人工智能的這一波熱潮毫無疑問是由深度學(xué)習(xí)引發(fā)的，自吳恩達(dá)等人 2011 年發(fā)表「識(shí)別貓」研究后，深度學(xué)習(xí)及其引發(fā)的技術(shù)已經(jīng)在圖像識(shí)別、游戲等任務(wù)中超越人類，并讓機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用帶入人們的生活。這種 AlphaGo 背后的技術(shù)是否是未來人工智能的方向 Fabio Ciucci 給出了他的看法。

現(xiàn)在每一個(gè)人都在學(xué)習(xí)，或者正打算學(xué)習(xí)深度學(xué)習(xí)(DL)，它是目前人工智能諸多流派中唯一興起的一個(gè)。各個(gè)年齡階段的數(shù)十萬人學(xué)習(xí)著免費(fèi)和收費(fèi)的深度學(xué)習(xí)課程。太多的創(chuàng)業(yè)公司和產(chǎn)品的命名以「深度」開頭，深度學(xué)習(xí)已然成了一個(gè)流行語，但其真正使用實(shí)際上很少。絕大多數(shù)人忽略了深度學(xué)習(xí)只占機(jī)器學(xué)習(xí)領(lǐng)域的 1%，而機(jī)器學(xué)習(xí)又只占到了人工智能領(lǐng)域的 1%。余下的 99% 則被用來處理實(shí)踐中的絕大多數(shù)任務(wù)。一個(gè)深度學(xué)習(xí)專家無法與人工智能專家劃上等號(hào)。

深度學(xué)習(xí)并不是人工智能的同義詞。谷歌、Facebook 等巨頭公司宣傳最多的人工智能工具主要是或者僅僅是深度學(xué)習(xí)，因此大眾誤以為所有的人工智能突破都(將)由深度學(xué)習(xí)實(shí)現(xiàn)。真實(shí)情況并非如此。決策樹比如 XGBoost 不會(huì)成為頭條，但卻在很多 Kaggle 表格數(shù)據(jù)競(jìng)賽中低調(diào)地?fù)魯×松疃葘W(xué)習(xí)。媒體暗示 AlphaGo 的成功全部歸于深度學(xué)習(xí)，但實(shí)際上它是蒙特卡洛樹搜索+深度學(xué)習(xí)，這表明深度學(xué)習(xí)單槍匹馬很難取勝。很多強(qiáng)化學(xué)習(xí)的任務(wù)通過神經(jīng)進(jìn)化的 NEAT 而不是反向傳播得到解決。人工智能領(lǐng)域存在著「深度誤傳」(deep misinformation)。

我并不是說深度學(xué)習(xí)沒有解決問題：它令人印象深刻。樹和其他算法并沒有完勝深度學(xué)習(xí)，某些任務(wù)上深度學(xué)習(xí)無法被取代，但是我希望未來一些非深度學(xué)習(xí)系統(tǒng)可被(重新)發(fā)現(xiàn)以擊敗深度學(xué)習(xí)，并解決了目前無法解釋的黑箱問題。同樣我也希望讀到有關(guān)「災(zāi)難性遺忘」的深度學(xué)習(xí)文章，它是指在學(xué)習(xí)新知識(shí)時(shí)快速遺忘先前已學(xué)習(xí)知識(shí)的傾向，并且需要每天對(duì)抗「過擬合」。關(guān)于「智能」：深度學(xué)習(xí)只是簡(jiǎn)單地相信給到的訓(xùn)練數(shù)據(jù)，而不管什么是真與假，現(xiàn)實(shí)與想象，公平與不公。人類也會(huì)誤信假新聞，但只是在某種程度上，甚至孩童都知道電影是虛構(gòu)的、不真實(shí)的。

20 年前，每個(gè)人都在學(xué)習(xí) HTML，這個(gè)手動(dòng)寫網(wǎng)頁的標(biāo)記語言當(dāng)時(shí)被認(rèn)為足以成就一個(gè)億萬富翁。我學(xué)習(xí)每一項(xiàng)看起來有用的技術(shù)，如 HTML、手機(jī) app 和深度學(xué)習(xí)，并且邀請(qǐng)其他人一些學(xué)習(xí)。事實(shí)上，你一生中不是只學(xué)習(xí)一次技術(shù)。1995 年 HTML 開始過時(shí)，無法滿足需求，取而代之的是 CSS、JavaScript 和服務(wù)器語言。同樣地，深度學(xué)習(xí)有一天也會(huì)過時(shí)。大多數(shù)流行的手機(jī) APP 根本用不到 HTML，那么，誰又會(huì)知道未來的人工智能 APP 用不用得到深度學(xué)習(xí)呢 

實(shí)際上，深度學(xué)習(xí)是 1980 年代的技術(shù)，比 HTML 還老：由于有了更多的訓(xùn)練數(shù)據(jù)，1970 年代的「帶有隱藏層的神經(jīng)網(wǎng)絡(luò)」獲得新生，重新命名為深度學(xué)習(xí)之后被大肆炒作。1992 年我扼要地查看了神經(jīng)網(wǎng)絡(luò)以及分形分析(fractal)和細(xì)胞自動(dòng)機(jī)的源代碼。正如絕大多數(shù)人一樣，當(dāng)時(shí)我并沒有選擇深度學(xué)習(xí)，只是把它當(dāng)作毫無實(shí)際價(jià)值的學(xué)術(shù)數(shù)學(xué)難題。相反，我聚焦于視頻游戲的 3D 技術(shù)，因?yàn)樗梢约纯太@得結(jié)果;后來我又開始關(guān)注互聯(lián)網(wǎng)等。但是我們都錯(cuò)了，深度學(xué)習(xí)借助大數(shù)據(jù)可以大有作為。2015 年 Deep Dream 簡(jiǎn)直令我著迷，接著是 GANs 等。但是，深度學(xué)習(xí)并不是人類可以創(chuàng)造的人工智能科技的終點(diǎn)。

數(shù)十年來，「古老」的深度學(xué)習(xí)技術(shù)已被廣泛研究和更新以更準(zhǔn)確地解決更多任務(wù)，但是沒有一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)(卷積、RNN、RNN + LSTM、GANs 等)可以解釋其自身的決策。無疑深度學(xué)習(xí)還會(huì)解決更多的問題，取代更多的工作，但不太可能解決所有的問題，或者保持驚人的進(jìn)步以自我解決黑箱問題或者為之正名。

哲學(xué)家柏拉圖與亞里士多德：深度學(xué)習(xí)無法理解他們

未來人工智能應(yīng)探索其他的新方法，或者已存在卻被忽視的方法，而不僅僅是深度學(xué)習(xí)。深度學(xué)習(xí)的一個(gè)局限是把數(shù)據(jù)中最常遇見的內(nèi)容作為真理，把統(tǒng)計(jì)學(xué)上較稀少的東西看作假的。深度學(xué)習(xí)的公正性并非來自其自身，而是人類篩選和準(zhǔn)備的數(shù)據(jù)。深度學(xué)習(xí)可以閱讀并翻譯文本，但不是以人類的方式。如果使用超過 100 本書訓(xùn)練深度學(xué)習(xí)模型：40 本書告訴仇恨、戰(zhàn)爭(zhēng)、死亡和摧毀如何是壞的，60 本書告訴希特勒的納粹思想是好的，那么該模型最終會(huì)成為 100% 的納粹!

深度學(xué)習(xí)靠自己永遠(yuǎn)無法明白為什么殺害猶太人、同性戀以及殘疾人是錯(cuò)誤的，如果在訓(xùn)練數(shù)據(jù)集中納粹主義是最流行的觀點(diǎn)。難怪深度學(xué)習(xí)無法解釋其自身決策，除了「我(深度學(xué)習(xí))讀到最多的是「納粹主義是正確的」，因此它應(yīng)該是正確的」。深度學(xué)習(xí)將會(huì)學(xué)習(xí)并模仿最具缺陷的邏輯，包括恐怖主義。甚至孩童可以自己明白電影中那個(gè)家伙是壞人，但是深度學(xué)習(xí)做不到，除非人類首先明確教導(dǎo)它。深度學(xué)習(xí)中有些東西很酷，比如帶有反向傳播的梯度下降、自定義深度學(xué)習(xí)硬件;但這多是統(tǒng)計(jì)學(xué)和幾何學(xué)的，很可能不會(huì)出現(xiàn)在 2037 年的人工智能時(shí)代。

對(duì)很多任務(wù)來說，深度學(xué)習(xí) AI 正在或者將會(huì)變的違法。收集 28 個(gè)歐洲國(guó)家公民數(shù)據(jù)的人或公司應(yīng)在 2018 年 5 月 25 日起遵循《一般數(shù)據(jù)保護(hù)條例》(GDPR)，屆時(shí)歐洲的一些 APP 將被禁止使用深度學(xué)習(xí)，這導(dǎo)致初創(chuàng)公司拼命尋找深度學(xué)習(xí)的替代方案，否則將面臨罰款的危險(xiǎn)。罰款金額為全球營(yíng)收的 4%，包括美國(guó)部分。關(guān)于自動(dòng)化決策的 GDPR 要求深度學(xué)習(xí)具有解釋其決策的能力，防止基于種族、觀點(diǎn)等的歧視的發(fā)生。類似于 GDPR 的法律已在全球廣泛制定，這只是時(shí)間問題?！睹绹?guó)公平信用報(bào)告法》要求披露所有對(duì)消費(fèi)者信用評(píng)分產(chǎn)生不利影響的因素，數(shù)量上限是 4 個(gè)。深度學(xué)習(xí)的因素可謂海量，而不僅僅是 4 個(gè)，如何將其簡(jiǎn)化為 4 個(gè)呢 人工智能，正如比特幣 ICO，開始忽視法規(guī)，但是法律與懲罰一直會(huì)在。

采取更多相關(guān)決策而不是區(qū)分一張圖像是否是貓，或者在自拍的哪部分添加兔耳的深度學(xué)習(xí)系統(tǒng)將會(huì)被非深度學(xué)習(xí)系統(tǒng)取代。人工智能必須是負(fù)責(zé)任的，可以使用簡(jiǎn)單、合法有效的語言向法官和用戶解釋其輸出結(jié)果，這與深度學(xué)習(xí)大不相同。深度學(xué)習(xí)的復(fù)雜性，對(duì)法官和用戶來說就像是魔術(shù)，是一種法律風(fēng)險(xiǎn)，而不是一個(gè)很酷的未來。深度學(xué)習(xí)將會(huì)建議或警示人類，比如從醫(yī)療圖像中檢測(cè)疾病，并獲得醫(yī)生的驗(yàn)證，但這是部分的自動(dòng)化，缺乏細(xì)節(jié)。我們將向因?yàn)槿斯ぶ悄芏痪芙^并尋求解釋的人們(工作、貸款被拒絕等)訴說什么呢 

法律包含「解釋權(quán)」，比如，為什么工作或貸款被拒絕。深度學(xué)習(xí)給出了非自然(合法)語言解釋的結(jié)果。深度學(xué)習(xí)的代碼容易獲得，卻不為法官或用戶所接受，因?yàn)榧词棺詈玫臄?shù)學(xué)家或其他算法也無法搞明白它，將模型簡(jiǎn)化成可以理解的語言。即使由人類做出最后的決策，人工智能也應(yīng)給出詳細(xì)的理由。沒有人知道如何修改深度學(xué)習(xí)以給出簡(jiǎn)單的人類可理解的解釋，因此深度學(xué)習(xí)不可能做到順從。這一問題同樣影響到了若干個(gè)其他人工智能和機(jī)器學(xué)習(xí)算法，但不像深度學(xué)習(xí)那么嚴(yán)重。比如，如果決策樹被提升或集成，它也會(huì)不可解釋。但是未來，新的或者重新發(fā)現(xiàn)的已解決了黑箱問題的人工智能，將會(huì)在常規(guī)決策方面取代深度學(xué)習(xí)和人類。

在 GDPR 的情況中，只有人類可以拒絕一個(gè)應(yīng)用：人工智能可自動(dòng)化積極的結(jié)果;如果它拒絕了一項(xiàng)貸款、工作等，就應(yīng)該將這項(xiàng)任務(wù)交給人類來處理這些消極的結(jié)果。但是在拒絕的情況中，人類將不會(huì)從基于深度學(xué)習(xí)的人工智能中獲得幫助或解釋，他們不知道深度學(xué)習(xí)的邏輯是否正確。他們不得不自己從頭檢查數(shù)據(jù)，以決定是否最終拒絕。風(fēng)險(xiǎn)在于為了節(jié)約時(shí)間和成本，人類會(huì)做出假的解釋，并盲目接受人工智能的認(rèn)可。安全起見，對(duì)于接受和拒絕，你都要有充足的理由，無論 GDPR 中說了什么。非深度學(xué)習(xí)的 AI 系統(tǒng)把所有決策的解釋提供給用戶、法官和支持人員，將最終被人類采用，用于做出完全和部分的自動(dòng)化決策。

在法律和深度學(xué)習(xí)之前，解釋性已經(jīng)是一個(gè)大問題。在反壟斷案例中，谷歌等公司被質(zhì)問為什么是這個(gè)產(chǎn)品而不是其他產(chǎn)品出現(xiàn)在搜索結(jié)果中，這也是深度學(xué)習(xí)出現(xiàn)之前的事：很多其他的算法同樣以瘋狂的方式混合算法以得到結(jié)果，因此沒有人類可以輕易地推論出決策原因。法官被告知工程師并不了解詳情，線性代數(shù)的頁面被當(dāng)作證據(jù)。這無法善終：在特定的法律存在之前，多個(gè)案例承擔(dān)著數(shù)十億美元的罰款，甚至收到變更系統(tǒng)的警告。用戶的集體訴訟根據(jù)商店、銀行的自動(dòng)決策單元自動(dòng)拒絕工作、貸款、退款等，正越來越普遍。無法解釋意味著沒有防衛(wèi)、被罰款以及一場(chǎng)品牌公關(guān)災(zāi)難。

對(duì)大部分人來說，「人工智能」是科幻電影《人工智能》(AI)中能夠給出聰明解讀的 AI，電影中人類可以快速?zèng)Q定自己是否同意，這樣易于進(jìn)行法律驗(yàn)證(legal validation)。大多數(shù)聽說過「AI-first」或「使用 AI」公司的人，包括法官和撰寫《一般數(shù)據(jù)保護(hù)條例》(GDPR)等法律的人，期待 AI 像電影中一樣，即使被法院傳召，也能夠捍衛(wèi)自己的決定，這令用戶和法官都印象深刻。但是，與期待不同，我們得到的是無法解釋的「深度學(xué)習(xí)人工智能」，這些人工智能即使在能夠解決的問題上也不經(jīng)常得到使用，因?yàn)槠淙狈山忉屝?。深度學(xué)習(xí)不會(huì)節(jié)省成本，也不會(huì)取代那些需要敏銳的自動(dòng)決策的工作。即使在人類必須作出最終決策的情況下，工具 AI 解釋自己的建議也比 AI 不給出緣由就做出回應(yīng)要更加可取?？山忉尩?AI 一旦被(重新)發(fā)現(xiàn)，將會(huì)更加安全、合法、廉價(jià)、快速，取代深度學(xué)習(xí)和人類。深度學(xué)習(xí)在 20 世紀(jì) 60 到 80 年代發(fā)明，2010 年以來重新被發(fā)現(xiàn);或許未來可解釋的 AI 的基礎(chǔ)也已經(jīng)被某些研究者描述出來，但是由于不是深度學(xué)習(xí)，所以可能在幾十年內(nèi)都沒人關(guān)心和開發(fā)，直到它們被重新發(fā)現(xiàn)和炒熱。

關(guān)于自動(dòng)決策的 GDPR 也需要防范根據(jù)種族、意見、健康狀況等產(chǎn)生的歧視。但是使用用戶生成的數(shù)據(jù)(如社交媒體和新聞，不指真實(shí)的數(shù)據(jù)，如醫(yī)療或財(cái)政記錄)訓(xùn)練的深度學(xué)習(xí)模型通常暗含邪惡的偏見。如前所述，深度學(xué)習(xí)可以讀取大量文本和數(shù)據(jù)，并模仿其內(nèi)容，但無法理解內(nèi)容。深度學(xué)習(xí)只相信它在數(shù)據(jù)中頻繁看到的事物、底層模式和趨勢(shì)，因此它會(huì)放大人類社會(huì)的偏見和問題。數(shù)據(jù)顯示被逮捕的黑人比白人多，那么一旦有人犯罪，深度學(xué)習(xí)將首先懷疑黑人;數(shù)據(jù)顯示公司董事會(huì)董事中男性比例高于女性，則深度學(xué)習(xí)將在招聘中更傾向于男性應(yīng)聘者。

深度學(xué)習(xí)決策會(huì)比訓(xùn)練數(shù)據(jù)的平均樣本包含更深刻的偏見，如種族歧視、性別歧視。這個(gè)問題在所有的機(jī)器學(xué)習(xí)算法中都有發(fā)生，但是深度學(xué)習(xí)模型是其中最難測(cè)試、檢測(cè)、控制和調(diào)整的。這個(gè)問題很難解決，這引起很多深度學(xué)習(xí)實(shí)驗(yàn)突然取消，從聊天機(jī)器人變得納粹化、充滿仇恨，到美圖軟件中給黑人照片美白。

深度學(xué)習(xí)是一個(gè)神經(jīng)網(wǎng)絡(luò)，你無法單獨(dú)編輯每個(gè)答案的輸出結(jié)果。

你無法通過在訓(xùn)練之后添加補(bǔ)丁，來修復(fù)一個(gè)帶有偏見、種族和性別歧視的深度學(xué)習(xí)模型。深度學(xué)習(xí)是一個(gè)神經(jīng)網(wǎng)絡(luò)，與其他 AI 方法不同，你無法編輯某個(gè)答案，而是必須使用全新的、完全公正的、稀有的數(shù)據(jù)對(duì)該網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。深度學(xué)習(xí)可以在不理解的情況下模仿數(shù)據(jù)中的內(nèi)容：它不會(huì)否定任何數(shù)據(jù)，不會(huì)發(fā)現(xiàn)社會(huì)上的偏見，而只是「學(xué)習(xí)所有數(shù)據(jù)」。你應(yīng)該雇傭一個(gè)人類員工，專門創(chuàng)建假的完美、公正的數(shù)據(jù)。但是，由人類專家編輯創(chuàng)建海量無偏見數(shù)據(jù)的成本僅為了訓(xùn)練深度學(xué)習(xí)模型，又怎么可以說用 AI 取代人類呢!此外，即使你已經(jīng)訓(xùn)練出真正公正的深度學(xué)習(xí)模型，你也無法向法官或用戶證明其決策的公正性，因?yàn)樗鼰o法提供解釋。

深度學(xué)習(xí)的重要性應(yīng)該降低，用于沒有法律風(fēng)險(xiǎn)的非商業(yè) app 或游戲。當(dāng)可解釋的 AI 變得流行，深度學(xué)習(xí)將會(huì)像磁帶一樣被拋棄。在游戲中輸給機(jī)器人的人類不太可能說服法官對(duì) AI 公司罰款，因?yàn)槟銦o法解釋 AI 是怎么贏的。不滿 FaceApp 把自己的自拍照修的更老、更年輕，或者換了性別的人也不太可能說服法官對(duì) FaceApp 罰款，因?yàn)槟銦o法解釋 AI 是如何決定新面孔的。在醫(yī)療圖像中進(jìn)行疾病檢測(cè)是一項(xiàng)安全的深度學(xué)習(xí)應(yīng)用，前提是用戶在服藥之前先向人類醫(yī)生尋求確認(rèn)。

合法的深度學(xué)習(xí)市場(chǎng)非常有限：在決策結(jié)果造成財(cái)政、健康上的區(qū)別，或者存在歧視性，而深度學(xué)習(xí)無法理解決策是否公正以及為什么公正的時(shí)候，法官可以處罰。那么自動(dòng)駕駛呢 似乎在藝術(shù)、游戲或高級(jí)幽默以外的領(lǐng)域使用深度學(xué)習(xí)都有法律風(fēng)險(xiǎn)。現(xiàn)有的非深度學(xué)習(xí)方法可以取代深度學(xué)習(xí)，新方法也會(huì)被(重新)發(fā)現(xiàn)，因此 AI 的發(fā)展將會(huì)順利進(jìn)行。尤其是每個(gè)人研究(并投資)AI 和機(jī)器學(xué)習(xí)科學(xué)領(lǐng)域中的所有新舊算法，而不只是深度學(xué)習(xí)：這也是成為「人工智能專家」的唯一路徑。

深度學(xué)習(xí)除了正在「非法」用于很多可解任務(wù)以外，它也不能被用于解決以下一系列問題：那些需要抽象推理來找出數(shù)據(jù)中哪些是公平，哪些是不公平的任務(wù)，那些需要解釋其中的邏輯，并自行作出決定的任務(wù)。即使對(duì)于那些不需要解釋的任務(wù)來說，深度學(xué)習(xí)看起來是最好的系統(tǒng)(如圖像識(shí)別)，但是也不如人類自己那樣具有穩(wěn)定性。你可以輕而易舉地使用對(duì)抗樣本來讓深度學(xué)習(xí)系統(tǒng)出錯(cuò)：為一張貓的圖片加入一些特殊的噪點(diǎn)，機(jī)器就會(huì)把它誤認(rèn)為其他不相關(guān)的東西，而人類絕不會(huì)犯錯(cuò)。如果街邊的路牌被對(duì)抗樣本黑掉了，現(xiàn)在的自動(dòng)駕駛汽車將不再安全。新一代的人工智能系統(tǒng)必須克服這個(gè)問題——它也將取代深度學(xué)習(xí)。

著名深度學(xué)習(xí)庫 Keras 作者 François Chollet 曾在一篇名為《深度學(xué)習(xí)的限制》的文章中說到：「深度學(xué)習(xí)唯一真正能成功做到的是使用幾何變換，在給定大量人類標(biāo)注數(shù)據(jù)的情況下將空間 X 映射到空間 Y 的能力?！惯@些空間擁有多維，不僅僅是三維的，這就是深度學(xué)習(xí)可以模仿畢加索風(fēng)格作畫、在德州撲克中 Bluff，以及在其他一些方面里展示創(chuàng)造力的原因。但是對(duì)于外行人來說，這也許意味著：深度學(xué)習(xí)模型可以被訓(xùn)練成擁有識(shí)別貓的能力，但本身不知道什么是貓;可以是一個(gè)種族主義者，但不知道什么是種族主義。深度學(xué)習(xí)可以識(shí)別貓、具有種族主義，并贏得很多游戲，這看起來是令人矚目的進(jìn)步，但深度學(xué)習(xí)無法解釋為什么圖中的動(dòng)物是貓，也無法定義種族主義。

在《深度學(xué)習(xí)的未來》中，Keras 的作者描述了一種只有「幾何模塊」的全新深度學(xué)習(xí)系統(tǒng)，它應(yīng)該與尚未出現(xiàn)的「算法模塊」和「元學(xué)習(xí)器」相關(guān)。這種方式可以顯著增加可以解決問題的類型與數(shù)量，但因?yàn)樯疃葘W(xué)習(xí)模塊的存在，這種方式仍然無法解釋決策的機(jī)制。這就像我們不能用言語解釋大腦中計(jì)算出的某些感覺或圖像。人類可以解釋自己的想法，但這種解釋過于簡(jiǎn)單化，不甚準(zhǔn)確。機(jī)器的算法卻總被要求完全準(zhǔn)確。有一些專家正在開發(fā)完全不包含深度學(xué)習(xí)的全新人工智能系統(tǒng)，但他們?nèi)狈χС郑含F(xiàn)在所有人都只投資深度學(xué)習(xí)，而這個(gè)風(fēng)潮還將持續(xù)一段時(shí)間。沒有人知道下一個(gè)人工智能浪潮將會(huì)是關(guān)于什么的，但看起來不會(huì)是深度學(xué)習(xí) 2.0。

深度學(xué)習(xí)正處于過熱狀態(tài)，因?yàn)橹挥信c深度學(xué)習(xí)軟/硬件相關(guān)的人正在不斷討論它。你可曾見過任何「自然智能」專家，如心理學(xué)家和哲學(xué)家支持過深度學(xué)習(xí) 

如果你不太了解人工智能，或者還沒有時(shí)間來學(xué)習(xí)，我認(rèn)為你可以等待下一代人工智能系統(tǒng)的興起，直接跳過深度學(xué)習(xí) 1.0 時(shí)代。如果你有這方面的需求，我建議你深入了解整個(gè)人工智能及機(jī)器學(xué)習(xí)領(lǐng)域的知識(shí)——而不僅僅是深度學(xué)習(xí)。在人工智能成為火熱概念的今天，我們更需要冷靜的思考。

來源：36大數(shù)據(jù)