AI大模子时代层行业分析（三）万字贯通
从AI大模子架构映射到产业链，本文是时代层的贵重分析，从宏不雅角度，终了较为全面的分析拆解，但未对行业头部公司和居品作念居品分析和竞品分析，后续将单开著作作念居品分析。
一、近况分析1.1 组成部分与市集参与者在目下快速发展的东谈主工智能领域，AI大模子时代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时代的发展奠定基础。同期，专注于算法和模子推敲的机构不休鞭策时代鸿沟，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盛的器具和资源，促进了AI时代的庸碌应用和快速迭代。
综上，市集参与者包括算法基础场合，即底层通用大模子、关联算法/模子推敲机构，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拜访。闭源模子的上风在于前期干预资本低、运行雄厚。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。
开源模子禁受公开模子的源码与数据集，任何东谈主都不错稽查或者修改源代码。开源模子基于非凡化部署领有较高的数据隐秘安全保险，何况迭代更新速率快。目下国内互联网大厂用功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，但举座尚未广大变成开源生态，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合手前哨。
2）关联算法/模子推敲机构
界说
关联算法 / 模子推敲机构主如果从事东谈主工智能、机器学习、当然谈话处理等关联算法和模子架构推敲的组织。它们由学术界和产业界的各人组成，通过开展基础推敲和应用推敲，探索新的时代和设施，为 AIGC 领域的发展提供表面扶助和立异想路。
头部有名最初厂商先容
斯坦福大学东谈主工智能实验室：在东谈主工智能基础推敲方面处于寰宇最初地位。在算法立异、模子架构探索等领域后果丰硕，其推敲后果普通被应用于当然谈话处理、推敲机视觉等 AIGC 关联领域，对大众 AIGC 时代的发展场合有贫苦的引颈作用。麻省理工学院推敲机科学与东谈主工智能实验室：会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杰出孝敬。与开阔科技企业有紧密合作，鞭策了学术后果的交易化应用，为 AIGC 时代的工程化提供了要道扶助。清华大学东谈主工智能推敲院：国内顶尖的东谈主工智能推敲机构，在当然谈话都集、推敲机视觉等多个 AIGC 细分领域开展深切推敲。与国内企业合作紧密，促进了产学研结合，在鞭策中国 AIGC 时代的自主研发和应用方面证实了贫苦作用。3）框架供应商
界说
机器学习框架是为 AI 开发提供器具和库的软件，它们匡助开发东谈主员更方便地构建、试验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历程，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扶助。
头部有名最初厂商先容
PyTorch（Meta 开发）：在大众领有较高的使用率，约 34%。其以动态推敲图等脾气受到开发者宽容，在学术推敲和工业界都有庸碌应用，尤其是在当然谈话处理和推敲机视觉领域，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%，是一个老到的机器学习框架。具有高度的无邪性和可彭胀性，扶助多种硬件平台，被庸碌应用于大限制数据处理和复杂模子试验，在踱步式试验等场景推崇出色。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器具和模子库，在当然谈话处理和图像识别等领域有细密的性能推崇，同期积极鞭策腹地化劳动，促进国内 AIGC 产业的发展。华为昇想：使用率 12%，是华为自主研发的深度学习框架。在模子并行和踱步式试验等方面随机代上风，与华为的硬件生态紧密结合，为企业级用户提供了高效、安全的开发措置决策，尤其在工业物联网等领域有广袤的应用前程。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 全历程开发劳动，通过集成数据标注、模子匹配搭建、模子试验评估、在线模子等多个时代材干点，为开发者提供粗浅、无邪、雄厚和高效的开发环境，并镌汰 AI 应用开发的门槛。
头部有名最初厂商先容
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，凭借其强盛的时代实力和数据资源，为企业用户提供全面的劳动。这些平台在大数据处理、模子试验遵循等方面有上风，何况不错与企业自己的其他业务系统集成，提供端到端的措置决策。专科 AI 开发平台厂商：有一些专注于 AI 开发平台的厂商，它们通过不休优化平台功能，如提供更好的自动化机器学习（AutoML）器具、更友好的用户界面等，劝诱了开阔开发者。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有名度。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。我国参数限制在10亿以上的79个大模子中，企业、高校/科研机构、校企和谐研发的数目分别为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和谐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、由开发者自觉参与的社区，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、训诲和看法，也不错获取开源的 AIGC 技俩和器具，如开源的大模子、机器学习框架、数据标注器具等。
头部有名最初厂商先容
GitHub：是大众最大的开源代码托管平台，险些涵盖了统统的 AIGC 关联开源技俩。开阔有名的开源模子和框架都在 GitHub 上发布和吝惜，劝诱了大众开发者参与孝敬。通过提供代码管理、合作开发等功能，为 AIGC 开源生态的发展提供了基础尺度。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。诚然在限制和国际影响力上可能不如 GitHub，但在鞭策国内 AIGC 开源技俩的发展、促进国内开发者之间的疏通等方面证实了贫苦作用。1.2 交易模式1.2.1 算法基础交易模式
付费API劳动：提供闭源模子API，按使用量收费，如OpenAI的GPT模子。试用与升值劳动：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。开源劳动收费：基于开源软件提供专科劳动，如TensorFlow的模子优化劳动。企业刊行版：基于开源软件提供各别化的企业版，如Red Hat的Linux刊行版。云劳动：在云上部署开源软件，用户按使用付费，如阿里云的AI劳动。生态流量变现：通过开源系统吸援用户，再通过告白等方式变现，如谷歌的安卓系统。1.2.2 关联算法 / 模子推敲机构交易模式
技俩合作：与企业合作开发特定算法，收取研发用度。时代转让：将算法常识产权转让给企业，获取一次性用度或分红。推敲劳动：为企业提供算法和模子方面的推敲劳动。1.2.3 框架供应商交易模式
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：把柄客户需求定制框架，收取定制用度。时代扶助与吝惜：提供时代扶助和吝惜劳动，收取劳动用度。1.2.4 AI 开发平台供应商交易模式
平台订阅：提供平台订阅劳动，用户按订阅时长付费。资源付费：用户按使用的推敲和存储资源付费，如Azure Machine Learning平台。1.2.5 开源社区交易模式
升值劳动：提供高档时代扶助、培训等付费劳动。告白：通过技俩受众向告白商倾销，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推敲、开发用于模拟、延迟和彭胀东谈主的智能的表面、设施、时代及应用系统的笼统性学科。它旨在让推敲机系统约略像东谈主类相似进行感知、都集、学习、推理和决策等智能行为。
机器学习（Machine Learning，ML）：机器学习是东谈主工智能的一个贫苦分支，它是一门让推敲机系统通过数据和训诲自动学习和篡改性能的学科。机器学习设施包括但不限于线性归来、逻辑归来、决策树、扶助向量机、贝叶斯模子等，其中枢是通过优化算法从数据中挖掘章程，以终了对未知数据的瞻望和决策。
深度学习（Deep Learning，DL）：深度学习是机器学习的一个子集，它主要利用深度神经聚集（如深度神经聚集 DNN、卷积神经聚集 CNN、递归神经聚集 RNN、吊祭期记挂聚集 LSTM、生成抵抗聚集 GAN、挪动学习、看重力模子等）手脚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、当然谈话处理、语音识别等领域取得了弘大的得手。深度学习普通需要多半有标签的数据进行试验，以学习数据中的特征和模式，从而终了对新数据的准确瞻望和分类。
强化学习（Reinforcement Learning，RL）：强化学习亦然机器学习的一个贫苦分支，它是一种通过智能体与环境不隔断互，以赢得最大蓄积奖励为想法的学习设施。与深度学习不同，强化学习普通不需要多半有标签的数据，而是通过智能体在环境中的探索和试验来学习最优政策。强化学习在动态环境中的决策问题上具有非凡的上风，举例机器东谈主适度、游戏智能体、自动驾驶等领域。强化学习的过程是智能体把柄刻下环境情景选择动作，环境反映奖励信号，智能体把柄奖励信号退换政策，不休轮回以提高性能。
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设施。它利用深度神经聚集强盛的函数面对材干来处理强化学习中的复杂问题，举例高维情景空间和动作空间的暗示和学习。深度强化学习在一些具有挑战性的任务中取得了权贵的后果，如复杂游戏的通关、机器东谈主的自主学习和适度等。
2）机器学习的分类
机器学习按照任务想法、试验设施、学习算法维度，不错分为如下几类。
1.3.1.2.1 任务想法维度
1.3.1.2.2 试验设施维度
1.3.1.2.3 学习算法维度
3）深度学习关联算法
4）强化学习关联算法
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，学习最优的决策政策。
在大模子中，不错用于游戏、机器东谈主适度等领域。举例在围棋游戏中，通过自我对弈和不休学习，约略达到超东谈主类的水平。
政策梯度算法（Policy Gradient）：
一种常用的深度强化学习算法。
通过优化政策聚集，使智能体约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适度政策。举例在自动驾驶中，通过学习最优的驾驶政策，提高行驶的安全性和遵循。
1.3.2 监督学习VS无监督学习：互斥关连
监督学习特征：监督学习的脾气是试验数据需要进行标注，特征识别东谈主工辅助识别。就像学生在学校里上课，真挚会明确给出每个问题的正确谜底。在监督学习中，试验数据带有标注，尽头于真挚给出的谜底，特征识别东谈主工辅助识别就如同真挚造就学生意志不同问题的要道特征。
比如，你想试验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尽头于数据的标注或者标签，而里面的相片即是试验数据。这个过程就像真挚告诉你哪些题的谜底是对的，哪些是错的。然后模子就会把柄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。逐样式，模子就学会了怎么分辨苹果和橘子啦。
监督学习试验历程：
首先，采集多半带有标注的试验数据。这些数据不错来自万般着手，如东谈主工标注的数据集、历史记载等。
然后，选择适合的监督学习算法，如决策树、扶助向量机、神经聚集等。
将标注好的试验数据输入到算法中，算法通过学习数据的特征和对应的标签之间的关连，退换模子的参数，以最小化瞻望转折。
在试验过程中，普通会将数据集分为试验集和考据集。试验集用于试验模子，考据集用于评估模子在未见过的数据上的性能，以便退换超参数和防患过拟合。
经过屡次迭代试验，当模子在考据集上的性能达到酣畅进度时，试验过程完了。
无监督特征：无监督学习的脾气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书本，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书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杂沓的藏书楼，里面有万般各样的书，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谈，莫得告诉你哪些是演义、哪些是列传、哪些是科普书本等。这时辰，模子就得像你在藏书楼整理书本相似我方想办法去分类。模子可能会发现存些书翰墨很生动、有许多杜撰的情节，于是把它们归为一类，诚然一运行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。但模子已经不知谈这些类别具体叫啥名字。莫得明确的想法，全靠我方去发现章程和脾气进行分类。
无监督学习试验历程：
采集多半无标注的原始数据。这些数据不错是万般类型的，如文本、图像、音频等。
选择适合的无监督学习算法，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，算法把柄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，使得消亡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各别。
在试验过程中，普通不需要诀别试验集和考据集，而是通过评估算法在数据上的里面一致性或其他方针来判断模子的性能。
经过屡次迭代，当算法达到雄厚情景或夸耀一定的住手条目时，试验过程完了。
1.4. AI大模子的关联算法在此不是想单列出ai大模子触及哪些算法，而是想从ai大模子的开发历程和应用，识别在开发历程和应用中，ai大模子分别触及什么算法，且明确哪些算法在开发历程和应用中是主流。
1.4.1 开发历程
1. 数据采集与预处理：数据清洗算法（去除噪声、颠倒值等）、数据采样算法（均衡数据集）。
2. 模子选择与构建：Transformer 架构关联算法（自看重力机制、多头看重力机制等）、卷积神经聚集（CNN）用于推敲机视觉任务、轮回神经聚集（RNN）过甚变体（LSTM、GRU）用于序列数据处理。
3. 模子试验与测试：
预试验阶段：无监督学习算法如掩码谈话模子（BERT、RoBERTa 等）微调阶段：监督学习算法，包括最小二乘法、当场梯度下跌法等优化算法在预试验模子基础上针对特定任务进行微调，还可能触及到挪动学习关联算法，如特征提真金不怕火后进行特定任务层的试验。奖励建模阶段：基于规定的奖励分派、基于价值函数的奖励臆测（如深度 Q 聚集等强化学习算法可用于臆测价值函数从而辅助奖励建模）、基于机器学习的奖励模子（如使用神经聚集构建奖励瞻望模子）。强化学习微调阶段：政策梯度算法（如 REINFORCE 算法）、近端政策优化算法（PPO）、深度细目性政策梯度算法（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. 推敲机视觉：CNN、生成抵抗聚集（GAN）用于图像生成、想法检测算法等。
2. 语音识别：RNN 过甚变体（LSTM、GRU）、卷积神经聚集与轮回神经聚集结合的架构。
3. 语音合成：算法：WaveNet、Tacotron 等。主流算法：Tacotron 过甚篡改版块在语音合成中较为常用。
4. 认证材干:常识图谱构建算法（如基于规定的抽取、基于机器学习的抽取等）、当然谈话推理算法（如 Transformer 架构在文本推理中的应用等）等。
5. 创造材干：生成抵抗聚集（GAN）、变分自编码器（VAE）等生成模子。
二、趋势分析（时代趋势、交易趋势）2.1 时代趋势2.1.1 算法方面
1. 看重力机制：
o 自看重力机制得手应用于 Transformer 架构，将来会有更复杂高效的变体，探索多模态跨模态看重力以交融不同信息。多头看重力机制将无间发展，出现更多组合方式和更精良子空间诀别，增强模子抒发材干和适合性。
2. 预试验与微调：
o 预试验设施不休篡改，利用大限制未标注数据，出现新自监督学习任务和预试验想法。微调更智能化高效化，自动选择政策和优化超参数，提高特定任务性能和泛化材干。
3. 聚集结构：
o 残差勾通在深层聚集会合手续证实作用，可能出现新勾通方式和架构缠绵，措置深层聚集试验问题，提高学习遵循。归一化时代不休发展，出现新设施适合不同数据和任务，雄厚试验过程，改善模子性能。
4. 位置编码：
o 对谈话模子都集序诸位置信息至关贫苦，将来会有更无邪有用的方式，适合不同长度和类型序列数据，并可能与其他时代结合，提高模子对位置信息的利用材干。
5. 优化算法：
o 自适合学习率算法如 Adam、RMSprop 等无间优化，适合不同模子和任务，可能出现新优化算法，提高经管速率和试验遵循。还可能与其他时代结合，提高模子性能和雄厚性。
6. 正则化时代：
o Dropout 和权重衰减等正则化时代无间防患过拟合，可能出现新设施适合大限制模子试验，与其他时代结合提高模子泛化材干和遵循。
7. 无监督学习：
o 降噪自编码器和生成抵抗聚集等无监督学习时代在大模子试验中更庸碌应用，利用未标注数据学习有用特征和暗示，与监督学习结合变成半监督学习设施，提高有限标注数据下性能。
8. 动态掩码：
o 谈话模子试验中提高高下文信息学习材干，将来会有更智能高效的动态掩码政策，适合不同任务和数据。
2.1.2 开发框架方面
1. 易用集成：
o 预防提供高度集成器具和接口，如预试验模子库、自动化微调器具、可视化调试界面等，简化成就和调参过程，通过自动化器具和智能推选系统提高开发遵循。
2. 踱步式扶助：
o 扶助踱步式试验，提供高效并行推敲材干和通讯机制，包括踱步式数据加载、模子并行和数据并行等时代，夸耀大模子试验需求。在部署方面扶助不同平台和环境，提供优化决策和器具。
3. 多谈话跨平台：
o 扶助更多编程谈话，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，提高开发遵循和模子可用性。
4. 可解说性器具：
o 跟着大模子在要道领域应用加多，提供更多器具和时代匡助都集模子决策过程和里面使命机制，如可视化器具展示看重力踱步和中间层特征暗示，提高模子真确度和可靠性。
2.2 交易化趋势2.2.1 算法基础交易化模式
趋势证实：
专科化和细分化：跟着各行业对东谈主工智能应用的需求不休深切，创业者专注于特定领域开发应用软件，能更好地夸耀行业特定需求，提高市集竞争力。多时代交融：结合多种时代不错为用户提供更全面、高效的措置决策，拓展应用场景和栽培用户体验。合手续立异：东谈主工智能时代发展速即，不休推出新功能和劳动能保合手居品的竞争力，吸援用户并夸耀不休变化的市集需求。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限制在畴昔几年中以每年超过 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，为大夫提供辅助会诊，提高会诊准确性和遵循。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代，用户不错通过语音教唆适度家中的万般开拓，如灯光、电器等。该软件推出后，受到了消耗者的庸碌宽容，市集占有率不休提高。2.2.2 关联算法 / 模子推敲机构交易化模式
趋势证实：
深度定制劳动：企业普通有非凡的业务需乞降数据脾气，推敲机构提供定制化的算法和模子措置决策，能更好地夸耀企业需求，提高应用效果。时代引颈：合手续进行前沿时代推敲不错为企业提供最新的时代扶助，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代交融不错创造新的应用场景和交易契机。案例：
一家有名的算法推敲机构为某大型金融企业定制了一套风险评估模子，把柄企业的历史数据和业务脾气进行优化，匡助企业镌汰了风险评估的转折率，提高了决策的准确性。该技俩为推敲机构带来了可不雅的收入。某东谈主工智能推敲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代的研发。通过跨领域合作，两边共同攻克了多项时代难题，鞭策了自动驾驶时代的发展。2.2.3 框架供应商交易化模式
趋势证实：
生态协同发展：劝诱更多的开发者、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：不休栽培框架的智能化水平，提供更高效、粗浅的开发器具和劳动，不错劝诱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竖立了怒放的生态系统，劝诱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，该框架的功能不休丰富，应用场景不休拓展，市集占有率不休提高。一家框架供应商推出了智能化的开发器具，约略自动优化算法模子的性能，提高开发遵循。该器具受到了开发者的庸碌宽容，鞭策了框架的应用和发展。2.2.4 AI 开发平台供应商交易化模式
趋势证实：
升值劳动多元化：提供丰富万般的升值劳动不错夸耀不同用户的需求，加多收入着手，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瞻念察劳动，不错匡助用户更好地了解市集和用户需求，作念出更贤惠的决策。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、定制化开发劳动和数据分析劳动等多种升值劳动。这些劳动为平台带来了额外的收入，同期提高了用户的酣畅度和粘性。一家 AI 开发平台与数据标注公司合作，为用户提供高质地的数据标注劳动。通过合作，两边共同拓展了市集，终明晰共赢。2.2.5 开源社区交易化模式
趋势证实：
社区驱动立异：依靠社区力量鞭策时代立异和软件发展，不错提高软件的质地和竞争力，劝诱更多的用户和开发者参与。企业劳动优化：不休完善企业级劳动，夸耀企业用户的专科需求，不错提高用户酣畅度，加多交易收入。合作生态拓展：与各种合作伙伴共同试验开源软件，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，不休推出新的功能和篡改。该软件在大众范围内领稀有百万用户和开发者，成为了东谈主工智能领域的贫苦开源技俩。一家开源社区为企业用户提供专科的时代扶助和培训劳动。这些劳动受到了企业用户的宽容，为社区带来了雄厚的交易收入。同期，社区与硬件厂商、软件开发商等合作伙伴共同试验开源软件，扩大了软件的影响力和用户群体。作家：Elaine.H ，公众号：H姑娘的数字化杂货铺
本文由@Elaine.H 原创发布于东谈主东谈主都是居品司理，未经作家许可，不容转载。
题图来自Unsplash，基于CC0契约。
该文不雅点仅代表作家本东谈主，东谈主东谈主都是居品司理平台仅提供信息存储空间劳动。