哈嘍！伙伴們，我是小智，你們的AI向?qū)?。歡迎來(lái)到每日的AI學(xué)習(xí)時(shí)間。今天，我們將一起深入AI的奇妙世界，探索“??AI編程沖擊下，程序員如何自保？IDEA張磊：底層能力是護(hù)城河??”，并學(xué)會(huì)本篇文章中所講的全部知識(shí)點(diǎn)。還是那句話“不必遠(yuǎn)征未知，只需喚醒你的潛能！”跟著小智的步伐，我們終將學(xué)有所成，學(xué)以致用，并發(fā)現(xiàn)自身的更多可能性。話不多說(shuō)，現(xiàn)在就讓我們開(kāi)始這場(chǎng)激發(fā)潛能的AI學(xué)習(xí)之旅吧。

??AI編程沖擊下，程序員如何自保？IDEA張磊：底層能力是護(hù)城河??：

多模態(tài)智能體的新時(shí)代
InfoQ：在實(shí)現(xiàn)智能體能夠真正“看懂、想透、做好”的過(guò)程中，您認(rèn)為哪些基礎(chǔ)問(wèn)題往往被忽視、但實(shí)際上至關(guān)重要？
張磊：“看懂”指理解輸入信息，“想透”指思考過(guò)程，“做好”則是執(zhí)行行動(dòng)。這三者實(shí)際上涵蓋了視覺(jué)、語(yǔ)言推理以及機(jī)器人的物理執(zhí)行能力，本質(zhì)上是一個(gè)典型的多模態(tài)過(guò)程，包含輸入、輸出及中間的思考環(huán)節(jié)。這三個(gè)環(huán)節(jié)都極具挑戰(zhàn)性，可以說(shuō)人工智能的持續(xù)發(fā)展正是圍繞這三個(gè)方面推進(jìn)。

過(guò)去幾年，語(yǔ)言模型首先取得重大突破，機(jī)器人本體技術(shù)也發(fā)展迅猛——人形機(jī)器人和四足機(jī)器人都取得了顯著成果，視覺(jué)技術(shù)同樣進(jìn)步巨大。然而，將這些環(huán)節(jié)有效整合仍是關(guān)鍵問(wèn)題。 例如在具身智能領(lǐng)域，機(jī)器人常被認(rèn)為缺乏“大腦”。人類大腦中有 50% 的皮層區(qū)域用于處理視覺(jué)信息，因此如果要為機(jī)器人構(gòu)建“大腦”，那么一半的工作應(yīng)該圍繞視覺(jué)展開(kāi)。視覺(jué)并不是被忽視了，而是因?yàn)樗旧砭头浅?fù)雜。

首先，視覺(jué)的輸入維度極高，它是連續(xù)的空間信號(hào)，比如視頻流；其次，它涉及對(duì)三維結(jié)構(gòu)的理解，人類還具備大量與物體交互相關(guān)的通用知識(shí)。比如看到某個(gè)物體后，我們會(huì)知道應(yīng)該用怎樣的動(dòng)作進(jìn)行操作，這包括判斷能否推動(dòng)、能否拿起等，這些能力往往超出純粹視覺(jué)的范疇，需要綜合知識(shí)的支持。我們團(tuán)隊(duì)的研究方向一直聚焦于視覺(jué)領(lǐng)域，特別是物體層面的理解，過(guò)去幾年也取得不少進(jìn)展，但距離我理想中將視覺(jué)理解與機(jī)器人有效連接起來(lái)的目標(biāo)，仍有大量工作要做。

我曾看到一位研究人員的觀點(diǎn)，他提到一個(gè)關(guān)于“理解與生成是否需要統(tǒng)一”的問(wèn)題，他認(rèn)為生成同樣需要理解能力。在生成模型的訓(xùn)練過(guò)程中，尤其是后訓(xùn)練階段，往往會(huì)引入強(qiáng)化學(xué)習(xí)，而其中的 reward model，本質(zhì)上是在判斷生成內(nèi)容的優(yōu)劣。而判斷生成質(zhì)量，其實(shí)正是一種理解。因此，沒(méi)有理解就無(wú)法評(píng)估生成的好壞。換句話說(shuō)，生成模型訓(xùn)練過(guò)程中，必須依賴?yán)斫饽Ｐ偷妮o助。這也說(shuō)明理解與生成這兩個(gè)問(wèn)題之間并非割裂，而是深度耦合的。

InfoQ：現(xiàn)在很多研究者開(kāi)始關(guān)注“空間智能”。在您看來(lái)，空間智能最重要的價(jià)值是什么？
張磊： 空間智能對(duì)機(jī)器人至關(guān)重要。設(shè)想機(jī)器人身處環(huán)境：首先需識(shí)別周圍物體，其次判斷物體距離，還需理解其結(jié)構(gòu)形狀以規(guī)劃抓取方式。每一步都依賴強(qiáng)大的視覺(jué)理解能力，缺乏此能力將嚴(yán)重影響操作的精準(zhǔn)度和成功率。

最近在機(jī)器人領(lǐng)域，有一些嘗試基于端到端模型，如視覺(jué) – 語(yǔ)言 – 行動(dòng)模型（VLA），其研究思路是希望通過(guò)圖像輸入，直接決定機(jī)器人的手如何動(dòng)作。然而，這類模型普遍缺乏對(duì)畫(huà)面中物體的深入理解和精確定位。正因如此，當(dāng)前 VLA 模型的實(shí)際操作成功率不盡如人意，遠(yuǎn)未達(dá)到實(shí)用水平。

要想在這一領(lǐng)域取得突破，需要研究人員不斷迭代、分析問(wèn)題，并逐步提升機(jī)器人的抓取和操作成功率，比如從 80% 提升至 90%，再到 95%。但即便達(dá)到 99%，在家庭場(chǎng)景中仍可能難以接受——想象讓機(jī)器人抓取杯子，哪怕抓取 100 次掉落 1 次，已經(jīng)足以導(dǎo)致用戶退貨。

空間理解本身就是一個(gè)極其復(fù)雜的問(wèn)題，目前在研究領(lǐng)域中也尚未形成統(tǒng)一的建模方法。相比之下，語(yǔ)言模型的發(fā)展可以說(shuō)是一個(gè)奇跡。語(yǔ)言序列化預(yù)測(cè)問(wèn)題與 Transformer 架構(gòu)完美契合后，主要依賴增加數(shù)據(jù)、參數(shù)和算力的工程化路徑即可持續(xù)提升。自 GPT 誕生至今，其模型架構(gòu)本質(zhì)仍是 Transformer 的延續(xù)。而視覺(jué)領(lǐng)域，尤其是三維表示方法仍然沒(méi)有定論。比如，對(duì)于機(jī)器人來(lái)說(shuō)，我們希望它具備通用的物體理解能力，而不是只識(shí)別有限的幾類物品。為了實(shí)現(xiàn)這種通用理解，模型該如何構(gòu)建仍有爭(zhēng)議。比如，模型內(nèi)部的表征到底是用類似 token 的序列結(jié)構(gòu)，還是應(yīng)當(dāng)嵌入三維物體的結(jié)構(gòu)表示？這類問(wèn)題在研究中仍有大量探討空間。

例如斯坦福大學(xué)李飛飛教授便堅(jiān)定主張：強(qiáng)調(diào)在世界模型中應(yīng)采用三維的內(nèi)部表示方式，只有這樣，模型才能對(duì)問(wèn)題進(jìn)行正確建模，并在理解和預(yù)測(cè)上表現(xiàn)得更好。我認(rèn)為 當(dāng)前整個(gè)領(lǐng)域面臨應(yīng)用發(fā)展過(guò)快，而社會(huì)大眾對(duì)應(yīng)用落地的預(yù)期又過(guò)于樂(lè)觀的局面。 這種樂(lè)觀背后，實(shí)則需要研究人員腳踏實(shí)地，一輪輪填補(bǔ)技術(shù)鴻溝。

InfoQ：許多制造業(yè)企業(yè)對(duì)“AI+ 機(jī)器人”充滿期待，也充滿不確定性。您認(rèn)為，當(dāng)前最具可行性的應(yīng)用突破口是什么？您是否看到一些“能規(guī)?；涞亍钡募夹g(shù)路徑？
張磊： 要實(shí)現(xiàn)規(guī)?；涞?，模型的通用能力和精準(zhǔn)度都必須達(dá)到高水平。僅有通用性而精度不足，同樣會(huì)面臨巨大障礙。在此過(guò)程中，在這個(gè)過(guò)程中，雖然部分應(yīng)用場(chǎng)景相對(duì)特定，但它們往往是傳統(tǒng)方法難以勝任的問(wèn)題。例如，當(dāng)前許多機(jī)器人正嘗試應(yīng)用于汽車生產(chǎn)線的上下料環(huán)節(jié)，雖然現(xiàn)階段它們的效率可能尚不及人類，但一旦能夠進(jìn)入這些場(chǎng)景，就有機(jī)會(huì)通過(guò)迭代不斷優(yōu)化，從而解決視覺(jué)識(shí)別、操作控制等關(guān)鍵問(wèn)題。

這種在實(shí)際應(yīng)用中進(jìn)行閉環(huán)迭代的方式，是十分難得的機(jī)會(huì)。通過(guò)真實(shí)場(chǎng)景驅(qū)動(dòng)，技術(shù)將獲得有價(jià)值的進(jìn)展。此外，人類危險(xiǎn)操作或環(huán)境始終是機(jī)器人應(yīng)用的理想方向。此類場(chǎng)景下，即使?fàn)奚糠朱`活性與智能，甚至采用遙操作結(jié)合少量智能，只要能落地應(yīng)用，研究人員就有機(jī)會(huì)持續(xù)改進(jìn)系統(tǒng)表現(xiàn)。

然而，要實(shí)現(xiàn)真正大規(guī)模通用化，例如進(jìn)入家庭環(huán)境，則面臨更大挑戰(zhàn)。家庭是典型的開(kāi)放場(chǎng)景：客廳、廚房的灶臺(tái)或咖啡桌上物品往往雜亂堆放。這對(duì)人類輕而易舉，但對(duì)機(jī)器人而言，要理解并清理這些物品，則是對(duì)視覺(jué)、語(yǔ)言推理及抓取靈活度的嚴(yán)峻考驗(yàn)。我認(rèn)為這需要更長(zhǎng)時(shí)間，可能超過(guò) 5 年。

目前，很多場(chǎng)景正從“結(jié)構(gòu)化”走向“半結(jié)構(gòu)化”。如生產(chǎn)線機(jī)械臂從 A 點(diǎn)抓取物體放置到 B 點(diǎn)，屬于上一代技術(shù)，依賴高重復(fù)性作業(yè)。而現(xiàn)代產(chǎn)線需求多變，期望機(jī)器人能根據(jù)指令靈活操作。這種“半開(kāi)放”環(huán)境介于結(jié)構(gòu)化與全開(kāi)放之間，為機(jī)器人技術(shù)的逐步切入提供了可行路徑。

研究和產(chǎn)品的平衡
InfoQ：您過(guò)去在微軟研究院和現(xiàn)在在 IDEA 研究院，都承擔(dān)了大量基礎(chǔ)研究和產(chǎn)品協(xié)同的工作。您如何看待工業(yè)界研究人員在“做研究”與“促落地”之間的角色定位？
張磊： 我長(zhǎng)期在企業(yè)從事研究，有更多機(jī)會(huì)以研究員身份思考問(wèn)題。我也直接指導(dǎo)博士生，帶領(lǐng)他們寫(xiě)論文，同時(shí)我的團(tuán)隊(duì)也在不斷嘗試將研究成果應(yīng)用于商業(yè)實(shí)踐。在微軟的經(jīng)歷也表明，最重要的認(rèn)可就是你的研究成果真正被產(chǎn)品團(tuán)隊(duì)采用。因此，研究員在選題或評(píng)估工作價(jià)值時(shí)，常會(huì)構(gòu)建一個(gè)坐標(biāo)系：橫軸代表研究?jī)r(jià)值，縱軸代表應(yīng)用價(jià)值。最理想的狀態(tài)是位于右上角——兼具研究與應(yīng)用價(jià)值，而最應(yīng)避免的則是左下角——既無(wú)研究?jī)r(jià)值也無(wú)應(yīng)用價(jià)值。

對(duì)于工業(yè)界研究人員，務(wù)必摒棄簡(jiǎn)單的“論文思維”，研究目的不應(yīng)僅為發(fā)表論文。 盡管對(duì)博士生而言，前期寫(xiě)論文是必要的訓(xùn)練過(guò)程，是提升邏輯思維和表達(dá)能力的重要手段，但在更長(zhǎng)期的發(fā)展中，研究的目標(biāo)應(yīng)當(dāng)更貼近實(shí)際問(wèn)題的解決。研究人員需要對(duì)領(lǐng)域有深入理解，同時(shí)也要逐漸培養(yǎng)對(duì)問(wèn)題的預(yù)判能力和直覺(jué)。這種直覺(jué)能幫助你判斷哪些問(wèn)題值得做、能做到什么程度，以及需要多長(zhǎng)時(shí)間去實(shí)現(xiàn)，最終目標(biāo)始終是解決實(shí)際問(wèn)題。

舉個(gè)例子，我們團(tuán)隊(duì)一直在做目標(biāo)檢測(cè)的研究。很多人認(rèn)為，隨著大模型的興起，檢測(cè)問(wèn)題似乎已經(jīng)解決了，但我們深知，要實(shí)現(xiàn)真正通用的檢測(cè)與感知系統(tǒng)，依然面臨巨大挑戰(zhàn)。一旦突破，它將帶來(lái)廣泛的應(yīng)用價(jià)值。我們對(duì)這個(gè)方向始終堅(jiān)持不懈，持續(xù)推進(jìn)。這種堅(jiān)持來(lái)源于我們對(duì)問(wèn)題本質(zhì)的深刻理解與解決問(wèn)題的強(qiáng)烈動(dòng)機(jī)。有些問(wèn)題可以通過(guò)簡(jiǎn)單的工程方法解決，而另一些問(wèn)題則沒(méi)有現(xiàn)成的方法可用，必須通過(guò)研究創(chuàng)新來(lái)突破。這不是為了研究而研究，而是在面對(duì)實(shí)際難題時(shí)自然產(chǎn)生的探索。

在微軟亞洲研究院工作的十多年時(shí)間，對(duì)我也是極大的鍛煉。我們需要真正理解產(chǎn)品團(tuán)隊(duì)在做什么，了解他們的痛點(diǎn)在哪里。當(dāng)然，每個(gè)研究人員也都希望自己的工作具有一定的主導(dǎo)性，因此會(huì)傾向于選擇那些與產(chǎn)品目標(biāo)相符的研究方向。有時(shí)候，研究人員也可以反過(guò)來(lái)影響產(chǎn)品團(tuán)隊(duì)，比如提出一個(gè)非常有價(jià)值的新技術(shù)，然后去探索它是否能解決產(chǎn)品中存在的問(wèn)題。這是一個(gè)雙向互動(dòng)的過(guò)程。實(shí)際上，很難用一個(gè)固定的范式來(lái)指導(dǎo)研究如何實(shí)現(xiàn)“右上角”的價(jià)值。這更多是一個(gè)“可遇而不可求”的過(guò)程，但如果目標(biāo)是真正解決具有實(shí)際意義的應(yīng)用問(wèn)題，那就不應(yīng)止步于“為發(fā)論文而研究”。

InfoQ：有觀點(diǎn)認(rèn)為，工業(yè)界研究者如果過(guò)于關(guān)注產(chǎn)品，很容易失去技術(shù)前沿性，從長(zhǎng)遠(yuǎn)來(lái)看會(huì)削弱創(chuàng)新力。您是否認(rèn)同這種看法？在您帶領(lǐng)團(tuán)隊(duì)時(shí)，如何平衡這兩者之間的關(guān)系的？
張磊： 產(chǎn)品開(kāi)發(fā)與研究探索的節(jié)奏存在本質(zhì)差異。產(chǎn)品周期通常以季度為單位，強(qiáng)調(diào)結(jié)果交付；而研究范式，尤其是在沒(méi)有現(xiàn)成解決方案的情況下，它更像是在“無(wú)人區(qū)”中探索，是一種高度創(chuàng)新的過(guò)程，難以設(shè)定如“兩周內(nèi)必須解決”的硬性指標(biāo)。

對(duì)于創(chuàng)新，一種是研究人員主導(dǎo)的高度創(chuàng)新型，另一種是像軍隊(duì)一樣協(xié)調(diào)推進(jìn)的產(chǎn)品開(kāi)發(fā)型，這兩者的運(yùn)作節(jié)奏截然不同。將這兩種人員強(qiáng)行混合在同一團(tuán)隊(duì)，往往會(huì)帶來(lái)很大的痛苦，尤其是對(duì)研究人員來(lái)說(shuō)更是如此。比如，每一兩周就要交付、必須量化成果的節(jié)奏，會(huì)極大干擾他們的工作。研究本質(zhì)上需要更開(kāi)放的環(huán)境，更重要的是激發(fā)研究者內(nèi)在的驅(qū)動(dòng)力，讓他們發(fā)自內(nèi)心地去解決問(wèn)題。要達(dá)到理想效果，節(jié)奏管控不宜過(guò)嚴(yán)，需給予研究人員探索空間。同時(shí)，也要確保他們研究的問(wèn)題不脫離現(xiàn)實(shí)，不陷入“象牙塔”，而是和產(chǎn)品方向相關(guān)聯(lián)。這要求管理者深刻理解兩種模式，才能有效平衡二者關(guān)系。

以 OpenAI 發(fā)展為例：GPT-1、GPT-2 階段基本是自由發(fā)散式研究，團(tuán)隊(duì)自身也無(wú)法預(yù)知哪條技術(shù)路徑能成功。但在認(rèn)識(shí)到 GPT 技術(shù)范式的巨大潛力后，內(nèi)部迅速統(tǒng)一認(rèn)知，果斷調(diào)集資源集中攻關(guān)，此時(shí)研究范式便轉(zhuǎn)向項(xiàng)目制。如今的 GPT 系列研發(fā)，更像是一種工程導(dǎo)向的模式，依賴迭代算力、系統(tǒng)架構(gòu)和數(shù)據(jù)。而這種范式雖然強(qiáng)調(diào)工程能力，但同時(shí)也需要非常強(qiáng)的研究支撐，因?yàn)閷?shí)驗(yàn)的基礎(chǔ)依然是科學(xué)問(wèn)題，只是通過(guò)工程手段不斷驗(yàn)證和推進(jìn)。

給年輕人的建議
InfoQ：對(duì)年輕研究者或工程師，您更看重哪些“底層能力”？在您看來(lái)，什么樣的技術(shù)人更能在未來(lái) AI 時(shí)代持續(xù)產(chǎn)生價(jià)值？
張磊： 我在深圳帶領(lǐng)一支非常年輕的團(tuán)隊(duì)，平均年齡可能不到 30 歲。與團(tuán)隊(duì)中的年輕成員交流研究方向時(shí)，我發(fā)現(xiàn)不同年齡段有不同的焦慮。年輕人常擔(dān)憂：“我們天天做這些工作，但沒(méi)有接觸大模型，會(huì)不會(huì)被淘汰？”我通常會(huì)跟他們解釋，其實(shí)不是這樣的。

以招聘為例，如果是我在為大模型團(tuán)隊(duì)挑人，我一定不會(huì)優(yōu)先看他有沒(méi)有大模型調(diào)參經(jīng)驗(yàn)，而是看他是否具備扎實(shí)的計(jì)算機(jī)基礎(chǔ)能力。這些基礎(chǔ)能力包括對(duì)操作系統(tǒng)、體系結(jié)構(gòu)、分布式系統(tǒng)的理解。例如，在大模型訓(xùn)練中，真正的挑戰(zhàn)不是簡(jiǎn)單的模型調(diào)參，而是如何把上千張 GPU 卡聯(lián)合起來(lái)訓(xùn)練，并確保系統(tǒng)穩(wěn)定、不卡頓，這時(shí)候你對(duì)并行計(jì)算的掌握就變得至關(guān)重要。

如果你缺乏這類能力，只能在兩三臺(tái)機(jī)器上訓(xùn)練模型，那在實(shí)際項(xiàng)目中很可能會(huì)被具備系統(tǒng)能力的人取代。因?yàn)樵谝粋€(gè)快速推進(jìn)的大團(tuán)隊(duì)中，最優(yōu)先的任務(wù)往往是讓千卡規(guī)模的訓(xùn)練穩(wěn)定運(yùn)行，而不是只在模型結(jié)構(gòu)上做微調(diào)。有時(shí)候我會(huì)和學(xué)生或同事講 FlashAttention 的故事。它本質(zhì)上沒(méi)有太高深的數(shù)學(xué)背景，只是作者非常理解 Transformer 中 attention 的計(jì)算過(guò)程，以及 GPU 架構(gòu)的特性。他利用 GPU 中 L1 cache 的高速訪問(wèn)能力，把這部分計(jì)算效率提高了 2 到 3 倍。這種非常基礎(chǔ)的優(yōu)化，對(duì)整個(gè)領(lǐng)域的推動(dòng)反而更大。

因此，我建議 不要停留在“調(diào)參俠”或“煉丹俠”層面——僅修改參數(shù)、運(yùn)行實(shí)驗(yàn)，而要去思考這些實(shí)驗(yàn)背后的原理。比如并行計(jì)算是怎么實(shí)現(xiàn)的？為什么上千張 GPU 可以協(xié)同工作？如果訓(xùn)練變慢了，瓶頸在哪里？以 DeepSeek 的工作為例，不管是 V3 還是 R1，這些被廣泛關(guān)注的成果，其實(shí)背后幾乎都是系統(tǒng)級(jí)的突破。例如，他們?nèi)绾螌⒂?xùn)練過(guò)程優(yōu)化為 FP8 精度？如何讓流水線并行把 GPU 的每個(gè)單元算力都榨干發(fā)揮出來(lái)？這都要求研究者對(duì)系統(tǒng)架構(gòu)有非常深入的理解。

我給年輕人的建議是：無(wú)論你當(dāng)前做的是哪一類工作，專注于把基礎(chǔ)打牢。不要過(guò)度焦慮所謂的 35 歲危機(jī)，也不要因?yàn)闆](méi)做過(guò)大模型就自我否定。只要你具備扎實(shí)的代碼能力和系統(tǒng)理解，機(jī)會(huì)一定會(huì)出現(xiàn)。實(shí)際上，在我們招人時(shí)，真正有這些能力的人并不多，并不是隨便具備一點(diǎn)經(jīng)驗(yàn)就能勝任的。真正能把底層做扎實(shí)的人，始終是團(tuán)隊(duì)中最稀缺、最寶貴的。

InfoQ：AI 都可以寫(xiě)代碼了，還要不要報(bào)考計(jì)算機(jī)專業(yè)？
張磊： 這與我的前述觀點(diǎn)相關(guān)：所有工作都應(yīng)先打好基礎(chǔ)。對(duì)于即將報(bào)考志愿的高中畢業(yè)生，我建議優(yōu)先選擇基礎(chǔ)學(xué)科專業(yè)，例如計(jì)算機(jī)科學(xué)。避免過(guò)早選擇過(guò)于偏重應(yīng)用的專業(yè)，因?yàn)閼?yīng)用方向會(huì)隨時(shí)間變遷。 計(jì)算機(jī)領(lǐng)域自五六十年代發(fā)展至今，其底層邏輯——如 CPU/GPU 架構(gòu)設(shè)計(jì)、操作系統(tǒng)原理——?dú)v經(jīng)多輪迭代依然穩(wěn)固。深入理解這些基礎(chǔ)后，再學(xué)習(xí)人工智能會(huì)更有優(yōu)勢(shì)，而扎實(shí)的基礎(chǔ)能讓你走得更遠(yuǎn)。

報(bào)考志愿時(shí)不必過(guò)度焦慮人工智能帶來(lái)的沖擊，當(dāng)前 AI 編程能力的發(fā)展，主要沖擊的是從事基礎(chǔ)編碼工作的普通程序員。未來(lái)對(duì)大家的要求是成為更出色的程序員，能力需超越 AI。AI 應(yīng)該成為我們的輔助工具，幫助我們編程，而不是取代我們。如果一個(gè)程序員只能寫(xiě)簡(jiǎn)單界面，而 AI 已經(jīng)可以通過(guò)產(chǎn)品經(jīng)理的自然語(yǔ)言指令生成這些界面，那他確實(shí)會(huì)被邊緣化。因此，還是要踏實(shí)地夯實(shí)基礎(chǔ)能力，通過(guò)與 AI 協(xié)作，提升自己的編程廣度和深度，做出 AI 還無(wú)法替代的貢獻(xiàn)。

嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿結(jié)束。關(guān)于“??AI編程沖擊下，程序員如何自保？IDEA張磊：底層能力是護(hù)城河??”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對(duì)AI能夠更了解、更喜歡。謹(jǐn)記，精準(zhǔn)提問(wèn)是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識(shí)，請(qǐng)關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿滿呦！