0
雷鋒網(wǎng) AI 科技評論按：昨天晚上，卡耐基梅隆大學(xué)計(jì)算機(jī)系在讀博士生 Noam Brown 和計(jì)算機(jī)系教授 Tuomas Sandholm 來到 reddit 的機(jī)器學(xué)習(xí)分版，和網(wǎng)友們一起來了一場「你問我答」（ask me anything）。這兩個(gè)名字大家現(xiàn)在也比較眼熟了，他們就是今年早些時(shí)候在人機(jī)大賽中首次打敗職業(yè)撲克選手的 AI「冷撲大師」（Libratus）的創(chuàng)造者。
具體來說，在持續(xù)了 20 天、4 位人類職業(yè)選手分別上陣的十二萬手一對一無限注德州撲克中，四位職業(yè)選手一共輸給「冷撲大師」1766250 分，單獨(dú)來看每個(gè)人類選手也都負(fù)于 AI。（如下圖）
Noam Brown 和 Tuomas Sandholm 兩位撰寫的介紹這個(gè) AI 中核心技術(shù)的論文《Safe and Nested Subgame Solving for Imperfect-Information Games》（在不完全信息博弈中安全、嵌套地求解子博弈）已經(jīng)被評選為 NIPS 2017的最佳論文，雷鋒字幕組也翻譯了作者們的論文介紹視頻。而且就在這兩天，兩位作者的新論文已經(jīng)發(fā)表在《Science》，其中介紹了關(guān)于整個(gè) AI 的更多細(xì)節(jié)。
借著 NIPS 2017 論文被關(guān)注，以及 AI 的更多細(xì)節(jié)發(fā)表在《Science》的機(jī)會(huì)，Noam Brown 和 Tuomas Sandholm 教授兩位作者就來到 reddit 與網(wǎng)友們進(jìn)行這次「你問我答」，回答網(wǎng)友們提出的關(guān)于「冷撲大師」、這次比賽、人工智能領(lǐng)域、不完全信息博弈、卡耐基梅隆大學(xué)、在讀博士生或者教授的學(xué)術(shù)生活等等各種問題。
以下雷鋒網(wǎng) AI 科技評論精選了一些熱門問答呈現(xiàn)給大家
這次的比賽是一對一的，你們打算做一個(gè)能玩 6 人局比賽的 AI 嗎？
Noam Brown 簡單來說，目前看來我們提出的技術(shù)在 6 人局里也有很好的實(shí)戰(zhàn)效果（表現(xiàn)超過人類）。我覺得多于 3 個(gè)玩家參與的游戲是確實(shí)有一定技術(shù)挑戰(zhàn)的，但撲克這個(gè)領(lǐng)域里體現(xiàn)得不明顯。別的一些游戲更適合做多玩家參與的 AI 的研究。
下面仔細(xì)解釋下：多于兩個(gè)玩家參與的游戲?qū)ΜF(xiàn)有技術(shù)提出了很多有趣的理論和實(shí)踐方面的挑戰(zhàn)。對于博弈論的初學(xué)者來說，如果要估計(jì)一個(gè)納什均衡，從計(jì)算角度講已經(jīng)變得很低效了。即便找到了一個(gè)，這也不一定是你想要執(zhí)行的玩法。在兩個(gè)玩家參與的零和博弈中，不管你的對手怎么做，納什均衡都可以保證你的期望是「不會(huì)輸」。然而在三個(gè)玩家及以上的博弈中就不會(huì)發(fā)生這樣的事情了，即便你達(dá)成了納什均衡，你還是可能會(huì)輸。所以我們需要新的技術(shù)才能處理三個(gè)玩家及以上的博弈，而且需要考慮如何在這樣的博弈中評價(jià) AI 的表現(xiàn)。
話雖這樣說，但目前我們在一對一 AI 中所用的技巧，看起來在三個(gè)玩家及以上的撲克中也有很好的實(shí)戰(zhàn)表現(xiàn)。這件事有兩個(gè)主要原因：
1，在玩撲克的時(shí)候，人類很快就會(huì)棄牌，所以實(shí)際比賽中，大多數(shù)手牌很快就變成了一對一比賽。
2，玩撲克的時(shí)候，玩家之間基本上沒有什么機(jī)會(huì)合作，你沒辦法和一個(gè)玩家組隊(duì)攻擊另一個(gè)玩家。真的嘗試這樣做的話（玩家間串通），就會(huì)違反游戲規(guī)則。
由于這兩個(gè)原因，我認(rèn)識的開發(fā)訓(xùn)練用途的 AI（以及訓(xùn)練 AI 的工具）的人告訴我這些技巧在 6 人局的德?lián)浔荣惱镆灿泻芎玫谋憩F(xiàn)，而且基本上每種能在網(wǎng)上玩的撲克類型，現(xiàn)在都是有超過人類水平的 AI 的。說到底，達(dá)成有意義的 6 人局比賽可行性很低，因?yàn)楹茈y避免人類玩家之間串通起來對抗 AI（即便他們是無意識的）。
有沒有什么辦法，盡量小地修改撲克的玩法，同時(shí)把它變成 AI 玩不了的游戲？
Noam Brown 這個(gè)問題非常好！根據(jù)我和這個(gè)領(lǐng)域其它的人工智能開發(fā)者一起的研究和討論，我們認(rèn)為目前所有的撲克玩法都可以找到超越人類水平的 AI。即便是奧馬哈撲克、9 個(gè)人玩的奧馬哈撲克也不能阻止 AI 勝過人類。
如果要讓 AI 搞不定某個(gè)游戲，有一個(gè)很有可能會(huì)起到很大作用的要素，就是在游戲中引進(jìn)某些半合作機(jī)制，比如《Settlers of Catan》中的買賣和《Diplomacy》中的談判。所以可能在游戲規(guī)則里加一條可以和其它玩家換牌？當(dāng)然了，真要是這么改了，這還算不算是撲克都不好說了。
目前來講還沒有找到什么成功的理論方法可以解決半合作游戲。我覺得這將是未來研究的重要方向之一，而我們真正看到這類游戲中的良好表現(xiàn)也至少還需要好幾年的時(shí)間。
參加比賽的職業(yè)選手們?nèi)绾卧u價(jià)「冷撲大師」的牌技？有沒有什么很有趣或者很驚人的特點(diǎn)？
Noam Brown 簡單說幾條：
AI 可以使用各種不同的下注大小，而且可以高效地在它們之間做出取舍。人類玩家通常只用一到兩種下注大小。
AI 會(huì)使用一個(gè)混合策略（對于不同的可能性采取不同的行動(dòng)），而人類玩家傾向于單獨(dú)使用某一種策略。所以局面復(fù)雜的時(shí)候人類玩家會(huì)覺得非常難以估計(jì) AI 所處的狀況，因?yàn)?nbsp;AI 各種行為都做得出來。
AI 用了很多不常見的下注大小。具體來說，下很大的注會(huì)給人類選手帶來很大的壓力。我從好幾個(gè)職業(yè)牌手那里聽說，在這場比賽之后頂級選手之間也開始更多地出現(xiàn)這種做法，很大程度上和「冷撲大師」用很大的下注大小取得了不小的成功有關(guān)系。
AlphaZero 和「冷撲大師」的泛化性誰高誰低？
Tuomas Sandholm 教授 AlphaZero 是為完全信息博弈設(shè)計(jì)的（比如圍棋、國際象棋），而冷撲大師是為不完全信息博弈設(shè)計(jì)的。這是非常大的一個(gè)區(qū)別。在不完全信息博弈中，有一部分信息是沒有對所有玩家公開的，比如，談判時(shí)談判者的個(gè)人偏好、撲克中玩家的手牌、拍賣時(shí)參與者心中的價(jià)值函數(shù)、網(wǎng)絡(luò)安全攻防中某一方被泄露出的零日漏洞，等等。多數(shù)真實(shí)世界中人和人之間的互動(dòng)過程都是不完全信息博弈。
對于給定的博弈大小，不完全信息博弈解決起來要難得多，因?yàn)橥婕倚枰诓煌淖硬┺拈g尋找平衡。比如在撲克中，玩家不應(yīng)該總是看到好牌就加注、看到差牌就棄牌。相比之下，在完全信息博弈中，要解決一個(gè)子博弈，只需要那個(gè)子博弈中的信息就夠了，而且不需要與其它的子博弈之間作取舍。
現(xiàn)在，在我們的 NIPS 論文和《Science》論文中，我們已經(jīng)闡述了理論上非常有力的不完全信息博弈中的子博弈解決方法。這些方法中借助對整個(gè)博弈的策略藍(lán)本得出不同子博弈的值，然后也就是依靠這些值在不同的子博弈之間取得平衡。
「冷撲大師」沒有使用深度學(xué)習(xí)啊。這是你們有意識地選的嗎？還是說到了最后發(fā)現(xiàn)反正沒用上？你們有沒有試過，效果不好嗎？以及，現(xiàn)在我們都知道了另一個(gè)用了神經(jīng)網(wǎng)絡(luò)的撲克 AI DeepStack 表現(xiàn)如何。如果回過頭重新考慮一下，你們有可能用神經(jīng)網(wǎng)絡(luò)嗎？
Noam Brown 對，「冷撲大師」沒有用到任何深度學(xué)習(xí)。我們希望這能告訴人們深度學(xué)習(xí)遠(yuǎn)遠(yuǎn)不是人工智能的全部。只靠深度學(xué)習(xí)自己，還不足以玩好撲克這樣的游戲。
不過，我們開發(fā)出的這些技術(shù)也是和深度學(xué)習(xí)兼容的。我覺得它們更像是蒙特卡洛樹搜索的一個(gè)替代選擇。對于解決撲克這樣的游戲，深度學(xué)習(xí)的必要性不是很高。但是我覺得在其它一些游戲中，某種形式的價(jià)值函數(shù)近似會(huì)有很大的幫助。
DeepStack 用的是深度學(xué)習(xí)，但是目前還不清楚它的效率高到什么程度。比如它并沒有連續(xù)擊敗之前的頂級撲克 AI。我覺得 DeepStack 的實(shí)際表現(xiàn)還不錯(cuò)的原因是它也用了嵌套子博弈求解，他們團(tuán)隊(duì)和我們團(tuán)隊(duì)各自同時(shí)開發(fā)了相關(guān)的技術(shù)。這件事不需要深度學(xué)習(xí)?！咐鋼浯髱煛沟那短鬃硬呗郧蠼夥椒ū人麄兊母呒壱稽c(diǎn)，再加上其它方面的一些優(yōu)勢，最終讓我們達(dá)成了很強(qiáng)力的表現(xiàn)。
DeepStack 2017 年 5 月就在《Science》發(fā)表了論文，你們發(fā)表論文的 NIPS 2017 則是在 12 月了，那么是誰先做出來的？可以做一下對比嗎？你們和其它的研究團(tuán)隊(duì)有合作嗎？
Tuomas Sandholm 教授 DeepStack 的方法確實(shí)有自己的有意思的地方，不過我贊同網(wǎng)友 LetterRip 對它的評價(jià)（「冷撲大師肯定可以碾壓 DeepStack，兩個(gè) AI 面對的選手的質(zhì)量簡直天上地下。DeepStack 比賽中遇到的職業(yè)撲克選手多數(shù)都很弱，雖然也有幾個(gè)非常厲害的，但沒有一個(gè)是算得上頂級選手的。另外，比賽設(shè)定里只有人類選手的第一名有獎(jiǎng)金，這其實(shí)是在鼓勵(lì)不常見的玩法」）。
下面我來談?wù)剝蓚€(gè) AI 之間的異同點(diǎn)。同時(shí)我推薦大家讀讀我們剛剛發(fā)表在《Science》上的論文，其中詳細(xì)介紹「冷撲大師」同時(shí)也和 DeepStack 做了對比。
DeepStack 中的算法和「冷撲大師」的嵌套子策略求解很相似，他們稱之為連續(xù)重新求解。在冷撲大師中它的工作方式是，剩余的子博弈在抽象提取、求解時(shí)，也會(huì)加上對手的確切下注數(shù)目。我們的論文 2016 年 10 月就在網(wǎng)上發(fā)布了，2017 年 2 月也參加了 AAAI2017 的一個(gè) workshop；DeepStack 的論文是 2017 年 1 月上傳到 arXiv 的（投稿給《Science》的時(shí)間是 2017 年春末）。考慮到開發(fā)這些技術(shù)需要很長的時(shí)間，我覺得我們兩個(gè)團(tuán)隊(duì)都在此之前就花了好幾個(gè)月做研究，說「這些方法是兩個(gè)團(tuán)隊(duì)分別開發(fā)但時(shí)間上同步」是沒什么問題的。并且，兩個(gè)團(tuán)隊(duì)的方法也有很大的區(qū)別?！咐鋼浯髱煛沟淖硬呗郧蠼夥椒ㄖ辽僭谙旅鎺讉€(gè)方面都更先進(jìn)，在我們的《Science》論文中也有詳細(xì)的解釋：
「冷撲大師」中改進(jìn)了手牌的處理方法，降低了只有當(dāng)對手犯過錯(cuò)誤之后持有的手牌的看重程度；DeepStack 中就沒有這一項(xiàng)。
DeepStack 中對于不同手的牌，子博弈行為的抽象不會(huì)發(fā)生改變
我們有許多不依賴算法的均衡搜索方法可以保證安全性，我們的子策略求解也是接近安全的，這在我們的《Science》論文和 NIPS2017 論文中都有講到
另外還有一個(gè)區(qū)別是兩個(gè) AI 是如何處理前兩輪下注的。DeepStack 會(huì)在前兩輪下注中求解一個(gè)有限深度的子博弈，而這個(gè)深度值的估計(jì)是通過神經(jīng)網(wǎng)絡(luò)做出的。這就讓它總是可以實(shí)時(shí)計(jì)算如何應(yīng)對對手做出的預(yù)測樹之外的行為。而「冷撲大師」只在前兩輪中做短暫的計(jì)算，然后根據(jù)提前算好的策略藍(lán)本向下執(zhí)行（如果賭注很高了就會(huì)用自己的子博弈求解器）。由于「冷撲大師」是根據(jù)前兩輪下注時(shí)提前計(jì)算好的策略藍(lán)本執(zhí)行的，它會(huì)把對手做出的策略樹之外的下注大小約等到某個(gè)相近的、已經(jīng)經(jīng)過抽象的行為上去。這幾輪中的行為藍(lán)本抽象就有很高的密度，就是為了改善這個(gè)問題。另外，「冷撲大師」有一個(gè)獨(dú)特的自我學(xué)習(xí)模塊，可以隨著時(shí)間逐漸增強(qiáng)策略藍(lán)本的計(jì)算水平，對于部分博弈樹中對手有可能在它的策略中發(fā)現(xiàn)潛在的漏洞的時(shí)候，它可以計(jì)算出更接近納什均衡的近似解。
在表現(xiàn)評估方面，除了剛才 LetterRip 寫的與人類選手對局中體現(xiàn)的之外，DeepStack 也從未表示過自己可以在正面交鋒中打敗在此之前就已公開的各個(gè)頂級撲克 AI，而「冷撲大師」以很大優(yōu)勢擊敗了此前最好的 HUNL 撲克 AI Baby Tartanian8（它是 2016 年計(jì)算機(jī)撲克大賽的冠軍）。
至于合作，我們兩個(gè)研究團(tuán)隊(duì)一直都在發(fā)表自己的工作、也一直學(xué)習(xí)借鑒對方的技巧，這已經(jīng)有 13 年的時(shí)間了。另外，加拿大撲克社團(tuán)的負(fù)責(zé)人 Michael Bowling 就是在 CMU 拿到他的博士學(xué)位的，我就是他的學(xué)位評審委員會(huì)成員之一。不過，我們目前還沒有過任何直接的合作。
如果有人在超級計(jì)算機(jī)上跑一個(gè)超大規(guī)模的 PIO 求解器，這種做法和你們的軟件區(qū)別在哪里？
Noam Brown 「冷撲大師」中的做法比 PIO 求解器不知道高明到哪里去了。下面我列舉幾個(gè)原因說明為什么在這種比賽中 PIO 求解器一點(diǎn)都不好使：
PIO 求解器需要有一個(gè)人類輸入雙方的信念分布?！咐鋼浯髱煛雇耆强孔约号袛噙@些信息的。
PIO 求解器是可以欺騙的，可以故意做一些均衡中出現(xiàn)概率為 0 的行為。比如如果你下注了 10%，并且 PIO 求解器認(rèn)為這種情況不可能發(fā)生的話，那么它對你手牌的信念分布就是未經(jīng)定義的，然后就會(huì)給出不合理的答案。我覺得 PIO 是一個(gè)很明顯的反面例子，提醒我們當(dāng)對手做了「奇怪」的事情的時(shí)候不要完全相信他。同樣明顯的是，如果你和頂級人類選手對局，而他們想要發(fā)現(xiàn)你的 AI 的弱點(diǎn)，這就肯定會(huì)出現(xiàn)嚴(yán)重的問題?！咐鋼浯髱煛咕筒粫?huì)有這些問題。即便對手做出了在均衡中理應(yīng)出現(xiàn)概率為 0 的行為，它也能做出魯棒的、正確的回應(yīng)。
可以說說模型中為什么沒有加入強(qiáng)化學(xué)習(xí)嗎？強(qiáng)化學(xué)習(xí)挺配這個(gè)問題的。
Noam Brown 我們在「冷撲大師」中使用了反事實(shí)遺憾最小化（CFR）的一種變體。具體來說，我們用了蒙特卡洛 CFR 計(jì)算策略藍(lán)本，然后用 CFR+ 處理實(shí)時(shí)的子博弈求解。
CFR 就是一種自我對弈的算法，和強(qiáng)化學(xué)習(xí)有點(diǎn)類似，但是 CFR 會(huì)更多地考慮自我對局中沒有選擇的那些選擇，假設(shè)選了以后會(huì)有怎么樣的投入產(chǎn)出。完全像強(qiáng)化學(xué)習(xí)一樣的 CFR 變體也是有的，不過實(shí)際應(yīng)用中總是要花更長時(shí)間才能找到好的策略。
我聽說上一次「Claudico」人工智能對陣人類輸?shù)囊粩⊥康?，那么從「Claudico」到「冷撲大師」，都做出了哪些改進(jìn)或者調(diào)整？「Claudico」被打敗的事情是不是對「冷撲大師」的成功有很大的啟發(fā)？
Tuomas Sandholm 教授 2015年的時(shí)候，Claudico 對陣人類輸了每一百手 9 盲注，而「冷撲大師」以每一百手 15 盲注勝出了人類?！咐鋼浯髱煛乖谝韵氯齻€(gè)方面都編寫了新的算法：
新的、更好的平衡搜索算法，用來在比賽開始前計(jì)算策略藍(lán)本
新的子博弈求解方法，這次的方法是安全的、嵌套的。Claudico 中的殘局求解器既不安全，也不嵌套。
一個(gè)自我學(xué)習(xí)模塊，可以隨著時(shí)間逐漸增強(qiáng)策略藍(lán)本的計(jì)算水平，對于部分博弈樹中對手有可能在它的策略中發(fā)現(xiàn)潛在的漏洞的時(shí)候，它可以計(jì)算出更接近納什均衡的近似解。
「冷撲大師」已經(jīng)很厲害了，可以打敗人類職業(yè)選手。但是根據(jù)我的理解，它還不是「不可戰(zhàn)勝」的，也許過幾年還會(huì)出現(xiàn)可以打敗「冷撲大師」的 AI。那么「冷撲大師」距離能玩出完美的撲克的 AI 還有多遠(yuǎn)？
Noam Brown 我覺得各種主流的無限制德州撲克玩法里，要說達(dá)到一個(gè)完美的、理論上不可能被打敗的策略，是做不到的一件事。游戲的可能性就是太多了。有沒有激勵(lì)研發(fā)更好的德?lián)?nbsp;AI 也難說，現(xiàn)在 AI 已經(jīng)在這些游戲里超越人類了，我覺得整個(gè)研究領(lǐng)域更可能轉(zhuǎn)向其它還沒有解決的游戲中。
你們接下來計(jì)劃研究哪些任務(wù)/游戲?
Noam Brown 有意思的方向有很多！我們目前還沒決定下來。
有一種非常有意思的研究路線是「半合作博弈」，比如談判。在這里，玩家們有激勵(lì)一同合作，但同時(shí)每個(gè)人也都想達(dá)到自己的個(gè)人效用最大化?，F(xiàn)有的技術(shù)在這類博弈中根本無效，所以還有很多有意思的研究等待大家去做。帶有這種特性的休閑游戲有很多，比如《Settlers of Catan》（買賣）和《Diplomacy》（談判）。
Dota2 和星際爭霸這樣的 RTS 游戲也是非常有意思的研究領(lǐng)域，它們也是不完全信息博弈，那么如果想要研究一個(gè)難以捉摸、但總是可以擊敗頂尖人類選手的 AI 的話，我們在撲克方面做的研究全都可以起到幫助。
我覺得還有一個(gè)問題很有意思，就是如何縮小游戲 AI 之間的差距，比如 AlphaZero 和「冷撲大師」之間的差距?，F(xiàn)在，想要解決圍棋和國際象棋，我們有一組很棒的方法；要解決撲克這樣的游戲，我們有另一組很棒的辦法；但最好的情況當(dāng)然是我們用一個(gè)算法就可以解決所有這些游戲。現(xiàn)有的不同游戲的解決方案之間有巨大的差別，如何縮小差距目前也沒有明確的答案。
對于目前的算術(shù)方法博弈論，你們覺得有哪些有意思的研究方向？
Tuomas Sandholm 教授 有趣的問題有很多，整個(gè)領(lǐng)域也非?；钴S。以我個(gè)人來講，我最喜歡有這些特點(diǎn)的研究工作：1. 針對實(shí)際問題，而不是高度簡化的抽象模型，這類問題也就通常需要真實(shí)世界的數(shù)據(jù)；2，研究那些如果理論研究部分得到了成果，就能對真實(shí)世界有許多正面影響的問題。
我自己特別喜歡的所以動(dòng)手在研究的方向有這么幾個(gè)：
不完全信息博弈中的博弈理論求解以及利用對手。在我的 CMU 實(shí)驗(yàn)室和創(chuàng)業(yè)公司 Strategic Machine 中，我都在做這方面的研究。
自動(dòng)規(guī)則設(shè)計(jì) （比如通過數(shù)據(jù)對多物品、多買家的拍賣場景做定制化的拍賣設(shè)計(jì)）
腎移植（我的 CMU 實(shí)驗(yàn)室中的 AI 負(fù)責(zé) UNOS 的國家腎交換中心；這個(gè)交換中心下屬有 159 個(gè)移植中心）
多種市場問題的組合優(yōu)化。我在我的 CMU 實(shí)驗(yàn)室和一個(gè)我創(chuàng)立的廣告宣傳公司 Optimized Markets 中做這方面的研究。
你們覺得這種方法拿到產(chǎn)業(yè)界來的話，最相符的應(yīng)用是什么？比如說你們覺得你們的方法可以用來為貿(mào)易協(xié)商建模嗎？另外，目前來看「冷撲大師」還是需要運(yùn)行在超計(jì)算機(jī)上的，有沒有可能把它改進(jìn)得更高效一點(diǎn)，一般的電腦或者服務(wù)器就可以運(yùn)行？
Noam Brown 對于「讓 AI 進(jìn)入真實(shí)世界」這個(gè)目標(biāo)，我覺得我們的研究至關(guān)重要，因?yàn)槎鄶?shù)真實(shí)世界中的策略互動(dòng)問題都多多少少有一些信息是隱藏的。我們在這項(xiàng)研究中想要解決的根本問題也就是這個(gè)。貿(mào)易協(xié)商肯定可以是未來的應(yīng)用方式之一，其它還可以有拍賣、金融市場、信息安全互動(dòng)以及軍事行動(dòng)相關(guān)。
話雖這樣說，但是想要從撲克這樣的所有行為、成本、收益都定義好的游戲拓展到定義得不那么明確的真實(shí)世界互動(dòng)中的話，我們還面臨著相當(dāng)大的挑戰(zhàn)。不過只要有人能夠提出一個(gè)貿(mào)易協(xié)商的模型，我們這次的研究成果肯定可以用在里面。這也會(huì)是未來研究中的一個(gè)有意思的方向。
是的我們覺得做一個(gè)能運(yùn)行在一般電腦和服務(wù)器上、然后稍微弱一點(diǎn)的版本是做得到的。我也覺得隨著算法的不斷升級改進(jìn)，達(dá)到同樣的表現(xiàn)所需要的硬件性能也會(huì)越來越低。我覺得可能 5 年以后就能在智能手機(jī)上見到這個(gè)水平的人工智能了。
這次關(guān)于德?lián)?nbsp;AI AMA 的內(nèi)容就介紹到這里。我們也期待更多更接近現(xiàn)實(shí)生活的問題被人工智能逐一解決。via Machine Learning@Reddit，雷鋒網(wǎng) AI 科技評論編譯。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
