新火種
2024-11-21 
AIAgent：從學術概念到增長驅動工具
從左到右依次是周健、孫志明、李博杰、孫林君、胡一川
在硅星人首屆AI創造者大會（ACC 2024）上，五位AI Agent領域的先行者展開了一場關于技術落地與商業化的深度對話。來也科技聯合創始人胡一川、實在智能創始人&CEO孫林君、匯智智能創始人&CEO孫志明、瀾碼科技創始人&CEO周健，以及主持人、AI創業者李博杰共同探討了一個核心問題：AI Agent如何從學術概念真正轉變為驅動企業增長的工具？從Agent的本質定義，到大模型帶來的新機遇，再到To B與To C的商業化路徑，五位嘉賓用一個個鮮活的案例，為我們揭示了AI Agent的發展現狀與未來可能。(文章約15000字，閱讀時長約30分鐘）
目錄：
AI Agent 到底是什么？
大模型能力對AI Agent 的助力
針對金融、HR等垂直領域的Agent應用
AI Agent， To B還是ToC
Agent應用是否能形成微信式網絡效應
以下為對話實錄：
李博杰：大家下午好。我是今天的主持人李博杰，曾是華為天才少年，現在是一名AI創業者。
周健：我是周健，瀾碼科技創始人。我們公司專注于AI Agent平臺的開發。
孫志明：我是孫志明，來自江蘇匯智智能，我們致力于打造Agent創業平臺。
孫林君：我是實在智能的孫林君，我們創業已有幾年時間，一直在流程智能體領域探索。
胡一川：我是來也科技的聯合創始人和CTO胡一川，我們的理念是"AI Agent for everyone"。
AI Agent 到底是什么？
李博杰：AI Agent是什么？有人覺得是有趣的，有人說是有用的，各位老師有什么看法？
周健：這個概念本身已經很久了。有一本教科書講過AI Agent，之前更多的是討論它如何下圍棋或打游戲。本質上，AI能夠感知環境、改變環境并做出決策。現在，我認為ChatGPT給大家帶來了許多新的東西，但現狀與理想之間仍存在較大差距。最近，Gartner發布了新的趨勢報告Agentic AI , 認為AI Agent 的發展似乎是從0到1的過程。我們最好采取一種漸進的策略。我認為這是一個逐步進化的過程。或者說，在某種程度上,它應該擁有自己的領域和記憶。
孫志明：每個人心中都有對AI Agent的定義。在我眼中，未來的AGI時代將是Agent的天下，RPA等都是Agent的早期階段。Agent時代究竟什么時候會到來？我們這些創業者把Agent作為當前的哪個階段， AI Agent到底是什么？我認為它是未來的一個形態，當下我們處在一個什么樣環境中的一個思考。
孫林君：我們官網上有一段話，我們產品經理剛開始自己寫了一個Agent的定義，很晦澀。后來就問GPT4：“你用通俗的語言給我解釋一下什么是智能體。”它的說法是，智能體——你可以把它理解成人類的助手，它可以按照你的意圖，幫你完成特定的工作和任務。Agent從現在來看，它是人工智能角度的一個術語，一個代理，代表你完成任務的一個東西。
實在智能創立以后，我們進入到數字員工這個賽道，我們當時給客戶講，未來咱們會有很多數字的員工，幫我們去完成很多工作和任務。最開始我們從RPA（機器人流程自動化）切入，RPA做規則化任務，是以機器人的形式出現的。機器人智能化的屬性加得越來越多，它就越來越智能，比如說我們加OCR（光學字符識別），加自然語言理解，你發現它的基礎形態不變，智能化屬性在變，到現在大模型發展到非常火熱的今天，它進入到智能體的階段。反過來我們看，數字員工對于企業和客戶來講很容易理解的概念，低階形態是RPA，高階形態是智能體，而智能體從人工智能角度來看的術語，我大致是這么理解的。
胡一川：從通俗易懂的角度來講，有一個定義非常恰當：AI Agent，是一種能夠端到端幫助用戶完成復雜任務的形態。它與今天我們所見的ChatGPT等大模型產品最大的區別在于，AI Agent真正能夠端到端地完成復雜任務。今天我們利用大模型已經可以進行出色的文案撰寫。例如，如果我是一名市場營銷人員，我可以利用這些工具撰寫出高質量的觸達客戶郵件。從市場營銷的角度來看，端到端的流程是從最初的客戶獲取、客戶分析、客戶觸達，到客戶溝通，這一系列流程是今天沒有任何單一產品能夠實現的。因為這一流程是端到端的，而且非常復雜。我們看到雖然管像ChatGPT這樣的產品擁有龐大的用戶群體，但它們很難在企業中被應用于端到端的復雜流程。
大模型能力對AI Agent 的助力
李博杰：最近一個月有很多大模型領域最新的進展。OpenAI o1提高了推理能力，GPT4o支持實時語音通話，各位老師認為，最新的大模型能力，會對AI Agent有怎樣的幫助呢？
周健：在我看來，今天的大型模型從輸入輸出的角度來講，它們大致可以分為幾個維度：純文本處理、多模態處理，無論是圖片輸入還是生成圖片和視頻都還是off line 的。目前，在我看來，除了純文本處理之外的其他兩類模型在實際應用中還不太成熟。因為我們的服務流程是在企業環境中，對準確率有很高的要求。現在的問題仍然是，AI必須達到一個閾值，通用性AI如果沒有達到那個閾值，就無法在實際中使用。當然，作為娛樂是可以的，但如果想要在端到端的流程中使用很難。我們目前只采用了純文本模型，客戶一定會要求我們支持，我們會支持一下。但對于主流產品，我們完全不接觸，我們心中有一個標準，我們認為在某個點上，這個模型可能對我們有用，我們有相應的數據集。如果真的發展到那個水平，我們就會開始研發，但在那之前，我們不會進行研發投入。
李博杰：您覺得到什么時候到真人的水平，還遠嗎？
周健：我認為這個問題本身可能不值得去解決。看看Adept AI已經融資3.5億美元，從商業角度來說，如果投資1億美元就能做出來，那自然可行。但如果需要投入10億美元，我們為什么還要去解決這個問題呢？特別是當我們預見GUI界面可能會消失的情況下。這是一個過渡性的問題。實際上，我更看好的是另一個方向：到明年年底，端側模型很可能達到GPT-4的水平。屆時，手機APP的形態會發生融合，這才是我愿意押注的方向。
李博杰：您說端側3B的模型。
周健：現在是通義千問的72B，在中文上已經有4的水平了，再隔12個月，7B也不奇怪。
孫志明：我們做Agent平臺，并持續關注前沿技術。技術發展日新月異，我們每天都能在行業中感受到變化。這些技術在實際場景中的應用，尤其是在特定環境下，面臨許多挑戰和技術上的限制，這些問題也困擾著AI Agent領域。隨著端側模型的出現，我認為在AI Agent市場中，這可能是一個類似于iPhone時刻的轉折點。
目前，我們為企業提供定制化需求，從創業者的角度來看，項目的推進速度相當緩慢。早期的RPA技術追求的是什么樣進步？三個月前我們能感知到什么？我們現在更多地專注于開發自己的垂直模型。此外，還有模型的訓練，這些模型的訓練效果并不遜色于大型模型供應商提供的產品。在特定的環境下，客戶更傾向于選擇我們的解決方案。大型模型廠商發布的新聞，在實際場景中，從商業化的角度來看，和技術如何結合？
針對金融、HR等垂直領域的Agent應用
李博杰：您覺得現在RPA工具，您公司的兩個產品，能做到比70%以上的真人還準確的操作率嗎？
孫志明：在特定任務領域，我們確實已經能達到這個水平。但對于復雜任務，還存在挑戰。我們面臨的一個主要問題是訓練成本過高，即便我們想大規模采購GPU芯片來提升算力，在當前環境下也是力不從心。
從左到右依次是周健 、孫志明、李博杰
孫林君：最新成果肯定是有促進作用。首先，大型模型被視為智能大腦，它們非常強大，知道如何執行任務。但當你要求它們執行時，它們可能會告訴你需要分成十二步來完成，但實際上它們并不能直接操作。對于人類的要求來講，我們希望更進一步，只需下達一個指令或說一句話，事情就能完成。
接下來該如何行動？我們看到OpenAI的發布會上，有令人印象深刻的演示，展示了大型模型如何調用接口來完成任務。這種效果非常好，但在真實場景中，開發接口的成本非常高，有時接口甚至不存在。例如，如果是一個人，看到界面就知道如何操作，只需使用鼠標和鍵盤就能完成任務，無需調用接口。如果將Agent視為一個人，是否可以相似的方式直接操作電腦來完成任務？
我們注意到Claude 3.5的成果，每個動作都會截取一張圖，分析圖像上的內容，決定下一步動作，然后輸入并點擊以完成動作。實際上，我們的產品在去年8月份就已經具備了這種能力。當然OpenAI的影響力非常大，它使用純粹的大型模型能力，速度可能會偏慢，有時會出現卡頓，但證明了大型模型具備了這種能力，即能力涌現。這包括任務分解能力、自動生成代碼能力和推理能力。隨著多模態技術的發展越來越成熟，你會發現它們能輕松完成每個頁面上當前的動作，并導致下一個結果。基于此，這項技術在人機交互上將是一個巨大的突破。
大型模型不是一種產品，客戶購買了大型模型后發現，在實際使用時需要許多外圍功能的配合，才能真正發揮產品的作用。這些外圍功能的配合需要許多能力的開發，將其整合成一個為我們所用的智能化產品，這是許多創業公司能夠做的有價值的事情。因此，在這兩個因素的推動下，智能體目前處于一個非常火熱的狀態。
李博杰：我追問一個技術問題，您認為純視覺方案是指僅通過圖像識別來執行操作，還是指識別圖像中的具體元素，將其內部代碼提取出來進行操作？
孫林君：我介紹一下我們的理解，不代表主流。 這項技術涉及在瀏覽器上安裝一個插件，用于解析瀏覽器的源代碼，識別界面上的各種元素，例如搜索框、輸入框、對話區域、表格下載區域等高級對象。在提取出這些對象之后，如果我想預訂酒店，系統會找到這一步驟應該操作的元素，并最終完成整個流程。
然而，如果涉及到SIS客戶端，情況就不同了。比如要解析一個高級對象，而我們在編寫代碼時采用最普通的方式，用二進制的方式來解析，實際上是無法實現的。在這方面，我們的理解有所不同。RPA的一個優勢在于，幾乎所有的動作都由操作系統的組件完成，相當于我們有了積木塊，這些積木塊是原子化的操作能力。如果我們讓大型模型掌握了使用RPA的能力，并結合任務拆解和推理能力，它就可以完成任務。在我們的方案中，我們把大型模型之外的一些能力集成進來，形成一個自主智能體的產品，而不是直接使用大型模型的純原生能力，這個效果會更好。
上圖為孫林君
胡一川：當前模型排行榜上的最高分數是20.7分，與人類的75分相比，差距顯著。這里存在一個核心問題：盡管人類操作UI依賴于視覺，但目前的模型在這一點上存在一個主要缺陷。為了通過視覺方式操作UI，模型必須精確地輸出它想要操作的元素的坐標。這個任務的難度相當于讓一個大型語言模型識別出"strawberry"中有多少個字母“R”——模型的原理決定了它在這方面的表現會非常有限。當模型接收到一張截圖時，它并不具備準確找到目標元素坐標的能力。依賴當前的技術方案，這個問題仍存在明顯缺陷。即使擁有大量數據和更強的泛化能力，模型在坐標定位上的準確率也難以達到90%，更不可能接近99%。
純視覺方案雖然模擬人類的視覺處理，但它存在缺陷。如果把RPA和工程化的方法結合起來，一定會有所幫助。例如，RPA本身能夠以幾乎百分之百的準確率執行流程，并且可以精確定位界面上的任何元素。問題在于，如何把這種輸入和輸出在大模型的框架下，無論是在訓練階段還是推理階段都能加進去，這是我們接下來需要研究的課題。如果這個難題能夠得到突破，它一定會給整個行業帶來巨大的幫助。
李博杰：剛才提到這么多大模型的進展，好多創業者都有一樣的擔心，大模型會不會哪天突然進步一大步，原來做了很多工程優化就白費了。
周健：我們在創業初期的時候，也十分擔心這件事情。我記得GPT-4發布時，我凌晨3點才下飛機，收到了一大堆消息，問我該怎么辦。我覺得AI非常有意思，它有點像文藝復興時期，你會思考到底是什么。我一直在強調專家支持或私域數據的重要性，為什么這么說呢？
大型模型的原理有點像它背下了圖書館里一百萬本書的內容，但一個人即使背下了一百萬本書，也未必能成為哲學專家。本質上，我們每個人都有自己的信念，關于什么是真實的，這也是一個結構。很多時候所謂的反思，并不是因為事實變了，而是因為我們的信念變了。在這個意義上，這部分的沉淀以及它與已有的私域數據的結合是非常重要的。有些數據并不在互聯網上，比如薪酬數據。顯然，一個HR在看簡歷時，會根據經驗判斷應該出多少錢，這里面有一種內部知識。至少在現有的大型模型中，是無法吸收這種知識的。從純粹的人類所謂的隱性知識的角度來看，我們其實是可以吸收的。至于是否一定要使用大型模型，這還有待商榷，除非有新的架構，還有成本的問題。在人類歷史上，從未發生過這種事情，即使是半導體芯片也沒有發生過這種事情。我們還是需要找到自己的邊界，找到自己的競爭優勢，或者說它的成本模型決定了它不會這么做。這是一個很好差異化的點。
上圖為李博杰
李博杰：如果是在特定領域的場景中，你提到有一些領域數據和專有知識。對此，您認為是采用Prompt的方式更好，還是使用RAG？應該選擇哪種方式？
周健：那些都不對。我們自己內部有這樣一個模塊，我還沒有很好的能夠說出，領域模型，世界模型，時空模型，我現在還在找那個詞，但是本身既不是知識圖譜，也不是RAG。
李博杰：希望周老師給我們發布出一篇諾獎級的成果。
孫志明：我從事人工智能的第一天起，我就在思考AGI會帶來怎樣的變革。過去兩年里，技術的迭代速度超出了我的想象。今年年初發布的Sora，去年年底時我們認為生成視頻還需要三年時間。在我看來，生成式人工智能是通往AGI的過渡性產物。無論是芯片、算力還是能力問題，盡管技術迭代速度很快，這種技術迭代速度在架構體系上實現的邏輯是必然的。我們不必過于擔心，因為技術的迭代，即便帶來顛覆，也是在原有基礎上的顛覆。作為創業者，我們不需要有這樣的焦慮，但需要有這樣的思考。
現在，我們正處于AI時代，所有的邏輯關系和運作邏輯都經歷了根本性的轉變。從市場的角度來看，技術迭代的速度與市場客戶的認知能力之間存在著顯著的差距。從這個角度來看，我們不需要過分擔心GPT-3.5是否會取代RPA，圖像識別能力的提升RPA是否會被淘汰。在這個過程中，可能會出現更好的解決方案，這正是我的思考方式。
孫林君：如果我們觀察股票，你把時間刻度縮放得很密集時，趨勢會顯得特別明顯，幾乎變成了一條直線。但當你放大時間刻度，你會發現它變成了一條極其曲折的曲線。在現實生活中也是如此，如果你理想化地認為一旦通用技術出現，所有其他事物都會失去意義和價值。但實際上，在技術落地的過程中，會遇到許多困難和需要克服的痛點，現實是非常骨感的。
當然，我們并不是說通用人工智能時代不會來臨，它一定會到來，只是會在未來的某個時刻。一些社會學家研究，未來可能只剩下服務業這一種職業，所有的行業都將被顛覆。在通往這個目標的過程中，會有許多中間狀態，而這些中間狀態正是我們創業公司需要努力推進的。
回看我們所經歷的階段，最初的幾十年，我們在算法上遇到了瓶頸，難以突破。今年的諾貝爾獎授予了當時研究BP神經網絡的專家。現在我們進入了算力瓶頸的時代。再過幾年，我們可能會發現，數據將成為新的瓶頸。為什么呢？公開數據可能已經被耗盡，大家都已經使用過，AI能生成的數據也都出來了，再繼續就是過擬合了。有很多數據是行業的專有技術，它們構成了行業的壁壘。無論是在RPA還是在其他行業，我們結合Agent去做的事情，這個時候你的行業專knowhow非常有價值的。再加上人工智能技術的加持，能夠發揮巨大的價值。因此，從這個角度來看，這個愿景并不可怕，我們一點也不害怕將來有一天會被替代。
李博杰：你剛才提到數據量不足的問題。現在，OpenAI的O1方法通過生成大量數據，并在實際環境中進行廣泛交互。你認為這種方式是否有前景？
孫林君: 肯定是有希望。回顧AlphaGo時代，我們看到了它所起到的作用，但也發現它確實存在一些瓶頸。例如，強化學習并沒有我們想象的那么魯棒。另一方面，引入人類經驗的模型是有上限的。這個上限要靠智能化技術自己去突破。如果要靠它自己去突破，這件事情還需要技術的進一步演進，仍然有很大的發展空間。
胡一川：我的觀點更為樂觀。隨著底層模型能力的演進，它為創業者帶來了更多的機會。我舉兩個例子來說明這一點。我們看到大模型的編程能力越來越強。在GPT-3.5和GPT-4發布的時候，去年GitHub Copilot就非常火爆，據說已經有數百萬的付費用戶。隨著Claude 3.5編程能力的進一步提升，像Cursor這樣的一個非常年輕的團隊，開發出了面向開發者的AI開發工具。所以，模型作為一種底層能力，是不可能滿足所有用戶和工作需求的。因此，這為創業者提供了巨大的機會。
我再舉一個例子，最近有一個美國高中生開發了一款名為“卡路里AI”的應用，利用多模態模型，可以對食物中包含的卡路里進行比較準確的判斷。他開發了一個非常簡單的應用，一夜之間就爆紅了，據說現在每月有幾十萬美金的MRR（月度經常性收入），這是一個17歲高中生的杰作。大模型讓AI真正平民化，這件事情正在實實在在地發生。
圖為胡一川
AI Agent， To B還是ToC
李博杰：您覺得Agent這個事情，To C是不是一個好時機？未來會怎么樣？
胡一川：我個人覺得To B、To C都有機會，只是To B不一樣。在To B市場中，從生產力工具的角度來看，Agent如何能夠降低成本、提高效率、增加收入是一個關鍵點。但這里的挑戰在于，企業對穩定性和準確性的預期會更高，正如孫總前面提到的，你的邊界必須非常清晰，并且必須在劃定的邊界內高質量地完成任務。這是To B市場既有機會又有挑戰的地方。而To C市場的場景則更為多樣，今天的大模型都有很大的機會去創造出一些顛覆性的應用。
孫林君：我們的產品也面向消費者（To C），但它采用的是KP（關鍵客戶） To B的模式。使用RPA軟件的用戶很多是財務、會計、人力資源、客服等領域的專業人士，他們有很多重復性工作需要處理。他們會自發地在互聯網上尋找能夠滿足這些需求的產品，并下載使用。優秀的產品應該是C、B同源的。現在人工智能發展如此強大，我們未來和系統的交互就是通過自然語言，交互門檻降低到了非常低的水平，對使用體驗的要求也變得更高。在這個過程中，如何讓產品具備讓消費者感覺良好的特性，這是我們堅持不斷完善和迭代社區版的一個重要原因。
對于To C來說，場景相對簡單，但對B端場景來說會相對復雜。對于實在智能來說，我們選擇的路線是瞄準目前看來不那么復雜的任務。我們不會一開始就做一個超級復雜、需要用到人類各個環節專家知識的任務，但對于那些日常工作中重復瑣碎的事情，我們可以先解決這些問題。
孫志明：我們最初是從To C業務起家的。去年，我們的To C平臺剛剛上線，即便沒有進行推廣，第一個月吸引了300萬用戶。我們的API每天消耗十萬，一旦我開始收費，用戶數量就會下降，這給我帶來了不少困擾。去年年末，我決定暫停To C產品的開發。目前，我們每天仍有約一萬用戶。
我們是一個高度自定義化的智能代理平臺，起步非常早。我們當時開發了很多插件，并且自己編寫代碼。上線的速度達到了我的預期，但我沒有預料到算力消耗會如此之高。那時，我們每月的算力費用高達幾百萬。因此，我開始轉型，專注于To B業務，我們稱之為智能體云。
我們公司的使命，是讓AI的力量成為每個人的天賦。我希望在將來的AGI時代，每個人都能擁有智能代理助理，這是我的設想。在技術層面，我關注模型的迭代和單個能力的發展，我會快速接入，將單個計算能力封裝成特定的場景，面向教育類用戶和第三類用戶，滿足他們實際的業務場景。因為這些用戶根本不知道如何做智能體，他們對低代碼沒有概念，你只需要幫我解決問題就可以了。
周健：在我看來，B端和C端在商業模式上有本質的不同。從商業模式的角度來看，關鍵在于你為客戶提供的價值是否值得他們愿意為之付出，以及成本。C端的一個主要問題是數字空間幾乎沒有摩擦力，用戶切換成本幾乎為零。在數字世界中，大廠是最大的玩家。從這個意義上說，我相信沒有人會認為一個小公司能迅速地推出一個全民應用，這是不可能的。
我們必須選擇一個特定的客群，這沒有問題。但我們需要為這個客群提供足夠大的價值。你的壁壘在哪里？你如何守住這個價值？從商業角度來看，這些都是必須考慮的問題。畢竟，我們畢竟是創業者，不是只想短期獲利。我最終希望業務能夠持續下去。在我看來，C端雖然有這種機會，但基本上需要結合線下。僅靠數字是不夠的。
我知道一個朋友，他寫了一些Prompt。他告訴我在深圳，他的壁壘是只有他這樣的人才存在。他做美甲，賣給紐約的LGBT群體和直播的人。他有一些關系，讓佛山的人加工。他的壁壘在于佛山的群體和紐約LGBT直播群體之間的“社會空洞”，這種聯系是獨特的，他可以利用這種聯系。這就是構建這種商業模式的基礎。如果你沒有這樣的稟賦，那就無法成功。你只是想在數字空間隨便做一個C端應用，這是不可能的。
B端則不同，B端有客群，要有價值主張，要有信任，客戶也愿意回報。關鍵在于，建立信任的過程很慢，信息傳遞過程中往往會失真。這是To B業務的難點，即使有了AI，這個難點依然存在。從某種意義上說，我們需要想辦法縮短這個鏈條，否則在這個時代，迭代速度慢，風險很大。我們需要考慮如何將一些不那么核心的價值點外包出去。這是我們自己的思考。
從左到右依次是周健、孫志明、李博杰、孫林君、胡一川
Agent應用是否能形成微信式網絡效應
李博杰： 你剛才提到C端很難形成壁壘，但在Agent領域，有沒有可能形成類似微信的網絡效應，或者積累用戶數據，從而建立壁壘？就像OpenAI之前提到的電影《Her》中，AI可以記錄用戶的所有記憶。如果用戶切換到其他平臺，這些記憶無法轉移，這樣的壁壘一下子就會變得非常高。
周健： 你說的是一個狀態，問題在于如何實現。沒有辦法直接跨越時空達到那個狀態，仍然需要一步步積累數據，而這個過程是需要成本的。當然，壁壘是存在的，但如何跨越它是很大的難點。
李博杰： 您認為，通用的應用創業公司是否很難成功？比如ChatGPT？
周健： C端幾乎沒有機會。
孫志明： 可以在單側模型上開發一些特定應用，聚焦于特定場景。
周健： 如果能與物理設備綁定，就會有市場。
孫志明： C端還是存在一些機會的。
李博杰： 您認為這樣的設備機會是不是在蘋果、華為這些大廠手中？
孫志明： 不一定。硬件廠商有其獨特優勢，但在具體場景和用戶特定需求上，他們的能力未必突出。尤其是在大模型支持下，手機具備這些底層能力，提供通用功能，大家都在發揮。可能會出現現象級產品，但這是一個三維的生態，不是單一的，很難一家獨大。
李博杰： 感謝各位老師的精彩見解。今天的討論非常深入，我個人認為AI Agent領域確實有巨大潛力。OpenAI也將Agent視為O1之后的下一個重要方向。Agent可能會在多個層面上改變人類生活。在實現殺手級應用的道路上，各位老師提供了很多寶貴建議。希望在現有技術條件下，能夠開發出既實用又有商業價值的AI Agent，讓它走進千家萬戶，為大家的生活和工作創造更多價值。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
