分别高达96%、81%和93%。微软公司的人工智能虚拟机器人小冰，学习了20世纪20年代以来519位诗人的现代诗，自2017年2月起，“小冰”在天涯、豆瓣、贴吧、简书四个平台上使用了27个化名发表的诗歌作品，几乎没有被发现是机器所作。不仅如此，人工智能在交通、教育、金融领域也展示出了巨大的应用前景。与人类相比，人工智能在数据存储、调用、分析处理方面的强大能力，以及在特定危险情境下的生存能力，都有望为人类生活带来巨大颠覆。住宿和餐饮服务、制造、交通和仓储等劳动力密集型、机械类职业自动化潜力巨大。
图9：部分职业的自动化潜力
图10：全球人工智能市场规模及增速
AIGC：生成式人工智能
一、AIGC的相关概念
1、AIGC的定义
1.1 AIGC既是一种内容形态，也是一种内容生成的技术合集，即生成式AI。 从狭义上看，AIGC（AI Generated Content）是继PGC（Professional Generated Content）与UGC（User Generated Content）之后的一种内容形式，即利用人工智能技术生成的内容。从广义上看， AIGC 指的是自动化内容生成的技术合集，基于生成算法、训练数据、芯片算力，生成包括文本、音乐、图片、代码、视频等多样化内容。
1.2 从PGC 到UGC 到 AIGC。Web1.0时代只读模式催生出“PGC”；Web2.0时代社交媒体兴起，人与人通过网络交互，催生出以用户生产和分享内容的UGC模式；Web3.0时代，内容消费需求进一步增长，个性化需求凸显，AIGC将成为重要的新内容生成方式 。
图11：内容生产方式的变更
图12：从Web1.0 到 Web3.0 的内容生成方式
2、AIGC与人脑的对比
2.1 机器对信息的认知处于被动接受与部分创造阶段。人在遇到新问题时，会通过以往类似经历总结规律并将新的问题套用到规律中，以推测可能的结果。相应地机器学习基于对历史数据的归纳和学习构建出事件模型，并将合适的新数据输入到相应的模型来预测未来。人类能够超越观察达到干预及想象阶段，而对于AI 来说，目前还处于第一或第二阶段，一些复杂的信息还没办法处理，人类需要将其简化后再投喂给机器处理。
2.2 UGC为AIGC提供了发展的数据基础。AIGC满足更个性化的内容消费需求。用户不再满足于专业团队和用户创造，对内容质量要求更高，AI在提高内容生产效率、丰富内容多样性及提供更加动态且可交互的内容上大有可为。UGC生成的规模化内容创造了大量学习素材、帮助AI实现从学习经验到超越并重构已有经验的飞跃性转变。
图13：机器对信息的认知三阶段
二、AIGC的发展历程
1、四步走的发展历程
1.1 早期萌芽阶段（1950s-1990s）：AIGC由于技术限制仅限于小范围实验，1957年已出现首支以计算机传作的音乐作品（弦乐四重奏《依利亚克组曲（Illiac Suite）》），80年代末至90年代中由于高成本及无法商业化，进而资本投入减少致AIGC无较多较大成绩。
1.2 沉淀累积阶段（1990s-2010s）：AIGC从实验性转向实用性，2006年深度学习算法取得进展，同时图形处理器等算力设备不断提升，互联网快速发展，也各个类人工智能算法提供海量数据进行训练。2007年首部人工智能装置完成的小说《I The Road》问世；2012年微软展示全自动同传系统，主要基于深度神经网络（Deep Neural Network，DNN）自动将英文演讲者内容通过语因识别等技术生成中文。
1.3 快速发展阶段（2010s-2021）：2014年深度学习算法之生成式对抗网络（Generative Adversarial Network, GAN）提出并迭代更新，助力AIGC新发展。2017年微软人工智能少年“小冰”推出世界首部由人工智能传作的诗集《阳光失了玻璃窗》，2018年英伟达发布StyleGAN 模型可自动生成图片；2019 年，DeepMind 发布DVD-GAN模型可生成连续视频。2021年Open AI推出DALL-E并推出迭代版本DALL-E-2主要用于文本、图像的交互生成内容。
1.4 爆发与破圈阶段（2021-至今）：2022年以来，AIGC产品密集发布，ChatGPT爆火出圈。Google于2022年五月推出了文本图像生成模型lmagen，同年8月，开源AI 绘画工具StableDiffusion 发布；2022 年9月，meta推出可利用文字生成视频的产品Make-A-Video，以推动其视频生态的发展。2022 年11月30日，OpenAl推出AI 聊天机器人ChatGPT，AIGC的内容产出能力迅速吸引大批用户，目前ChatGPT月活跃用户数已突破1亿。2023年2月，微软宣布推出由ChatGPT支持的新版本Bing搜索引擎和Edge浏览器，AIGC与传统工具进入深度融合历程。
图14：AIGC的发展历程
三、AIGC的技术基础
1、生成算法模型
算法即解决问题的策略和机制，2014年伊恩·古德费洛提出的GAN（Genrative Adversarial Network），生成对抗网络）成为最早的AI生成算法。随后Diffusion、Transformer、基于流的生成模型（Flow based models ）、 等深度学习算法相继被推出，其中Diffusion逐渐代替GAN成为图像生成的主流模型， Transformer的推出为预训练模型奠定了基础。
表3：AIGC 主流算法梳理
2、预训练模型
2015年以前，小模型一度被认为是行业发展的方向，但这些小模型更偏向处理分析性任务，生成能力较弱。而AI预训练模型，即大模型、基础模型(Foundation Model)，其基于大量数据与巨量参数的模型，可适应下游广泛任务并显著提高各种下游任务的性能。AIGC进入预训练模型时代，以2018年谷歌发布基于Transformer机器学习方法的自然语言处理预训练模型BERT为标志。当前按照基本类型分类，预训练模型包括:
(1)自然语言处理(NLP) 预训练模型，如谷歌的LaMDA 和PaLM、OpenAl 的GPT 系列；
(2)计算机视觉(CV)预训练模型，如微软的Florence；
(3)多模态预训练模型，即融合文字、图片、音视频等多种内容形式。
表4：A IGC主要预训练模型
3、多模态技术
多模态技术（Multimodal Technology）即将图像、语音、视频、文字等多模态融合的机器学习技术 ，而CLIP Contrastive Language Image Pre training ）的推出成为跨模态应用生成的重要节点。CLIP在 2021 年由 OpenAI 开源推出，能够将文字和图像进行关联且关联特征丰富（例如将文字“狗”和狗的图像关联），后续“ CLIP 其他模型”成为跨模态生成领域的较通用的做法，如Disco Diffusion便是将CLIP与Diffusion模型进行关联，用户输入文字指令便能够生成相关的图片。在多模态技术的加持下，预训练模型已经从早期单一的NLP、CV向多模态、跨模态的方向发展。据腾讯研究院统计，当前CLIP 模型已搜集网络上超过40亿个“文本- 图像”训练数据，为AIGC通过文本生成图像与视频落地奠定了基础。
图15：CLIP模型原理
四、AIGC的应用场景
1、文本生成：ChatGPT 引领热潮
1.1 底层模型：Transformer架构。 在大规模无监督的语料上进行长时间的无监督或自监督预先训练，获得通用的语言建模和表示能力。应用到实际任务上时不需要做大改动，只需增加针对特定任务获得输出结果的输出层，并使用任务语料对模型进行少许训练 。具体而言，能够基于两个单词间的关系进行建模，按输入数据各部分重要性的不同分配不同的权重，有效理解单词在上下文中的意思，支持并行训练，使语言模型训练效果达到新高度。
1.2 技术基础：NLP自然语言处理技术。NLP技术分为自然语言理解NLU和自然语言生成NLG两个核心任务，目前难点在于自然语言的复杂性使 AI的理解程度不高，以及如何生成富有人味的语言 。
图16：自然语言理解的五大难点
图17：自然语言生成的六大步骤
1.3 代表产品：ChatGPT。 ChatGPT 是 OpenAI 在 2022年11月30日推出 的人工智能聊天工具，其不仅能够模仿人类的风格作出问题回答，还能完成短文和诗歌创作、代码写作、数学和逻辑运算等任务。据腾讯研究院， ChatGPT 目前可以驾驭各种风格和文体，能够做到回答后续问题、承认错误、质疑不正确的前提和拒绝不适当的请求等。ChatGPT 的内容输出质量、内容覆盖维度，已经可以直面“搜索引擎”与“问答社区”。据 CNBC，ChatGPT 通过了 Google 3 级工程师的编码面试，据 NBC News，沃顿商学院发现 ChatGPT 能够以 B-到 B 的成绩通过该校MBA核心课程运营管理的期末考试，展现出较强的智能水平。
图18：ChatGPT写小说
图19：ChatGPT写短文、诗
2、图像生成：AI 图像生成迎机遇
2.1 传统模型：GAN模型。 2014年生成式对抗网络（Generative Adversarial Nets GAN）的提出标志着图像生成进入快速发展期。GAN由生成器和判别器两个神经网络组成，其中生成器通过输入数据试图产生欺骗判别器的真实样本，而判别器试图区分真实样本和生成样本。对抗博弈下不断提高性能，达到纳什平衡后生成器可以实现以假乱真的输出。虽然GAN模型不需要蒙特卡洛估计来训练网络，G的调整更新不直接来自数据样本，而使用来自D的反向传播，能够更快产生样本。但其可解释性差且较难训练、容易产生随机图像、且图像同质化严重、分辨率较低，要在实际中大规模运用还需要解决相应问题。
2.2 最新模型：Diffusion模型。扩散模型（Diffusion Model）的工作原理是通过连续添加高斯噪声来破坏训练数据，然后通过反转这个噪声过程来学习恢复数据，提供了一个系统地增加噪音的过程。相较于其他的图像生成模型（比如GAN），在所需数据更少的背景下，Diffusion模型的图像生成效果有明显提升。
图20：基于GAN 的图像翻译（左图为 input 右图为 output）
图21：DALLE·E 2较前一代图像质量提升3倍
2.3 代表产品：知名互联网厂商的图像模型。
1）2022年8月，Stability AI公司基于Stable Diffusion面向消费者的AI智能绘图软件Dream Studio 用户数超150万，已生成1.7亿张图片。
2）2022年4月，OpenAI 公布了DALL·E 2研发进展。从原理上看，DALL·E 2是CLIP与Diffusion模型的结合， 其中CLIP将文本嵌入转变为图像嵌入，而图像嵌入将通过调节扩散（Diffusion Decoder）生成最终的图像。能够在更细的颗粒度上实现文本到图像的转化，能够根据自然语言进行P图，同时会反馈阴影、纹理等元素变化。
3）2022年10月，百度发布的文心·一格，是国内首个在基础模型方向取得突破的产品。百度构建了近2亿的高质量中文图文数据对比，具备强大的中文语义理解能力，助力中国风元素构建。从应用上看， 可以用于工业设计、动漫设计、游戏制作、摄影艺术等场景，通过简单描述，在几十秒内生成设计图，提升效率、降低门槛。
图22：《太空歌剧院》
图23：文心·一格国风图像创作
3、音频生成：TTS 场景基本成熟
3.1 音频：集中应用于TTS场景和乐曲/歌曲生成
1）AIGC通过提取信息生成音频，主要应用于 TTS（Text to speech）场景和乐曲、歌曲生成。其中，TTS 技术已相当成熟，广泛应用于客服及硬件机器人、有声读物制作、语音播报等，覆盖新闻、电子书、虚拟IP 、短视频配音等多个领域，代表公司有倒映有声、DeepMind、喜马拉雅、百度等。通过 AIGC 可以简化乐曲/歌曲生成的流程，降低音乐创作的门槛，可应用于流行歌曲、乐曲、有声书的内容创作，以及视频、游戏、影视等领域的配乐创作，大大降低音乐版权的采购成本，代表公司有 Amper Music 、 DeepMusic 、腾讯、网易等。
图24：倒映有声应用场景
图25：AI 孙燕姿《发如雪》
4、视频生成：大量应用集中在视频编辑
4.1 视频：可实现视频自动编辑、视频自动生成和文字生成视频等
1）AIGC视频生成可以降低视频制作时间，主要应用于视频自动编辑、视频自动生成和文字生成视频等。其中，视频自动编辑具备视频属性编辑和视频自动剪辑两大功能，视频属性编辑能帮助节省视频制作时间，增加视频玩法，视频自动剪辑在短视频和直播领域被大量使用。代表公司有 Runway ML、不咕剪辑、 Adobe、 IBM、网达软件、闪剪、字节跳动剪映和快手的云剪。视频完全自动生成仍处于技术尝试阶段，所生成视频的时长、清晰度、逻辑程度等仍有较大的提升空间，已在动画制作应用落地，代表公司和产品包括百度文心一格、小冰公司和 Synthesia。文本生成视频可以看作文本生成图像的进阶版技术，目前已有成熟产品，代表公司和产品包括 meta、谷歌、百度智能视频合成平台 VidPress、Gliacloud、 Pencil 等。
图26：抖音短视频剪辑软件剪映
图27：全球首支AIGC动画短片《犬与少年》
五、AIGC的市场空间
1、AIGC市场空间：2030年全球市场规模有望超万亿美元，2025年国内应用规模有望突破2000亿元 。
1.1 全球市场：2021年 Gartner 发布了12项2022年重要战略技术趋势，生成式AI居于战略首位。Gartner 预测，至2023年将有20%的内容被生成式AI所创建；至2025年生成式 AI 产生的数据将占所有数据的10%（目前不到1%）。
1）根据2022 年红杉《 Generative AI A Creative New World 》，未来2-3年 AIGC 初创公司和商业落地方案将持续增加，将产生数万亿美元经济价值。
2）根据Gartner“2022 年人工智能技术成熟度曲线”生成式 AI仍处于技术萌芽期，预计将在2-5年内实现规模化应用。
图28：Gartner 2022 年人工智能技术成熟度曲线
图29：中国生成式AI 技术应用规模 单位：亿元
相关公司
一、围绕AI 商业化三大主线挖掘核心投资标的
AIGC发展核心三要素：算法、 算力 、数据，三个领域的龙头公司是投资布局的优质标的
1、具备底层算法模型核心技术优势的厂商
1）国外：微软（OpenAI，ChatGPT），谷歌（DeepMind），meta（OPT 大模型）；
2）国内：百度（“文心”AI 大模型），腾讯（“混元”AI 大模型），浪潮信息（“源”AI 大模型）；
2、围绕AI 数据、算力等基础设施的优质投资标的
1）国外：英伟达（GPU）；
2）国内：寒武纪（AI 芯片）。
3、各细分赛道下兼具场景理解与AI 布局优势的垂类厂商
1）智慧城市场景：云从科技；
2）智慧金融场景：格灵深瞳；
3）办公场景：金山办公；
4）AI 绘画场景：万兴科技；
5）智慧安防场景：商汤；
表5：相关公司财务指标一览表
免责声明
本文章/视频/报告的信息来源于公开资料，润朋基金对这些信息的准确性、完整性及未来变更的可能性不作任何保证。润朋基金已力求本文章/视频/报告的客观、公正，其内容 (包括但不限于观点、结论、建议等) 仅供参考，不代表任何确定性的判断，使用者应根据自己的独立判断做出投资决策。投资有风险，润朋基金不对任何使用者因使用本文章/视频/报告而产生的任何后果承担法律责任。文章中提到的公司和股票只作为行业案例使用，不做任何推荐。任何媒体、网站或其他任何形式的法律实体和个人使用本文章/视频/报告均视为同意以上声明。
本文地址：http://nhjcxspj.xhstdz.com/quote/1590.html 物流园资讯网 http://nhjcxspj.xhstdz.com/ , 查看更多