丨劃重點
人工智能的初衷是希望能讓機器像人類一樣，代替人類完成任務，廣義的人工智能約等于計算機科學。
Google旗下的AlphaFold這類人工智能產品在科學領域的應用，未來30-50年，有望變革生命科學。
算法、算力、數據的不斷發(fā)展和完善，為人工智能的發(fā)展打下了堅實的基礎。
技術從不成熟到成熟，一方面是技術本身迭代，另一方面也需要有社會性的力量，來幫助它成長起來。
人工智能是把人從無聊的、重復的，疲倦的，不安全的事情當中解放出來，人不需要和機器比效率。
丨概述
人工智能，作為計算機科學的分支，一度成為科技互聯(lián)網創(chuàng)業(yè)的風口，但從幕后走向公眾視野，卻與幾場棋局和科學研究有關。
20世紀90年代，IBM曾推出Deep Blue人工智能項目，并于1996 年與國際象棋世界冠軍加里·卡斯帕羅夫，展開首場對壘，結局是Deep Blue告負，次年性能大幅提升后卷土重來，首次戰(zhàn)勝人類。
另一場經典，則是2016年谷歌AlphaGo與李世石的對戰(zhàn)，AlphaGo以4-1的絕對優(yōu)勢，贏下比賽。
人機博弈之外，AI在科學方面的應用研究也不斷突破，日前DeepMind官宣，AlphaFold可以預測出2億多個蛋白質結構，幾乎覆蓋了整個「蛋白質宇宙」。
作為AlphaGo和AlphaFold的創(chuàng)始團隊負責人，DeepMind CEO哈薩比斯曾表示，「我們將開始看到諾獎級別的科學挑戰(zhàn)被一個接一個地擊倒?！?/p>
問題在于，除了下棋和晦澀的科學研究，人工智能還有哪些價值？日常生活中，人工智能又有什么樣的應用？
8月24日晚間，亮見07期，邀請到了商湯科技創(chuàng)新工程院院長，集團副總裁沈徽，對話亮見主理人劉興亮，講述人工智能的技術演進、場景應用等話題，以下是直播精華版內容：
01
廣義的理解：計算機科學約等于人工智能
劉興亮: 沈老師能否先科普一下人工智能的含義，包括是誰提出人工智能的概念？
沈徽:人工智能是Artificial intelligence直接翻譯而來，1956年達特茅斯會議上麥卡錫首先提出，該會議確定了人工智能的目標是「實現能夠像人類一樣利用知識去解決問題的機器」，它的初衷是希望能讓機器像人類一樣，代替人類完成任務。
讓一個機器具有一定的思考能力，就叫做智能，但這樣一件事情的發(fā)生，其實是早于1956年，1956年更像是一個里程碑。
1956年達特茅斯會議參與學者，被譽為「AI之父」，圖源：網絡
比如1950年所提出的圖靈測試，人與一個黑盒子進行對話，看我們是否有辦法判定黑盒子后面到底是一臺機器還是一個人。
此外，1949年學界就已經提出機器翻譯的概念。比方從英文翻譯到中文或者從中文翻譯到法文，機器翻譯的概念，它是歸屬于我們現在的自然語言理解，也屬于比較大的人工智能領域之一。
其實「Artificial intelligence」分開看這兩個詞，Artificial的意思是人工的、人造的?！竔ntelligence」實際上是智能。智能不光是人具備，生物界很多的動物它們都具有一定的智能，但從某種程度上來看它們的智能所涵蓋的范疇，跟人類不是完全相同的。
如果從一個相對更廣泛的含義上去理解，我覺得人工智能就是人能夠去制作出具有一定思考能力或者決策能力、感知和判斷能力的機器或者產品。從這個角度去思考，計算機科學與人工智能很大程度上兩者可以約等。
舉個最簡單的例子：數據庫系統(tǒng)。數據庫系統(tǒng)主要做兩件事，記憶和檢索，以及在記憶和檢索的基礎上做出查詢，統(tǒng)計和推導。
如果我們把數據庫系統(tǒng)當成一個黑盒子，它是不是具有一定的智能？坦率來講，具備一定的智能。因為記憶本身就是智能的一種屬性，在記憶的基礎上做分析和推導，也是智能的一種屬性。所以從這個角度來看，我覺得大量的計算機科學領域相關的，包括數學領域相關的一些內容，都成為人工智能的基礎甚至某種智能形態(tài)。
人們對于人工智能可能更多的是從「它與人的相似程度」的角度去思考，就會把范疇變得更加狹窄一點。
日常生活中人們會困惑：人工智能技術到底是怎么樣的？我個人理解是人工智能的構建方法有兩個比較大的流派。一派是基于符號邏輯的規(guī)則體系構建，另外一派是基于數據統(tǒng)計模型的模型構建。
人的思考過程或者人的智能過程中基本上有兩類方法，一類叫演繹，一類叫總結或者歸納。演繹是「我」有一套不證自明的公理，在這個公理之上，我能構建出很強大的一套邏輯系統(tǒng)。這套邏輯系統(tǒng)在人工智能中的一個例子，就是專家系統(tǒng)。
專家系統(tǒng)就是針對一個特定的領域，列出大量的規(guī)則以及規(guī)則間的推導關系，人們將遇到的該領域的問題放到專家系統(tǒng)，就會得出一個結論，而且結論所能夠涵蓋知識庫是相對比較精準的，也可以說，專家系統(tǒng)是基于符號邏輯的。
但深度學習和阿爾法狗更多的是基于統(tǒng)計模型。在統(tǒng)計模型之下，「我」有大量的數據，數據間蘊含著一些關系，即人利用機器學習的辦法或者模擬人的神經網絡去習得這種關系，或者叫模型。
人的大腦里有一套神經網絡，用機器去模擬這套神經網絡，大量的數據經過神經網絡以后，不斷的反推神經網絡結構，這個神經網絡系統(tǒng)就是最后的產品，當你拋出一個問題，它就會給你一個答案，并且它具有泛化能力比較強的特點，即使問題可能不完全是在它之前涉及的樣例范圍中，可能稍有偏差，得到問題后它仍然能夠得出一個相對滿意的結果，缺陷則是很難達到100%的滿意度。
在近15年到20年的時間內，基于我們的深度學習或者深度神經網絡這類統(tǒng)計模型，取得了非常大的進步。一方面得益于半導體技術以及計算機體系結構不斷的迭代，算力得到極大的增強。另一方面是從上個世紀90年代末期開始，互聯(lián)網幫助我們將世界很大程度進行數字化，我們得到大量的數據以后，數據本身變成AI的燃料，變成人工智能的燃料，去推動人工智能技術的發(fā)展。
最后一方面，在人工智能的理論化和工程化，人類也取得了很大的突破，最早可能是從語音識別開始以及搜索引擎上的內容排序，之后慢慢就到自然語言理解，甚至一些深度的內容理解。過去計算機視覺在面對不確定環(huán)境的情況下，決策最后往往是人工決定，現在智能方面，很大程度上已經能夠用計算機自主得出比較精準的結果，這也是為什么最近幾年，人工智能話題在進入公眾的視野后也變得特別火。
02
人工智能未來30年-50年，有望變革生命科學
劉興亮:人工智能如何突破科學課題，實際應用層面，它的意義有哪些表現？
沈徽: 人工智能的歷史至少與計算機的歷史一樣長，甚至更長。在上百年的歷史過程中，是在不斷的開花結果，只不過有的效果可能看得比較清楚，有的可能是一個潛在長期的過程。
我們知道醫(yī)學雖然歷史很長，但現代醫(yī)學其實很短的。真正有理論支撐、有實驗支撐的醫(yī)學可能只有兩三百年，其中真正有效的、能為普羅大眾帶來好處的藥物品種相對比較少，但是這個問題會隨著蛋白質測序的發(fā)展而得到改變。
每個人都有自己的遺傳基因DNA，蛋白質是從DNA當中產生出來的，DNA只能決定蛋白質的組成成分是什么，不能決定構成什么樣的形狀。
蛋白質的形態(tài)實際上是粒子之間的相互作用力，但因為蛋白質是非常大的分子，是由幾千個幾萬個甚至更大的粒子構成，當你去預測它的結構形態(tài)，可以想想它的搜索空間是極大的。
Google下屬的Deepmind部門研制出了AlphaFold系統(tǒng)，用來預測蛋白質的折疊方式。
AlphaFold系統(tǒng)實際上是用一種深度學習的方法能夠比較精準的去預測蛋白質的結果，這與我們又有什么關系？
Alpha Fold預測蛋白質模擬圖，圖源：新智元
很多的疾病，尤其是一些比較個性化的疾病，由于身體里面的某些蛋白質缺失或者蛋白質改變導致，近幾十年出現了靶向藥的概念，尤其是針對癌癥治療靶向藥的患者，可能基因里出現問題，這類問題的修復，其實是針對它產生的蛋白質去做修復，就能夠防止某一類疾病的發(fā)生。但是靶向藥的開發(fā)投入巨大，耗時耗力。
所以說，所以AlphaFold系統(tǒng)所代表的技術，將來可能以非常高效的手段發(fā)現并幫助人類解決問題。
也許若干年之后，我們探索發(fā)現到最后研制生產和使用靶向藥的速度會更快，成本更低，可能我們可以針對任何一個單獨的人，用極低的成本和快速的研發(fā)，就對他的特定疾病進行靶向藥的針對治療，從而更快的恢復健康。盡管這是一個暢想，我覺得可能會慢慢實現，也許是30年，也許是50年之后，所以人工智能的實際意義肯定是巨大的。
03
工業(yè)紅線是AI可用與否的關鍵
劉興亮：如果讓您來當裁判，評估人工智能的發(fā)展水平，滿分一百分，您覺得目前能得多少分？
沈徽: 其實我們談論更多的是人工智能技術的發(fā)展水平是不是已經超越了一個「工業(yè)紅線」，當一個技術，它在工業(yè)紅線之下的時，不太可用，會出現大大小小的問題，但它超越紅線之后就變得可用或者人是可以在相當程度上依賴它的。
所以評估的標準，要看人工智能在它相關的一些應用領域上是不是已經越過了工業(yè)紅線，以及在多大程度上越過？對這個回答我是相當樂觀的。
拿計算機視覺來說，這是AI很重要的一個領域。我們的AI技術很早就在物體識別和人的識別上超過人類，人眼的錯誤率大概在6%左右，機器的錯誤率則遠遠低于這個數字。
再比方AI創(chuàng)作，去畫一個風格畫，或者是做一個特效，現在AI很大程度上不一定以假亂真，但基本上已經是非常接近一個實際的人去作畫，所以AI技術已經超過工業(yè)紅線，甚至遠遠超過專家的水準，但我們不能下結論說AI已經超過人，它離人的智慧還是差得很遠。
AI作畫成品圖，圖源：量子位
到底差在什么地方？
首先，我覺得物體識別它超過了人類，僅限于非常細分的、垂直，定義好的場景，但是如果想要把能力泛化到任何一個領域去，這樣的一個泛化能力是相對缺乏的。
換句話說，可能我的某一個特定的算法它做識別類任務特別好，但是其他類型的任務，是否還能夠做準確的分類？需要打個問號，如果是AI沒有見過的，可能得到的結果并不好。
其次，我覺得需要解決技術的資源消耗，或者說成本問題。如何能夠讓一個針對特定領域的AI技術，很快、很容易的應用，就涉及到投資回報率的問題，只有當投資回報率足夠好時，它才有可能會大量應用。
如果拿人腦舉例，我們人腦的功耗是大約20瓦，當你仔細思認真思考問題時，大概功耗是20瓦。今天一塊GPU卡很輕易就能達到250瓦，這樣的一塊GPU卡，功耗遠超人腦，如果需要1000塊的卡，才能解決某個特定問題，并且做的比人類好，那么投入產出比就是不理想的。
再者，AI它作為一個技術，本身很難體現出使用價值，它必須要跟實際的場景做結合，進行賦能，必須要與實際的問題做結合。這時它的價值、使用價值，才會體現出來，而且把AI技術跟實際問題結合的前提，是開發(fā)人員必須了解實際的問題。
比方說新能源汽車電池，有很多重要的質量檢測環(huán)節(jié)，如果檢測不嚴格是有安全風險的。過去產線上可能有100道工序，就有100個檢測的環(huán)節(jié)，如果不到電池廠去觀察生產流水線，去與技術員交流，不了解電池的電化學、熱化學理，很難設計出符合應用場景的AI算法，去解決問題。
所以AI的技術應用，它不是單門靠計算機科學家、人工智能研究員、算法工程師就能完成的，它是需要跟行業(yè)的專家交流來進行技術結合。彼此越了解，它產生的效果就會更大。
04
算法、算力和數據是人工智能發(fā)展的關鍵
劉興亮: 人工智能技術它的關鍵到底是什么？
沈徽：人工智能，特別是近20年，基于深度學習的人工智能技術，我覺得有三個非常重要的因素：算力、算法、數據，以及我個人的看法：應用落地。因為我認為應用落地或者是對用戶需求的滿足，實際上是為三要素做一個方向的指引，用需求去引導供給。人工智能的技術爆發(fā)或者成熟度的提升，是與三要素不斷的被滿足或者不斷的取得突破，有非常緊密的聯(lián)系。
先從算力說起，算力的增長，我覺得是一個很客觀的因素。算力與摩爾定律有關，具體到半導體上，芯片產業(yè)每隔18個月，它的性能提升一倍，價格下降一半。這其實是非?？膳碌囊?guī)律，因為它是一個冪指數的上升，而不是一個線性的增長。
第二個是數據，我覺得數據很重要的原因有幾個推手。第一個推手是互聯(lián)網應用產生大量的資訊、數據，不斷將其結構化、網絡化，變得容易獲取，能夠共享聚合。另外一只推手是世界范圍內所謂的數字化轉型。
數字化轉型其實就是把企業(yè)內部以及企業(yè)之間經營的相關的內容能夠以一個數據的方式呈現出來，記錄下來，進行分析。這些內容都為深度學習提供了大量的燃料，這些燃料能夠去幫助深度學習技術去產生更好的模型，幫助人類解決問題。如果沒有互聯(lián)網以及數字化轉型的浪潮，他們在過去15-20年做的鋪墊，就會變成巧婦難為無米之炊，AI的發(fā)展也正是是受益于此。
第三個算法，其實算法的背后就是人以及人在思考上的突破。一方面體現在高校、研究院的眾多科研人員對于深度學習本身的認知，包括神經網絡、深度學習網絡的認知，也包括實踐上的認知和數學上的認知。此外還有大量的應用在落地之后，是對研究方向以及研究課題提出反饋或者提出引導。而這些引導會吸引大量的工程技術人員去嘗試此類方向。其實這就形成了一個很好的循環(huán)，從高校研究所到企業(yè)到政府再到用戶，這樣一個閉環(huán)。
所以我覺得算法、算力、數據三個要素在過去的一段時間里，是不斷完善的，同時也為人工智能的發(fā)展提供很重要的基礎。
劉興亮: 目前人工智能在哪一些行業(yè)已經開始應用，效果怎么樣？為什么消費者對人工智能的感知不明顯？
沈徽: 坦率的說，人工智能的應用已經是在廣泛落地。舉幾個例子，其實人工智能最初的落地?？赡苁窃谏虡I(yè)用戶領域。比如去商場停車，以前都有崗亭檢票，依據票上的起始時間最后計算停車費用。如今再去商場的停車場，它會有機器識別車牌號，當你準備離開時它會語音播報你的停車時間和停車費用，之后你再去掃碼付費，在這個過程中，有相當多的AI技術。
第一個AI技術是出入停車場識別同一輛車，通過追蹤你的軌跡，包括最后的停車位置。另一個是掃碼支付過程中的識別，甚至現在有掃臉的方式進行自動支付，只不過在此過程當中，可能大家沒有那么深切的感受到是AI技術在發(fā)揮作用。
另外一個例子比如所用到的騰訊會議的美顏功能，就涉及到大量的計算機視覺技術。如果AI錯誤地識別人臉上一個位置，可能我的鼻子就會「消失」，應該找到正確的地方去皺紋、皮膚增亮。這些都是對人整體的各個五官，各個部分的一個識別，在識別的基礎上去做相應的AI技術應用。
為什么消費者對AI的感受不是很明顯，我覺得歷史發(fā)展本就需要時間，一個新技術都是從不成熟到成熟的。
當它還不成熟時，卻又跨越了工業(yè)紅線，就會比較容易在B端落地，原因是：
第一，B端的需求和環(huán)境是比較明確的，比方說停車場，它其實不是在任意一個位置去識別你的車牌，它是在出入口識別，會有高光的燈打在車牌的位置讓它環(huán)境變得相對可控。
第二是使用場景相對單一，是收費停車場，去完成一個車牌識別收費的動作。車牌識別其實在我們生活當中可以發(fā)生在很多地方，商廈只一個特定的場景。
第三是技術的使用者。B端的技術的使用者往往是有一定的技術能力的，受過訓練的，使用產品是工作的一部分，他就更容易去接受一個相對來說需要去有一定學習曲線的新東西。
但是，我覺得一個新技術，要讓普羅大眾受益，一定要走到C端，去關注消費者以及消費者的使用安全，任何一個真正有有潛力或者是有影響力的技術，它最后一定會以消費者、用戶作為它的終點，那么我相信AI的技術也會越來越多的走到消費者身邊，走到千家萬戶之中。
05
人工智能發(fā)展，除了自身迭代，也要公眾扶持
劉興亮：前段時間國內的某新能源汽車，車主在使用輔助駕駛時引發(fā)車禍，這類責任應該怎樣算？
沈徽: 人工智能技術的落地，一方面是需要技術或者產品提供方進行不斷的迭代，不斷的提升，但另一方面，不管從社會的宣傳層面，還是從用戶的引導層面，要對人工智能技術目前在特定的產品上面要有相對比較清晰的界定和溝通，我覺得非常重要。
技術它從不成熟到成熟之間，一方面是有技術本身迭代，這是應該完成的事情。另一方面如何去創(chuàng)造一個相對來說比較合適的社會環(huán)境，讓技術從小孩的狀態(tài)成長為大人，這一段旅程中是需要有社會性的力量，來幫助它成長起來。
我們知道AI是個好東西，它一定能夠幫我們帶來很多的好處，未來也會改變我們的生活，但在這個過程當中，如何能夠讓它在盤旋式上升的過程中，能夠有較快的速度體現在發(fā)展方面又不會過多的跨越邊界，造成傷害，以及包括宣傳、教育引導用戶不斷的提升對AI的認知，都是必要的。
如果莫斯科國際象棋比賽在賽前對所有參賽棋手進行賽前教育，表明機械臂有可能會錯誤識別你的手，情況或許會變得非常不一樣。有類似的引導可能悲劇就不會發(fā)生。
莫斯科國際象棋大賽，一男孩被機器人夾斷手指，圖源:Baza
回到電動車輔助駕駛造成車禍這件事中，如果我們把這件事故一分為二，一方面是在廠商要對產品的質量、產品的可靠性上需要做一個清晰的描述，甚至基于一個規(guī)則從產品安全設計層面對用戶進行有效的指導。
另一方面從使用者的角度來說，對于一個新東西，要有一個學習的態(tài)度，要了解新的規(guī)則習慣，這樣才能更好地使用新技術，讓人和機器有更好地配合。
劉興亮: 人工智能可能還會帶來哪些問題和負面效果，應該如何去應對這些問題的出現？
沈徽: 任何一個新事物出現它一定有兩面性，我們更多的是關注如何避免一些可能產生的負面情況。
AI是由算法、算力和數據共同支持，可能首先會想到數據的安全性、用戶的隱私問題，特別是深度學習，這樣的AI技術其實是需要用大量的數據來做燃料，去產生深度學習的模型。
在此之外，就是數據的公平性。因為深度學習實際是基于數據統(tǒng)計的歸納系統(tǒng)。從某種程度上來說什么樣的數據，它就會總結出什么樣的規(guī)律。根據總結出的規(guī)律，推導結論。所以在我們深度學習的模型過程中，數據的公平性非常重要，這樣才能最大程度上減少小意外情況的發(fā)生。
舉個例子，假設我有一個模型用來識別天鵝，我認為世界上的天鵝都是白的，因為我收集了9999只天鵝都是白天鵝，不管天鵝放進模型后是坐著、躺著還是飛著，都能識別出來。某一天，出現一只黑天鵝，模型可能無法識別，就不會把它算作天鵝，因為AI模型從來沒有見過黑天鵝，而事實證明當我們發(fā)現第一只黑天鵝時，可能就會有第10只、第100只、第1000只黑天鵝，因為在某些地方的天鵝都是黑的品種，這就是公平性的問題，如果我制作一個識別天鵝的模型，它只能識別白天鵝那對黑天鵝是不公平的，所以我覺得這就是數據的安全，隱私以及數據的公平性。
再者是深度學習的可解釋性和魯棒性，深度學習擁有很強的能力，特別是在大量數據，算力的加持之下，但是它有一個問題：它是個黑盒子。對于結果，很大程度無法解釋清楚產生的原因，即便是同一個問題，同一批數據以不同的方式注入進去，可能最后形成兩個模型。兩個模型可能效果和性能都會非常類似，但就是不一樣的兩種模型，但訓練出來的模型，很大程度上它是一個黑盒。
所以在技術理論的研究方面還需要不斷的去推進，一方面，我們能夠知道它的優(yōu)點、缺點、弱點、強點。另一方面也可以幫助我們去迭代出更好的模型。
未來我們只需要做兩件事，第一，使這樣的模型無限的接近100%的精準度，第二，在我們設計產品時，不是100%精準的模型，當它們組合到一起，我們通過產品設計使得它的整體的準確性和安全性，能夠比單個的模型更高。
第三個是AI的「普世化」。Google曾提出過「AI霸權」的概念，我們需要去改變或者避免這樣的狀況出現，而要使AI技術，變成人人可用。這樣，AI技術才能夠真正的蓬勃的發(fā)展，可以不斷的落地應用。
如果它被控制在少數的寡頭手里，第一就是對于技術迭代本身是不利的，第二，對于整個的經濟、整個的社會，會是一個非常危險的事情。所以AI的普世化非常重要。
而且普羅大眾對于AI的認知是軟性的，它可能不體現在具體的物質層面，它是一種意識。當汽車剛出現時，人們會對汽車的安全性會有顧慮，認為馬車是可靠的，直到現在街上隨處可見汽車，這是觀念的轉變，也當然有技術的提升。對于AI技術還是AI產品，我覺得普羅大眾要對它有更深入的了解。知道它能干什么，知道他現在不能干什么，知道他未來會怎么樣，不斷的去更新自己的認知，不僅是對AI技術落地、AI產品化本身技術發(fā)展有好處，而且對于用戶本身也是有好處的，這是一個相互的過程。
06
人可以追求更了不起的事情，不用和機器比效率
?劉興亮: 今天看到一句非常扎心的話，「你之所以還有工作是因為取代你的機器人還不夠便宜」，怎么看這句話？
沈徽: 100年前好像有也有類似的話，50年前也有類似的話。
我覺得人類要有自信，人是有靈性的動物，我們的追求或者我們的能力是沒有止境的。AI技術給我們帶來了什么，它是把我們從那些無聊的、重復的，疲倦的，不安全的事情當中解放出來。
我們會去追求一些更了不起的事情，比方說探測火星，探測地殼等等，比方說用演繹的辦法去想出一個更了不起的數學和物理模型去解釋一個另外一個宇宙問題，又或者是創(chuàng)造一個新的藝術形態(tài)，甚至是一個新的藝術內容，引起大眾更大的共鳴，引起更深刻的思考。包括推動我們的哲學、我們的思想、文化，去往更高的一個層次。
這樣一個社會，它會變的更有包容性，更能夠容納聰明人一起去完成更了不起的事情，我覺得這是人類社會發(fā)展要去面對的問題。
我們一直在解決，也一直取得不斷進展，社會的演進、人類思想的演進，包括技術的演進，其實都一直往這條上升的方向行走。我們不應該去和一輛汽車比誰跑得快，去和一頭牛比誰耕的地好，這些事情本就應該它們去完成，以前之所以它們不做這些事情，是因為我們人作為有靈性的動物，還沒有創(chuàng)造出一種合適的方法，讓它們完成這件事情。當我把牛訓化成家牛，它就可以耕地。當我挖出石油，對機械有足夠的理解，我就能造出汽車。
那AI也是一樣的，當我們對深度學習，對形式邏輯、對符號邏輯系統(tǒng)有很好的理解，我們就能夠去讓它幫助我們更好地記憶，更好地感知、更好地分析，更好地決策，我們就可以去解決更有意思的問題，我希望人類能夠從這些無聊的不得已的事情當中脫離出來，去追求更有意義的事情。
所以我對整個人類的前途，我是非常的樂觀和充滿希望的，我們應該珍惜屬于人類本身的靈性。
免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。
免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
