@Lenciel

开始

1

李重和刘夏在离她父母家一站路的咖啡馆里,按两天前商量好的计划,准备用半个小时来商量出一个更好的「开始」。

这是李重的主意。他觉得,在陌陌上摇到对方,在酒吧里见面,在觉得对方不太讨厌之后上了几次床,在刘夏父母问她是不是又要一个人回家过年时决定充满仪式感地一起删掉陌陌,跟她去见家长,这不是父母这一辈想听到的「开始」。

「我们可以说,你在滨江公园滑陆冲的时候,撞到了在长凳上发呆的我」,李重说,「或者我们相遇在浦东图书馆,我帮你从书架上取下那本你够不着的罗新的书。」

「为什么总是我闯下什么祸或者你怎么拯救了我呢?」

「谁在闯祸谁在帮忙根本不重要」,时间所剩无几,一个像样的故事还没拼凑出来,李重有些不耐烦。

「而且你想的这些开始好在哪里?为什么就比我们真实的情况要体面?你就这么介意我们是这样认识的吗?」

「当然介意,想想我们的父母是怎么开始的?」

刘夏的父母在下乡之前就是同学。她母亲是干部子弟,父亲家境贫寒。虽然回城后,刘夏的外婆对这份恋情非常反对,但当时刘夏母亲已经下定决心要找一个不戴眼镜的男人。当然,也许更重要的是她花了很多心思,才把这个公认的大才子从另一个女孩儿手里抢了过来。

李重的父母是在市招待所认识的。他的父亲在食堂烧开水,母亲则是位服务员。两人初次见面是中午员工用餐,但很快,就在夜里利用起无人入住的房间。怀上李重的时候,他们甚至还没有结婚。这在当时多少有些离经叛道,但李重觉得这样很酷。他跟女孩儿开过房后,认为那些在平淡无奇的婚姻生活中被播种的孩子简直无法想象:没有暧昧的走廊,没有不用顾忌邻居感受的喊叫,没有可以随意打湿的床单。他甚至固执地认为自己着床的那个晚上还发生了一些别的不寻常的事情:比如一根灯管开始闪烁,比如一道闪电击中水坑,比如一只鸣禽突然唱起不属于自己的旋律。

「跟他们怎么开始有什么关系」,刘夏还是不肯让步。

2

和那个 App 几百万用户中的大部分人一样,李重划到刘夏时并没有打算让什么东西开始。

现在,他确实爱上了这个踏踏实实又有点可爱的女孩儿,并且决定陪她回家过年。这让他觉得花点儿时间商量个更浪漫的故事是值得的:对于任何关系,人们总是首先想要听到一段好的开始。

但他知道,跟刘夏没法这么说。

「我们怎么开始不是我们两个人的事」,他柔声劝道,「因为我们怎么告诉你父母的,就得怎么告诉我父母。而且,我们今后还得一模一样地告诉我们的孩子,对吧?」

李重说完最后一句,就有点后悔了。

「你已经偶尔会想我们生个宝宝是什么样子了吗?」,刘夏果然抓住了重点。

他只好点了点头。

「谁要给你生孩子」,她嘟起嘴想要假装发脾气,却忍不住笑了。

李重倒也不完全是撒谎,他确实会想孩子的问题。只不过他并非憧憬能赶紧有个孩子。恰恰相反,和女人睡觉的时候,他总会情不自禁地担心她突然怀孕了,然后两个人不得不在一起。所以,就跟出门自驾前想象翻车一样,这些并不甜蜜的思绪带来的只是他对安全措施的进一步加强。

「我还是不懂,在App 上认识怎么了」,她握住了他的手,拇指轻轻在他的手背上摩挲,「我就是先看上了你的长相,这也是值得自豪和高兴的啊。」

「感情可能并不比性高级,但没有哪个当爸的希望一个男人开始靠近他女儿的时候只是想要她的身体,你相信我」,他建议道,「我们就用那个滑陆冲的时候撞到一起的故事吧,听起来蛮好的。」

「只要是你撞上我的就行。」

「好的,我撞上你的。」

3

总算有了一个故事,两人如释重负地默默坐了十几秒钟。

「如果他们问我们接下来的计划,我们怎么说?」,刘夏突然开口问道。

「就告诉他们真实的打算好了。」

「我们真实的打算是什么?」

「我们还不想给这段关系一个正式的定位。」

「不想给这段关系一个正式的定位,这话听着真恶心。如果你担心我爸觉得你只是想睡我,这样模糊的关系不正好说明了这点吗?」,她突然又有点激动,「那我当着家人和朋友怎么叫你呢?」

「就叫我李重啊。」

「如果我不告诉大家你是我男朋友,我就要给每个人说你的名字,然后解释为什么我带你回来,但我们又还不是正式的男女朋友。你不觉得麻烦吗?」

「我觉得你想太多了。大部分人看到我,只会笑一笑点点头。我叫什么名字,是不是你男朋友,我们的关系有多正式,没有那么多人在乎的。」

「但我不想其他人觉得我是个随便的女生,好像饥不择食了一样。」

「我没有觉得你是个随便的女生,他们应该也不会觉得你饥不择食。」

「如果有一个女生现在走过来说,我们不是男女朋友,但是我想跟你回家过年,你会怎么看这个女生?」

「女生不会这样的。」

「如果就是有一个女生这样做了呢?」

「我会跟她说,现在有另一个女生对我来说很重要,我要带她回家过年,不好意思。」

她终于又笑了,温柔地松开他的手,起身说道:「我们接着赶路吧,不要最后一分钟才到家,我爸该说我了。」

「好啊」,他跟她走出咖啡馆,「路上最后点儿时间你可以多告诉我一些你父母的事情,我好知道怎么跟他们聊天。」

「我不是告诉过你吗?我爸爸是大学教授,我妈妈在城市管理执法局。」

「我记得这些,但不太好聊啊。比如,我就有点讨厌城管做的事情。」

「那你千万别在我家说这个。」

「千万别?」,他停下脚步,「所以你究竟是想带我去见你父母,还是一个我可以演的别的什么人?」

「你什么意思?」

「就是我说的意思,很难懂吗?可能你想带回家的是一个体制内的小伙儿。他家庭条件和你一样好,还可以跟你妈妈一起讨论现在基层公务员的工作有多么操劳让她觉得他很有同理心。」

「我觉得你现在这么说只是因为你找到了一个生气的理由,这样你就可以不和我去见他们了。」

「我觉得你现在这么说只是因为你就是要让我生气,你根本就不是真的想让我去见他们。」

她感觉鼻子有点发酸,就转身往相反的方向走了。

「等等。」

她没有停下来脚步,反而越走越快了。他只好在她身后跑了几步,追上去拦住了她。

「对不起。我只是希望他们能喜欢我,我从没有去任何女生家见过父母。」

「如果你不愿意的话,我们就不必去」,她觉得他这么重视这次见面多少值得鼓励,「我也希望你是真的想去见他们,在你做好准备之前我们不用做任何表演。我给他们发消息说我们不去了,好吗?」

她拿出手机,开始打字。这时候他也拿出了手机。当他的注意力从自己的手机再次转移回她身上时,看到她的脸因为狂怒而变得扭曲。

「我知道我不完美,但你也不过如此。经过最近这些日子的相处,我还真以为你是可以一起走下去的人,我真蠢。谢谢你在我们去见我父母之前让我知道了自己有多蠢,这样至少我可以清清静静回家了,如果以后我才发觉,不知道会有多尴尬。」

说完,她再次转身,头也不回地走掉了。

4

这次他没有跟着她。还好,两个城市很近,十几分钟就有一趟高铁可以回去。他掏出手机买票的时候,突然意识到她一定是看到了自己屏幕上重新下载了陌陌。

其实他只是在咖啡馆编故事的时候,因为想不起来自己给刘夏发第一条消息的时候究竟是哪天,临时下载下来看看的。这本来很好解释,因为两人说好一起删掉之后,他在 App 里就没有任何操作记录。

但现在这些都不重要了。他等滴滴的时候,干脆打开 App 划拉了一下,然后给里面看着比较顺眼的两个姑娘发了信息。很快,一个叫 Yuki 的就回消息说,明天晚饭后可以在静安公园门口那个面包店见面。

第二天,吃过晚饭,他转了两站地铁,慢慢走向约会的地点。路上他还收到了刘夏的微信,说他有几本书、一个茶杯、一副耳机还在她家里。

「你可以在24小时内来拿走,或者我把它们扔了。」

消息回到一半,他已经走出站台。上海有好几年没下过这么大的雪了,手冻得难受。伴随着走在路上踩出的令人不安的叽嘎声,他觉得晚一点再回刘夏消息也很合理,就把手机揣回了兜里,考虑起等会儿跟 Yuki 干点儿什么。最后,他决定在面包店里点杯热饮,然后到公园里散散步。因为和人并排走的时候,他比较放松,聊起天来也发挥得更好。

「这次我一定得有个足够好的开始,以后就不用编了」,他想,「有一个好的开始的人干什么都容易得多。如果我不是女娲甩泥巴造出来的,而是和超人一样从氪星来的,会有很多人为我着迷。」

他这么想着,很快就踱进店里。等了一会儿,Yuki 并没有出现,他赶紧拿出手机开始看 B 站,这样就显得没那么像在等人,就算最后她没来也不至于看上去那么可悲。他甚至在想,要不要把打包的两杯热饮里的一杯摆在旁边的桌子上,这样就更没人会怀疑他是一个人来的了。

「不好意思,你是烂肉粉条吗?」,突然,有人在他背后轻声问道。

她看起来和照片上一样漂亮,这多少让他觉得有些意外。

「是的,你就是 Yuki 吧。肯定已经有很多人告诉过你了,你真好看。」

「谢谢。」

这就是她的反应?他有点紧张地想,如果是刘夏,可能会说:「在大家都戴口罩的那段时间,见面的时候经常两个人都会觉得对方很好看,结果一摘口罩全是惊吓。现在好多了,你觉得我好看,我也觉得你好看,我们不用再带着忐忑的心情等待口罩摘下来的那一刻了。」

但 Yuki 就说了两个字。

「我买了两杯喝的,我们出去走走吧。」

「好。」

两个人默默走在静安公园,大概走了快小半圈,李重终于有点忍不住地打破了平静,「你今天在忙什么?」

「没干嘛,忙了下工作。」

到目前为止,她每句话都很简短,好像他有责任让谈话继续下去。这要么是害羞,要么是她习惯了。很多漂亮的女人都这样,她们不需要讲述令人印象深刻的故事,她们等待着被感动。突然他有点想念刘夏,就又拿出了手机。这当然很不礼貌,Yuki 马上停下了脚步,眼神穿过梧桐树枯叶凋零的树冠,好像她是个恰好路过的陌生人。

「天气真冷,我得回去了。很高兴见到你,Yuki。」他说这些告别的话时,离她足足有四五步远,但他已经打定主意把漂亮的 Yuki 扔在公园里,去找刘夏了。等滴滴的时候,他重新编辑了之前打算发给刘夏的信息,说自己过会儿就来拿东西,并且很想知道如果昨天不是因为自己愚蠢地想要编个开始,是不是这会儿两个人就抱在一起。

快到她家了,没有人回消息,这令他有些忐忑。他们像情侣般生活了一段时间,为什么他这么怕正式成为她男朋友呢?是他在等待一个更好的人吗?还是他觉得只要没有在一起分开的时候就会更容易?她当然有缺点,比如喜欢反问句,比如坚信自己做某事的方式就是最好的方式,比如他们有争执的时候总是扭头就走需要他哄…但他们在一起真的很开心,几乎不用说话就知道对方在想什么。

正想着,已经走进了她的小区。从楼下看,她房间里的灯亮着。他在单元楼的门禁上按了房间号,几秒钟的白噪声之后,他对着麦克风说:

「刘夏,你想当我女朋友吗?」

没有回音,只有更多的白噪声,让他怀疑自己的话是不是刘夏没有听见。就在他想要再说一遍时,刘夏的阳台窗户打开了,一个装满他东西的口袋落在了雪地里。

他提起口袋,缓缓走出小区。街道两边有些橱窗仍然灯火通明,但路上几乎没有人了,只剩下零零星星的穿着美团或者饿了么制服的外卖员。他仔细地观察着周围的一切,仿佛想要把看到的所有东西都记下来,以便未来经常复习。

突然,他记起一句不知在哪里看到的话:

「记得尽量跳过开始。因为人们在讨论怎么开始的时候,往往会带来结束。」

人工智能:成果、问题和展望(2)

第一部分传送门

人工智能的问题

Slide24.png
图 1. 不说整个人工智能

不说整个人工智能,光是 LLM,就有很多问题。所以下面挑一些个人认为比较核心的问题稍微讲讲。

Slide25.png
图 2. 与生俱来的缺陷

第一个可能也是最大的问题,是神经网络的先天不足。因为人工(artificial)这个词对应的是自然(natural)。我们要搞好「人工智能」,需要对自然的智能有深入了解。但如果说当年连接派刚刚创立的时候,智能和计算机这两块的研究都还在起步阶段,所以长期被符号派压着打的话,今天计算机的各方面研究已经有了长足进步,但我们对智能的理解仍然还比较浅。

可以看右边这张图。人类在 1986 年对秀丽隐杆线虫做了纵切后,逐步搭建了它的由 302 个神经元构成的神经网络,并且形成了一个 OpenWorm 项目,希望能够模拟整个网络的运行。

至今,这个项目里已经诞生了三个诺奖,但距离搞明白这张神经网络的运行机制,还很遥远。而我们的人类,有大概 1000 亿个神经元。所以不要说人类的智能究竟是怎么回事,光是神经网络本身,我们的理解都不深。

Slide26.png
图 3. 信任问题

信任有两种,组织或者社会信任(social trust)和个体间信任(interpersonal trust)。

前者以规章制度法律等为基础来构建,后者以道德声望名节等为基础来构建。

你给女朋友买了块表,手机上找个同城快递送过去,是基于对这个服务的「组织信任」。手机上叫个朋友送过去,是基于对这个兄弟的「个体间信任」。

现代社会和传统社会有一个大家很容易忽略的变化,是「个体间信任」被「社会信任」大规模取代了。

过去的人,生活在一大群跟自己有「个体间信任」的关系中,跟其他「陌生人」少有连接。Ta 找谁买肉,找谁打铁,找谁写对联,都是基于对个体的信任。

今天我来演讲,敢打一个陌生人的车过来。我们出差,敢把命交给自己根本不认识的飞行员。不是因为我们对这些人有个体上的信任,而是我们信任背后滴滴也好,航空公司也好,都进行了自己的选拔、培训和管理。政府的有关部门,对这些公司也有相应的监管。

因为有了社会信任对个体间信任的大规模取代,「可信」很大程度上体现了一个社会的整体治理水平。比如我们收到的短信敢不敢点,电话敢不敢接,买到的东西敢不敢放心吃,相信大家深有体会。

人工智能的到来,肯定会对这些信任带来新的挑战。因为这些更加拟人甚至看着就是真人的 AI,背后是商业公司花费巨资打造的。商业上只有一种道德,就是在合法合规的基础上挣钱。

因此,人工智能需要政府的介入也需要政府的监管。

Slide27.png
图 4. 合法合规

从去年年底开始,面向 OpenAI 的大量诉讼,特别是版权相关的诉讼就开始了。所以首先,做基底模型,训练数据来源是不是合法合规还要看最终事情的走向。

第二方面,我们大量的应用开发者,用的是国外的产品做封装。这种方法是否合法合规?

第三方面,国内做这块儿业务,已经有了一些相应的政策条列,必须了解它们,才能规避风险:

  • 责任主体风险:AIGC 产品提供者是 2023 年 8 月 15 日生效的《生成式人工智能服务管理暂行办法》规定的信息内容责任主体,负有网络信息内容生产者责任和网络信息安全义务,需严格遵守《办法》及《互联网信息服务深度合成管理规定》对个人信息处理、生成内容标识、投诉举报渠道等服务规范的要求。
  • 上线备案风险:根据《办法》第十七条,境内 AIGC 产品如向社会公众开放且「具有舆论属性或社会动员能力」,应在行政机关进行算法备案。结合《具有舆论属性或社会动员能力的互联网信息服务安全评估规定》及目前的备案实践来看,绝大多数 AIGC 产品都负有备案义务。在网信办于 2023 年 6 月及 8 月公布的两批次备案信息共计 151 个算法中,不乏在线智能客服、商品三维图像合成、文本转语音等较为功能较为单一的算法。
  • 用户参与风险:用户输入内容可能存在知识产权侵权、涉密、违反法律法规等情形。如果该 AIGC 产品同步将用户输入内容纳入数据集或模型改进,则相关侵权内容可能对既有的合规数据集造成「污染」,增加数据集侵权风险和违法风险。
  • 数据安全风险:使用 AIGC 产品产生的用户数据的使用、存储、处理和分级管理应符合数据合规要求。尤其值得注意的是,境内第三方主体在其提供的 AIGC 产品嵌入境外大模型 API 的,涉及用户数据及个人信息向境外传输,可能触及《数据安全法》《个人信息保护法》等跨境数据合规要求。

Slide28.png
图 5. Scaling Laws 的有效性

目前发展大模型最核心的路径,就是根据 Scaling Laws,去加算力,加数据,加参数规模。但是 Scaling Laws 其实是一个统计出来的经验,是不是长期有效并没有理论支持。并且就算长期有效,我们可以看到,算力是好加的,但是未必有那么多数据,特别是现在模型进入多模态阶段了,高质量的图片数据集非常少。

Slide29.png
图 6. 高成本 & 高能耗

右边上面这张表说明,目前基底模型的训练成本往十亿美金数量级发展了。这里再给两个不同规模的模型训练成本让大家有一个直观印象:

  • BloomBerg 打造 50B 参数的金融垂类大模型,训练成本约为 454 万元;
  • 阿布扎比大学发布 180B 参数的 Falcon 大模型,训练成本约为 1.08 亿;

可以看到,训练一个比 GPT-4 小得多的基底模型也不是一个普通的创业团队或者大学可以去承担的任务。

有人可能会觉得,训练不起,是不是只做推理会便宜一点。

我们右边下面这张表说明,也没有那么便宜。一个大模型只要在线上有足够多的活跃用户,推理和运营的成本也是非常昂贵的。

Slide30.png
图 7. 我们面对的独特问题

国外现在不管是模型这一侧,还是基础设施这一侧,都在收敛:

  • 大的基底模型基本上就是 Google、Anthropic 和 OpenAI 三家最好,到 2024 年这种身位领先会体现得更加明显;
  • 算力的芯片就是 NV、AMD 和 Google 的 TPU,2024 年可以看看比如苹果要不要入局;

而国内,我们因为受到了芯片禁令等技术封锁,而自主可控的软硬件产业还不成熟,这会带来一系列的问题。

举个例子,两张 3080 算力差不多是一张 A100,买不到 A100,看起来我们可以用更多的 3080 来组建网络。但:

  • 更多的卡带来更大的出错概率,而且因为这种东西是乘法(后面道客的郑松总把这块儿讲得更细更精彩);
  • 各自的功耗分别为 700W 和 300W。在三年生命周期内,电费就会有几万块钱的差距;

更大的问题是,因为没有办法获得足够多资源,我们的发展比较分散。模型侧有百模大战,基础设施侧也有大量处于追赶阶段的国产公司。这两边的中间层,其实非常关键。

人工智能的展望

讲了这么多问题,接下来聊聊展望。

Slide32.png
图 8. 算法方面展望

2024 年,在模型,包括算子这方面,可以做的优化还是很多的。但是这些优化对于效能的提升不是根本性的,因为基本架构并没有变。可能一系列的优化最终累积起来,聚沙成塔,可以带来几倍的变化。

Slide33.png
图 9. 算力方面展望

算力这部分肯定是未来几年都比较关键的,特别是我们前面说了国内面临的独特问题。

现在基座模型的训练很多都是上万张 GPU 了,到这个规模,IDC 的 Power、Cooling、Networking 都是问题。拿网络举例,能这么玩的架构就非常有效,我们看到 NV 自己正在从 Fat-tree 逐步转向 Dragonfly,而 Google 在 Torus 架构上有了两代 TPU 的积累。

除开智算中心的建设之外,建好后这些算力如何去调度?如何去容错?如何让使用者拿到运行稳定,价格合适的环境?包括芯片这部分,有没有办法使用大量的端侧芯片来运行一些小模型,解决很多简单的任务,而不是所有请求都到云端。

Slide34.png
图 10. 数据方面展望

整个 2023 年,可以看到的一个趋势就是高质量数据集已经是壁垒。有一些训练使用了高质量的「小数据集」,证明了效果跟大数据集比并不差。再加上多模态之后,高质量的数据集更加成为瓶颈,因此可以预见,2024 年 Synthetic Data 会成为进行数据准备的关键能力。

另外,右边这张图可以看到,我们存储性能的发展是远远落后于算力发展的。因此大模型训练的瓶颈,其实会是数据带宽,而不是数据计算。因此,近存储计算、存内计算乃至存算一体,也会是数据这方面在 2024 年发展的一个趋势。

Slide35.png
图 10. 开源与闭源模型展望

虽然中国有百模大战,但是真正从 pre-training 开始做的模型并没有那么多。这个部分既有投入上的硬门槛,也有人才密度和基础设施上的软门槛。

但另一方面,在 pre-training 上相互较劲的头部玩家,最大的能力差别体现在 post-training 上。因此强如 Google,追 OpenAI 仍然追得很辛苦。

在这种背景下面,闭源模型和开源模型的差距,在 2024 年个人感觉会进一步拉大。很可能是手里面有闭源模型的厂开源一些小一点的旧一点的模型出来,丰富热度和生态,特别是端侧的小模型。

但无论开源闭源模型,都享受着所谓「新摩尔定律」的利好。可以看到闭源模型在语言能力甚至是知识能力上距离闭源模型的差距在迅速缩小,但在推理能力上还是有不小的差距。

Slide36.png
图 11. 应用与应用架构展望

2024 年首先可以做的应用层的展望毫无疑问是多模态将会成为主流,视频生成类将会出现头部应用。

此外,作为企业需要仔细思考,究竟要不要采用大模型技术来开发自己的应用。很多企业现在还处于没有算清楚账,看明白场景的阶段。比如用户来的请求,要不要做分流?是不是有些可以走传统的知识图谱或者专家系统就很好的解决?是不是有一些使用小模型就可以解决?

另一方面,虽然 OpenAI 最近上线了 App 商店,但未必会有应用的爆发。因为里面同质化的应用会非常多,本质上是因为大模型这场千亿豪赌究竟能不能转化到实实在在的生产力,能够在哪些场景产生实际的用户价值,还处于摸索阶段,跑通的比较少。并且,一旦跑通,可能模型本身就会增加相应的能力,所以模型本身可能就是最大的甚至是最终唯一的应用。

Slide37.png
图 12. 中间层值得期待

前面讲了,国内一方面有百模大战,一方面有相对比较散的基础设施。那么 2024 年我们可以期待的是一些中间层应用出来,解决统一编译,部署,调度等等问题,并且在过程里面系统性解决安全和信任的问题。

但是这样的中间层平台谁来建设是一个问题:民企缺少足够多的资源和许可,国央企缺少足够的产品技术能力,也许移动这样的企业可以来做一下这部分的工作。

Slide38.png
图 13. 把时间拉长来看

「展望」这东西好玩之处就在于,如果回头看,几乎从来没有谁的展望是准过的,但是人们会继续期待它。

如果只有一句话,我的展望会是 2024 年比 2023 年更加疯狂。

正好有人说,疯狂的年代,利好身心灵行业,比如算命。

其实要我这样的人去展望未来,跟找人算命,底层大概是一回事:人们需要确定性。

所以最后我给大家分享我很喜欢的一张图片,是斯图尔特·布兰德的书里的。

他认为我们所处的世界,其实是分层的。每层变化的速度有快有慢,比如流行风尚,恨不得天天变。商业模式,以年为单位变。而越往下,比如我们的文化,处处还是几千年农业社会孕育出来的样子。自然的大环境,更是以亿为单位的年头在变了。

布兰德认为,这种速度的差异,其实是好事:

  • 上层变化更快,会带动下层的变化,避免僵化;
  • 下层变化更慢,会给上层约束条件,避免冒进;

我觉得他的洞见很有道理。

在一个真正持久的系统中,每个层次都应该被允许以自己的速度运行,由下面的层次提供坚实基础,由上面的层次保持活力。

不管是一个公司还是一个国家,如果把管某一层的方式或者要求,拿去管理别的层次,那是要出问题的。

同时,另一方面,每个人在这样疯狂的年代,应该找到适合自己和团队的节奏和层次。

如果你喜欢新技术,喜欢跟用户打交道,就应该呆在最上面一层。不管是折腾产品还是做主播打造个人影响力,总之不要浪费了自己的热情。

如果你喜欢钻研业务体系甚至是构建基础设施,那就老老实实地干,做好持久战的准备,不要羡慕台前的人起高楼。

找到适合自己的层次和速度,是在这样一个疯狂的时代立足的最好方式。