九九热视频精品在线_国产成人mv视频在线观看_国产精品三级一区二区_亚洲精品国产av成拍色拍婷婷_久久伊人一区二区_国产高清精品网站_九九99热久久精品离线6_国产在线一卡2卡三卡4卡免费_日韩美女乱淫aaa高清视频_亚洲大胆_啪啪一级视频_午夜av免费观看_国产高清精品福利私拍国产写真_亚洲婷婷五月综合狠狠_日韩欧美一区二区三区视频_岛国av免费看_精品国产乱码久久久久久久软件_亚洲国产成人精品无码区99_www日本色_免费黄色看片

Zhaoyang Wang | Chief Editor, GenAI Assembling

Zack Li | Co-founder & CTO, Nexa AI

Xiyue (Anderson) Xiang | Principle Member of Technical Staff, AMD

近日，已經(jīng)霸屏中美AI頭版多天、火得一塌糊涂的DeepSeek，繼以對標(biāo)GPT-4o的V3和對標(biāo)o1的R1沖擊硅谷模型界、血洗美股科技股市場后，再次發(fā)布了名為Janus-Pro的多模態(tài)模型系列。并稱其圖像生成表現(xiàn)已超越OpenAI的DALL-E 3，Google的Emu3-Gen和Stability AI的Stable Diffusion XL等領(lǐng)先產(chǎn)品。

從Ilya Sutskever的"預(yù)訓(xùn)練時代終結(jié)論"，到橫空出世的DeepSeek以超高性價比撼動AI格局，行業(yè)對AI算力需求是否迎來拐點，似乎成為不可回避的熱門話題。

就在一周前，全球 AI 社區(qū)GenAI Assembling邀請到兩位行業(yè)專家——Nexa AI CTO兼聯(lián)合創(chuàng)始人Zack Li和AMD首席工程師、前SambaNova Systems 高級工程經(jīng)理及創(chuàng)始成員Xiyue Xiang。他們分別從芯片端和設(shè)備端AI的角度，在硅谷展開了一場關(guān)于預(yù)訓(xùn)練和推理、AI算力需求轉(zhuǎn)移、軟硬件協(xié)同優(yōu)化、端側(cè)智能機遇，及行業(yè)未來走勢的深度對話。

以下為對話實錄：

Zhaoyang Wang：這場討論的主題是"預(yù)訓(xùn)練走向終結(jié)——接下來是什么？"正如業(yè)內(nèi)許多人所知，前半句話出自Ilya Sutskever，而今天我們要聊的是未來走向。很高興邀請到兩位杰出的嘉賓。Xiyue來自AMD，Zack來自Nexa AI。兩位先做一下自我介紹。

Xiyue Xiang：感謝邀請，很高興來到這里。我的中文名是XiYue，英文名是Anderson。我是AMD的首席工程師，主要專注于利用AI技術(shù)解決芯片工程中的挑戰(zhàn)，也參與開發(fā)了幾款面向SOC的AI驅(qū)動產(chǎn)品。在加入AMD之前，我是SambaNova Systems的創(chuàng)始團隊成員，擔(dān)任高級工程經(jīng)理，帶領(lǐng)團隊交付AI加速器的系統(tǒng)固件和FPGA原型。

Zhaoyang Wang：謝謝Xiyue。那么Zack呢？

Zack Li：大家好！我是Zack Li，Nexa AI的CTO和聯(lián)合創(chuàng)始人。創(chuàng)立Nexa以前，我在Google和Amazon工作了幾年，專注于設(shè)備端AI。Nexa AI是一家由斯坦福校友創(chuàng)辦的創(chuàng)業(yè)公司，專門研究設(shè)備端AI模型和AI基礎(chǔ)設(shè)施。我們的主要產(chǎn)品之一是設(shè)備端AI Agent模型Octopus,并開發(fā)了OmniVision和OmniAudio兩款多模態(tài)模型。這些開源模型在Hugging Face上非常受歡迎。我們還推出了Nexa SDK，支持在筆記本電腦和移動設(shè)備上運行設(shè)備端AI模型，在過去三個月獲得了超過4,000個GitHub星標(biāo)。我們的客戶包括HP、Lenovo等。非常高興能和大家分享！

Zhaoyang Wang：很高興有來自不同領(lǐng)域的兩位專家——一位來自芯片行業(yè)，另一位來自AI模型領(lǐng)域。也許可以先請Xiyue開始。由于不是所有人都熟悉芯片行業(yè)，你能給我們介紹一些基礎(chǔ)知識嗎，比如用于訓(xùn)練和推理的芯片有什么區(qū)別？

Xiyue Xiang：當(dāng)然可以。簡單來說，訓(xùn)練和推理對芯片的要求是不同的。

先說訓(xùn)練。訓(xùn)練模型就像在學(xué)校學(xué)習(xí)，數(shù)據(jù)量越大，模型就學(xué)得越好。因此訓(xùn)練本質(zhì)上看重的是吞吐量，意味著芯片必須能實時高速地處理海量輸入數(shù)據(jù)。訓(xùn)練過程中的不同操作——比如計算密集型、內(nèi)存密集型或網(wǎng)絡(luò)密集型任務(wù)——都需要特定的性能。

計算方面，在前向傳播過程中，系統(tǒng)執(zhí)行大量矩陣乘法和加法運算。在反向傳播過程中，它會計算每一層權(quán)重的梯度。這些任務(wù)都非常計算密集，這就是為什么芯片廠商專注于提升芯片的計算能力（FLOPs或TOPs）。內(nèi)存方面，訓(xùn)練時需要存儲大量數(shù)據(jù)，包括模型的參數(shù)和中間計算結(jié)果。就像人需要同時記住很多信息，所以芯片需要同時提供大容量內(nèi)存和極高的內(nèi)存吞吐量。網(wǎng)絡(luò)連接方面：當(dāng)我們用多個芯片協(xié)同訓(xùn)練時，它們之間需要快速交換數(shù)據(jù)，就像團隊成員之間需要高效溝通一樣。這需要高速互連和可擴展的解決方案。

而推理就不同了。推理是一場延遲的較量，最重要的是反應(yīng)速度。比如自動駕駛時，車必須能立即識別出路上的障礙物。推理主要的挑戰(zhàn)在于如何快速調(diào)用存儲的模型來得出結(jié)果。

總的來說，芯片廠商已經(jīng)對AI工作負載有了更深入的理解，正在根據(jù)不同市場的獨特需求定制他們的產(chǎn)品。

Zhaoyang Wang：這很有趣。據(jù)我了解，很多AI從業(yè)者使用相同的芯片進行訓(xùn)練和推理。你能詳細說明這是否屬實嗎？如果預(yù)訓(xùn)練確實要結(jié)束了，芯片公司打算如何適應(yīng)？

Xiyue Xiang：好的。我認為推理在未來將發(fā)揮更重要的作用。從我在SambaNova的經(jīng)驗來看，我們最初專注于構(gòu)建訓(xùn)練解決方案，但最終因為推理市場的重要性日益提升而轉(zhuǎn)向了這個方向。對于超大規(guī)模計算服務(wù)商來說，對訓(xùn)練和推理使用相同的硬件和軟件架構(gòu)通常是有意義的，因為這樣既經(jīng)濟又實用。然而，對于那些只專注于推理的客戶來說，一個更具成本效益的解決方案可能更可取。這是我的觀點。

Zhaoyang Wang：謝謝。下一個問題是給Zack的。當(dāng)我們談到預(yù)訓(xùn)練即將結(jié)束這個觀點時，背后還有一個理論，就是算力正從訓(xùn)練階段轉(zhuǎn)向推理階段。具體來說，推理可以分為兩部分：一部分在云端，另一部分，也就是你們關(guān)注的重點，在設(shè)備端。你認為這個趨勢會成為現(xiàn)實嗎？這對你們公司意味著什么？我記得你們公司現(xiàn)在有兩年歷史了，對嗎？

Zack Li：沒錯，兩年了。Nexa AI從一開始就專注于設(shè)備端AI，在推理方面投入了大量研發(fā)資源。我們開發(fā)了SDK以 及量化解決方案，可以將模型尺寸縮小到能在平板電腦或手機上運行。這個趨勢完全符合我們公司的愿景和研發(fā)方向。我們注意到，雖然模型正在變得更小更智能，但基礎(chǔ)設(shè)施方面仍然存在明顯的差距。以PyTorch為例，目前還沒有成熟的基礎(chǔ)設(shè)施能在移動設(shè)備上高效運行大型模型。我們正是看準(zhǔn)了這個機會，開發(fā)了用于壓縮和部署模型到邊緣設(shè)備的工具包。

Zhaoyang Wang：這很有意思。能詳細說說你們在小型模型技術(shù)方面的進展嗎？

Zack Li：當(dāng)然可以。要讓模型能在設(shè)備上高效運行，工具包需要輕量化且通用。

讓我問問：在座有多少人使用過PyTorch或做過基礎(chǔ)張量運算？如果有，請舉手。——好的，比我預(yù)期的人數(shù)還多。那么，有多少人嘗試過在筆記本電腦上使用Hugging Face之類的工具來運行模型？請舉手。——看來只有少數(shù)人試過。

這就是問題所在。如果你用過PyTorch或基于云的解決方案，你就會知道它們通常帶有龐大的工具包——通常下載量超過1GB。這些工具包在不同后端之間的兼容性也不是很好。比如，PyTorch在AMD設(shè)備上需要Rocm后端，在NVIDIA設(shè)備上需要CUDA后端等等。這種可擴展性差是一個主要挑戰(zhàn)。為了解決這個問題，我們開發(fā)了一個精簡的工具包提供給企業(yè)客戶。這些工具包可以將模型——無論是從我們這里下載的還是從Hugging Face等平臺下載的——壓縮并擴展到各種設(shè)備上，包括手機、筆記本電腦、機器人，甚至自動駕駛系統(tǒng)。

Zhaoyang Wang：很酷。我還有個后續(xù)問題：你提到你們作為一個兩年的創(chuàng)業(yè)公司，押注于小型模型和推理的重要性，但競爭一定是個因素。像Meta、Google和OpenAI這樣的大公司也在構(gòu)建自己的大模型，而小模型通常來自于這些大模型的蒸餾。有人認為，只有能夠創(chuàng)建最好的大模型的公司才能生產(chǎn)出最好的小模型。你怎么看待這種競爭？

Zack Li：這是個很好也很難回答的問題。我來分享一個有趣的故事。2024年5月，我們受邀到Apple Park為他們的高管做演講。僅僅一周后，在WWDC上，Apple發(fā)布了他們的設(shè)備端AI解決方案Apple Intelligence。他們在這方面投入了很多精力，提供了不同的模型，從較小的設(shè)備端版本到較大的版本都有。內(nèi)部甚至有傳言說這些設(shè)備端模型是從更大模型蒸餾而來的。

在設(shè)備端AI領(lǐng)域，像Apple、Google和Microsoft這樣的大公司在計算能力和數(shù)據(jù)獲取方面有顯著優(yōu)勢。但他們的方法通常是將基于云的解決方案縮小到設(shè)備端，目標(biāo)是創(chuàng)建能處理廣泛任務(wù)的模型。相比之下，我們專注于設(shè)備端AI的特定實際應(yīng)用場景，使我們的模型高度專業(yè)化并針對客戶需求進行優(yōu)化。

比如，我們開發(fā)的Optimus模型就是專門為設(shè)備端AI Agent設(shè)計的。它達到了GPT-4級別的函數(shù)調(diào)用準(zhǔn)確率，在推理和問答方面表現(xiàn)非常出色。這種專業(yè)化使我們能夠提供更有針對性和更有效的解決方案。

另一個關(guān)鍵區(qū)別是基礎(chǔ)設(shè)施。像Apple這樣的大公司主要為自己的硬件設(shè)計系統(tǒng)。比如Apple Intelligence本質(zhì)上是推廣他們最新iPhone的一種方式。他們沒有動力去支持舊款機型或Android設(shè)備。相比之下，我們建立了一個跨平臺的基礎(chǔ)設(shè)施——無論是Android、iOS、macOS、Windows還是Linux都可以使用。

我們的解決方案兼容各種設(shè)備，包括那些帶寬較低的設(shè)備。大公司通常專注于自己的生態(tài)系統(tǒng)，比如Apple的Mac生態(tài)系統(tǒng)或Google的Pixel生態(tài)系統(tǒng)，并不優(yōu)先考慮跨平臺兼容性。這正是我們看到的巨大機會所在。

Zhaoyang Wang：我覺得這意味著你們需要在成為領(lǐng)域?qū)＜液蜆?gòu)建跨生態(tài)系統(tǒng)可擴展平臺之間取得平衡。

Zack Li：沒錯，要能擴展到不同的生態(tài)系統(tǒng)。

Zhaoyang Wang：這也反映了AI領(lǐng)域的一個更廣泛的趨勢。邊界變得越來越模糊——軟件工程師需要了解硬件，芯片設(shè)計師需要知道算法如何運作。我的下一個問題就基于此：OpenAI正在用新的o1系列替代GPT，我們也看到了像DeepSeek這樣的先進模型。它們的成功似乎來自于高度優(yōu)化的硬件和軟件深度協(xié)同來最大化模型的運行效率。Xiyue，AMD是如何通過軟件開發(fā)來加強自己在這個不斷發(fā)展的領(lǐng)域中的地位的？

Xiyue Xiang：在討論AMD的策略之前，我想先更好地梳理這個問題。目前，在擴展AI能力方面存在兩個主要挑戰(zhàn)。一是提升AI模型本身的可擴展性，二是降低訓(xùn)練這些模型的成本。

舉個例子，大家可能都知道OpenAI在訓(xùn)練GPT-4時已經(jīng)用盡了大部分高質(zhì)量訓(xùn)練數(shù)據(jù)集。雖然擴展定律是否仍適用尚不清楚，但幾個月后，他們發(fā)布了GPT-4 Turbo，引入了多模態(tài)功能，然后他們又增加了一個新維度：測試時計算。測試時計算本質(zhì)上允許模型在提供答案前"思考更長時間"，使其能夠改進和驗證響應(yīng)以提高可擴展性。這就是像o1和o3這樣的模型背后的核心理念。

從成本角度來看，去年12月DeepSeek V3的發(fā)布就是個很好的例子。他們成功地用550萬美元訓(xùn)練了一個6710億參數(shù)的模型——比用H100 GPU訓(xùn)練同等規(guī)模模型通常需要的5億美元大大減少。他們通過混合專家架構(gòu)和混合精度訓(xùn)練等創(chuàng)新實現(xiàn)了這一目標(biāo)，這讓他們能夠使用更便宜的計算資源卻獲得可媲美的結(jié)果。

如果沒有軟硬件的端到端優(yōu)化，這些挑戰(zhàn)是無法解決的。僅僅有一個強大的芯片是不夠的。我見過很多優(yōu)秀的公司制造出很棒的芯片，但他們卻難以創(chuàng)建可擴展和高效的軟件。舉個例子，你可以設(shè)計一個具有一個petaflop計算能力的芯片，但如果你的軟件效率低下，你可能只能使用20%的性能——浪費了80%。

說到AMD，我們正在通過三個主要方面來擴展我們的軟件能力。首先，我們開發(fā)了自己的開源軟件平臺ROCm（Radeon Open Compute），它專門用于編程GPU和像MI300這樣的AI加速器。其次，我們通過戰(zhàn)略收購來擴展。例如，我們?nèi)ツ晔召徚薙ilo AI，2022年收購了Xilinx，我們可能會繼續(xù)進行類似的交易。最后，也許是最重要的，我們致力于建立一個強大的生態(tài)系統(tǒng)，實現(xiàn)與PyTorch和TensorFlow等流行框架的無縫集成。我們還在與主要的AI基礎(chǔ)設(shè)施供應(yīng)商密切合作，確保我們的硬件和軟件解決方案都具有可擴展性和高效性。

Zhaoyang Wang：很好。現(xiàn)在問問Zack。在機器學(xué)習(xí)工作流程和訓(xùn)練方面，Nexa AI是如何更好地"榨干"硬件的全部潛力的？

Zack Li：我注意到一些公司采用硬件-軟件協(xié)同設(shè)計的方法。我認為這是一個很好的商業(yè)模式，因為它允許他們通過直接銷售硬件獲得更多利潤。但這也帶來了挑戰(zhàn)，比如管理物流鏈和處理制造流程。

在Nexa AI，因為我的核心團隊主要由算法和AI專家組成，我們更專注于模型層面。我們開發(fā)的工具包允許開發(fā)者將模型部署在各種設(shè)備上——無論是筆記本電腦、手機還是機器人。這些年來，我們試用過NVIDIA的軟件，也試用過Intel的和AMD的。我逐漸意識到，軟件正在成為芯片公司吸引客戶和開發(fā)者（特別是個人開發(fā)者）的關(guān)鍵因素。以Intel的OpenVINO為例，如果你購買Intel的臺式機或筆記本電腦，你就能充分利用他們的NPU（神經(jīng)網(wǎng)絡(luò)處理器），它是開源的。在今年CES，我看到三四家創(chuàng)業(yè)公司完全基于Intel的NPU構(gòu)建他們的軟件棧。同樣，我也看到創(chuàng)業(yè)公司基于AMD的GPU開展業(yè)務(wù)。

所以，軟件效率正在成為一個關(guān)鍵的差異化因素，特別是對創(chuàng)業(yè)公司而言。雖然FLOPs和RAM這樣的規(guī)格很重要，但芯片公司在這些領(lǐng)域的產(chǎn)品往往很相似。因此，軟件棧成為許多開發(fā)者和客戶選擇硬件時的決定性因素。

Zhaoyang Wang：從你的角度來看，什么是好的軟件？

Zack Li：但就個人而言，我認為他們的工具包都很不錯，我們當(dāng)然希望進一步加強合作來改進它。

Zhaoyang Wang：也許我們可以討論一下未來：芯片領(lǐng)域的下一個重大突破是什么，我們在技術(shù)突破方面可以期待什么？

Xiyue Xiang：當(dāng)我們談?wù)撔酒O(shè)計方面可能發(fā)生的事情時，我想從五個角度來探討：工藝技術(shù)、計算、內(nèi)存、網(wǎng)絡(luò)和封裝。

首先是工藝技術(shù)。大家都說摩爾定律即將終結(jié)，也許這是對的。但工藝制程會繼續(xù)縮小這個趨勢是不可否認的。這使我們能夠集成更多晶體管并減少功耗，盡管速度比以前慢。從臺積電和英特爾的進展就可以看出這一點。我相信這個趨勢會持續(xù)，直到量子計算等顛覆性技術(shù)成熟。

第二是計算。芯片廠商和創(chuàng)業(yè)公司正在投入大量精力設(shè)計專門的計算單元，以支持各種精度和稀疏性。他們還在探索新興架構(gòu)，如數(shù)據(jù)流架構(gòu)，以克服傳統(tǒng)馮·諾依曼系統(tǒng)的局限性。

第三，讓我們談?wù)剝?nèi)存，特別是HBM（高帶寬內(nèi)存）。HBM已經(jīng)被采用來解決AI時代至關(guān)重要的內(nèi)存帶寬和延遲問題。我相信HBM在性能、密度和容量方面會繼續(xù)發(fā)展。但它非常昂貴。為了平衡成本和性能，芯片廠商可能會探索將SRAM、HBM和DDR內(nèi)存結(jié)合起來的分層內(nèi)存層次結(jié)構(gòu)。這種方法有助于優(yōu)化成本、帶寬和延遲之間的平衡。

第四是網(wǎng)絡(luò)。網(wǎng)絡(luò)可擴展性有兩個維度：向上擴展和向外擴展。向上擴展涉及提升單個系統(tǒng)或節(jié)點的性能。向外擴展意味著復(fù)制多個系統(tǒng)來解決單個問題，這需要在傳輸協(xié)議方面的創(chuàng)新，如RoCE（融合以太網(wǎng)上的RDMA）、NVLink或新興的UCIe（通用芯片互連快車）等。這也要求交換機廠商創(chuàng)造更可擴展和經(jīng)濟的解決方案來構(gòu)建更大的網(wǎng)絡(luò)。

最后是封裝。我們目前有2.5D封裝（CoWoS）和3D封裝（基于TSV的技術(shù)）。最近，Broadcom宣布了一種叫做3.5D封裝的技術(shù)，盡管具體細節(jié)還不是很清楚。我猜測這是2.5D和3D技術(shù)的結(jié)合，能夠?qū)⒍鄠€芯片拼接在一起形成更大的芯片。這與向基于芯片組的系統(tǒng)級模塊（SoM）發(fā)展的趨勢相符，這正在推動封裝技術(shù)的發(fā)展。

Zhaoyang Wang：我的最后一個給Zack。關(guān)于設(shè)備端AI，越來越多的人認為這將是下一個重大突破。這也意味著商業(yè)模式可能會發(fā)生根本性的改變。比如，在基于云的AI中，大多數(shù)盈利都與使用多少token有關(guān)——向云端發(fā)送數(shù)據(jù)、處理數(shù)據(jù)，然后接收輸出，所有這些都需要付費。然而對于設(shè)備端AI，當(dāng)有人購買智能手機時，他們實際上已經(jīng)為計算能力付費了，因為所有操作都在設(shè)備本地進行。他們不需要為發(fā)送到云端的token付費。作為一個創(chuàng)業(yè)公司的創(chuàng)始人，你在這里看到新的商業(yè)模式機會嗎？

Zack Li：設(shè)備端AI的商業(yè)模式——如何商業(yè)化或盈利——確實與基于云的解決方案不同。首先，我同意設(shè)備端AI正在勢頭漸起。Apple Intelligence幫助提高了公眾對設(shè)備端AI的認識，展示了它的能力。此外，a16z的管理合伙人Jennifer Li提到2025年將是邊緣AI起飛的一年。我們甚至在辦公室里highlight這句話來激勵團隊。

說到盈利，設(shè)備端AI需要一種不同的方法。與云AI中基于token的模式不同，設(shè)備端AI的盈利通常涉及與像AMD這樣的芯片公司和智能手機、筆記本電腦制造商等OEM廠商的密切合作。這種模式通常按設(shè)備、按安裝次數(shù)對邊緣設(shè)備收費。這不是我們獨有的模式——其他幾家設(shè)備端AI公司也在使用這種方法。

Zhaoyang Wang：為了結(jié)束這次討論，作為行業(yè)的不同視角，現(xiàn)在你們可以互相向?qū)Ψ教釂栆粋€最感興趣的問題。Xiyue，你先來。

Xiyue Xiang：Zack，考慮到AI能力明顯從云端向邊緣設(shè)備轉(zhuǎn)移的趨勢，你認為2025年最大的機會是什么？

Zack Li：這是個很好的問題。我認為最大的機會在于創(chuàng)建一個可以跨各種硬件平臺擴展的解決方案。云和硬件生態(tài)系統(tǒng)的主要區(qū)別在于，在云端，你可以使用像CUDA這樣的單一工具包，但在邊緣設(shè)備上，硬件環(huán)境要分散得多。比如，一臺筆記本電腦可能有來自不同廠商的CPU、GPU和NPU，要創(chuàng)建一個能有效利用所有這些組件的可擴展解決方案并不容易。

任何能巧妙解決這個問題的人都將獲得顯著優(yōu)勢。這就是為什么我們在這個領(lǐng)域投入巨資——確保AI模型能在不同硬件上高效運行。現(xiàn)在，可能只有十分之一的人有使用PyTorch的經(jīng)驗，可能只有百分之一的人使用過工具包在筆記本電腦上運行模型。我希望到今年年底，我們能看到每100人中有10個甚至20個人在他們的設(shè)備上運行大型邊緣AI模型。

Zhaoyang Wang：很好。那么Zack，你有什么問題要問Xiyue？

Zack Li：Xiyue，隨著你提到的從云端到邊緣的轉(zhuǎn)變，你認為我們很快就能看到支持個性化AI的硬件，能夠在設(shè)備本地完全理解和學(xué)習(xí)嗎？如果是，這可能在什么時候發(fā)生？

Xiyue Xiang：首先，我完全同意人們對個性化AI解決方案有強烈需求。我很希望我的手機能學(xué)習(xí)我的習(xí)慣，在我做決定時提供量身定制的建議。其次，要獲得無縫的AI體驗，我們需要能記住并根據(jù)我們的個人經(jīng)歷進行調(diào)整的AI系統(tǒng)，因為這定義了我們是誰以及我們?nèi)绾翁幚韱栴}。

從這兩個角度來看，需求是不可否認的。而且，我注意到主流AI框架開始支持設(shè)備端訓(xùn)練。例如，PyTorch、TensorFlow Lite和ONNX都已經(jīng)開始啟用這個功能。Google正在積極開發(fā)這方面的內(nèi)容，Apple也開始支持這些努力。這表明供應(yīng)商認識到了對設(shè)備端訓(xùn)練的強烈需求，并認為這是一個可行的方法。在我看來，我們很可能在未來幾年內(nèi)看到這個領(lǐng)域的成熟產(chǎn)品。

Zhaoyang Wang：謝謝大家！