AlphaZero自學成才，機器人Atlas苦練後空翻……2017年，人工智慧所取得的新進展真是讓人應接不暇。而所有的這些進展，都離不開深度學習一年來在底層研究和技術開發上的新突破。聖誕節前後，Statsbot的資料科學家Ed Tyantov專門評估了深度學習這一年在文字、語音和視覺等方向的各項研究成果，並進一步試圖總結出一些可能影響未來的全新趨勢。

具體都是些什麼呢？我們來看文章。

作者 | Eduard Tyantov

翻譯 | 林椿眄

文字

Google神經網路翻譯機器

大約一年前，Google公司宣佈推出Google線上翻譯的新模式，並詳細地介紹了其中的技術核心結構—遞迴神經網路結構。

這項技術最大的突破是，使機器翻譯與人類的差距縮小了55-85%。必須指出，如果沒有Google的龐大資料庫作為支撐，這個遞迴神經網路的翻譯模型很難使機器達到如此好的翻譯效果。

談判，會成功交易嗎？

你可能聽說過一則愚蠢的新聞，Facebook公司關閉了聊天機器人，然後這個機器人失去控制，自己編寫語言。

這個聊天機器人是Facebook公司創造的並用於談判交易工作的。它的目的是與另一個代理進行談判並達成交易：如何將物品(如書，帽子等)一分為二。每個代理在談判中都有自己的目標，而互相之間事先並不知曉對方的想法。

為了訓練機器人的需要，他們收集了一個有關人類談判的資料庫並且採用有監督的方式來訓練遞迴神經網路模型。隨後，這些聊天機器人用一種強化學習的方式進行自我訓練，並在保證語言與人類儘可能相似的前提下，學著與自己進行對話。

慢慢地，這些機器人已經學會了一個真正的談判策略，那就是通過在談判過程中表現出對目標虛假的興趣來誤導對方，並在實際目標的選擇中受益。

創造這樣一個互動機器人是一種全新的且非常成功的嘗試。未來關於它的更多細節以及程式碼都將開源。

當然，新聞中稱該機器人發明了一種新語言的訊息是有點故弄玄虛。訓練時(與同一代理商進行談判時)，放棄與人類保持相似性的限制，並通過演算法來修改互動時所使用的語言，這並不是什麼特別的事情。

在過去的一年裡，迴圈神經網路模型已經得到非常廣泛的運用，同時，迴圈神經網路的架構也變得更加複雜。但是在一些領域，簡單的前饋網路DSSM就可以得到類似的結果。例如，Google郵件的“智慧回覆”功能較之前應用LSTM架構，有著相同的效能表現。此外，Yandex還基於這樣的網路推出了一個新的搜尋引擎。

語音

WaveNet：原始音訊的生成模型

DeepMind的員工最近在文章中報道了生成音訊的研究成果。簡而言之，研究人員基於先前的影象生成方法(畫素級RNN模型和畫素級CNN模型)，提出了自迴歸的全卷積WaveNet模型。

該網路實現了端到端的訓練：從輸入文字到輸出音訊。相比於人類水平，該研究降低了50%的差異性，取得了很好的結果。但是，該網路的主要缺點就是生產效率低。由於自迴歸過程的原因，聲音是按照順序生成的，大約需要1-2分鐘來建立1秒的音訊。

聽到這個結果讓人感覺有點失望。如果能夠消除網路結構對輸入文字的依賴性而僅僅留下對先前生成的音符的依賴性，那麼網路將產生類似於人類語言的音符，但是這樣做並沒有意義。

這是一個應用該模型生成聲音的例子。這種相同的模式不僅適用於演講，也適用於音樂創作。

想象一下由生成模型生成的音訊，使用關於同樣不依賴於輸入資料的鋼琴資料庫進行音樂教學工作。

如果你對這方面感興趣的話，請閱讀DeepMind關於此研究的完整介紹。

脣語解讀

脣語解讀是深度學習超越人類的另一大表現。Google DeepMind與牛津大學合作，他們發表論文講述如何用電視資料集訓練的模型的效能表現是如何超過BBC頻道里的專業脣語讀者。

該資料集中有10萬個帶有音訊和視訊的句子。採用音訊資料訓練LSTM模型，視訊資料訓練CNN+LSTM模型。這兩種狀態下訓練得到的模型向量都被饋送到最終的LSTM模型中去，從而產生最終的結果。

在訓練期間使用不同型別的輸入資料：包括音訊、視訊和音訊+視訊組合資料等。換句話說，這是一種“全渠道全方位”的訓練模型。

合成奧巴馬：在音訊中同步他的嘴脣運動

華盛頓大學做了一項嚴謹的研究，來生成前美國總統奧巴馬的脣語動作。之所以會選擇他作為研究物件，是因為這段線上錄音的持續時間很長，資料數量巨大(17個小時的高清視訊)。

由於他們沒辦法得到更多的資料資料，因此研究者進一步提出了幾個技巧性的東西來改善最後的結果。如果你感興趣的話，可以來試試看。

你可以看到研究的結果是很驚人的。在不久的將來，你甚至將不能相信那些總統的演講錄影了。

計算機視覺

OCR: Google街景地圖

Google Brain Team在他們的部落格和文章中報道了他們是如何在地圖中引入新的OCR(光學字元識別)引擎，通過它來識別路牌和商店標誌。

在這項技術的開發過程中，他們編制了一個新的FSNS(法國街道名稱標誌)，其中包含許多複雜的樣例。為了識別每一個標誌，網路最多使用四張圖片，用CNN來提取圖片特徵，再輔以空間注意力機制，最終將結果饋送到LSTM模型中。

相同的方法適用於在標誌牌上識別商店名稱的任務(這可能會受到很多“噪聲”資料的干擾，而模型本身需要聚焦到正確的位置上)。這種演算法已適用於800億張照片的識別。

視覺推理

視覺推理任務，要求神經網路使用照片來回答其中的問題。例如，“在圖片中是否有與黃色金屬圓柱體相同尺寸的橡膠材質？”這確實是個非常重要的問題，而直到最近這個問題才得以解決，其準確率只有68.5％。

Deepmind團隊在這個領域再次取得了突破：在CLEVR視覺推理資料集上，他們的模型實現了95.5％的超人類精確度。模型的網路架構十分有趣：

在文字問題上使用預先訓練好的LSTM模型，我們將問題嵌入到模型中。

使用CNN模型(只有四層結構)對圖片提取特徵，我們得到圖片的特徵對映用來表徵圖片的特徵。

接下來，我們在特徵對映圖上(如下所示圖片的黃、藍、紅色區域)形成座標切片的成對座標組合，並將座標值和文字資訊嵌入到每個區域中。

通過另一個網路，我們將上述整個過程驅動三次，並將得到的最後結果彙總。

最終呈現的是通過另一個前饋網路執行的結果，並給出了Softmax的結果。

Pix2Code

Uizard公司建立了一個神經網路的有趣應用：即根據介面設計者的螢幕截圖來生成一個介面佈局。

這是一個非常有用的神經網路應用程式，他可以使開發者在開發軟體時更加輕鬆。該項應用的研究者聲稱他們已經能夠達到77%的應用準確率。

但是，這個問題目前還處於研究完善中，並沒有真正應用。因此，目前在開源社群還沒有相關的程式碼或者資料集。

SketchRNN：教一臺機器學會畫畫

也許你看過Quick, Draw!這是出自Google公司之手，其目標是在20秒內繪製出各種物件的草圖。該公司設計這個資料集的目的是，教會神經網路如何畫畫。

最終，為了適應自編碼器的需要，該模型接收到表徵原始影象的潛在向量。

由於解碼器能夠從這個潛在向量提取一副草圖，你可以通過改變它來得到一副新的草圖。

甚至可以執行一個向量演算法來建立一個catpig。

生成對抗網路

生成對抗網路是當下深度學習中最熱門的話題之一。大多數情況下，這個模型是用來處理影象資料，因此我們會用影象來解釋這個模型。

提出這個模型的思想是在兩個競爭的網路中，一個生成網路和一個判別網路。生成網路是用於建立一張新的影象，而判別網路試圖去判定影象是真實的還是生成的。模型原理示意圖如下所示：

在訓練期間，生成網路接收隨機向量(噪聲)作為輸入並生成影象，接著將其饋送到判別網路中作為其輸入，由判別網路判定輸入的真假性。判別網路也可以從資料集中給出真實的影象。由於很難找到兩個網路的平衡點，因此訓練生成對抗網路一大難點。大多數情況下，判別網路獲勝時訓練過程也就停止了。但是，這種模型的好處就在於我們可以解決一些難以設定損失函式的問題。例如，要提高圖片的質量，我們可以將其提供給判別網路。

生成對抗網路訓練的典型例子就是帶臥室或人的圖片，如下所示：

同樣的演算法也可以在潛在的空間起作用：例如，“一個戴眼鏡的男人”減去“男人”再加上“女人”等於“戴眼鏡的女人”。

用生成對抗網路改變人臉的年齡

如果在訓練過程控制潛在向量的傳入引數，那麼在生成潛在向量時，就可以更改這些引數值，以便管理圖片中這些必要的影象資訊，這種方式稱為條件生成對抗網路模型。正如文章的作者提到的：“面對有條件的生成對抗網路模型，人臉的年齡是可以被改變的。”在已知人臉年齡的情況下，在IMDB資料集上訓練我們的模型，我們可以用這種方式改變人臉的年齡。

專業照片

Google為生成對抗網路建立了一個有趣的應用程式，就是照片的選擇和美化。生成對抗網路模型在一個專業的照片資料集上訓練：生成網路試圖改善質量較差的照片(包括專業鏡頭和特殊濾鏡的功能退化等)，而判別網路用於區分“改善後”的照片和真正的專業照片。

一個訓練有數的演算法，能夠通過Google街景的全景搜尋功能來搜尋得到一些專業和半專業質量的照片(根據攝影師的評級標準而定)。

從文字描述中合成影象

生成對抗網路最令人印象深刻的一個例子是使用文字的描述資訊來生成影象。

這項研究的作者說到，不僅將文字資訊嵌入到生成網路(條件生成對抗網路)的輸入中去，而且還要將其嵌入到判別網路中去，以便驗證文字資訊與影象的對應性。為了確保判別網路自身功能的發揮，除了訓練過程，研究者還為實際圖片添加了一些不正確的文字資訊。

Pix2Pix

在2016年最受人矚目的文章當屬Berkeley AI Research(BAIR)提出的“用帶有條件的生成對抗網路來實現影象到影象的轉換”。研究人員解決了從影象到影象生成的問題，例如，需要使用衛星影象來建立地圖，或使用草圖來建立逼真的物件紋理，都可以使用該研究的成果。

條件生成對抗網路的另一個成功應用例子，是根據情景生成整個畫面。這在影象分割領域得到廣泛的應用，Unet被用作生成網路的體系結構，並且使用一個新的PatchGAN分類器作為判別網路，用以對抗模糊影象的干擾(影象被分割成N個補丁，並且偽造/真實的預測將分別適用於他們當中的每一個部分)。

作者釋出了他們模型的線上演示，你也可以在這裡找到模型的原始碼。https://github.com/phillipi/pix2pix

CycleGAN

為了應用Pix2Pix技術，你需要一個包含了不同領域目標物件的資料集。例如，用卡片來組成這樣的資料集不成問題，但是如果你想做一些更復雜的事情，如“變形”物件或重塑物件的話，原則上是找不到這樣的目標物件的。因此，Pix2Pix的作者決定進一步研究他們的想法，並提出CycleGAN，在影象的不同區域之間進行不成對目標的轉換，而不再需要依賴於特定的目標對。

但是這轉變是不穩定的，這通常也是產生失敗的原因。

你可以在這裡獲得它的原始碼。https://github.com/junyanz/CycleGAN

腫瘤學中分子的發展

機器學習正在進入醫學領域。除了識別超聲波，MRI和診斷，還可以用於尋找新的藥物來對抗癌症。簡單地說，在對抗自編碼器的幫助下，我們可以學習分子的潛在形式，然後以此來搜尋新的分子形式。結果發現了69個分子，其中一半是被用來對抗癌症，而剩下的都具有很大的潛在性。

對抗性攻擊

關於對抗性攻擊的話題，正在被積極地探索研究。那麼什麼是對抗性攻擊呢？例如，在ImageNet資料庫上訓練標準網路，當為分類圖片新增一些特定的噪聲時，標準網路將變得不穩定。在下面的例子我們將看到，對於一張人眼看過去幾乎沒有變化的圖片，而模型卻還產生異常的結果，預測出一個完全不同的類別。

例如，使用快速梯度符號法(FGSM)，可以得到穩定的模型：可以訪問模型的引數，可以對所需的類進行一個或多個漸變的步驟並以此更改原始的圖片。

Kaggle中有一個與此有關的任務：就是鼓勵參與者創造普遍的攻擊/防禦，這些攻擊/防禦最終都是相互對立的，以此來確定最好的模型。

我們為什麼要研究這些攻擊呢？首先，如果我們想要保護我們的產品，我們可以向驗證碼新增噪聲，以防止垃圾郵件的自動識別。其次，演算法越來越多地涉及到我們的生活中，如人臉識別系統和自動駕駛系統，在這種情況下，攻擊者就可以利用演算法的缺點展開攻擊，威脅到我們的生活。

例如，特殊的眼鏡可以讓你欺騙人臉識別系統，系統將把自己當成另一個人。

所以，在訓練模型的時候我們要考慮到可能的攻擊情況。類似以下的這種的操作符也不能被它們正確的識別：

這是比賽組織者寫的一篇文章。https://www.kaggle.com/c/nips-2017-non-targeted-adversarial-attack/discussion/35840

編寫好了的用於攻擊的程式碼庫：

cleverhanshttps://github.com/tensorflow/cleverhans和foolboxhttps://github.com/bethgelab/foolbox。

強化學習

強化學習是機器學習中最有趣也是最值得發展的方法之一。這種方法的本質是通過給定的經驗，在特定的環境中，學習訓練代理並給予獎勵的一種學習方式，就像人類的終生學習一樣。

強化學習在遊戲，機器人和系統管理等領域已被廣泛地使用。當然，大家都聽說過AlphaGo在圍棋比賽中完勝圍棋專業選手。目前，研究人員正使用強化學習方式來訓練機器人，因為機器人本身的設計就是為了改進策略而不斷髮揮自身作用的。

以強化學習方式訓練不受控制的輔助任務

在過去的幾年中，DeepMind的研究者使用深度強化網路(DQN)來學習街機遊戲，並已達到超人類的遊戲表現。目前，他們正在訓練演算法去學習玩一些更復雜的遊戲，如毀滅戰士(Doom)。

強化學習的研究，大部分的注意力都集中在加速學習方面，因為代理與環境之間的互動經驗需要在目前的GPU上進行很長時間的訓練。

在DeepMind的官方部落格中，介紹了一種引入額外損失(輔助任務)的方式來加速訓練過程，如預測幀變化(畫素控制)，以便代理能夠更好地理解行為的後果，這將大大加快學習的速度。

https://youtu.be/Uz-zGYrYEjA

學習機器人

OpenAI的研究人員一直致力於研究代理在虛擬環境中的訓練過程，相比於現實生活，這樣的實驗顯得更加安全。其中一項研究表明，一次學習是可能是實現的。一個人在虛擬現實中能夠展示如何執行某項任務的能力，而一個演示就足以讓演算法進行學習，並在真實條件下實現。如果可以的話，這對於人類來說簡直是太容易了。

學習人的喜好

這是OpenAI和DeepMind共同的一個工作主題。底線是一個代理和一個任務，演算法提供兩種可能的解決方案，並指出哪一種更好。通過迭代地訓練該過程，得到來自代理的反饋資訊，並以此來學習如何解決該問題。

即使這樣，人類必須要認真思考要讓機器去學習的東西。例如，評估者確定要讓演算法去接受某個物件，但是實際上他只是模擬了這個動作而已。

在複雜環境中運動

這是DeepMind的另一項研究。為了教會機器人一些複雜的行為(走路，跳躍等)，甚至做一些類似人類做的事情，你必須要大量地考慮損失函式的選擇，這將是鼓勵所期望行為發生的關鍵所在。然而，這個演算法最好靠簡單的獎勵來學習複雜的行為。研究人員已經成功實現了這一目標：他們通過構建一個複雜的帶障礙的環境，在移動的過程給予簡單的獎勵回報，教會一個代理(身體模擬器)去執行一些複雜的行為。

你可以看看這些令人印象深刻的視訊，不過，用超聲道觀看它將更加有趣。https://youtu.be/itACOKJHYmw

最後，我將給出OpenAI最近釋出的學習強化學習演算法的連結，相比於標準的深度強化網路，現在你可以使用一些更先進的方法來解決問題。https://github.com/openai/baselines

其他

冷卻資料中心

2017年7月，Google公司報告中提到，利用DeepMind在機器學習領域的研究成果來降低資料中心的能源成本。根據資料中心上千個感測器的資料資訊，Google開發人員訓練了一個整合的神經網路來預測PUE(電源使用效率)和更高效的資料中心管理。這是機器學習實際應用中一項令人深刻的成果。

一個模型完成所有任務

正如你所知道的那樣，訓練好的模型很難從一個任務轉移到另一個任務，因為每個任務都必須經過特定的模型訓練過程。Google Brain提出的“用一個模型來學習所有的東西”，向模型的普遍適用性研究邁出了一小步。

研究人員已經訓練了一個模型，來執行不同領域(包括文字，語音和影象等)的八個任務。例如，來自不同語言的翻譯，文字的解析以及影象和聲音的識別等任務。

主要的研究成果如下：

得到幾乎完美的模型 (作者沒有微調超引數設定)。

不同領域間的知識遷移，即在資料量大的任務上，效能幾乎相同，對於小問題的效能表現更好 (如解析任務)。

不同人物所需的模組間不會產生相互的干擾，有時甚至可以互相幫助，如門控混合專家的模組在ImageNet上，對任務的模型效能有改善作用。

另外，這個強大的模型已經呈現在tensor2tensor中。

一小時內學習ImageNet資料庫

在他們的帖子中，Facebook的工作人員告訴我們，他們的工程師只需要一個小時就能夠在ImageNet資料庫上訓練完ResNet-50模型，這需要使用256個GPU叢集(Tesla P100)。他們使用Gloo和Caffe2深度學習框架進行分散式訓練。為了是整個過程更有效率，對於學習策略的調整是很有必要的(8192個元素)：採用梯度平均，模型預訓練以及特殊學習率等策略。

結果表明，從8個GPU擴充套件到256個GPU訓練時，可以達到90%的效率。也就是說，現在Facebook的研究人員可以比沒有這個叢集的研究者更快地進行實驗。

新聞

自動駕駛汽車

自動駕駛汽車領域的研究正在深入發展，而自駕車也正在測試中。從最近的事件中，我們可以看到來自英特爾的MobiEye被收購，Uber和Google的技術被前員工偷竊的醜聞以及使用自動駕駛儀所導致的第一起交通死亡事件等。

我注意到：Google Waymo正推出一個測試版的自駕程式。Google是自動駕駛領域的先驅，並且他們的技術已經非常成熟，因為Google的無人駕駛車已經行駛了300多萬英里。

最近發生的大事是自動駕駛汽車已經被允許在美國各州上路。

衛生保健

現代機器學習技術已經開始引入醫學領域。例如，Google與醫療中心合作並幫助醫生進行診斷。

為此，DeepMind還成立了一個獨立的單元，用於從事醫學領域的深度學習技術研究。

今年，DeepMind在資料科學碗專案的基礎上舉辦了一場競賽，根據詳細的影象資料來預測肺癌，該賽事的獎金高達一百萬美元。

投資

目前，與之前BigData一樣，機器學習領域也得到了大量的投資。中國在人工智慧領域的投資已有1500億美元，處於全球領先水平。百度研究公司僱傭了1300人從事人工智慧的研究工作，而Facebook的FAIR研究院才有80位研究人員。此外，在KDD會議結束的尾端，阿里巴巴的員工談論到他們的引數伺服器KungPeng，運行了1000億個樣本，具有萬億級的引數量，這已經成為日常工作裡的一個基本運作。

你可以得到自己的結論，學習機器學習永遠都不會太晚。無論如何，隨著時間的推移，所有的開發人員都將使用機器學習技術和資料庫。不久的將來，這會成為一項常備技能。

原文連結：https://blog.statsbot.co/deep-learning-achievements-4c563e034257

 

人工智慧賽博物理作業系統

AI-CPS OS

“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須瞭解如何將“技術”全面滲入整個公司、產品等“商業”場景中，利用AI-CPS OS形成數字化+智慧化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+資訊化、智造+產品+服務和資料+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業作業系統AI-CPS OS顛覆性的數字化+智慧化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

1. 重新行業佈局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

2. 重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

3. 重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智慧化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智慧化創新平臺，設計思路是將大資料、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智慧化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

1. 精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

2. 智慧：模型隨著時間（資料）的變化而變化，整個系統就具備了智慧（自學習）的能力。

3. 高效：企業需要建立實時或者準實時的資料採集傳輸、模型預測和響應決策能力，這樣智慧就從批量性、階段性的行為變成一個可以實時觸達的行為。

4. 不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

5. 邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智慧化力量通過三個方式激發經濟增長：

1. 創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即“智慧自動化”，以區別於傳統的自動化解決方案；

2. 對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

3. 人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

1. 超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智慧，為企業創造新商機；

2. 迎接新一代資訊科技，迎接人工智慧：無縫整合人類智慧與機器智慧，重新

   評估未來的知識和技能型別；

3. 制定道德規範：切實為人工智慧生態系統制定道德準則，並在智慧機器的開

   發過程中確定更加明晰的標準和最佳實踐；

4. 重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

   較高失業風險的人群；

5. 開發數字化+智慧化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《論語·子路》雲端計算、大資料、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，拓展的是人類的物理空間。那麼這一次地理大發現，拓展的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲端計算，大資料、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

相關推薦