杨强，香港科技大学核算机科学与工程学系系主任，人工智能范畴学术界的领军人物，华人界仅有的世界人工智能协会 (AAAI)councilor，IEEE 大数据期刊主编，ACM 出色科学家。两次取得世界数据发掘范畴最高级别比赛 KDD Cup 世界冠军。杨强教授发表论文 400 多篇，被引证超越 20000 次。

　　但一同，除了扎根科研界，杨强教授仍是人工智能范畴深化商业运用范畴的尖端专家之一。现在，杨强教授担任人工智能技能与服务供给商第四范式的首席科学家，带领这家被广泛看好的人工智能公司不断取得科技打破，近期第四范式在乌镇世界互联网大会上发布了可供大部分互联网公司运用的人工智能公有云产品，也是依据杨强教授与团队「AI for everyone」的一同价值观。日前，极客公园对杨强教授进行了专访。其中，杨强教授不仅向咱们介绍了第四范式这家公司的研发方向，还就人工智能范畴的许多动向及开展状况做了答复，其中颇有许多值得琢磨的当地。

　　一同，杨强教授本周也到会了腾讯网媒体高峰论坛，他在现场也就人工智能和媒体职业的联系与开展发表了精彩的演讲。咱们将他的演讲实录附在文后，期望能对你有所裨益。

　　采访实录：

　　问：作为「搬迁学习」这个范畴的专家，您觉得它对人工智能工业的影响和作用是什么？能给咱们举两个比如吗？

　　杨强：首要，现在人工智能过多依赖大数据，这是很风险的。风险来自几个方面，首要搜集大数据需求许多时刻资源，有了数据今后还得去处理数据，之后机器才干学习，在这个处理进程中需求有人参加，而凡是有人工干预的，要求就特别高。搬迁学习的思想是，经过发现大数据的模型和小数据问题之间的关联，然后把模型搬迁曩昔，这样一来假如在大数据范畴先得到了机器学习模型，在研讨下一个相关范畴时，只用一部分数据或许小数据就可以完结。运用搬迁学习这一特征，咱们就不必花大力气去搜集资源了，这对人工智能的开展十分关键。比如说新开一个网店卖一种新的糕点，由于没有任何的数据与模型，咱们没有办法对用户进行引荐，此外，当咱们看到用户购买一种糕点后，也无法猜测用户还会买其它哪种糕点；但假如咱们知道用户在别的一个范畴已经有了许多的数据，例如是用户购买饮品的历史数据，那么运用这些数据树立模型后，依据用户饮品习气和糕点习气间的关联性，咱们就可以把饮料的引荐模型给成功搬迁到糕点范畴，成功的引荐给每个用户他们喜爱的糕点。

　　其次，人的思想是在一个形象的符号空间的思想，而不是深度学习那样的特别细粒度的机器学习思想。符号空间的思想可以概括、笼统常识，而且在不同范畴做关联和联想，可以很自然地进行搬迁学习，这是人的思想特色；假如想要机器做到这一点，相同也要做到概括和搬迁，这便是搬迁学习的基础理论。此外，还要从许多数据提高到符号空间的逻辑，再经过搬迁学习技能做类比，真正做到举一反三，并可以依据此去猜测、概述未来发生的事情。搬迁学习是人工智能的下一开展阶段——机器不再是就事论事，而是具有了像人相同的举一反三的才能。

　　问：有评论以为「作为人工智能完结的核心，算法将成为未来国内人工智能职业最大的竞赛门槛。」你觉得就国内的状况来说，算法方面的开展状况怎样样？

　　杨强：国内的算法现在和国外的距离不大。由于咱们已经可以取得许多标示数据，深度学习在言语和图画方面取得很大成功。但除了语音和图画，其他范畴公共的数据其实十分有限，所以更商业方面的研讨只会集在几个公司，电商数据会集在 BAT，银职事务数据会集在金融机构，在这样较为封闭的环境中，开展就会遭到必定影响。

　　别的，国内机器学习方面的立异还没有国外多，敞开的体系也没有国外多。在国内，咱们有必要鼓舞敞开数据、开源体系。第四范式刚刚发布的「先知公有云版」便是面向互联网企业，可布置在公有云上的机器学习渠道。它打破了数据、人才和技能的壁垒，让各个阶段的互联网企业都能把握并受益于人工智能。

　　问：人工智能的运用在由专业范畴向通用范畴过渡的进程中，哪些是最需求处理的困难？未来多久咱们才干迎来在这方面的打破？

　　杨强：在通用范畴咱们已经取得了一些打破，比如亚马逊出了一款叫 Echo 的硬件，可以满意人们在某些场景下的需求，比如在家庭场景，可以让它协助放音乐，问它今日的新闻是什么，这个产品已经有几百万的用户。Echo 成功的原因是它找到了一个特别好的场景，在家庭中，咱们有获取常识和音乐的需求，捉住需求后就把家庭这个场景运用起来了。这种人工智能的做法便是从一个或几个笔直范畴的成功，往外扩展，再把它们连成一片。我以为今后类似场景许多，比如作业、开车、出行、教育等。下一个人工智能的打破，应该是在几个场景下有限的通用性，而不是没有约束的通用性，或许先到达的便是这样一个阶段。

　　问：人工智能假如想进入更高级的水平，您觉得下一个要做的作业是什么？比如说咱们人类比较重要的是处理一些隐性的常识，还有情感的问题，下一步人工智能在这个方面会不会有更多的提高？

　　杨强：情感问题也可以按理性的办法来处理，咱们可以去检测处理的作用是否符合人的情感。但其实情感问题并不是机器学习现在的首要问题，首要问题是树立一个通用的机器学习体系。现阶段还没有出现十分强的通用体系，首要原因是现阶段机器学习的成功首要会集在大数据上面，咱们知道，大数据比较多的当地是比较笔直的范畴，这些范畴的特色是范围比较窄，远远没有到达通用性。所以机器学习包括情感核算的瓶颈是，咱们怎么能把通用范畴里用户在体系里的交互行为用数字化的方法留下来。这个瓶颈的处理办法需求传感器网络或许物联网的普及，带来更多的数据的流通。

　　问：您觉得现在国内人工智能范畴的开展状况怎么？最大的不足是什么？您对国内人工智能科研人员及创业公司有哪些主张？

　　杨强：国内现在人工智能开展仍是相当乐观的，许多大学都在研讨人工智能。但与国外相比，国内的不足之处也比较显着，国内过多去做机器学习，而忽略了人工智能的其他范畴，比如逻辑推理、智能规划、机器学习的可解释性和多智能体等前沿范畴。

　　假如是对人工智能科研人员的主张，我觉得国内的人工智能研讨不能太跟风，要对自己的研讨范畴有决心、不断立异，尤其是在大学的研讨者，每个大学的教授应该是独树一帜的，自己抢先一个子范畴，而不是跟着别人去做。其实在科研和工业界都是需求继续立异力的，不过对公司而言，仍是要首要考虑生计，也不要以为人工智能可以一应俱全。

　　问：您现在担任人工智能初创企业第四范式的首席科学家，作为一家人工智能技能供给商，你们提到自己是「全球第一个商用人工智能体系的架构、中国最大的人工智能体系研发和运营」。一同，你们也称自己的产品「先知」也是人工智能范畴第一个渠道级产品。怎么了解「渠道级产品」这个概念？

　　杨强：曾经依据云端的机器学习在群众化的运用不多，机器学习大部分都是单机的，缺点是需求客户把大批数据上传，这关于客户来说是一个隐私丢失，是许多客户所不期望看到的。为了防止数据丢失，一些有条件的客户会做本地的数据中心，这需求十分大的投入，包括资源、资金和人力的投入。但许多客户、尤其是互联网公司，他们真正关怀的其实不是树立这样的 IT 小组或许数据中心，而是怎样运用人工智能来提高自己的事务。那么怎么协助他们处理数据上传问题、满意机器学习在事务方面的需求呢？「布置即可用」的渠道级产品就变得十分重要。在云上就可以快速完结从问题界说、数据接入、特征工程直至上线运用的整个机器学习流程。第四范式的先知公有云版便是这样一个渠道，运用先知公有云版企业不需求再重建机器学习团队，现有团队一个月内就能搭建出自己适用的 AI 体系。这极大降低了机器学习的门槛，一同能使得咱们把精力放在自己的事务上。

　　问：现在有说法说「国内的人工智能工业链将更为显着地分化为以 BAT 为代表的生态渠道、以科大讯飞和格灵深瞳为代表的笔直技能处理渠道等。」您怎样看人工智能公司的几种不同类型的道路挑选？第四范式现在正在走哪种道路？

　　杨强：第四范式走了第三条路。第四范式不像 BAT 或许电商那么广泛，要打造自己的生态；一同也没有只追求纵向的专业范畴打破，而忽略了横向的事务延展。第四范式在一个笔直范畴扎得很深，了解这个范畴的痛点和背景，然后依据实战经验与案例来供给一个范畴内的通用渠道，一同这个渠道又在该范畴做得比较成功，供给的算法都是特别适用于范畴里的。比如大规模的主动特征工程便是一个比如，用很少的人工就可以主动获取许多特征，然后就主动进行机器学习，最终完结人工智能在特性化引荐、精准营销等事务场景中的运用。所以或许用第三个途径来描绘第四范式或许更恰当。

　　问：怎样看现在人工智能技能在 C 端的运用状况，比如智能家居？

　　杨强：智能家居一向以来都是咱们关怀的标题，工业界比如小米、联想等企业都企图在这个范畴有所打破。我觉得技能上应该问题不大，但还没有捉住很好的场景。好场景的要求是，可以供给高质量的数据，数据要继续不断地更新，而且场景要一向向客户供给反应，总的来说便是不断地供给数据和数据反应标示。所以，假如可以找到一个好的场景，有这样的数据，更大的打破应该是早晚的事。但除非找到这样的场景，不然只能做一个好的结构，没有数据和服务，智能家居很难取得重大打破。

　　问：您个人这两年在国内参加了许多人工智能方面的创业项目，相比朴实的科研作业，您会觉得参加企业的创业对这个职业更有协助吗？

　　杨强：我觉得这两者必定要结合起来，实验室的作业和接触大规模的工业问题是不可分割的。在实验室作业、参加学术会议或许拜访一些其它的实验室，可以重视整个业界的开展；在工业界，可以解除人工智能在运用上所发生的许多实际问题。现在这个年代离不开数据，在人工智能范畴，实验室和工业的结合是双向有利的。

　　杨强教授本周在 2016 腾讯网媒体高峰论坛现场的演讲速记

　　咱们好！今日我很快乐可以跟咱们共享一下我的一些看法，尤其是人工智能的到来和媒领会怎样开展的技能途径。

　　本年 AlphaGo 是一个大事件，咱们现在要问，AlphaGo 为咱们带来了什么？从技能和商业上、从未来的开展方向上，能不能从 AlphaGo 的开展看出一些端倪？

　　首要咱们看到在曩昔人工智能的开展经历了几回大事件。首要是 IBM 深蓝、沃森为咱们带来了很大的惊喜，告知咱们核算才能真的是很重要。有了这种核算才能，咱们就可以比人查找的要深，比你答复的要快，可以答复一些尝试性的使命。

　　可是 AlphaGo 又加了一条，告知咱们原来数据也很重要。不仅如此，高质量的富有数据更加重要。什么是高质量的数据呢？其实发明 AlphaGo 这个体系是需求几个条件的：

　　首要便是可以很清楚的认识到那些是咱们的目标。这些目标要清楚到什么程度呢？要用数学公式写下来。

　　其非必须清楚认识到数据来自于哪里。这不是一天就可以做好的，比如 AlphaGo 是经历了十几年的时刻，才取得了如此高质量的许多的数据。

　　一同对问题的了解要深化到特征的层面，要从一个问题可以抽取出许多的特征。

　　最后是要有十分适宜的自学习的办法来做这件事。

　　下面咱们来看一下今日具体感爱好的标题是 A.I. 可以为媒体带来什么，说起媒体就离不开文本和自然言语的剖析，什么是文本呢？文本便是小说、新闻这些，咱们可以把这些数据以为是非结构化的数据，是一个十分有意思的数据，不枯燥，可是关于机器来说却是一个难题，由于没有结构，是需求咱们人去了解它才会有结构。

　　今日有一种技能叫机器阅览，阅览的作用是中间的了解、表达，这个表达叫做隐式表达。

　　这种表达经过第二种模型，也便是说咱们所说的机器学习、自然言语的生产模型，可以为咱们人发生出各式各样的咱们所需求的数据。就好像咱们周围有一个帮手在咱们协助进行了许多的阅览，然后依据咱们每个人的需求可以跟他进行对话来取得他阅览的常识，所以是这样两个进程。一个是机器阅览体系，一个是自然言语的生成体系。

　　机器阅览有哪些运用呢？比如说在谷歌的邮件中就可以经过模型对许多邮件的阅览构成一个端到端、序列到序列的模型，这个模型经过阅览一个新的用户邮件，主动地发生一个或许的用户反应，这样用户在给最后一个决议计划就可以很简练地恢复邮件，这样就大大提高了用户的体会。

　　机器翻译就不必说了，这是十分有用。可是最近深度学习的开展，可以让机器可以主动地用算法学习到一种言语到别的一种言语，可以主动对应。这种对应在之前是很少的，可是用机器学习来做就大大增强了。它的作用是可以使注意力机制大大加强，什么叫注意力机制呢？便是在一句话里边哪些部分是关键部分，咱们可以拿这些部分来代表整个话的意思，这样可以用聚集的办法来加强了解。运用了这个今后，比分就大大提高了。

　　还有一个运用可以让核算机去做许多阅览，阅览的成果可以由咱们人来问询。比如说让他看了一个语文的试卷、历史的故事，咱们可以问一些关于历史人物、历史事件的问题，核算机可以圆满地做出答复。

　　还有一种便是我方才说的注意力机制，可以协助人描画出哪些文本的部分是咱们阅览者应该去注意的，就好像咱们学生在上课的时分经常会画一些需求重视的要点，这样咱们考试的时分就会有的放矢。机器在今日已经会做到这一点了，这个叫做完形填空的答复。

　　这个再开展下去，又可以让机器许多地背唐诗，而且可以自己写诗。这儿是香港科技大学的图片，图片有山有水，这个模型可以在唐诗里边挑选最适宜的唐诗来配这副画。一同运用生成式的模型，还可以主动地发生。比如说当输入对联上联的时分，就可以拿它作为输入，这样的生成模型可以主动发生下联，而且经过注意力的机制使上下联对仗十分公正，这在人看来都是一个智慧的象征，可是今日关于机器来说已经是十分简略了。

　　我说了这么多对智媒的进化预示着哪些呢？首要我对我的观点进行打分，5 分是最高，1 分是最低。咱们看看方才讲到的 5 个必要条件，分别是数据量、边界够不够明晰/问题界说得够不够清楚、外界的反应够不够好、核算资源是不是满足、有没有跨界人才，以此来判断这个范畴的爆发力的指数。

　　咱们先看看在媒体方向上最关怀的是能不能用 A.I. 来协助新闻修正室做一些人工智能的修正，机器人的修正帮手来大大提高咱们的修正功率。在这一方面，应该说一个重要的方向是给了一个文章或文本能不可以主动写出一些摘要，给出一个文章，能不能主动地发生一个招引证户的标题。在曩昔的做法，这个范畴叫做摘要的修正，摘要修正曩昔的做法叫做抽取式的新闻写作。

　　这儿有一个比如，便是在一个足球赛里边，经过对解说词的剖析，用解说词来练习一个模型，最后这个模型可以在解说词傍边抽取特征。别的是再把这些重要的特征所指出的语句给摘出来，再把他们拼接起来构成一个很短的摘要。这个事已经可以做了，在曩昔十年、二十年已经做得不错了。可是究竟不像人相同去读一篇文章，再依据咱们的了解重新写出一个摘要，或许是编出一个十分好标题。

　　假如要做到这一点，咱们就需求一个所谓的生成式的模型，这个模型可以做什么呢？可以把每一句话读进来，而且可以对应到输出，这个输出往往是上文对下文的序列到序列的对应。这种对应还不足以发生咱们所想要的高质量的摘要。在这个基础上，咱们又在上面可以加一层强化学习或许增强学习，使得这样的摘要进程有目的性。也便是说两种学习，一种是序列的深度学习，别的一种是增强学习，这两种加在一同就可以发生基本上跟人差不多水平的一个摘要。比如说这儿的一个比如，是对一个新闻的文章发生一句话的摘要。

　　咱们来开一个脑洞，也可以让机器去读小说，比如说有《射雕英雄传》、《笑傲江湖》，可以把这两个小说给兼并起来，怎样兼并呢？运用模型来兼并输出一个新的小说，这个小说是《笑傲英雄传》，这个事是怎样做的？可以用循环的神经网络（RNN）来发生各自的模型。阅览了今后，发生的模型经过搬迁学习搬迁到一个一同的空间，这个一同的空间便是得什么呢？生成的模型可以使得咱们阅览小说。比如说洪七公和令狐冲这样的人物可以进行打架，可以看得十分通顺。这个跟人的反应、强化学习、增强学习的机制是分不开的，也是今日大数据的一种成果。

　　刚刚讲的是第一种新闻修正和摘要的发生，第二种我以为有期望的方向是信源捕获。什么意思呢？咱们可以在一个新的范畴运用新的手段取得一些信号，而且把这些信号转变成咱们要的新闻内容。在这儿举几个比如，首要是假定咱们有许多的文章，可以主动地把这些文章给发生成一些问题和答案的配对，也便是问题和答案的集合。这就像咱们了解了一些曩昔某个政治人物或某个闻名人物写过的文章或关于他的文章，今后主动发生一些想要问他的一些问题，这个进程是需求人去了解文章，然后发生一些高质量的问题。

　　今日咱们可以用深度学习来做到这一点。这是怎样做到的呢？这是两种信息的结合，一种是常识库，也便是对整个范畴的认识。别的一种便是文本。咱们把这两种结合起来，就可以主动地生成一些挺不错、质量挺高的一些问题，就好像咱们下面就可以去面对这位被拜访的人物了。

　　这也可以延伸到从文字到图片，比如看了一个图片，现在也有一种办法可以运用核算机神经网络抽取出特征，用别的一个模型来发生问题。也便是说对着一个图片，可以发生关于这个图片的问题。这个问题也就变成了这个图片的一个标示，或许可以到外面去邀请别人来答复这样的问题。

　　假定今日有了许多的传感器，可以把传感器搜集的数据、信号主动转变成人可以去读的文章，比如说我有一个学生很热爱骑马，它造了一个传感器可以放在马尾巴上去观察马的健康状况，一同可以把它翻译成人可以读懂的信号，以此来了解整个赛马的成长进程。

　　进一步便是想把传感器放在宠物的身上，在宠物的日常活动傍边和人的交互傍边，可以把宠物的举动变成人能读懂的自然言语，就好像宠物在跟你用说话的办法在沟通相同。

　　我还有一个学生在用手机作为传感器来记载用户每一天的行为，到晚上的时分就主动把一切搜集的手机信号转成一个自然言语的日记，把这个日记给这个人，可以修正一下，也可以发朋友圈。

　　还有一个方向是信源可视化的追踪，比如说咱们有了许多社会网络，里边有许多的信息的传达、新闻的传达，经过可视化可以观察到这个传达的途径、地点和传达的办法，可以依据人群来细分。相同一个新闻内容，咱们就可以对不同的人进行不同的服务。比如说小朋友得到的内容，可以和成年人得到的内容方法不相同，可是基本内容都是相同的。这样可以主动化特性去投进。

　　还有一个方向是视频和资讯的一种互动，这方面的数据量是巨大的，边界也满足明晰。可是一个重要的问题是跨界的人才特别少，我指的这个资讯和 A.I. 的互动究竟是什么呢？比如说许多的视频，能不能有才能让核算机看这种视频，然后用文字的方法告知咱们，给咱们一个文字的摘要。像这样的是咱们的一个愿望，这样就可以主动地去检索许多的视频，主动地去查找，可以找到咱们想要的视频。

　　别的一些新闻视频也可以协助修正去找到他们人为的高质量的适合修正内容的视频，这个事在大学的实验室里边已经有许多的尝试了。其中一个办法是把视频经过深度学习转化成特征，然后在经过这些特征再转化成文字。从视频到文字，甚至可以从文字到视频，你可以描绘一个像电影的脚本相同，然后主动地一个经过拼接的办法发生一个或许的视频。这方面还有所欠缺，关键点是跨界的人才和用户的反应还不够多。

　　咱们关怀的别的一个方向是智能分发，这个新闻怎样分发到想看这个新闻的用户的手里。在曩昔这个方向叫做引荐体系，在电商里边已经许多地运用。可是新闻有它的特色，由于新闻是靠内容来取胜，所以必定不能忽略信息的内容。比如说咱们人看新闻，是由于咱们猎奇，关于新闻感爱好，怎样样可以把猎奇的人和猎奇的内容给结合起来，怎样能把桥梁给树立起来。比如说一个用户带历史上经常读一些财经的文章，现在又比较重视美国大选，能不能以此来推断他关怀的便是特朗普对财经的方针，以此可以推送许多这样的新闻。这种信息既有用户的行为信息，又要有内容的信息，像这种的结合现在已经开端有这方面的研讨了。

　　举个比如，用引荐体系来做依据内容的引荐。这个时分一个特色重要的点是用户的爱好会跟着时刻而变的。比如我去年感爱好的东西，本年不必定感爱好。今日在上班时分喜爱看的新闻，和我放假时喜爱看的新闻彻底不相同。怎样样经过凌乱的信号源发现用户的爱好点在哪儿，然后可以把变化用模型描绘出来，这个是有一个叫做部分可观察的马可夫决议计划进程。可是应该说数学模型是在的，可是有许多的核算限制，一个限制是高质量的数据，第二个限制是核算才能。跟着时刻的推演，我觉得数据必定可以收到，核算才能也必定能到达那一天。我觉得咱们有才能来猜测用户长期的爱好变化。

　　还有一点是资讯服务，咱们有了资讯怎样把资讯和用户十分顺畅地进行沟通。在这一点上，我觉得咱们可以重视的是人机对话的体系，也许是用自然言语对话，也许便是人机交互的体系。比如说咱们在车里，在这样的一个场景中，可是又特别关怀美国大选的成果，所以我就可以问机器人这样的问题。比如问在美国选票状况怎么，机器人会告知我各州开票的状况，这种对话的办法是需求机器人做许多的阅览，去现在的场景。别的对当时的舆情剖析也是十分了解，最后依据我的爱好来做一个总结。

　　要做到这一点，这个机器人的智能点来自于几个方面。

　　第一个要可以有对话的基本功能，这个是来自于一个技能，叫做深度神经网络。

　　第二个要可以完结某种使命，比如信息查找或许是总结，或许是生成一个对话，这个是需求强化学习的才能。

　　第三个是一个新的研讨方向，叫做搬迁学习。它可以做什么呢？可以把一个通用模型给特性化，把一个大数据发生的模型可以在个人的小数据上面给特性化，这样可以发生一个很体贴的机器人。

　　未来这三种办法都不可缺少，最好的办法是把这三个放到一个一致的通用富有模型里边。咱们等待这样的机器人可以做些什么呢？他们可以跟你闲聊，可以给你引荐信息，可以引导你去学习一些东西，而且可以提示你该读这样的问题了，该看那样的东西了。

　　在这儿举一个比如，比如说一个使命型的对话体系在读了许多古诗的信息、财经类的信息今后，你就可以跟他对话了。比如你问他 700 的股票现在状况怎样样？这个模型会发生一个侯选集，也便是这儿的 A1、A2、A3。依据你的爱好它可以进行排序，排序的成果就会发生出它对你的答复。比如说它的答复是「你想知道 700 最新的新闻吗？或许你想知道这个股价的走向吗？」这样便是一个很自然的使命型自然言语对话的体系。

　　总结起来说，咱们今日的这种革新应该说确实是一种革新，由于就类似于工业革新。工业革新对应过来便是咱们今日所说的智能的革新。当时的工业资本家、金融的资本家今日对应过来，应该是所谓的数据资本家。智能的才能可以建模，可以有跨界的才能、核算的才能、好的反应、明晰的边界，这些才能的总和是咱们所说的智能的才能。这种智能的才能怎么可以把它赋予给群众，使得 A.I. for everyone，使得人人可以享受智能的盈利，这也是今日咱们所要严肃考虑的。

　　由于这样开展下去的一个趋势，是数据有或许聚集在少数人手里，智能和智能的服务也许只有少数人才可以控制一切的开展。咱们需求把门槛给降低，使得人人都成为内容的生产者，人人都可以用人工智能来促进他和媒体有机的结合。

　　咱们下面需求考虑的内容，包括 A.I. 年代是否还需求内容的生产者呢？是不是还需求人类的修正？人工智能会带来一个崭新的不相同的内容生产办法吗？怎么防止数据寡头的发生？咱们怎么可以把智能惠及一切的人群，让咱们一同进步。这些是咱们咱们一同需求考虑的问题。