从AI大模子架构映射到产业链，本文是时候层的详实分析，从宏不雅角度，已毕较为全面的分析拆解，但未对行业头部公司和产物作念产物分析和竞品分析，后续将单开著述作念产物分析。
一、近况分析1.1 组成部分与市集参与者在面前快速发展的东谈主工智能领域，AI大模子时候层的市集参与者组成了一个多元化且互相依存的生态系统。这包括了提供底层通用大模子的算法基础供应商，他们开发开源和闭源模子，为AI时候的发展奠定基础。同期，专注于算法和模子计划的机构持续推进时候领域，为行业带来立异。创作家生态中的框架供应商、AI开发平台供应商和开源社区则为开发者提供了强劲的用具和资源，促进了AI时候的世俗应用和快速迭代。
综上，市集参与者包括算法基础场地，即底层通用大模子、有关算法/模子计划机构，以及创作家生态，即框架供应商、AI开发平台供应商、开源社区。
1.1.1 组成部分与市集参与者：
1）底层通用大模子：开源模子+闭源模子
AIGC底层通用大模子可分为开源和闭源，闭源模子一般通付费的API或者有限的试用接口来访谒。闭源模子的上风在于前期干涉老本低、运行富厚。国际闭源模子包括OPENAI的GPT模子、谷歌的PALM-E模子等。国内闭源模子厂商起步较晚。
开源模子领受公开模子的源码与数据集，任何东谈主都不错检讨或者修改源代码。开源模子基于特有化部署领有较高的数据诡秘安全保险，而况迭代更新速率快。面前国内互联网大厂戮力于于开发跨模态大模子，如腾讯的混元AI和百度的文心大模子，都可进行跨模态生成，但全体尚未精深酿成开源生态，国际的开源模子开源大模子厂商中，Meta AI（Llama）、欧洲Mistral AI（Mistral）、 Google（Gemma）等厂商的大模子性能保握前哨。
2）有关算法/模子计划机构
界说
有关算法 / 模子计划机构主如果从事东谈主工智能、机器学习、当然讲话处理等有关算法和模子架构计划的组织。它们由学术界和产业界的巨匠组成，通过开展基础计划和应用计划，探索新的时候和门径，为 AIGC 领域的发展提供表面复旧和立异念念路。
头部知名最初厂商先容
斯坦福大学东谈主工智能实验室：在东谈主工智能基础计划方面处于寰宇最初地位。在算法立异、模子架构探索等领域效果丰硕，其计划效果时常被应用于当然讲话处理、运筹帷幄机视觉等 AIGC 有关领域，对大众 AIGC 时候的发展场地有垂死的引颈作用。麻省理工学院运筹帷幄机科学与东谈主工智能实验室：汇聚了顶尖的科研东谈主才，在机器学习算法优化、复杂模子架构开发等方面有高出孝敬。与开阔科技企业有紧密合作，推进了学术效果的贸易化应用，为 AIGC 时候的工程化提供了要津复旧。清华大学东谈主工智能计划院：国内顶尖的东谈主工智能计划机构，在当然讲话见识、运筹帷幄机视觉等多个 AIGC 细分领域开展深入计划。与国内企业合作紧密，促进了产学研结合，在推进中国 AIGC 时候的自主研发和应用方面阐扬了垂死作用。3）框架供应商
界说
机器学习框架是为 AI 开发提供用具和库的软件，它们匡助开发东谈主员更方便地构建、教练和部署机器学习模子。简化了原始算法的中枢细节，并提供了一种端到端的机器学习开发过程，还包括数据分析、模子评估、性能优化以及对复杂硬件的运行复旧。
头部知名最初厂商先容
PyTorch（Meta 开发）：在大众领有较高的使用率，约 34%。其以动态运筹帷幄图等特色受到开发者接待，在学术计划和工业界都有世俗应用，尤其是在当然讲话处理和运筹帷幄机视觉领域，许多先进的模子都是基于 PyTorch 开发的。Tensorflow（谷歌开发）：使用率约 30%，是一个训练的机器学习框架。具有高度的无邪性和可膨胀性，复旧多种硬件平台，被世俗应用于大范畴数据处理和复杂模子教练，在分散式教练等场景深刻出色。百度飞桨：国内使用率为 12%，是百度推出的深度学习平台。为开发者提供了丰富的用具和模子库，在当然讲话处理和图像识别等领域有风雅的性能深刻，同期积极推进腹地化干事，促进国内 AIGC 产业的发展。华为昇念念：使用率 12%，是华为自主研发的深度学习框架。在模子并行和分散式教练等方面未必候上风，与华为的硬件生态紧密结合，为企业级用户提供了高效、安全的开发处罚决策，尤其在工业物联网等领域有开阔的应用远景。4）AI开发平台供应商
界说
AI 开发平台为九行八业提供一站式的 AI 全过程开发干事，通过集成数据标注、模子匹配搭建、模子教练评估、在线模子等多个时候智力点，为开发者提供浮浅、无邪、富厚和高效的开发环境，并裁减 AI 应用开发的门槛。
头部知名最初厂商先容
国内大型科技企业开发平台：像百度、阿里等国内大型科技企业推出的 AI 开发平台，凭借其强劲的时候实力和数据资源，为企业用户提供全面的干事。这些平台在大数据处理、模子教练服从等方面有上风，而况不错与企业本身的其他业务系统集成，提供端到端的处罚决策。专科 AI 开发平台厂商：有一些专注于 AI 开发平台的厂商，它们通过持续优化平台功能，如提供更好的自动化机器学习（AutoML）用具、更友好的用户界面等，眩惑了开阔开发者。这些厂商在特定领域，如中小企业市集或者特定行业的开发者群体中有较高的知名度。从开发模式来看，国内大学、科研机构、企业等不同立异主体积极参与大模子研发。我国参数范畴在10亿以上的79个大模子中，企业、高校/科研机构、校企调理研发的数目分别为36个、29个、14个，分别占比45.57%、36.71%、17.72%，学术界与产业界之间的调理开发仍有较大发展空间。
5）开源社区
界说
开源社区是一个怒放的、由开发者自愿参与的社区，为 AIGC 开发者提供了一个疏通和合作的平台。在这里，开发者不错共享代码、陶冶和视力，也不错获取开源的 AIGC 面容和用具，如开源的大模子、机器学习框架、数据标注用具等。
头部知名最初厂商先容
GitHub：是大众最大的开源代码托管平台，确实涵盖了所有的 AIGC 有关开源面容。开阔知名的开源模子和框架都在 GitHub 上发布和可贵，眩惑了大众开发者参与孝敬。通过提供代码料理、勾搭开发等功能，为 AIGC 开源生态的发展提供了基础面容。国内开源社区（如 Gitee 等）：在国内也有一定的影响力，为国内开发者提供了腹地化的开源疏通平台。诚然在范畴和国际影响力上可能不如 GitHub，但在推进国内 AIGC 开源面容的发展、促进国内开发者之间的疏通等方面阐扬了垂死作用。1.2 贸易模式1.2.1 算法基础贸易模式
付费API干事：提供闭源模子API，按使用量收费，如OpenAI的GPT模子。试用与升值干事：提供有限免费试用，后续推出付费高档版块，如图像识别模子。开源干事收费：基于开源软件提供专科干事，如TensorFlow的模子优化干事。企业刊行版：基于开源软件提供相反化的企业版，如Red Hat的Linux刊行版。云干事：在云上部署开源软件，用户按使用付费，如阿里云的AI干事。生态流量变现：通过开源系统吸援用户，再通过告白等风物变现，如谷歌的安卓系统。1.2.2 有关算法 / 模子计划机构贸易模式
面容合作：与企业合作开发特定算法，收取研发用度。时候转让：将算法常识产权转让给企业，获取一次性用度或分红。推敲干事：为企业提供算法和模子方面的推敲干事。1.2.3 框架供应商贸易模式
授权收费：将框架授权给企业使用，按授权范围收费，如百度飞桨框架。定制开发：凭据客户需求定制框架，收取定制用度。时候复旧与可贵：提供时候复旧和可贵干事，收取干事用度。1.2.4 AI 开发平台供应商贸易模式
平台订阅：提供平台订阅干事，用户按订阅时长付费。资源付费：用户按使用的运筹帷幄和存储资源付费，如Azure Machine Learning平台。1.2.5 开源社区贸易模式
升值干事：提供高档时候复旧、培训等付费干事。告白：通过面容受众向告白商倾销，获取告白收入。1.3. 主流算法
1.3.1 东谈主工智能&机器学习&深度学习&强化学习：包含关连
1）东谈主工智能&机器学习&深度学习&强化学习的特征与关连
东谈主工智能（Artificial Intelligence，AI）：东谈主工智能是一门计划、开发用于模拟、延迟和膨胀东谈主的智能的表面、门径、时候及应用系统的详尽性学科。它旨在让运筹帷幄机系统省略像东谈主类相同进行感知、见识、学习、推理和决策等智能行动。
机器学习（Machine Learning，ML）：机器学习是东谈主工智能的一个垂死分支，它是一门让运筹帷幄机系统通过数据和陶冶自动学习和变调性能的学科。机器学习门径包括但不限于线性转头、逻辑转头、决策树、复旧向量机、贝叶斯模子等，其中枢是通过优化算法从数据中挖掘王法，以已毕对未知数据的筹划和决策。
深度学习（Deep Learning，DL）：深度学习是机器学习的一个子集，它主要期骗深度神经汇聚（如深度神经汇聚 DNN、卷积神经汇聚 CNN、递归神经汇聚 RNN、瑕瑜期操心汇聚 LSTM、生成起义汇聚 GAN、迁徙学习、发扬力模子等）动作参数结构进行优化的一类机器学习算法。深度学习在图像处理、当然讲话处理、语音识别等领域取得了广阔的到手。深度学习浮浅需要大都有标签的数据进行教练，以学习数据中的特征和模式，从辛勤毕对新数据的准确筹划和分类。
强化学习（Reinforcement Learning，RL）：强化学习亦然机器学习的一个垂死分支，它是一种通过智能体与环境不竭交互，以赢得最大蓄积奖励为主张的学习门径。与深度学习不同，强化学习浮浅不需要大都有标签的数据，而是通过智能体在环境中的探索和本质来学习最优战术。强化学习在动态环境中的决策问题上具有特等的上风，举例机器东谈主按捺、游戏智能体、自动驾驶等领域。强化学习的过程是智能体凭据现时环境情状遴荐动作，环境反映奖励信号，智能体凭据奖励信号转机战术，持续轮回以提高性能。
深度强化学习（Deep Reinforcement Learning，DRL）：深度强化学习是将深度学习和强化学习相结合的一种机器学习门径。它利用深度神经汇聚强劲的函数贴近智力来处理强化学习中的复杂问题，举例高维情状空间和动作空间的示意和学习。深度强化学习在一些具有挑战性的任务中取得了显贵的效果，如复杂游戏的通关、机器东谈主的自主学习和按捺等。
2）机器学习的分类
机器学习按照任务主张、教练门径、学习算法维度，不错分为如下几类。
1.3.1.2.1 任务主张维度
1.3.1.2.2 教练门径维度
1.3.1.2.3 学习算法维度
3）深度学习有关算法
4）强化学习有关算法
深度强化学习（Deep Reinforcement Learning）：
将深度学习与强化学习相结合。
通过智能体与环境的交互，学习最优的决策战术。
在大模子中，不错用于游戏、机器东谈主按捺等领域。举例在围棋游戏中，通过自我对弈和持续学习，省略达到超东谈主类的水平。
战术梯度算法（Policy Gradient）：
一种常用的深度强化学习算法。
通过优化战术汇聚，使智能体省略赢得更高的累计奖励。
在大模子中，可用于优化复杂系统的按捺战术。举例在自动驾驶中，通过学习最优的驾驶战术，提高行驶的安全性和服从。
1.3.2 监督学习VS无监督学习：互斥关连
监督学习特征：监督学习的特色是教练数据需要进行标注，特征识别东谈主工扶直识别。就像学生在学校里上课，本分会明确给出每个问题的正确谜底。在监督学习中，教练数据带有标注，格外于本分给出的谜底，特征识别东谈主工扶直识别就如同本分迷惑学生坚忍不同问题的要津特征。
比如，你想教练一个能分辨苹果和橘子的模子。那你就得先准备好多张苹果和橘子的相片，然后把苹果的相片都放在一个标着 “苹果” 的盒子里，橘子的相片放在标着 “橘子” 的盒子里。这里，“苹果” 和 “橘子” 这两个盒子的名字就格外于数据的标注或者标签，而里面的相片即是教练数据。这个过程就像本分告诉你哪些题的谜底是对的，哪些是错的。然后模子就会凭据这些标签去仔细不雅察相片里生果的特征，比如苹果是红红的、圆圆的，橘子是橙色的、有点扁圆形的。逐步地，模子就学会了怎样分辨苹果和橘子啦。
监督学习教练过程：
源流，网罗大都带有标注的教练数据。这些数据不错来自各式来源，如东谈主工标注的数据集、历史纪录等。
然后，遴荐相宜的监督学习算法，如决策树、复旧向量机、神经汇聚等。
将标注好的教练数据输入到算法中，算法通过学习数据的特征和对应的标签之间的关连，转机模子的参数，以最小化筹划瑕疵。
在教练过程中，浮浅会将数据集分为教练集和考据集。教练集用于教练模子，考据集用于评估模子在未见过的数据上的性能，以便转机超参数和防护过拟合。
经过屡次迭代教练，当模子在考据集上的性能达到风景进程时，教练过程收尾。
无监督特征：无监督学习的特色是不需要给数据进行标注，特征识别机器自主识别。好比一个东谈主在藏书楼解放探索册本，莫得特定的任务或谜底。无监督学习不需要数据标注，特征由机器自主识别就像这个东谈主我方在册本中发现不同的主题和模式。
比如，无监督学习就像你走进一个参差的藏书楼，里面有各式各样的书，然则莫得任何分类标签。有东谈主给你一大堆不同主题的书混在一皆，莫得告诉你哪些是演义、哪些是列传、哪些是科普册本等。这时辰，模子就得像你在藏书楼整理册本相同我方想办法去分类。模子可能会发现存些书笔墨很生动、有许多诬捏的情节，于是把它们归为一类，诚然一运转不知谈这具体是啥类。接着，模子又可能发现存些书有许多专科术语和图表，就把它们分红另一类。但模子依然不知谈这些类别具体叫啥名字。莫得明确的主张，全靠我方去发现王法和特色进行分类。
无监督学习教练过程：
网罗大都无标注的原始数据。这些数据不错是各式类型的，如文本、图像、音频等。
遴荐相宜的无监督学习算法，如 K-Means 聚类、主因素分析（PCA）、自编码器等。
将无标注的数据输入到算法中，算法凭据数据的内在特征进行学习。举例，K-Means 聚类算法会自动将数据分红不同的簇，使得团结个簇内的数据具有较高的相似性，不同簇之间的数据具有较大的相反。
在教练过程中，浮浅不需要分袂教练集和考据集，而是通过评估算法在数据上的里面一致性或其他目的来判断模子的性能。
经过屡次迭代，当算法达到富厚情状或无礼一定的住手条款时，教练过程收尾。
1.4. AI大模子的有关算法在此不是想单列出ai大模子波及哪些算法，而是想从ai大模子的开发过程和应用，识别在开发过程和应用中，ai大模子分别波及什么算法，且明确哪些算法在开发过程和应用中是主流。
1.4.1 开发过程
1. 数据网罗与预处理：数据清洗算法（去除噪声、格外值等）、数据采样算法（均衡数据集）。
2. 模子遴荐与构建：Transformer 架构有关算法（自愿扬力机制、多头发扬力机制等）、卷积神经汇聚（CNN）用于运筹帷幄机视觉任务、轮回神经汇聚（RNN）偏激变体（LSTM、GRU）用于序列数据处理。
3. 模子教练与测试：
预教练阶段：无监督学习算法如掩码讲话模子（BERT、RoBERTa 等）微调阶段：监督学习算法，包括最小二乘法、速即梯度着落法等优化算法在预教练模子基础上针对特定任务进行微调，还可能波及到迁徙学习有关算法，如特征提真金不怕火后进行特定任务层的教练。奖励建模阶段：基于规则的奖励分拨、基于价值函数的奖励臆想（如深度 Q 汇聚等强化学习算法可用于臆想价值函数从而扶直奖励建模）、基于机器学习的奖励模子（如使用神经汇聚构建奖励筹划模子）。强化学习微调阶段：战术梯度算法（如 REINFORCE 算法）、近端战术优化算法（PPO）、深度详情味战术梯度算法（DDPG）、软 actor-critic（SAC）算法等。4. 上线与部署：模子压缩算法（剪枝、量化等）、模子优化算法（针对特定硬件平台进行优化）。
1.4.2 应用
1. 运筹帷幄机视觉：CNN、生成起义汇聚（GAN）用于图像生成、主张检测算法等。
2. 语音识别：RNN 偏激变体（LSTM、GRU）、卷积神经汇聚与轮回神经汇聚结合的架构。
3. 语音合成：算法：WaveNet、Tacotron 等。主流算法：Tacotron 偏激变调版块在语音合成中较为常用。
4. 认证智力:常识图谱构建算法（如基于规则的抽取、基于机器学习的抽取等）、当然讲话推理算法（如 Transformer 架构在文本推理中的应用等）等。
5. 创造智力：生成起义汇聚（GAN）、变分自编码器（VAE）等生成模子。
二、趋势分析（时候趋势、贸易趋势）2.1 时候趋势2.1.1 算法方面
1. 发扬力机制：
o 自愿扬力机制到手应用于 Transformer 架构，将来会有更复杂高效的变体，探索多模态跨模态发扬力以交融不同信息。多头发扬力机制将连续发展，出现更多组合风物和更细密子空间分袂，增强模子抒发智力柔顺应性。
2. 预教练与微调：
o 预教练门径持续变调，利用大范畴未标注数据，出现新自监督学习任务和预教练主张。微调更智能化高效化，自动遴荐战术和优化超参数，提高特定任务性能和泛化智力。
3. 汇聚结构：
o 残差计划在深层汇聚中握续阐扬作用，可能出现新计划风物和架构想象，处罚深层汇聚教练问题，提高学习服从。归一化时候持续发展，出现新门径顺应不同数据和任务，富厚教练过程，改善模子性能。
4. 位置编码：
o 对讲话模子见识序诸君置信息至关垂死，将来会有更无邪有用的风物，顺应不同长度和类型序列数据，并可能与其他时候结合，提高模子对位置信息的利用智力。
5. 优化算法：
o 自顺应学习率算法如 Adam、RMSprop 等连续优化，顺应不同模子和任务，可能出现新优化算法，提高拘谨速率和教练服从。还可能与其他时候结合，提高模子性能和富厚性。
6. 正则化时候：
o Dropout 和权重衰减等正则化时候连续防护过拟合，可能出现新门径顺应大范畴模子教练，与其他时候结合提高模子泛化智力和服从。
7. 无监督学习：
o 降噪自编码器和生成起义汇聚等无监督学习时候在大模子教练中更世俗应用，利用未标注数据学习有用特征和示意，与监督学习结合酿成半监督学习门径，提高有限标注数据下性能。
8. 动态掩码：
o 讲话模子教练中提高高下文信息学习智力，将来会有更智能高效的动态掩码战术，顺应不同任务和数据。
2.1.2 开发框架方面
1. 易用集成：
o 看重提供高度集成用具和接口，如预教练模子库、自动化微调用具、可视化调试界面等，简化建立和调参过程，通过自动化用具和智能保举系统提高开发服从。
2. 分散式复旧：
o 复旧分散式教练，提供高效并行运筹帷幄智力和通讯机制，包括分散式数据加载、模子并行和数据并行等时候，无礼大模子教练需求。在部署方面复旧不同平台和环境，提供优化决策和用具。
3. 多讲话跨平台：
o 复旧更多编程讲话，在不同操作系统和硬件平台上运行，提供跨平台兼容性和可移植性，方便开发者在不同环境中开发和部署，提高开发服从和模子可用性。
4. 可解说性用具：
o 跟着大模子在要津领域应用增多，提供更多用具和时候匡助见识模子决策过程和里面使命机制，如可视化用具展示发扬力分散和中间层特征示意，提高模子着实度和可靠性。
2.2 贸易化趋势2.2.1 算法基础贸易化模式
趋势讲明：
专科化和细分化：跟着各行业对东谈主工智能应用的需求持续深入，创业者专注于特定领域开发应用软件，能更好地无礼行业特定需求，提高市集竞争力。多时候交融：结合多种时候不错为用户提供更全面、高效的处罚决策，拓展应用场景和擢升用户体验。握续立异：东谈主工智能时候发展连忙，持续推出新功能和干事能保握产物的竞争力，吸援用户并无礼持续变化的市集需求。案例：
以医疗领域的东谈主工智能创业公司为例，据统计，专注于医学影像会诊的东谈主工智能软件市集范畴在往日几年中以每年跳跃 30% 的速率增长。这些软件通过深度学习算法对医学影像进行分析，为大夫提供扶直会诊，提高会诊准确性和服从。某智能家居应用软件结合了东谈主工智能、物联网和语音识别时候，用户不错通过语音教导按捺家中的各式开导，如灯光、电器等。该软件推出后，受到了奢华者的世俗接待，市集占有率持续提高。2.2.2 有关算法 / 模子计划机构贸易化模式
趋势讲明：
深度定制干事：企业浮浅有特等的业务需乞降数据特色，计划机构提供定制化的算法和模子处罚决策，能更好地无礼企业需求，提高应用效果。时候引颈：握续进行前沿时候计划不错为企业提供最新的时候复旧，匡助企业在竞争中占据上风。跨领域合作：不同领域的常识和时候交融不错创造新的应用场景和贸易契机。案例：
一家知名的算法计划机构为某大型金融企业定制了一套风险评估模子，凭据企业的历史数据和业务特色进行优化，匡助企业裁减了风险评估的瑕疵率，提高了决策的准确性。该面容为计划机构带来了可不雅的收入。某东谈主工智能计划机构与汽车制造企业合作，将东谈主工智能算法应用于自动驾驶时候的研发。通过跨领域合作，两边共同攻克了多项时候困难，推进了自动驾驶时候的发展。2.2.3 框架供应商贸易化模式
趋势讲明：
生态协同发展：眩惑更多的开发者、供应商和合作伙伴加入生态系统，不错丰富框架的功能和应用场景，提高框架的竞争力。智能化升级：持续擢升框架的智能化水平，提供更高效、浮浅的开发用具和干事，不错眩惑更多的开发者使用框架，促进框架的发展。行业拓展：将框架应用拓展到更多的行业领域，不错扩大市集份额，提高框架的影响力。案例：
某东谈主工智能框架供应商建筑了怒放的生态系统，眩惑了数千名开发者和数十家合作伙伴参与。通过生态系统的协同发展，该框架的功能持续丰富，应用场景持续拓展，市集占有率持续提高。一家框架供应商推出了智能化的开发用具，省略自动优化算法模子的性能，提高开发服从。该用具受到了开发者的世俗接待，推进了框架的应用和发展。2.2.4 AI 开发平台供应商贸易化模式
趋势讲明：
升值干事多元化：提供丰富万般的升值干事不错无礼不同用户的需求，增多收入来源，提高用户粘性。数据驱动决策：利用平台数据为用户提供数据分析和洞悉干事，不错匡助用户更好地了解市集和用户需求，作念出更贤慧的决策。合作共赢：与第三方开发者和供应商深度合作，不错共同打造优质的东谈主工智能生态，提高平台的竞争力。案例：
某 AI 开发平台供应商提供了高档算法库、定制化开发干事和数据分析干事等多种升值干事。这些干事为平台带来了额外的收入，同期提高了用户的风景度和粘性。一家 AI 开发平台与数据标注公司合作，为用户提供高质料的数据标注干事。通过合作，两边共同拓展了市集，已毕了共赢。2.2.5 开源社区贸易化模式
趋势讲明：
社区驱动立异：依靠社区力量推进时候立异和软件发展，不错提高软件的质料和竞争力，眩惑更多的用户和开发者参与。企业干事优化：持续完善企业级干事，无礼企业用户的专科需求，不错提高用户风景度，增多贸易收入。合作生态拓展：与万般合作伙伴共同履行开源软件，不错扩大软件的影响力和用户群体，促进软件的发展。案例：
某开源东谈主工智能软件社区通过社区成员的孝敬，持续推出新的功能和变调。该软件在大众范围内领罕有百万用户和开发者，成为了东谈主工智能领域的垂死开源面容。一家开源社区为企业用户提供专科的时候复旧和培训干事。这些干事受到了企业用户的接待，为社区带来了富厚的贸易收入。同期，社区与硬件厂商、软件开发商等合作伙伴共同履行开源软件，扩大了软件的影响力和用户群体。作家：Elaine.H ，公众号：H密斯的数字化杂货铺
本文由@Elaine.H 原创发布于东谈主东谈主都是产物司理，未经作家许可，辞谢转载。
题图来自Unsplash，基于CC0合同。
该文不雅点仅代表作家本东谈主，东谈主东谈主都是产物司理平台仅提供信息存储空间干事。