郭毅可｜關于人工智能大模型發展的思考與展望

作者簡介

郭毅可，香港科技大學首席副校長、英國皇家工程院院士、歐洲科學院院士、香港工程科學院院士，2023年“吳文俊人工智能杰出貢獻獎”獲得者。研究方向為機器學習與數據挖掘、數據科學工作流程、機器學習算法及醫學大數據分析系統。主要著作有《人工智能與未來社會發展》（主編）等。

摘要

當前，大模型的發展速度日益加快，且其發展的道路和方向已成為人工智能發展的重要命題。如何讓機器具有智力，成為人類自身發展的好伙伴、好幫手，是大模型發展面臨的新挑戰。我們認為，未來大模型將從表述內容的“搜索范式”進化到闡述論證觀點的“價值范式”，建立自己的價值觀。在這樣的價值范式下，機器的人性化不斷增強，創造力得到進一步發展，從而使幻思的能力成為合乎世界模型的有意義的創造，最終推動大模型步入“創造范式”，使人與機器的共生、共存、共創成為可能，形成嶄新的社會形態。為此，我們需要建構面向未來的技術理想，對人工智能的發展及其推動人類發展進步的前景充滿信心，不畏試錯、大膽創新，走出一條我們自己的大模型道路。

如果大模型是一個答案，那么什么是問題

說到大模型，一個簡單的理解就是把巨量的信息（如互聯網上所有的文字）壓縮（即編碼），在這個壓縮的空間里形成一個采樣機制，它可以根據需要（如回答一個問題）選擇一些壓縮的信息，把它復原（即譯碼）以生成新的內容（如對問題的回答），也就是說模型的終極目標是壓縮輸入空間的信息，形成模型，使其可以重構并恢復原來的輸入空間。對于語言而言，重構生成策略是“文字接龍”，即通過前一個詞預測下一個詞的方法生成句子。這樣的稱為自回歸的預測基于“注意力”（attention）的方法來計算詞與詞的所有相關性，并用它來判斷一個詞和后一個詞的生成。這個看似簡單的方法，成就了ChatGPT革命性的突破！

大模型在語言上的成就也擴展到了其他的模態，如音樂、視頻都能夠以同樣的方法生成。在圖像方面，擴散模型通過對圖像進行壓縮編碼來提取抽象圖像的特征，并通過譯碼在壓縮的空間中基于不同特征的組合，形成新的圖像。在生成的過程中，對于圖像元素之間相關關系的估計，使得生成的圖像符合邏輯、具有意義。

這一原理并不復雜，而以這樣簡單的原理去實現一個機器的語言模型，使機器可以與人一樣進行交流對話，卻具有劃時代的意義。

這種方法之所以能夠成功，緣于今天我們可以有驚人的算力去處理天下所有的數據。今天的計算機可以讀遍世界上所有的文字，把它壓縮成一個萬億參數的模型，這是一個偉大的成就。而這樣的模型可以從海量的文字里面，總結出所有詞與詞的關系，更是一種不可思議的能力。

機器走到今天，具有了與人相近的語言能力，用專業的話說就是機器具有了與人相近的語言模型，這已經是不爭的事實。機器可以如人般回答問題，讓人從回答中分辨不出機器和人，也就是說今天的計算機通過了當年圖靈為回答“機器能思維嗎”這個問題而設計的“圖靈測試”。人工智能進入了“后圖靈時代”。

今天我們都在做大模型，有開源的、閉源的，有語言的，還有各種其他模態的。在大模型的追逐中有一套測試標準，如同人的智商測試，大家都在以這樣的測試來衡量模型的水平，追求一個SOTA（即目前的最好結果）。仿佛人工智能的發展已經找到了一個答案、一個萬能的方法，剩下的工作就是用更多的數據、更強的算力把模型做得更大。

強化學習的鼻祖薩頓（Richard Sutton）2019年發表了一篇博文——《苦澀的教訓》（The Bitter Lesson），指出在人工智能研究中如能找到一個通用的方法，利用大算力不斷拓展其能力，往往是最有效的研究途徑。這篇博文被廣泛引用，被稱之為人工智能學者必學的材料，這個論斷也被稱之為“擴展律”（Scaling Law）。從這個論斷出發，大模型的發展主要是依賴大算力和大數據，這也是目前大家普遍遵循的一條技術路線。

然而，我們真的已經為人工智能的發展找到了大模型這樣一個完美的答案了嗎？我們知道，科學發展每一個階段、每一個里程碑的完成都不只是給出一個答案，而是提出一系列新的問題，這些新的問題恰恰是科學繼續發展的內在推動力。那么，大模型時代，提出的問題又是什么呢？

作為投資者，他們關心的問題是大模型的價值到底是什么？如何實現它的商業利益？作為哲學家，他們關心的問題是機器思維和人類思維之間的異同以及由此帶來的與社會發展的關系。哲學家維特根斯坦說過，語言確定了思維的邊界。也就是說今天的機器有了語言，所以它不僅有了思維的表達，也有了思維的能力，那么，這樣的能力將如何進化，其發展對人類和社會又有多大的沖擊和影響？這是人工智能發展與治理需要思考的大問題。作為計算機科學家，在為技術不斷進步而驚喜的時候，我們也在總結過去的經驗和探索未來的方向。今天大模型給出的并不是一個答案，而是一系列新的問題——讓機器具有智力，成為人類自身發展的好伙伴、好幫手是一個漫長的征程。對這些新問題的理解和思考有助于我們規劃好研究的方向，避免人云亦云、重復勞動，從而有效地進行創新。下面，筆者將從算力、算料（數據）和算法三要素的角度來談一些看法。

關于算力

大模型的訓練需要巨大的算力。據稱GPT-3模型訓練使用了128臺英偉達A100服務器（訓練34天），對應640P算力；GPT-4模型訓練使用了3125臺英偉達A100服務器（訓練90～100天），對應15625P算力。從GPT-3到GPT-4模型，參數規模增加約10倍，但用于訓練的GPU數量增加了近24倍，總計算量增加了近70倍?？梢韵胂?，擴展律對應的資源需求量遞增是多么的巨大。實際上，擴展律還揭示了一個令人沮喪的事實：當我們的資源投入呈線性增長的時候，性能的提升是遠低于線性增長的。

巨大的算力也意味著巨大的投入。據估計，運營一臺英偉達的A100服務器，一年的成本約為80萬元。對于一個擁有萬卡的廠商，擁有1250臺服務器（8卡一臺服務器），一年需要1250乘以80萬也就是10億元的成本。可以想象，維護一個強大的算力中心的成本是驚人的，對于成本如此高昂的算力資源，如果不能得到滿負載的利用，將會造成巨大的浪費。

因此，大模型的發展不能僅僅在擴展率的驅動下，用算力的野蠻增長來推動。算力的確是今天AI時代最根本的基礎設施，但它不可能是無限的。我們必須研究高效的學習方法和策略來聰明地使用有限的計算資源。

混合專家模型。優化計算效率的一個有效的方法，是通過對模型結構和推理機制的改良，使得模型參數的增長和計算資源需求的增長呈線性而不是倍增關系，這其中一個重要的進展就是通過多個小參數模型的組合形成一個大參數量的模型，即“混合專家模型”（Mixture of Experts, MoE）。這一模型將多個不同的學習數據訓練成的子模型相結合，用一種表決組合的方式形成綜合的生成內容。由于這一方案在推理過程中能夠根據輸入數據的不同，動態地選擇不同的子模型（即“專家”）進行計算，使大模型的學習和推理“稀疏化”，因而能夠把大模型參數增長對算力的要求“線性化”，實現更快的響應速度。這樣的策略實現了對計算效率的極大改進，而且實踐證明，以這樣的新方式構造的模型系統的性能與同樣規模的單一模型相比并不遜色。這一結果其實并不令人驚訝，因為和人腦一樣，基于神經元網絡的模型在思考一個問題的過程中，實際上只有極小的一部分神經元參與了工作，所以這樣“稀疏”的學習和推理策略應當是行之有效的。

高質量的數據。第二種減少對大算力依賴的重要思路，是用高質量的數據來彌補模型的規模不足。數據是人工智能的基石，數據的質量關乎人工智能發展水平，影響其安全性、可信性。高質量的數據集可以幫助模型更好地理解和捕捉不同的概念、語義和語法結構，使模型在各種任務和領域中表現出更好的泛化能力，推動大模型的價值躍遷。大模型并不是越大越好，數據也不是越多越好，真正好的大模型是參數大小適中、數據質量高。實踐充分證明，面對同一個學習策略，高質量的學習數據可以大大提高模型的質量。相比一個規模更大但訓練數據質量較低的模型，一個規模較小但使用高質量數據訓練的模型可能表現出更高的生成質量。

持續學習。緩解算力需求的第三種重要方法是持續學習，即在不“忘記”從以前的學習中獲得的知識的情況下，不斷地用新的數據來更新模型，使訓練的大模型有更高的生成質量。我們知道，人類具有從經驗中不斷復用拓展知識的能力，不僅可以將先前學到的知識和技能應用到新的環境中，還可以將它們作為以后學習的基礎。如果機器也能有這樣的持續學習機制，我們就可以避免每次在進化一個大模型時，在包含新舊數據這一新的更大數據集的基礎上對整個模型進行重新訓練，從而改善大模型訓練對算力的需求。但是，持續學習不是一件容易的事情，模型所學到的知識與規律存儲在模型參數中，當模型在新數據集上學習時，網絡中的參數會被更新，而舊任務的知識則會被覆蓋，導致更新后的模型在舊任務上的表現出現“災難性的下降”，這種現象被稱為“災難性遺忘”。如何使機器在持續學習中克服這一問題，是一個很大的研究課題。所以，我們要看到，今天機器學習的機制還是很初級的，甚至不具備人類擁有的基本認知功能，比如“記憶”。在這樣一個功能欠缺的機制上，通過擴展律，用規模來彌補機制的缺陷，應該不是一個長遠之計。我相信，對人腦這樣一個經過幾百萬年的進化而形成的高效學習機制的研究和認識，一定會使我們發展出高效的機器學習機制，使算力不再成為大模型發展的瓶頸。

關于數據

擴展律的另一個結論是，通過大量不同的數據來訓練高容量的大模型，較之于通過巧妙的方法、用精選的小數據來微調一個現成的模型，更能捕捉數據的本質特征，從而找到數據的共性（即泛化能力），提高生成能力。

現在業界有一個普遍的認識，就是目前所有的數據已經快被用完，我們即將面臨“數據危機”。這個看法有一定的道理，但事實是，被我們用完的數據并不是消失了，而是被壓縮成了一個強大的模型。何謂壓縮？壓縮就是找出數據中的規律性、共性，并用更簡潔的方式予以表示，以減少冗余信息。而當我們成功地對數據進行壓縮時，就意味著我們已經捕捉到了數據的本質特征和規律，所得到的模型就有了優秀的泛化和生成能力。假如我們有了一個非常好的語言模型，那么這樣的語言模型同時也構成了一個最強大的數據生成器，可以生成所有我們想講的和能講的話。如此一來，更有意義的工作就不再是努力尋找新的數據，而是研究如何從大模型中生成我們需要的數據，并在這樣的數據之上以有限的算力更為有效地構造一個又一個精致的、滿足特定需要的模型。

這聽起來仿佛是一個輪回：從數據到模型又從模型生成數據，但這樣的輪回可以實現層次性的上升：新的數據和信息的質量、語言的結構更為高級，從而使得新的模型在層次上有了質的飛躍。比如我們要求新的語言模型可以懂得幽默、富有感情，可以寫出笑話，這不是一個簡單的任務。美國著名作家、語言學家勒古恩（Ursula K. Le Guin）指出，詞語是一種事件，具有作用力，能夠改變事物。它們不僅能夠改變說話者和聆聽者，還能在雙方之間傳遞能量，傳遞理解或情感，并對其進行放大。然而，當詞語被剝離了“人性”，輸入到無感情的機器中，被用作不具有啟迪功能的信息代價物時，會發生什么呢？這正是今天的大模型技術面臨的一個挑戰。

要在機器生成的語言中注入“人性”，就要求我們在模型中注入能夠用語言表達的人類文明凝練的精神智慧和文化底蘊，也就是說我們在訓練模型時，對語言數據的壓縮不僅要捕捉低階的語義特征，還要捕捉高階的語境、語用特征，這對語言模型的學習提出了新的要求。為了把這樣的層次性表達出來，也許，我們未來的壓縮編碼空間將不再是簡單的向量空間了。

進而言之，對新數據合成的要求也將不再滿足于簡單地按分布采樣，數據的生成不再是越多越好，而是要有選擇性，強調一定條件下的數據生成、有結構的數據生成，即數據的產生和采集是結構化的，而不是如現在這般——大模型的數據采集用一個數據元（token）統一組織——進行線性采集和順序生成了。

依筆者之見，用于學習的數據是取之不盡、用之不竭的。數據是客觀世界的一種體現和表達，如果把模型看成是機器通過數據對客觀世界進行理解，那么數據和模型的關系便符合毛澤東同志在“實踐論”中對辯證唯物主義認識論的闡述：“實踐、認識、再實踐、再認識，這種形式，循環往復以至無窮，而實踐和認識之每一循環的內容，都比較地進到了高一級的程度。這就是辯證唯物論的全部認識論，這就是辯證唯物論的知行統一觀”。就大模型而言，從數據到模型體現了實踐，而從模型到數據反映了認識。我們不必擔心數據的窮盡，而應該期待越來越有人性的大模型的到來。

關于算法

未來的大模型如何發展？這是今天每一個人工智能研究者都要認真思考的問題。如上文所言，以自回歸為基礎的大模型的研究取得了許多非常振奮人心的成果，存在技術改進的可能性空間和廣闊的開拓潛力，特別是在學習效率的提高、思維鏈的增強與合成數據的深度、精度和廣度等方面大有可為。此外，把大模型與其他的功能調用（functional call）的業務工作流相結合，把語言作為工作流的驅動機制，可以靈活地組織各種功能，形成一個大商業語言模型（Large Business Language Model）。這也是大模型算法研究上一個非常有前景的方向。這里我想談一下對生成式人工智能算法的一些根本性問題。

基于自回歸的生成模型的局限性。基于自回歸的生成模型的基本思路是線性地依順序重構輸入空間，所以，讓模型具有補全一句話、填滿一張圖的能力是有效的學習方法，目的都是使模型具有生成力。但是，這樣的模型也有其內在缺陷。

從學習的角度而言，以重構世界為目標的學習并不等同于可以理解世界。正如你學會了重新拼裝一架飛機，并不等于你理解飛行的原理，也不一定確保你能夠重新設計出一架新的飛機。所以，重構只是學習的第一步，理解所構造的世界才是關鍵而艱難的下一步。這個挑戰在目前的視頻生成研究中已經顯示得很清楚了。我們可以把視頻生成和語言生成等同起來，把視頻看成是圖像的序列語言，基于同樣的自回歸方法讓機器來重構，從大量的視頻數據中學會圖像序列的生成。這就要求在一個連續的時間序列中準確地生成每一幅圖像上的各種細節，并在這個時間段中保持每一幅圖像的一致性（如不變的建筑背景、符合運動規律的車流等），這是非常困難的，因為重構一個動態連續變化的場景的復雜程度要比重構一段靜態的文字表達高得多。因此筆者認為，用自回歸的方法生成視頻，生成內容細節有限的動畫是比較現實的，但對于高清的、有真實場景細節的視頻生成，它可能不是一條有效的途徑。

從“搜索范式”到“價值范式”。如何把握大模型未來的發展方向？關于這個命題有許多討論，例如從技術、哲學、認知科學等角度。下面，筆者將從大模型使用模式的角度來談談這個問題。

今天，大模型支持人類和機器的“人問機答”交流模式，這樣的交流是簡單的，我們可以把它看成是搜索的一個高級版，生成的答案可以視為檢索內容的一個總結。所以，今天大模型的學習和推理支持的是“搜索范式”。

事實上，我們使用的大模型搜索范式并不是唯一的方式。毋寧視其為一種初級的生成能力，因為它只是在詞語相關性的指導下，對學過的語言進行合乎統計規律的重構。這樣的自回歸方法還不具有人類語言中的類比、聯想、層次推理等各種能力。在未來大模型的研究中，我們要超越自回歸的思想，創造出更高級的語言能力，這將極大地豐富大模型的應用方式，同時這也將是大模型算法研究中一個有意義的方向。

從“人問機答”的搜索范式出發，對大模型的下一個要求就是，不僅能回答問題，而且要有討論和爭辯的能力。在人工智能領域，對于思辯（argumentation）的研究一直是一個重要的領域，如何讓機器模型具有思辨的能力，可以與人進行討論，即不僅能回答問題，還能提出問題，并對人的回答作出判斷、評價和回應。這樣的思辨能力的實現要求模型的思維不僅有演繹的能力，而且要有一個內在的“世界模型”，從而能夠對“回答”進行判斷和論證，這將使模型從“搜索范式”進化到一個以闡述觀點為目標的“價值范式”。這樣的世界模型的建立對于算法來說，要求其不僅具有學習和推理的能力，更需要有記憶、行為目標的建立，價值的衡量與判斷以及行為控制的能力。在這樣的范式下，學習的方式和推理的模式也會發生重大的改變，將不再可以被歸結為“預測下一個有可能的數據元”這么簡單的學習和生成模式了。實際上，這樣的向“價值范式”的進化，也是實現我們今天常講的“具身智能”的基礎。具身智能強調智能體通過與環境的交互獲取信息、理解問題、作出決策并實現行動，從而產生智能行為和適應性。有了支持“價值范式”的大模型，我們才可以有效地實現對環境的理解并通過其基于世界模型的價值衡量來作出決策、實現行動。

研究“創造范式”，使機器具有人類靈性。大模型的發展是從數據學習模型、模型生成數據的循環往復中，不斷從一個層次邁向更高的層次。不管是注入情感，還是融入思辨，每一層的循環都是在語言模型中添加人性的理解，使我們在語言模型的建立上不斷地逼近人類的語言和思維，讓機器的語言模式逐漸與人類相一致。早在2013年，本輪人工智能浪潮來臨前夕，美國上映了一部講述在不遠的未來人與人工智能機器相愛的科幻愛情電影《她》（Her）。主人公西奧多是一位信件撰寫人，能寫出感人肺腑的信件。他剛結束與妻子的婚姻，還沒走出痛苦的陰影。一次偶然的機會讓他接觸到最新的人工智能系統OS1，它的化身薩曼莎擁有迷人的聲線，溫柔體貼而又幽默風趣。西奧多與薩曼莎很快發現他們是如此投緣，而且存在對彼此的需求與欲望，人機友誼最終發展為一段奇異愛情。這個科幻片生動地展示了人類和一個有語言能力的機器之間的關系，也對后圖靈時代語言模型的發展作了一個形象的描述：機器的語言模型會與人無縫交流，會理解我們的語言、感情和語境，其與我們的交流也會越來越有“人性”。賦予機器模型以人性的光輝，就是研究大模型的終極目標。眾所周知，人性最精彩的部分是創造力。因此，我們應該研究大模型的“創造范式”，讓機器也具有人類的靈性。

2022年由AI生成的畫作——《空間歌劇院》（Théatre D'opéra Spatial）在美國科羅拉多州博覽會的“數字藝術”類別美術比賽中獲得第一名。該畫作的創作者是39歲的美國游戲設計師杰森·艾倫（Jason Allen），他使用文本生成圖像程序Midjourney，經過近千次調整、耗費近三百個小時進行修改完善，繪成了這個作品。Midjourney根據用戶的文字描述生成逼真的圖像，每次創作耗時約一分鐘。在創作者給定一個對歌劇院和天堂的描述之后，機器憑借自己對天堂的理解生成了一幅作品。在這個作品中，我們看到了機器與人類對天堂幻想的共同之處，但同時機器又賦予它獨特的想象力，畫出了超越習慣性思維的天堂。對于機器的這種能力，我們通常稱之為“幻思”（hallucinations）。

在文本生成中，這樣的幻思被認為是個嚴重的問題，是模型要克服的“毛病”，甚至常常被視為“一本正經的胡說八道”。之所以對其有這樣的看法，正是出于我們對大模型搜索范式的習慣性理解和使用。在搜索范式下，內容的生成常常是有事實依據的，與事實相符與否是衡量內容質量的標準，不然就是“胡說八道”；但是如果我們走出傳統的大模型搜索范式的思維，把它看成是一個有創作能力的生成系統，那么幻思就是一個非常重要的能力了。以筆者團隊正在開發的一個生成系統為例，我們給系統提供幾幅照片或幾幅圖畫后，機器可以生動地寫出一篇與提供的圖片相匹配的散文。在這樣的創作中，重要的不是與事實的一致性，而是內容與所給出圖片的意境相吻合，換句話說，這樣的吻合度就是我們要求的“一本正經”。只要符合邏輯，就不會對其有與事實相符的要求；只要不違背常識、不違背邏輯，就不會對其有“胡說八道”的責難。如此一來，就有了大模型使用的“創造范式”。對于在創造范式下的大模型而言，重要的是研究各種幻思的形式和性質，以及衡量各種幻思的創造性、啟發性和其他特性的標準及評價方法。以筆者團隊正在設計的用大模型來創作童話的工作為例，大模型的幻思是一個非常重要的能力，正是對幻思能力的合理開發，才能夠為童話創造出具有啟迪性和趣味性的內容。

對大模型發展的未來展望

作為總結，我想回顧一下圖靈關于機器智能的思考。圖靈在1950年發表的著名論文《計算機器與智能》（Computing Machinery and Intelligence）中，提出了機器能否思維的命題，認為只要機器在對話上和人沒有明顯差別，就是具有智能的，此即后人所稱的“圖靈測試”。今天的大模型已經初步具有了這樣的能力，可以實現“人問機答”。這樣看來，似乎可以說我們有了問題的答案。但是，人的語言能力遠不只是問答，我們的前路還很長。圖靈也在他的文章中規劃了一條道路，認為可以編制一個“兒童程序”，對其進行教育，以使其達到成人的智力水平。但在筆者看來，鑒于人類教育和機器學習的“兩極性”，這條路似乎要反著走了。

如圖1所示，我們對于機器的教育和對于人類的教育實踐似乎正好是相反的。對人類而言，我們在幼兒教育階段，不斷地啟發孩子對新事物的好奇，從而建立起孩子對生活和社會的常識；小學教育的目標主要不是知識積累，而是價值觀培養，讓孩子從各方面學到社會上的對與錯、真與假、善與惡；中學教育開始建立知識體系的基礎；大學教育才是專門化的知識培養。有了這些，一個人才能在社會實踐中接受社會的再教育，建立自己的知識體系，形成成人智力。而機器學習的過程正好是反過來的。我們一開始就喂給了機器這個世界的全部數據，把它壓縮成一個通用的預訓練模型，理論上，它可以講所有符合語言特性的話；第二步，才開始對這樣的一個預訓練模型進行微調，學習各個領域的知識（微調）和人類的表達方式（對齊），使它符合我們在各種主題下交流的需要；接下來，我們才發現要讓機器有判斷的能力，就必須讓機器學習對與錯的判別，使它產生價值觀；直到最后，我們希望機器從大量的學習中，能夠總結出一個世界模型，作為自己的常識，并在這樣的基礎上，能夠對這個世界產生創造力。

來源：作者自制

圖1 人類教育和機器學習的兩極性

正是基于這樣的對人機學習兩極性的理解，我們對大模型發展的未來作了這樣的展望：一個可以生成語言的大模型會從表述內容的搜索范式進化到闡述論證觀點的價值范式，它可以在對世界的理解下與人交流，這樣的理解也會在交流中不斷進化，從而使得機器學會建立自己的價值觀。而人工智能治理的一個根本性任務是努力保證這樣的價值觀符合人類進步的要求。在這樣的價值范式下，機器的人性化會不斷增強，創造力會得到進一步發展，從而使其幻思的能力成為合乎世界模型的有意義的創造方式。這樣的創造方式會使人與機器的共生、共存、共創成為可能，形成一個嶄新的社會形態。而人工智能治理的另一個根本性的任務就是為這樣的社會建立新的秩序，使一個對世界有理解、有價值、有判斷的大模型作為人腦的延伸，可以有其行為選擇的正確原則和機制，這樣我們講的具身智能才會真正到來，在一個人機二元的社會里為我們服務。

2024年5月14日，美國OpenAI宣布了全能大模型GPT-4o，它在大模型的問答能力方面，加入了視訊功能，可以感知語言環境，進行實時、自然、滿足語境的語音對話，并且能捕捉情緒、模擬情緒，這是大模型向人性化前進的重要一步。當前，大模型發展的速度越來越快，而對其發展道路和方向的把握尤為重要。我們必須建構自己的技術理想，對人工智能的發展，及其推動人類發展進步的前景充滿信心，不畏試錯、大膽創新，走出一條我們自己的大模型道路。

文章來源：《學術前沿》雜志2024年第13期（注釋從略）

原文責編：張 貝

原文美編：周群英

新媒體責編：梁麗琛

聲明：《學術前沿》雜志原創文章，任何單位或個人轉載請回復本公眾號獲得授權，轉載時請務必標明來源及作者。