李白：

我们讨论的第一个议题是大模型的产业机会，在座各位包括所有的企业家特别关心的，AI正在以什么样的方式重塑产业，里面的机会在哪？首先第一个问题，问一下小川，接下来大模型在消费互联网C端的产品形态和商业机会有哪些？到底是互联网大厂的机会，还是新一代创业公司的机会？

王小川：我先从第二个事情说起，大厂还是创业公司的机会？今天我觉得大模型来了以后，不管是大厂还是创业公司，投资人都已经很疯狂开始发展这样的技术。我的看法是大厂至少在现有的产品迭代升级里面有挺多空间，人员密集型的地方可以用大模型来做替代，也能够升级自己的产品。但是对创业公司而言，死亡率会更高，很有可能最大的创新突破是属于创新公司的。行业之前做大模型，有一个概念叫做大创新靠小厂、小创新靠大厂。所以今天大厂本身这样的一种体量也会有大模型，只要增加1%就是巨大的受益。但是最大的创新可能来自于创业公司。新的一波机会，我们的看法是从信息时代走向智能时代，一个大的时代，就像之前工业时代一样，会有新的公司起来，所以我仍然觉得空间蛮大的。

第二，C端怎么用？因为我们很容易用工业革命思考就是工具能够提高生产力，提高生产更多讲的是B端的概念。C端我想分成两部分，第一个概念出现类似人的助手，因为大模型到今天最大的变化，它不是一个工具，它是我们的伙伴，它自己开始会说话，跟人进行沟通，会语言了，动物和人的区别就是掌握语言。大模型语言今天掌握的不比人差，还有世界知识。因此，它是类人类能够陪伴我们的伙伴角色。所以很大的概念就是助手，能成为你各种各样的助手，你的写作的助手、问答的助手，甚至变成你私人老师、私人医生、私人律师，是拟人的角色。第二，娱乐行业有巨大的需求。我们知道人除了工作创造以外也需要休闲，大模型今天已经在国外成为助手以外有一个很厉害的公司，它是做情感陪伴，大模型不仅可以拟人，甚至可以拟出一个虚拟世界来。我经常说太虚幻景，里面的故事情节，房屋空间构造，大模型都可以去虚幻。对于娱乐行业，对于游戏行业，会有很大的变化。我们以前觉得不够性感的词叫元宇宙会重新抬头，构造虚拟世界。这种世界不像以前更多像虚幻引擎，通过光锥画的很漂亮，底层用语言引擎是一种认知引擎，能构造世界观和世界中的物理逻辑，是自然社会文化逻辑，物理世界都可以构造起来。因此娱乐行业和助手，这是所见的C端里重大的两个方向。

李白：谢谢小川。小厂做大创新，大厂做小创新，但是大厂有自己的阵地，可以在自己已有的电商娱乐等方向上、自己的APP上进行升级。小厂可能会探索出一些全新的产品，全新的结构，这里面你觉得智能助理和内容娱乐最突出。

王小川：娱乐行业会有天翻地覆的变化。

李白：这里面有非常多有意思的新一代的产业机会。问一下邱老师，邱老师是引领Moss大模型研发，也是开来源社区领军人物。所以请您回答一下，接下来在大模型开放态度中的产业机会。因为这次OpenAI很多的发布，都是为开发者生态包括智能体商店，包括很多API，很多的铺垫都是为未来的开放生态做准备。在美国FaceBook、LLama，国内像百川等等都不断推出开源模型，整个大模型开放生态发展非常迅速。我有两个问题，第一，未来开源模型在海外，在中国会不会收敛到一到两个模型？第二，为开放生态进一步发展，大模型公司还需要做哪些准备？国内大模型公司需要在能力上做什么准备，能够达到像OpenAI和Agent智能体未来开放生态布局？

邱锡鹏 ：大模型现在生态变得非常开放，这里有非常多的参与者。这里涉及到，平民化的问题。平民化可能分成两个：一方面，因为大家都在围绕着某个开源，甚至不开源，像GPT也可以，围绕着一个比较大的生态圈，如果提供非常好的个性化、定制化能力的话，就是技术栈，因为参与者很多，积累凝练的也非常多。确实会降低很多研发成本。

王小川：开闭源场景里具体特别突出的一个矛盾问题，首先这里有一个心态问题，大模型来了之后，全国人民或者全球人民心里都很慌，个人怕失业，企业怕自己掉队。这种情况下，但凡有一些技术力量的公司，通常就愿意训练一个模型出来，这件事情不是客观理性。一边倒的使得很多企业愿意，我得自己有个模型，甚至我不仅有模型为自己用，我还去赚钱，所以很多企业说机会来了，我要做一个行业模型，这个模型不是花钱训就完了，还要用模型对外赚钱。今天是出现一种泡沫期，这种泡沫期使得很多公司会愿意投资训练自己的模型。所以使得百模大战、千模大战，大家的焦感带来的。

事实上到成熟期的时候，确实会有少量企业能够有自己的数据，以及自己的场景，能训练出自己的模型甚至给行业赋能或者自己用，但是更多的企业通过调用方法就够了。老板到技术人员的共同欲望，老板也希望赶这辆车，技术人员希望在中间能够参与，今天算力有非常多浪费，泡沫很正常，退下去之后才能沉淀出来大家的共识或者价值。

今天我要给一个建议，很多企业不妨克制这样的一个欲望：不是先训一个模型出来，而是用起来，通过微软云或者接口调用现在国内模型甚至美国的模型，从产品上面、市场上面的可行性验证了，验证完成之后有手感了，再生去判断是不是还不够。不够的话需要跟国内厂商合作，自己去训一个模型，最起码第一步先走到这儿。我们不能说猪肉没吃呢就生产一头猪，这个步子太大了，这是今天看到的现象。

李白：小川的建议是企业家先通过自己用公有化模型调用起来，进入自己的业务链路，将模型和自己的业务链路融合起来，理解大模型对自己的业务场景能做什么。大家第一步要做的是先知道大模型是什么，很多企业家更多是从新闻上知道，并没有自己用过，甚至各种国内的、国外的大模型，可能还没有用过，第一步先要用起来。第二步，在自己企业业务场景和业务流程中能够做起来。通过这些能够理解自己哪些业务场景，我自己经常讲，大模型四个要素：场景、数据、模型、算力。知道自己企业这么广泛场景里哪些场景最适用，以及需要积累哪些数据，再思考是不是要进行私有化部署。谢谢小川的建议。

你讲到智能助理和智能娱乐开放世界，是你觉得未来很大的机会。我自己做很多研究，做很多产业实践感受医疗、医药也是一个非常大领域。之前跟你聊你说有些产业领域既要做大模型的技术底座，也要做上面的智能产品。你觉得医疗这个行业会怎么样被人工智能重塑？和大模型如何结合发生变化？你如何思考医疗行业里的机会？

王小川：我上一个公司创立的是搜狗，搜狗输入法比较出名一点，我们经历魏则西事件，整个互联网行业当中，健康是我们最关心的问题。我们深刻知道疗效事件，中国也是世界上一大痛点，这个地方供给是严重不足。

我在清华读研究生期间的时候，虽然是搞计算机，但是做的题目是基因测序相关的，接触到了基础的科学问题。对医疗这件事情，首先它是一个应用问题，现在缺很多医生，大模型是否能提供更有耐心、更随时陪伴你的医疗资源。还有一个大家忽略的地方，医疗同时是科研问题，我们今天的医学是高度不发达的，我们知道医生要做科研的，不做科研没法升职。医生一个是看经验，越老师傅越厉害。他不是光靠教科书来的，而是要靠实践中找经验，甚至把经验变成论文发表，使得医学水平得到提高。

在我的认知里面，医学工作者是唯一的，普遍要做服务，还要做科研。所以这里面大模型用起来的话，不仅能够帮助我们在服务里提供大量的供给，同时在服务过程中，能收集更多真实世界的数据。反过来，能推动医学的发展。医疗这个事情非常性感，我自己在内部定义是医疗模型，是大模型皇冠上的明珠。既需要把之前的学习教科书，天下的文献读完，也需要把医生的经验学过来，同时变成成本低又能变成24小时服务的医生，有经验、有逻辑、有推理，要多模态。更重要是通过这些数据收集之后，我们以后能创造有生命的数学模型。

今天大模型是语言模型，生命模型还没有。生命模型到今天最大的是Alpha4，很低层面的是把基因和你的蛋白质对齐，这两个找到关系，但是对人的复杂性，生命模型现在还没有。既是一个服务的事，又是AI服务science重要的阵地，因此能够既服务大家，同时提高科研水平，医学模型也非常性感。

李白：大模型可以解决医疗里面一个痛点，优质供给是稀缺的，好的医生很难看培养，在医疗，在教育，在很多行业，大模型能够帮助我们提供非常多的新的供给。能够解决这些产业里非常核心的问题。

接下来一个问题问一下邱老师，您从研究者的视角，觉得这次整个大模型产业发展当中，高校和研究者主要的角色和贡献在哪些方面？他们与大厂，与创业公司有什么不同？您是很多角色都参与过，这个问题您是最有体会的。

邱锡鹏 ：就我个人而言，我会更关注基础研究。现在大模型确实非常成功，在产业界也是。它的推进速度比我们想象的更快，我和很多公司接触，他们底层已经都用大模型了，因为对于现在来讲，用大模型确实可以降低研发成本，包括标注数据等等，它的广泛性确实非常好，可能比我们想象的它的应用还要更快。

但是做大模型和应用大模型，刚才川总说医疗除外，很多领域做大模型和用大模型，或者把它用好，还是可以分开而谈的。对我们来讲，更多的是看到大模型里面还有一不足，如何做更高效果的架构，包括推理加速，训练加速。还有一个就是，如果面向未来Agent大模型未来智能体的发展，明显有很多模块是欠缺的，很长的memory的能力，包括它更深一步的规划、推理的能力，包括现在大模型背后的一些机理。这些都是不足以支撑未来更进一步推动智能化或者通用智能的发展的。

另外一个，我们还比较关注就是它的对齐。相当于它的安全可信，包括诚实性。作为学术界的人，我们会更关注这块，就是如何让它更好地符合人类的价值观。

李白：谢谢邱老师，从基础研究视角看学术界对于AI产业发展长期能继续往来前走的一些方向。追问一个小问题，从一个大模型下一代人才从哪来的问题，高校如何思考培养的机制。因为大模型上一代替机器学习、人工智能所要求人才结构都很不一样。从学校里是怎么观察的？

邱锡鹏 ：目前来讲，以我们的经验来说，特别是在大模型这块，需要全栈式的人才比较重要。应该是从底层的系统结构到模型如何训练，到AI算法，甚至包括数据如何清洗都要懂。否则的话，中间会断，大模型研究上会比较低效。

李白：谢谢，刚才第一部分关于大模型产业机会我们讨论了很多。大模型在C端产品形态和机会，在To B企业服务端思考和基础研究和产业人才角度怎么做准备，做了很多讨论。下面第二个部分大模型的技术突破。大模型对于很多行业很多产业带来深刻影响，这次AI浪潮由OpenAI发起，作为AI领军人物想问问小川和邱老师，中国大模型未来整个技术突破和核心竞争力会在哪些方面？第一个问题问小川，我们大模型技术研究，还在学习还在突破。在产品应用领域，中国的公司基于自己上一代的互联网经验，产品经验，以及基于中国大的消费市场，能不能做到全球领先？在产品应用方面。

王小川：我今年提了一个概念，理想上慢半步，落地上快一步。就是觉得我们中国的机会，不是技术科研上跑得更快，应用是我们能跑得更快的地方。我6月份去了一趟美国，跟OpenAI和其他做大模型的同行做了很多交流，回来之后这个话改了，我从理想上慢半步，落地上快一步，变成了理想上慢一步，落地上快三步。

大家听理想上慢好像是一个负面的词，很多人说你别这么讲，但是我们要接受一个现实。OpenAI在这样的技术积累里面和投入和场景布局里面我们是有巨大的差距，OpenAI到现在已经干了7年了，我们才一年的时间，它还有百亿美金投进去，继续发展它的核心技术。我跟他们聊的时候，我说你们现在还做什么研究吗？他说我们现在正在尝试把1000万颗GPU连在一起训练一个大规模的模型。什么概念呢？英伟达一年大概生产100万颗GPU，训练GPT4要2.5万颗，GPT3.5国内对标4000颗，我们现在做4000颗对标的事情，他们是1000万颗GPU做这个工作，从信仰层面、资源层面我们是远远不够的。今天还在封锁中国的芯片。

但是到业务层面我们确实强很多，像我们的淘宝、微信也好，包括TiKTok，中国互联网的产品体验是远远优于美国的。这里的经验，更多是大家对于运营导向，对于市场贴近的方式，对于手机移动互联网的尊重。这方面我们培养大量的产品经理，因此这种情况下，我认为我们是有巨大的经验和优势的。要把它发展起来。发展有两个难点需要解决，一个是你要有模型，模型差一些可能就落后一些，所以我们得用更多的聪明才智去弥补，甚至做模型公司跟应用公司要结合，甚至用开来源和端到端的模式解决。就是用更弱的模型怎么做出一个好的应用，本来是有机会的。

国外的模型公司并不代表它会做应用，这是第一件事情，模型跟应用的能力合作。第二，产品经理也会有一些相对转型和提升。以前产品经理叫PM，怎么能够定义好产品是符合市场需求。今天遇到难题的时候，以前我们默认技术不是瓶颈，比如做微信，虽然大家对技术有要求，但是这个是能实现能达到的，更多是工程效率和稳定性的问题。今天是一种算法带来的产品，这对产品经理而言，他懂得什么样的产品今天技术是够用的，甚至走一步还能够引领技术的发展。我对技术的评测，我的测试级是什么，怎么评价好不好，怎么让算法工程师跟上这个步伐，产品经理要对自己的技术有判断和评价，解决这两个问题，中国的应用就能走在美国的前面。

李白：我们在整个产品应用经验，自己的市场，都有很多潜力。确实对于产品经理也提出了新的要求。他既需要对模型动态发展底层能力非常熟悉，也能创造性定义出新的产品。这里在产品应用突破有很多新的机会。我问题一下邱老师，从基础研究的角度，两个维度。第一，AI大模型的基础研究，您刚才也提高到怎么往更有效率的方式走，小模型、小数据，这是从平民化角度，你可以稍微展开说一说。第二个维度更加拉开，计算机的研究、人工智能的研究，大模型对于整个自然科学领域的研究，其实刚才小川也提到医疗，对于新材料、化学物理、等等这些，大模型可能会在哪些维度为技术突破、技术研究带来冲击和变化，这两个维度请邱老师简单分享一下。

邱锡鹏 ：我们离OpenAI算力的差距太大，我感觉能保持紧密的跟随。一方面能够锻炼我们的技术，另一方面保持不掉队，培养人才，能够达到非常好的效果。但是具体赶超，还是要结合当前我国具体的实际情况，比如靠产业的带动，从中产生的需求，再把它转化到技术研究上。我们技术研究的问题，要由真实的需求凝练出来，所以产学研合作在下一步变得非常重要。

另外一方面，不管是AI本身研究还是给整个科学研究带来的冲击，有可能它的范式会发生变化。AI for  Science，它依然还是传统的AI的模式，靠大数据，人去标大量的数据，去训练一个模型。这个模型可能是专用的，给结构预测来使用，不能干其他的事，只能干这个事。现在的大模型或者以大语言模型为中心的新一代通用AI技术，是先用语言来打底，构造一个非常完整的系列知识。很容易把人的各种经验通过语言作为载体附加到模型中。这样在做非常多的科学研究应用上的话，它的模式和形态可能跟以前不一样。它会更加侧重科研发现，类似于科研探索，或者主动让他得到一些新的结论。这是之前AI for Science技术没法完成的。

李白：关于技术突破还有两个很重要的话题，大模型四个要素场景、数据、模型、算力，里面的数据和算力。我们都知道在中文语境里面，数据包含这些公开领域的中文语料，也包含企业自己要部署大模型的话，企业自己的知识库。小川和邱老师都训练过非常好的中文大模型。你们俩对于中文语料进一步采集、整理和使用有没有什么建议？这个可以从你们自身企业发展的角度，或者模型发展角度，也可以从公共政策、产业政策的角度，谈一谈中文语料怎么样能进一步去采集优化？

王小川：分两部分：一个是训练一个大模型所需要的公用方面的数据。一个是企业为了自己的竞争力需要私有的数据。公有数据里，我们之前有一个误区，觉得这个东西一定要拿中文语料来训，有细分的预料，尤其是价值观不正确的语料，模型会被训坏了带歪了。从实践里面，我们发现是需要很多高质量的中文语料，但是并不需要到80%、90%，可能有一半的中文语料就非常好了，ChatGPT只有1.5%的中文语料，1.5%的中文语料在中文上已经表现的非常好了。我们在配比里面不强调中文语料占比多高，这跟文化自信没什么关系，这是一个技术问题。同时，这种价值观不正确的语料，我们发现把它用好了，再做好对齐，反而比没有接受过其他思想语言的模型成熟度和闻见度更高。如果完全一个傻白甜语料训练出来的东西遇到复杂问题没有办法思考，所以我的逻辑就是不要迷恋于纯中文语料，需要高质量的语料都见过。

第二，对企业自身数据，更多解决的问题是技术开放性怎么耦合到大模型里的问题。大模型核心靠的是预训练和最后的微调，以及最后的prompt。企业语料怎么进去，这是需要技术实践的，比如通过长窗口的方式，通过知识库不管向量数据库怎么接入，这种接入之后，我跟企业对接发现它不是简单搜索完了装进去，可能你问的问题和你检索的问题之间缺乏同一个空间对齐，比如你的语料是简历数据库，问题是问我想招一个管过150人的HR，简历没有对应的关系，你怎么把被检索数据和问题放到一个语意空间里去，这有很多技术可以讨论。很多技术问题现在还在攻克当中，能够更好地把大模型跟自然语言、跟你的知识库之间对应上，还有很多研究的问题需要工业界和学术界共同解决。

李白：邱老师对语料的想法和建议呢？

邱锡鹏 ：对学术界来讲数据一直不擅长，因为它是一个很耗人力的事情，我们这方面投入的人力不是很多。我们基本上很多用公开数据为主。但是你会发现，这些公开数据，经过一些粗加工的公开数据还是以英文居多，中文开放的还不够。

另外一个，这里非常有用的就是我们能不能提出一个数据的衡量标准？来评判什么样的数据是有价值的。它的知识量也好，包括知识推理，大模型很重要的能力就是推理能力，到底什么数据我们来评判一下，它对推理能力提升是有帮助的。数据方面的评价现在研究的不是特别多。但是这个非常重要。如果能够有一部分人，特别是做数据研究的人，能够在这里面深入研究下去，提出一些数据质量评价标准也非常重要。

王小川：这里学术界还有特别被动的地方，因为学术界要通过发论文来证明自己的创新性，论文很多是发在英文刊物里，如果学术界里要努力做好中文数据，但是不代表可以在这个评价体系里获胜。所以我们自己数据极和评价体系，学术中跟西方走了很多，这是特别被动的地方。

李白：从企业的视角大模型给了一个机会就是智能化和数字化可以紧密联系在一起。因为为了完成大模型在企业里的部署，为了达到智能化必须有知识库，必须通过数字化手段把企业里的知识整合下来。比如说不管是一个医院还是一个新闻机构，还是一个商学院都需要把内部这些文档，内部的可能在各个专家脑中的经验沉淀下来，才能够和大模型相结合，形成企业自己的智能助理或者智能的基础设施。这里面很有意思的是智能化、数字化联系在一起。可能数字化不是非常充分的企业，在智能化的时候也非常艰难。智能化做的好可以倒逼数字化，进一步把企业内部的语料和经验进行整合。

最后再提出一个这个方向的问题，在国内算力依然非常稀缺的情况下，如何在有限的算力下更好地用好这些算力资源或配置资源，对大模型的基础底座研究做出一些突破？小川和邱老师可以从产业视角和学术视角简单两三句话做一个分享？

王小川：我认为企业有动力把这个算力做好。因为如果企业做大模型60%、70%的成本在算力里了，买了英伟达的卡钱交给美国人，换成外汇就走了，这是非常心疼的一件事情。这方面如果国家把公有算力做得更好，中间评价指标上是需要不是撒胡椒面一样的，在今天扶持场景方。因为每个行业一旦被扶持，能有百家千家公司做模型，这是一种很大的消耗，所以还是希望对头部创新有更多的帮助。有些地方好像产业政策每个公司补贴一点钱，鼓励每个公司拿到国家的算力券做一个模型，是一种浪费，让评价体系这件事情这个指挥棒变得非常关键，可能起到正面的作用，做不好起到负面的作用。

邱锡鹏 ：训练这块要适当集中，训练一个比较好的。真正做的话，推理端，比如模型训练好之后，我们很多工作，包括做一些优化，包括平民化的工作，不是放在预训练阶段，是放在SIVT阶段，就是有一个开源模型，如何将这个开源模型用到自己的下游应用中。其实它的优化算法和在大规模分布式的还太一样。平民化有非常多的技术需要做，包括中间的，刚讲的监督式的指令微调的优化方法，包括优化好了之后部署阶段推理加速。都是有很多研究在里面的。

李白：谢谢，大模型技术突破讨论了很多有意思的问题。包括小川提到中国企业在全球可以做到产品应用方面的领先和突破。邱老师提到了，关于AI基础研究以及AI对于科学技术研究的赋能。我们一起聊到了模型技术突破对于语料和算力的影响。

第三部分主要讨论大模型的对于社会生活和人才教育的影响。首先问一个很快的问题，两位老师两三句话回答。最近一到两个月，你们有没有看到什么特别激动人心的大模型赋能下一代的产品生态？或者是产品应用？不管是国内、国外，你印象特别深的。我自己看到很多AI和机器人跟可穿戴设备，很多相结合，给我印象特别深。你们有没有一两个觉得印象非常深的，三、四句话可以讲讲，关于下一代产品形态和技术形态。

王小川：今年是元年，刚刚开始，在情感陪伴里面大家看到一些成绩。我们公司自己又做模型，也做应用，我们内部的医疗模型确实能够更好帮你做问诊，在医疗的能力里面还是蛮惊喜的。

邱锡鹏 ：我这方面了解的少一点，我觉得GPT本身，它还是相对比较惊艳的。因为他们做的速度非常快，个性化这块。

李白：而且我们聊天也说到了，我也读了您最近写的一篇智能体的综述，智能体是我觉得是特别值得关注的一个方向。小川说两句。

王小川：因为GPT4到了那个高度之后，智能体就变得非常可行了。国内还是有距离的，大家会关注，包括学术界做了很多研究，国内现在更大的基础工作一方面是追赶GPT4的水平，有了水平就能做智能体。另一方面，追赶过程中，我们开始要做落地的应用。这样的视角会有些不一样。

李白：智能体我自己看非常有意思，和上一代Chat相比，它的对外部的调用、状态等等都非常有意思。下一个问题是关于您二位给年轻人的建议，这一代大模型成长速度可能快于年轻人学习成长的速度，但是在这样的状态下年轻人可以思考自己如何去提问，如何充分学习。小川和邱老师对年轻人有没有什么建议？

王小川：孙老师说大模型成长速度快于年轻人，其实还得补一句，年轻人是快于非年轻人的。所以这个过程中，时代变革的时候，反而年轻人更有机会。我有时候跟朋友讲，他小孩在我们公司实习，过几个月到美国找工作，希望在百川的经历有用。我说不用的，你只需要自己用好大模型，用它回答好的问题，你把大模型比公司老员工用的更熟，导致你找一个好工作，一个人变成一个团队，一个人可以做一个公司，这个机会是更属于年轻人的。

邱锡鹏 ：AI，特别是生成式的AI，给我们提供了非常好的一个工具，或者是能力增量。能够使得我们做更多的事。只要你能积极拥抱AI技术以及它带来的变化，就已经是非常好了。

李白：谢谢，时间已经快到了。最后一个问题，请二位回答一下，大家觉得大模型对我们社会生活的改变，像当年移动互联网智能手机对我们生活的改变，这个时间线会来的多快，半年？一年？两年？三年？这个变化会在未来多快发生？

王小川：用孙正义的话讲，会用AI和不会用AI的人就是像人和猴子区别一样，我自己是把ChatGPT放在我手机的最底下，每天都会使用。在未来两三年内，我们工作方式、生活方式会有天翻地覆的变化，AI速度已经到来了，智能体到来之后，跟你工作的可能不只是人，也有机器。

邱锡鹏 ：我也比较乐观，我觉得三到五年吧。以前电影的类似于AI的形象会来到我们真正的现实生活中。

李白：再次谢谢小川和邱老师，在新科技讨论中我们讨论了AI大模型的产业机会，技术突破和未来展望。新一代的AI汹涌澎湃，也希望未来大家能够持续关注，能够向小川和邱老师一样，将 AI融入自己的生活中，持续学习，把科技的未来和自己的未来联系到一起，再次谢谢大家。