近期花了一些時間繼續(xù)學習 ChatGPT，體會到了認知 ChatGPT 的整個過程，就是在消除我自己偏見的過程。其中存在大量信息不對稱的地方。哪怕關于 ChatGPT 的討論這么多了，噪音里面有價值的信息也并不總是好找。

接下來就分享一些觀點。

首先，對于?ChatGPT?來說，它帶來的大家提到的?AI?的革命性進展，壓根不是做出了好用的?chatbot，或者說聊天機器人。

換句話說，它并不意味著，我們的生活和工作里并不會有太大變化，主要的變化就是多了一個聊天機器人。如果按照這個前提條件去聊，它看起來就不是革命性的。

要真如此的話，憑什么說它是 iPhone 時刻？

真實情況是，聊天只是 OpenAI 做的一個演示，用它來做 demo，讓大家很好的看到了 GPT 這個模型的威力。在這個威力之外，大家還是只覺得它是聊天機器人，這就是一個啼笑皆非的事了。

當然，我們都知道，這個聊天機器人是 OpenAI 團隊用來獲取真實世界對話的方法，用它來繼續(xù)迭代訓練模型，來強化學習的 RLHF 的一個方法。選擇開放給用戶的這條路線，看起來好像常見，或者說之前也見過，但實際上在科研領域這是一個非常歪門邪道、一個非常不主流的方式。

之前不管是企業(yè)還是高校，以前大家做這方面的研究，不管是大模型還是 AI 方面的研究，都是用做題家的思路，就是用各種學術界的評測，如 20 個專家標注的確定性的 QA 問答題來完成。都是命題作文。

但現(xiàn)在 OpenAI 說，我不參加這些考試，我不參加這做題，我也不去跟你比論文數(shù)，就是把模型扔到人民群眾的汪洋大海里去。

現(xiàn)實就是，很會寫高考作文，和很會跟人聊天，確實是兩碼事。所以使用 ChatGPT 的時候有很多方式就不對，比如我自己作為一個可能稍微了解 NLP 的，或者了解產品、技術實現(xiàn)邏輯的，我就會去想：這個是不是難為他了？這個他肯定不會吧？我就不問了。

當知道他是個機器，就容易擔心給的前提條件不夠。它胡說八道，給一些錯誤的答案，我是有奇怪的愧疚感的。所以就潛意識里特別照顧它，把問題表述得格外完整才問出來。

這樣結果就是不夠真實。包括我做 NLP 的一些老同學，他們也會帶著很多假設和前提條件去問，他們問的都不是正常人聊天會問的。而現(xiàn)在用 ChatGPT 的大部分的人不是產品或者技術背景，并不知道背后的原理，所以問出來的就更真實。OpenAI 最初也是用格外真實的語料去做訓練，所以能訓練出來 ChatGPT 的效果。

認知的另一個偏差是，它就是一個終態(tài)了。于是會認為它的很多問題，代表它不智能。

比如說 ChatGPT 搜的信息不準確，以及胡說八道。很多朋友都會這么覺得，問了幾個問題，發(fā)現(xiàn)不對，就認為 ChatGPT 沒有什么大家說的那么的有價值。

對于信息準確性的問題其實是好解決的，而且必然會解決。因為現(xiàn)在使用的模型，并不是在一句一句的學，不是像某些人想象的一樣，在跟每個人溝通的時候來現(xiàn)學現(xiàn)賣（當然在聊上下文的時候，它會考慮上下文，這個可以定義為短時的學習）。背后所用的大模型，實際是一個用 2021 年的語料訓練的固定的模型，這個底層的模型是沒有實時進化能力的。

那為什么信息準確這個問題好解決？這個后面一起說。

另外一種常見說法是，ChatGPT 既然是一個生成式的工具，所以應該是能幫助甚至替代內容創(chuàng)作者的。目前看起來，這方面的水平有限。有可能幫忙寫個周報，幫忙潤色一下文字，幫忙寫個小紅書筆記等等，哪怕這種簡單的工作，大家也發(fā)覺了，寫出來的 AI 感非常強、并不是很擅長用人的語氣表達，能明顯感覺到他整個表述的方式是有一種奇奇怪怪的感覺，這種感覺就讓人心懷疑慮：這個所謂的 AI，不也模仿不了人的語氣嗎？你看，人類還是有一些所謂「靈魂」的部分存在的，AI 寫內容，就是沒有靈魂。

而很殘酷的是，我也認為，內容創(chuàng)作的風格和語氣也不是大問題，依然是個技術性問題，因為 AI 最擅長的就是模仿，對于文本的模仿反而是相對來說容易的。只不過一方面，因為 ChatGPT 是基于英文語料主要訓練的（中文語料只有 1% 左右），所以在中文的表達上會有比較大的問題，翻譯體很明顯。

另外就是?ChatGPT?本身就被刻意訓練了。它目前這樣的語氣和表達風格，是訓練出來的，不是 AI 天然就是這樣的。因此說這是個技術性的問題。比如說之前 AI 繪圖剛出來的時候，大家當然就習慣性基于當時的版本去考察，說 AI 能畫成這樣還不錯，但是 AI 畫的圖還都有 AI 感。這個所謂的 AI 感大概意思就是光影的問題、細節(jié)的問題（比如畫手），這個 AI 感在 Midjourney v5 里消除得差不多了。因為這就是個可訓練的技術性問題。

（這是我用 Midjourney 畫的愛因斯坦和霍金，歷史上不存在這兩張照片）

所以 ChatGPT 信息準確度的問題，內容表達和語氣的問題，人格的問題，都是技術問題?？赡芫蜁信笥褑柫耍悄阏f都是技術問題，那 AI 發(fā)展了這么多年了，可不是每個都是技術問題嗎？為什么 ChatGPT 就不一樣呢？

ChatGPT 最特殊的地方，是揭示了一種可能性，即 AI 可以呈現(xiàn)理解和推理能力了。這是過去大半個世紀的學者們所一直追求，而不可得的。

這里要簡單說一下 GPT 背后的邏輯。首先語言模型是很早就有的， 10 年前我讀研的時候，如果學 NLP，你翻開教材的第一頁可能就能看到語言模型，就跟學高等數(shù)學第一課都是先學函數(shù)一樣，不是什么新鮮的、現(xiàn)在才發(fā)明出來的成果。

為什么作為一個語言模型，大家這么驚奇？并非由于它可以對話了、能寫所謂一碗水端平的片兒湯文章了，更不是能獲取什么信息和知識，而是在這個大語言模型當中體現(xiàn)了推理。

體現(xiàn)了推理是一個事實論述。說到這里，必然會有一些朋友，援引很多人包括知名學者的說法來反駁，說語言模型只是統(tǒng)計的模型，因此不能稱之為理解和推理。

這里也不妨多說幾句大語言模型的邏輯。最基礎的很簡單，依據(jù)上文，預測下一個詞。過去能力不足，是根據(jù)一兩個詞預測下一個詞，后來出現(xiàn)了更多的算法和更好的硬件，于是可以預測更多的上下文了。像現(xiàn)在 ChatGPT 就能依據(jù)幾千個字符去做預測，這歸功于有如神助的 Transformer 算法。

但是，大語言模型依然還是一個猜詞游戲，是統(tǒng)計意義上的一個算法，它沒有別的復雜思考，就是從海量的記憶（模型）里，搜尋出最有可能出現(xiàn)的下一個詞。

所以很自然，聽起來，無論誰都會覺得，這種統(tǒng)計邏輯的語言模型，恐怕只能解決記憶問題，不能解決邏輯問題。就像我們讀了很多書籍、文獻、維基百科、百度百科等等各種知識。那接下來我們能做的是什么？很明確的，可能做一個好翻譯，或者能寫一篇像模像樣的文章，但是搞別的應該是不行的。畢竟是個復讀機嘛，是個「模糊的印象」（a Blurry JPEG of the Web）嘛（這是科幻作家?Ted Chiang 對 ChatGPT 的評價，已經被更多人認為是偏見了）。

不管怎么去想象這個算法邏輯，我們都很難想象只是記憶，就能產生邏輯。這在 2022 年之前都是天方夜譚，而 2022 年底過后，ChatGPT 讓這變成了一個可能性。

為什么 ChatGPT 在一個詞兒一個詞兒蹦的時候就呈現(xiàn)了邏輯？這依然是個科學上的未解之謎，以及都在爭論不休的話題。畢竟我們想象中，一段有邏輯的文字，應該是先設定主題，再想框架和段落，再去落筆的。

這里要特別補充一點：表現(xiàn)出了推理和邏輯能力，與本質上有沒有推理和邏輯能力，是兩碼事。前者是個事實問題，已經可以說是公認了，從原理上反駁意義不大，用過即知；后者則是個哲學問題，還在爭論之中。

什么叫有邏輯能力很早就是學術界有爭議的話題，從控制論出現(xiàn)就在討論「看起來的智能是不是智能」的問題了。同時，人腦運作的很多原理目前尚不清楚，如何產生的邏輯推理，也不清晰。

很奇妙的是，在目前的模型中，「think step by step」是一個很好用的咒語，跟人的思考是很像的，機器只要不是直接給結果，而是多想幾步，就能呈現(xiàn)非常好的效果。

這些都是題外話了。實際上對產學研而言最驚訝和最興奮的，不是討論本質上有沒有推理和邏輯能力，而是表現(xiàn)上有沒有。

4. 通往通用人工智能之路

OpenAI?在這個大語言模型上做了什么，把 GPT 以及 ChatGPT 做出來的？其實沒做太多算法上的、底層規(guī)則上的很復雜的事情。而是用很工程的手段，甚至堪稱暴力的手段去訓練，然后反復地調試。

所以一個非常古老的、已經長滿了青苔的語言模型，居然可以實現(xiàn)有推理能力的高水準的 AI，非常叫人意外。追求 AGI 的路，從 1956 年達特茅斯會議實際已經啟航了，明斯基、麥卡錫、司馬賀、紐厄爾這些人工智能的創(chuàng)始人，本來預期是十年二十年就實現(xiàn)的夢想，花了大半個世紀，依然進展不大。

學者們最開始想的，跟大多數(shù)人想象的 AI 必須先學的一步是類似的，就是學習推理。他們被稱為符號派，就是把世間萬物的所有的邏輯和知識抽象出來，把它們變成形式語言，像數(shù)學題一樣可以計算與推演，一生萬物，不就是智能嗎？這條路一度是人工智能的主流派系，一直到 20-30 年后，嘗試了各種各樣的方向，發(fā)覺全都被堵死了。

接下來就是統(tǒng)計學習和深度學習的時代，就是讓機器去自我消化數(shù)據(jù)，它就能解決問題。這時候的學者們更落地、更實在了，不關心 AGI，而是關心垂直課題了，比如說人臉識別、自動駕駛、下圍棋和玩游戲等等，這些似乎都是做的還不錯的。語言模型也在其中，大家認為它能解決一些問題（谷歌翻譯和百度翻譯就是語言模型的邏輯），顯然不能解決一切問題。

而 ChatGPT 的啟示，就像說有一個田徑隊，短跑、長跑、接力跑、馬拉松等等運動，有不同的教練去用不同的方法訓練，畢竟是不同的課題。但是今天，有一個教練，用了全新的方法訓練了一個隊員，發(fā)現(xiàn)這隊員跑啥都行，接力跑、長跑、短跑都能拿好的名次，甚至跑去試了試扔鉛球也是前幾名，扔標槍也是前幾名，跳鞍馬也是前幾名，他不一定都能拿到第一，但這個效果大家非常驚訝。

還是前文說的，有邏輯、能從信息中發(fā)掘知識，并不是個值得爭論的問題，它是個事實。很多學者花了很多年研究，怎樣讓機器識別詞性（形容詞、動詞、名詞等），這是個專有課題，而詞性標注的效果，ChatGPT 也完成得很好。類似的課題，非常大量。用三體的話說，說許多學者、博士們還在研究的?NLP 的中間課題不存在了?，一點兒也不為過。哪怕不提這些研究課題，注冊使用下 GPT-4，你肯定也會有體感，這種體感是不會說謊的。

那么 AI 有了邏輯和理解能力，能做什么呢？能做太多了。

前面說的技術性的問題，反而可以交給一些基于規(guī)則的產品解決。例如，?ChatGPT 自己可能信息不全，但它能比很多人更好地查到所要的信息，而不只是把網頁排個序；ChatGPT 自己可能不會寫很厲害的文章，但經過一個熟練的寫手訓練之后，確實能理解你想要什么，就能變成一個有固定文風的寫手；原生的 ChatGPT 可能完全不知道怎么使用 Word，但是讓它看大量的人是怎么使用的，很快也就能學會了。

這才是 ChatGPT 最不一樣的地方：它比之前所有的 AI 都更像一個 AI。當 AI 這個詞在 1956 年出現(xiàn)的時候，大家想象的是一個智能的東西，而現(xiàn)在，它真的出現(xiàn)了，至少有了真正智能的可能性。這一點在學術圈和科研領域最早引起了轟動，可能比普通用戶的震驚程度還要大。

之前是大家看不到通往通用人工智能的路的，所以 ChatGPT 的意義不是聊天機器人本身，而是這個新的范式，揭示了一種全新的可能性。未必是唯一的可能性，但確實是一種可能性。過去從來沒有過的可能性。

接下來可能會發(fā)生什么呢？我觀察和思考到了 7 個方面，分享一下。

第一：不光 AI 的企業(yè)都得投入大模型，而且很快會進入工程上的軍備競賽。

這里跟很多朋友想的不一樣，大模型不是比參數(shù)量。如果去搜參數(shù)量的模型，快手還官方自豪地發(fā)布過一個有萬億參數(shù)量的模型，當然跟 GPT-3 也沒法比。

同時，也不是單純比數(shù)據(jù)多少。數(shù)據(jù)確實是一個壁壘，但是還有一個更加核心的競爭力，即調試工程。比如對于百度，之前做的文心大模型，底層數(shù)據(jù)量真的不比 OpenAI 的少，或者很有肯跟底層的模型都不一定比 GPT-3 的質量差。只是完全沒有采用 ChatGPT 的方法訓練（InstructGPT），也就是怎么激發(fā)。激發(fā)也是非常玄學和魔幻，OpenAI 有一個人數(shù)不小的工程團隊，專門通過語料和代碼，做激發(fā)和調試，讓它變得更智能。

這可以說是最后畫龍點睛的一步。就像說有一個天分特好的小孩，需要調教，而如何調教是不存在一個很確定性的方法論的，調教本身也是個黑盒，有很多坑每個團隊都得慢慢趟、反復試錯。

從 GPT-3 這個底層模型的出現(xiàn)，到 ChatGPT ，其實花了很多的工夫，在這個過程中，工程比研究要重要得多。學術研究它提供的是方法，但是 ChatGPT 背后并沒有新的方法，更重要的還是工程團隊用了一些所謂的比較 tricky 的方法。所以 OpenAI 公開了底層的算法和邏輯，并沒有公開 ChatGPT 的源代碼。對于百度來說，花了一兩個月重新開始調教，效果肯定跟 ChatGPT 是沒法比的。百度和國內其它家面臨的大多也是調教的問題，想要砸錢訓練出來一個底層的 GPT-3 的模型不是難點，InstructGPT 才是。

第二，如何調教，會直接影響 AI 成為什么樣的 AI。

并不是說各種不同的團隊去激發(fā)大語言模型，最后激發(fā)出來的效果殊途同歸、一定是一個東西。很多沒有了解技術細節(jié)的朋友總覺得 ChatGPT 很蠢，因為總是一碗水端平、按格式來寫命題作文，這個是刻意調教的結果。為的是獲取最大公約數(shù)的用戶，不要出現(xiàn)任何政治錯誤的問題、偏見的問題。

想要真的調教一個極端分子、調教一個特別溫柔心理咨詢師，甚至調教一個詩人，原則上都是可以的，就看怎么調。

一種說法是，目前的 OpenAI 用了 6 萬多條語料就調出來了 ChatGPT。那用別的語料、用更多的語料，會發(fā)生什么？可以預見的是，未來各種各樣的人格都會調出來，不同團隊做的 AI 風格各異，跟人與人的區(qū)別一樣。

因此，ChatGPT 并不是，有一個團隊花了很多年種出來了一個品種的蘋果，這個品種的蘋果叫 ChatGPT，你吃了一口這個蘋果說太酸了，扔了。就認為這件事沒有價值。

這個叫 ChatGPT 的蘋果是重要的，但更重要的是，發(fā)現(xiàn)了一片叫大語言模型的土地，可以種各種 AI 的水果，不光有蘋果，還有梨子、菠蘿、葡萄等等，有大量的可能性。這是一定會發(fā)生的?，F(xiàn)在很多團隊去追逐的，并不是要做同一個品種的、酸甜度一模一樣的叫 ChatGPT 度蘋果出來，而是都看到了這里面做其它水果的價值。

第三， ChatGPT 的這個范式是可靠的，那很多技術性的問題解決就只是時間問題。

這是在回應前面說的問題。只要這個范式是可靠的，很多技術性的問題無非就是加算力、加數(shù)據(jù)以及有耐心地調教。

早在 1956 年塞謬爾就做過一個跳棋程序，在當年已經能下贏很多專業(yè)選手了，那時很多科學家就意識到，未來機器能在棋類游戲中下贏人類，只是個時間問題（包括在讀大學的陸奇，就有這個洞察了）。到了 1997 年，深藍下贏了國際象棋大師， 到了 2016 年 AlphaGo 下贏了圍棋世界冠軍，如今的很多游戲 AI，DOTA2、星級爭霸 2 的 AI 也都可以下贏很多頂級的選手。在范式不變且可靠的前提下，學會下棋就是個技術性問題，也就意味著是個時間問題。

對有邏輯能力的大模型來說，前文說過的信息準確度的問題，都未必在內部解決。ChatGPT 也可以跟訓練有素的有數(shù)學知識的產品合作。就像一個聰明小孩，不懂數(shù)學但是足夠聰明，那可以配個小伙伴，這個小伙伴不是很聰明，但上過奧數(shù)班，倆人一搭配，問題就解決了。這不是假想。

知名的計算智能引擎產品 Wolframe 就跟 ChatGPT 合作了，可以在補充了更準確的知識和規(guī)則的前提下，解決大量的問題，比如化學、數(shù)學、物理、地理、幾何、歷史、材料、工程等等。

（來源：ChatGPT Gets Its “Wolfram Superpowers”!）

第四，解決各種問題的速度，或者說滿足各種需求的速度，可能是指數(shù)級的。

這個是很感性的判斷，確實沒有很有說服力的論據(jù)?，F(xiàn)在大家也都不知道多長時間會發(fā)生什么事情。不過大概率它的發(fā)展速度不會是線性的，因為人腦的學習是緩慢的，畢竟神經元信號傳遞存在速度限制、神經元的數(shù)量和規(guī)模有整體的限制的。但計算機不一樣，就像一個人腦不行，那可以連接 10 個人腦。10 個愛因斯坦的腦袋連起來，它是不是乘以 10 不一定，但的進化速度肯定比生物進化要快得多。

ChatGPT 的成功會讓已經在過去領域里卷到疲倦的大廠，紛紛進入軍備競賽，這也會加速這個進程。另外，對于很多場景來說，讓產品對接大模型，是不復雜的，ChatGPT 作為中間層很合適，主要負責解釋和推理，并不用每個場景都再訓練一遍（未來難說會不會各種場景都有自己的大模型）。從 Office 和 Adobe 這么快的跟進也可見一斑。

這里就有一個很殘酷的現(xiàn)實，就是業(yè)務融合 AI 模塊之后，每個打工人在用 AI 的這個過程，就是在加速淘汰自己的過程。

第五，調試工程師會變成很值錢的崗位。

這個好理解，對于大模型來說，可解釋性非常差，換句話說，可控性很差。前面也說了，它是非常巨大的黑盒，只能通過調教、不能通過指揮，不能指哪打哪，說這個問題回答得不好，下次必須這么這么回答——沒法這么去訓練它。所以調教就顯得特別重要了，調試工程師就會變得越來越值錢。

不過調試工程師到底具備什么樣的能力？了解場景，還是了解代碼？這個不大清楚。這是個全新的崗位，大家都在探索。

第六，失業(yè)問題。

可惜的是，值錢的崗位未來不會特別多，但不值錢的崗位會變得越來越多。

失業(yè)問題很有意思，之前 OpenAI 自己官方下場寫了一篇報告，具體內容就不展開說了，只說最后的幾個結論：

第一，80% 的人受影響，會有 10% 的工作內容受 LLM 影響（受影響的定義是同等質量的工作成果，降低 50% 的工作時間），19%的人「大受影響」，即會有至少 50% 的工作內容受 LLM 影響。

第二，薪資越高的人越容易受影響。受過良好教育的、有豐富工作經驗的、高薪的職業(yè)，被影響的概率是偏大的。

第三，有一個影響程度排行榜，其實就是高危列表。里面高頻出現(xiàn)的包括：數(shù)學家、口譯員和筆譯員、作家和寫手、區(qū)塊鏈工程師等。

第四，部分職業(yè)存在可能性被徹底替代掉。對于這個榜單，人工標注的結果里有 15 個職業(yè)；GPT-4 標注的結果里有 86 個職業(yè)。AI 下手果然還是更狠一些。

（報告來源：https://arxiv.org/pdf/2303.10130.pdf）

感興趣的朋友可以自己讀一下全文。這個估計當然不會特別準確，但是他們用了盡可能量化的方式，有一定預見性。未來會不會發(fā)生？我認為大概率確實會發(fā)生的，只是時間上不好講。有一些相對容易落地、容易快速被替換掉的，比如說個體戶可能危險性更大一些。比如做插畫的畫師、做電商圖片的這些美工、一些公眾號的小編等等。大公司的組織，整個工作內容或者崗位要做調整，會有組織管理上的問題，可能會慢一些。

那這中間可能也有過渡期，比如 AI 繪圖變成主流之后，畫師們未必就全都失業(yè)。就像 Photoshop 出現(xiàn)之后大家更多是從用紙和筆去繪圖，變成了用另外一個工具去做。未來 AI 繪圖背后，也要有需求轉化的這一步（prompt engineering） 。不過比較悲觀的是，AI 繪圖和 Photoshop 不一樣，還是存在效率差異的。用紙和筆的畫師和用 Photoshop 的畫師，生產力的變化可能沒那么大；但是 AI 的生產力是劇烈的大幅提升，意味著不太需要那么多從業(yè)者了。這就必然有一個結構性的大的波動。那未來會怎么樣？會不會出現(xiàn)大的社會問題？這個就不是我能討論的了。

第七，大多數(shù)人機交互都不存在了。

冰箱發(fā)明之前，很多人研究的是怎么存儲冰塊、制造冰塊，有了冰箱，就不再需要這種冷藏方式了。對于產品交互也是這樣，用戶過去為什么要點按鈕？要做各種操作？包括用 Photoshop、 Word 里很多反人類的各種各樣的、根本記不住的復雜的功能。

所以我們看起來更像是處于過渡期，真的技術能力達到以后，當下的大多數(shù)人機交互也沒有必要存在了，只需要剩下自然語言交互，這就跟我寫過的那篇猜想對應上了（從 ChatGPT 看 AI 未來的 7 種場景可能性）。

跟寫之前的文章時不一樣，我這段時間試用了 GPT-4 基礎上的 ChatGPT，包括跟更多專家聊了一些技術上的問題。現(xiàn)在的我覺得這是很有確定性的。就像前面說的，現(xiàn)在的發(fā)展是指數(shù)級的速度。

如今 ChatGPT 發(fā)布后，整個產學研都已經到了快車道上了，這個快車道上是沒有人有能力去踩剎車的。我們作為個體，也是不可能回避這個 AI 的歷史車輪的。

大家都知道阿里有一個經常被群嘲的價值觀，叫擁抱變化。這個詞現(xiàn)在看感覺還挺應景的。

所以不如反過來想問題：汽車時代來的時候，馬車夫肯定非常焦慮，馴馬師也很焦慮。不過汽車是工具，對大部分人來說它是非常有幫助的。它的出現(xiàn)并不是說要摧毀誰，摧毀哪些崗位，或者摧毀哪個行業(yè)。它還是為人類服務的。

我們可以用汽車做很多有價值的事。沒有交通工具的效率提升，全球化也不可能發(fā)生。我們可以多想一下，有了 AI 我們能干什么。

最近跟身邊幾個比較要好的朋友聊 AI，大家達成的一致，都是先用起來。先用它做點什么，感受下它能做什么、不能做什么。未來有無限的可能性，不妨把目光放長遠一點；不糾結當下的得失，看看 AI 未來的機會。保持這樣的心態(tài)也許更容易接受變化。

就說到這里，希望對你有啟發(fā)。

Ps. 想要了解人工智能歷史的朋友，可以在小宇宙、蘋果 Podcasts、喜馬拉雅、網易云音樂等平臺搜索「半拿鐵」，我梳理了過去的故事整理成了 4 期播客。

本文（含圖片）為合作媒體授權創(chuàng)業(yè)邦轉載，不代表創(chuàng)業(yè)邦立場，轉載請聯(lián)系原作者。如有任何疑問，請聯(lián)系