AI在人类生活八大领域的广泛应用|深度研报

T客汇:www.tikehui.com

近日,斯坦福大学“人工智能百年研究”(AI100 )项目发布了首篇名为“2030 的人工智能与生活(AI and Life in 2030)”报告,该份报告是这项百年研究系列中的第一篇。

这份 2030 年报告指出,具备自我维持的长期目标和意图的机器并未被开发出来,在不久的将来也很难实现。然而,具备影响社会和经济巨大潜力的人工智能应用,则很有可能在当前与 2030 年之间出现。”报告也承认,人工智能工具也有可能最终会造成社会混乱。因此,对研究人员、科学家和政策制定者而言,如何在技术创新与社会机制之间找到平衡点,从而能够确保人工智能的益处是广泛分享的。

项目发起人埃里克·霍尔韦兹表示,他对 AI 发展的未来非常乐观,并认为人类能够从 AI 的发展中获益匪浅。不过,要准确预测有哪些机遇和挑战还很难做到,因此建立一个持续的研究机制具有很大的必要性。

这份 2030 年报告指出,具备自我维持的长期目标和意图的机器并未被开发出来,在不久的将来也很难实现。然而,具备影响社会和经济巨大潜力的人工智能应用,则很有可能在当前与 2030 年之间出现。”然而,报告也承认,人工智能工具也有可能最终会造成社会混乱。因此,对研究人员、科学家和政策制定者而言,如何在技术创新与社会机制之间找到平衡点,从而能够确保人工智能的益处是广泛分享的。


该份报告首次从 AI 应用的角度研究了人类活动的 8 大领域,如下:

娱乐

该领域是内容创建工具、社交网络、人工智能的结合,将开创全新的媒体内容收集、组织、分发模式。

教育

互动辅导系统已经被用于帮助学生进行语言、数学,以及其他技能的学习。自然语言处理的发展将为这一领域的应用带来全新的方式。

交通

自动驾驶汽车、卡车、无人机投递或将改变城市里的工作、购物、休闲娱乐模式。

家庭 / 服务机器人

比如目前已经进入家庭的扫地机器人,特种机器人将为我们家庭和工作场所提供清洁及安保服务。

健康护理

个人健康监测装备与手术机器人已经展现了发展潜力。最终,AI 软件将自动进行某些疾病的诊断与治疗。

资源匮乏型社区

在最新技术领域进行投资将扩大人工智能带来的好处,比如避免铅污染、改进食品分配。

公共安全与防护

相机、无人机、软件参与的犯罪模式分析,应用 AI 技术来降低人类判断的主观偏见。同时,在不侵犯个人自由、尊严的情况下,增强安全性。

就业与劳资

全球经济正在历经快速变革,很多传统岗位已经消失,新的岗位开始产生,有关于人类如何适应这种新变化的相关工作需要立即展开。


下面是报告节选:

[序言]

2014 年秋季,人工智能百年研究项目启动。这项研究包含使用人工智能计算系统的科学、工程和应用实现。监督该”百年研究”的常务委员会组建了一个研究小组,每五年评估一次人工智能所处的状态——这也是本项目的核心活动。

“百年研究”定期进行专家回顾的首要目标是:提供一个随着人工智能领域发展的关于人工智能及其影响的收集性的和连通的集合。这些研究希望能在人工智能领域的研究、发展以及系统设计方面、以及在帮助确保那些系统能广泛地有益于个人和社会的项目与政策上提供专业推断上的方向指南及综合评估。

这篇报告是计划持续至少 100 年的研究系列中的第一篇。项目负责的常务委员会在 2015 年的暑期成立了一个研究小组来负责组建现在这个初始的研究小组。这个包含了 17 名成员的研究小组由人工智能学术界、公司实验室以及产业界的专家与了解人工智能的法律、政治科学、政治以及经济方面的学者组成,并于 2015 年秋季中期启动。

委员会最终选择了”2030 年的人工智能与生活(AI and Life in 2030)”为主题以强调人工智能的各种用途与影响的发生不是独立于彼此,也不独立于其他许多社会和技术上的发展。意识到了城市在大多数人类生活中的核心作用之后,我们将专注重点缩小到大多数人居住的大都市。


[一、什么是人工智能?]

1.定义人工智能

Nils J. Nilsson给人工智能下了以下定义,“人工智能就是致力于让机器变得智能的活动,而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。”

从这个角度来看,对人工智能的表征取决于个人愿意”适当地”并”有远见地”为功能性提供合成软件和硬件的信用。一个简单的电子计算器比人类大脑进行的计算要快得多,而且几乎从来不出错。

2.人工智能研究趋势

直到本世纪初,人工智能的吸引点主要在于它所传递的承诺,但在过去的十五年里,大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时,该领域正在从仅仅建立智能系统,转向了建立有人类意识的、值得信赖的智能系统。这种趋势推动着下文中所描述的“热门”研究领域

大规模机器学习

许多机器学习的基本问题(如监督和非监督学习)是很好理解的。目前努力的一个重点是将现有算法扩展到更庞大的数据集上。例如鉴于传统方法能够负担得起若干遍数据集的处理,现代方法是为单次处理所设计;某些情况只认同非线性方法(那些只关注一部分数据的方法)。

深度学习

成功训练卷积神经网络的能力非常有益于计算机视觉领域,比如目标识别、视频标签、行为识别和几个相关变体的应用。深度学习也在大举进军感知方面的其他领域,如音频、语音和自然语言处理。

强化学习

鉴于传统机器学习主要关注于模式挖掘,强化学习将重点转移到决策中,这种技术将有助于促进人工智能在现实世界中更深入地进入相关研究和实践领域。作为一种经验驱动型的序贯决策框架,强化学习已经存在了几十年,但是这个方法在实践中没有取得很大成功,主要是由于表征和缩放的问题。然而深度学习的出现为强化学习提供了”一贴强心剂”。

由谷歌 DeepMind 开发的计算机程序 AlphaGo 在五次对抗比赛中击败了人类围棋冠军,它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo 是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的,但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。

机器人

在静态环境中,机器人导航在很大程度上被解决了。目前的努力是在考虑如何训练机器人以泛型的、预测性的方式与周围世界进行交互。互动环境中产生的一个自然要求是操纵,这是当下所感兴趣的另一个话题。

深度学习革命只是刚开始影响机器人,这在很大程度上是因为要获得大的标记数据集还很困难,这些数据集已推动了其他基于学习的人工智能领域。

免去了标记数据需求的强化学习可能会有助于弥合这一差距,但是它要求系统在没有错误地伤害自己或其他系统的情况下能够安全地探索出一个政策空间。在可信赖的机器感知方面的进步,包括计算机视觉、力和触觉感知,其中大部分将由机器学习驱动,它们将继续成为推进机器人能力的关键。

计算机视觉

计算机视觉是目前最突出的机器感知形式。它是受深度学习的兴起影响最大的人工智能子领域。直到几年前,支持向量机还是大多视觉分类任务所选择的方法。但是特别是在 GPU 中的大规模计算的汇合,使得更大数据集的可获得性(尤其是通过互联网)以及神经网络算法的改进导致了基准任务中能的显著提高(比如 ImageNet 中的分类器)。计算机首次能够比人类更好地执行一些(狭义定义的)视觉分类任务。目前的研究多是关注于为图像和视频自动添加字幕。

自然语言处理

自然语言处理是另一个通常与自动语音识别一同被当做非常活跃的机器感知领域。它很快成为一种拥有大数据集的主流语言商品。谷歌宣布目前其 20% 的手机查询都是通过语音进行的,并且最近的演示已经证明了实时翻译的可能性。现在研究正在转向发展精致而能干的系统,这些系统能够通过对话而不只是响应程式化的要求来与人互动。

协同系统

协同系统方面进行的是对模型和算法的研究,用以帮助开发能够与其他系统和人类协同工作的自主系统。该研究依赖于开发正式的协作模型,并学习让系统成为有效合作伙伴所需的能力。能够利用人类和机器的互补优势的应用正吸引到越来越多的兴趣——对人类来说可以帮助人工智能系统克服其局限性,对代理来说可以扩大人类的能力和活动。

众包和人类计算

在完成许多任务方面由于人类的能力是优于自动化方法的,因而在众包和人类计算方面,通过利用人类智力来解决那些计算机无法单独解决好的问题,该领域研究调查了增强计算机系统的方法,这项研究的提出仅仅是在大约 15 年前,现在它已经在人工智能领域确立了自己的存在。最有名的众包例子是维基百科,它是一个由网络公民维护和更新的知识库,并且在规模上和深度上远远超越了传统编译的信息源,比如百科全书和词典。

Citizen 科学平台激发志愿者去解决科学问题,而诸如亚马逊的 Mechanical Turk 等有偿众包平台,则提供对所需要的人类智力的自动访问。通过短时间内收集大量标记训练数据和 / 或人机交互数据,该领域的工作促进了人工智能的其它分支学科的进步,包括计算机视觉和自然语言处理。基于人类和机器的不同能力和成本,目前的研究成果探索出了它们之间理想的任务分离。

神经形态计算

传统计算机执行计算的冯诺依曼模型,它分离了输入 / 输出、指令处理和存储器模块。随着深度神经网络在一系列任务中的成功,制造商正在积极追求计算的替代模型——特别是那些受到生物神经网络所启发的——为了提高硬件的效率和计算系统的稳定性的模型。

目前这种“神经形态的”计算机尚未清楚地显示出巨大成功,而是刚开始有望实现商业化。但可能它们在不久的将来会变成寻常事物(即使仅作为冯诺依曼所增加的兄弟姐妹们)。深度神经网络在应用景观中已经激起了异常波动。当这些网络可以在专门的神经形态硬件上被训练和被执行,而不是像今天这样在标准的冯诺依曼结构中被模拟时,一个更大的波动可能会到来。

人工智能研究的未来

数据驱动型范式的巨大成功取代了传统的人工智能范式。诸如定理证明、基于逻辑的知识表征与推理,这些程序获得的关注度在降低,部分原因是与现实世界基础相连接的持续挑战。规划在七十和八十年代是人工智能研究的一根支柱,也受到了后期较少的关注,部分原因是它强烈依赖于建模假设,难以在实际的应用中得到满足。

研究小组预计在接下来的十五年中,会有更多关注集中在针对人类意识系统的开发上,这意味着它们是明确按照要与之互动的人类特点来进行建模与设计的。很多人的兴趣点在于试图找到新的、创造性的方法来开发互动和可扩展的方式来教机器人。

研究小组还预计当从业者意识到纯粹的端到端深度学习方法的不可避免的局限性时,会重新出现一些人工智能的传统形式。我们不鼓励年轻的研究人员重新发明理论,而是在人工智能领域以及相关领域(比如控制理论、认知科学和心理学)的第一个五十年期间,保持对于该领域多方面显著进展的觉察。


[ 二、人工智能在各个领域的应用 ]

虽然人工智能的很多研究和应用会基于一些通用技术,比如说机器学习,但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域,接下来的这部分将介绍人工智能研究和应用的不同类型,以及影响和挑战,主要有八个方面:交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。

基于这些分析,我们还预测了一个有代表性的北美城市在未来 15 年的趋势。与人工智能的流行文化中的典型叙述不同,我们寻求提供一个平衡的观点来分析,人工智能是如何开始影响我们日常生活的,以及从现在到 2030 年,这些影响将如何发展。

1.交通

交通可能会成为首批几个特定应用领域之一,在这些领域,大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯,大多数人在嵌入人工智能系统的实体交通工作的首次体验将强有力的影响公众对人工智能的感知。

2.家庭服务机器人

未来十五年,在典型的北美城市里,机械和人工智能技术的共同进步将有望增加家用机器人的使用和应用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全,但在可预见的未来内,技术限制和可靠机械设备的高成本将继续限制狭窄领域内应用的商业机会。至于自动驾驶汽车和其它新型的交通机器,创造可靠的成熟的硬件的难度不应该被低估。

3.医疗

对人工智能而言,医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在接下来的几年能够为千百万人改进健康结果和生活质量,但这是在它们被医生、护士、病人所信任,政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。

近期的成功,比如挖掘社交媒体数据推断潜在的健康风险、机器学习预测风险中的病人、机器人支持外科手术,已经为人工智能在医疗领域的应用扩展出了极大的应用可能。与医学专家和病人的交互方法的改进将会是一大挑战。

4.教育

在过去的十五年间,教育界见证了为数众多的人工智能科技的进步。诸如 K-12 线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与,但人工智能在所有层面上都带来了强化教育的希望,尤其是大规模定制化教育。如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战,这一点医疗行业也是如此。

机器人早已经成为了广为欢迎的教育设备,最早可以追溯到 1980 年 MIT Media Lab 所研制出的 Lego Mindstorms。智能辅导系统也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。

自然语言处理,尤其是在与机器学习和众包结合以后,有力推进了线上学习,并让教师可以在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。

但是,学院与大学采用人工智能技术的步伐依然很缓慢,主要是由于资金的缺乏,以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年,智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大,因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。

5.低资源社区

人工智能存在许多机会去改善生活于一个典型北美城市的低资源社区中的人民生活状况——事实上在某些情况下已经有所改变。了解这些人工智能的直接贡献也可能会激发对于发展中国家最为贫穷的地区的潜在贡献。有了有针对性的激励和资金优先次序,人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有有助于对抗失业和其他社会问题带来的恐惧,它或许会提供缓解措施和解决方案,特别是通过受影响的社区以与其建立信任的方式来实现。

6.公共安全与防护

城市已经为公共安全和防护部署人工智能技术了。到 2030 年, 典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。

人工智能工具也可能被证明有助于警察管理犯罪现场或是搜索和救援活动,它可以帮助指挥官排列任务的优先次序以及分配资源,尽管这些工具还没有为这些活动的自动化做好准备。在一般的机器学习尤其是在转换学习中的改进——在新情境中基于与过去情况的相似性而加快学习——可能有利于这样的系统。

7.就业与劳资

尽管人工智能很有可能会对典型北美城市的就业和工作场所产生深远的影响,但对当前的影响我们目前还难以作出评估——是积极的还是消极的。在过去十五年,由于经济衰退和日益的全球化,尤其是中国参与到了世界经济中,就业状况已经发生了改变,非人工智能的数字技术也发生了很大的变化。自 1990 年代以来,美国经历了生产率和 GDP 的连续增长,但平均收入却停滞不前,就业人口比率也已经下降。

有一些数字技术有重大影响(好的影响或坏的影响)的行业的显著案例,而在一些其它的行业,自动化将很有可能能在不久的将来发生重大的改变。许多这些改变已经得到了”例行的”数字技术的推动,其中包括企业资源规划、网络化、信息处理和搜索。理解这些改变应该能为人工智能影响未来劳动力需求的方式提供见解。

8.娱乐

随着过去十五年互联网的爆发式增长,很少有人能想象没有它的生活。在人工智能的驱动下,互联网已经将用户生成的内容作为了信息和娱乐的一个可行的来源。Facebook 这样的社交网络现在几乎已经无处不在,而且它们也成为了社会互动和娱乐的个性化渠道——有时候会损害人际交往。WhatsApp 和 Snapchat 等应用可以让智能手机用户与同伴保持“接触”和分享娱乐和信息源。

在《第二人生》这样的在线社区和《魔兽世界》这样的角色扮演游戏中,人们想象在虚拟世界中有一个虚拟的存在。亚马逊 Kindle 这样的专用设备已经重新定义了打发时间的要领。现在只需手指点点划划几下,就可以浏览和获取书籍了;一个口袋大小的设备就可以存储成千上万本书,而阅读体验基本上可手持的纸质书差不多。

现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台,此外还有各种各样用户生成的内容。为了在互联网的规模上运行,这些平台必须依赖现在正被积极开发的技术,其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如,现在已经开发出了协同过滤这样的算法,它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。


[三、公共政策的前景与建议]

人工智能应用的目标必须是对社会有价值。我们的政策建议也会遵循这个目标,而且即便这个报告主要关注的是 2030 年的北美城市,建议依然广泛适用于其他城市,同时不受时间限制。一些提升解读和人工智能系统能力并参与其使用的策略可以帮助建立信任,同时防止重大失败。

在增强和提升人类能力和互动时需要小心,还有避免对不同社会阶层的歧视。要强调多做鼓励这个方向以及沟通公共政策探讨的研究。鉴于美国目前的产业监管,需要新的或重组的法律和政策来应对人工智能可能带来的广泛影响。

政策不需要更多也不要更严,而是应该鼓励有用的创新,生成并转化专业知识,并广泛促进企业与公民对解决这些技术带来的关键社会问题的责任感。长期来看,人工智能将会带来新财富,整个社会也要探讨如何分配人工智能技术带来的经济成果的分配问题。

如今以及未来的人工智能政策

为了帮助解决个人和社会对快速发展的人工智能技术产生的忧虑,该研究小组提供了三个一般性政策建议。

1.在所有层级的政府内,制定一个积累人工智能技术专业知识的程序。有效的监管需要更多的能理解并能分析人工智能技术、程序目标以及整体社会价值之间互动的专家。

缺少足够的安全或其他指标方面的专业技术知识,国家或地方政府官员或许或拒绝批准一个非常有前途的应用。或者缺少足够训练的政府官员可能只会简单采纳行业技术专家的说法,批准一个未经充分审查的敏感的应用进入市场。不理解人工智能系统如何与人工行为和社会价值互动,官员们会从错误的角度来评估人工智能对项目目标的影响。

2.为研究人工智能的平等、安全、隐私和对社会的影响扫清感知到的和实际的障碍。

在一些相关的联邦法律中,如计算机欺诈和滥用法案和数字千年版权法的反规避条款,涉及专有的人工智能系统可能被如何逆向向工程以及被学者、记者和其他研究人员评价的内容还很模糊。当人工智能系统带来了一些实质性后果需要被审查和追究责任时,这些法律的研究就非常重要了。

3.为人工智能社会影响的跨学科研究提供公共和私人资金支持。

随着人工智能被越来越广泛和深入地整合到工业和消费产品中,一些领域中需要调整现有的建立监管制度以适应人工智能创新,或者在某些情况下,根据广泛接受的目标和原则,从根本上重新配置监管制度。

面对人工智能技术将带来的深刻变化,要求”更多”和”更强硬”的监管的压力是不可避免的。对人工智能是什么和不是什么的误解(尤其在这个恐慌易于散布的背景下)可能引发对有益于所有人的技术的反对。那将会是一个悲剧性的错误。扼杀创新或将创新转移到它处的监管方法同样也只会适得其反。

在人工智能领域,监管者可以强化涉及内部和外部责任、透明度和专业化的良性循环,而不是定义狭窄的法规。随着人工智能与城市的整合,它将继续挑战对隐私和责任等价值的已有保护。和其它技术一样,人工智能也可以被用于好的或恶意的目的。


[结语]

这份报告试图同时强调这两方面的可能性。我们急切地需要一场重要的辩论:如何最好地引导人工智能以使之丰富我们的生活和社会,同时还能鼓励这一领域的创新。应该对政策进行评估,看其是否能促进人工智能所带来的益处的发展和平等共享,还是说会将力量和财富集中到少数权贵的手里。而因为我们并不能完美清晰地预测未来的人工智能技术及其所将带来的影响,所以相关政策一定要根据出现的社会难题和线索不断地重新评估。

截至本报告发布时,重要的人工智能相关的进展已经在过去十五年内给北美的城市造成了影响,而未来十五年还将有更大幅度的发展发生。最近的进展很大程度是由于互联网所带来的大型数据集的增长和分析、传感技术的进步和最近的”深度学习”的应用。

未来几年,随着公众在交通和医疗等领域内与人工智能应用的遭遇,它们必须以一种能构建信任和理解的方式引入,同时还要尊重人权和公民权利。在鼓励创新的同时,政策和流程也应该解决得到、隐私和安全方面的影响,而且应该确保人工智能所带来的好处能得到广泛而公正的分配。如果人工智能研究及其应用将会给 2030 年及以后的北美城市生活带来积极的影响,那么这样做就是非常关键的。

原文发布于微信公众号 - 人称T客(Java_simon)

原文发表时间:2016-09-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【民生证券】人工智能,狂热下的冷静思考(63页报告下载)

一、 背景 1.国家的计划 (1)美国“大脑研究计划(BRAIN)”:美国花费大量资金的在人工智能方面,但有许多研究仅限于学术方面,而没有运用到实际生活中。 ...

3526
来自专栏大数据文摘

【御数之旅-4】EDW第3天,美联储CDO重磅开幕,御数坊为您深度解读

2677
来自专栏数据猿

数之联CTO方育柯:2016年大数据的奇点、拐点与痛点

数据猿导读 2013年被广泛认为是世界大数据元年,2014年是贵州的大数据元年,2015年被认为大数据应用元年,2016被认为是真正意义上的大数据元年或者是大数...

2754
来自专栏新智元

2016 年人工智能最重要的发展:面向所有人的深度学习

【新智元导读】过去一年人工智能和深度学习最重要的发展不在技术,而是商业模式的转变。过去6个月,所有巨头都将自己的深度学习IP开源。Data Science Ce...

3327
来自专栏PPV课数据科学社区

走进大数据应用!!——电商实战

  引言:大数据概念从21世纪初产生到被热炒至今只有几年时间。大数据的概念已逐渐被大众了解,简单地说,大数据就是一种获取大量有效的数据,并进行管理、分析从而得到...

3736
来自专栏镁客网

华为、小米极力推崇!AI开源为何在国内大行其道?

卡内基梅隆计算机科学院院长安德鲁·摩尔(Andrew Moore)曾提到过这样一组数据:现在,在提交给大型人工智能会议的论文,50%都来自中国,而在十年前,这个...

1282
来自专栏数据派THU

【独家】移动互联网大数据助力金融风控(课程精华笔记+PPT)

[导读]为了让清华大学大数据能力提升项目的学生在基础学习和科研的基础之上,更好地了解大数据技术行业领域中的应用,清华-青岛数据科学研究院支持开设了金融大数据方向...

4728
来自专栏大数据文摘

抛弃爬下来的灰色数据,有门槛的风控怎么做?

2307
来自专栏企鹅号快讯

德勤调研报告显示,人工智能似乎正在创造新的就业机会

德勤(Deloitte)本周发布的一项研究表明,早期采用人工智能(AI)技术的企业在获得经济收益的同时,正在创造新的就业机会。 ? 接受调查的企业总体上对此看法...

2477
来自专栏华章科技

2016 年人工智能最重要的发展:面向所有人的深度学习

过去一年人工智能和深度学习最重要的发展不在技术,而是商业模式的转变。过去6个月,所有巨头都将自己的深度学习IP开源。Data Science Central 网...

672

扫码关注云+社区

领取腾讯云代金券