正文

如何訓練自己的ai模型（如何訓練自己的ai模型技術）

發(fā)布時間：2023-03-14 03:54:16 稿源：創(chuàng)意嶺閱讀： 140 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于如何訓練自己的ai模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、ai訓練好的模型如何保護
2、novelai怎么用
3、學習人工智能AI需要哪些知識?
4、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學探索之路？

如何訓練自己的ai模型（如何訓練自己的ai模型技術）

一、ai訓練好的模型如何保護

有兩種方式保護方式。

主動AI模型安全和被動AI模型安全，然后主動AI模型安全又分為模型的靜態(tài)防護和動態(tài)的防護，均可實施。

隨著5G以及AIOT時代的到來，未來逐漸的成為一個數(shù)據(jù)主導的時代，AI等技術型的公司，會成為新的主流，和各行各業(yè)做大跨度的融合，這種融合當然在學術以及產業(yè)中會一直的存在，并且近年來的AI一直在各個世界頂級互聯(lián)網(wǎng)大會中被頻頻的提到，現(xiàn)實中的成果也已經很多惠及到我們，如果AI在使用中出現(xiàn)了主動或者被動的安全問題，后果是不堪設想的，所以AI安全是一個持久性的，聲明周期會很長的安全需求。

二、novelai怎么用

Novelai使用方法如下：

輸入文字，在右側點擊cenerate即可生成圖像。對于圖像不滿意點擊varlations，根據(jù)輸入文本內容再次生成4個圖像。根據(jù)需求對圖片數(shù)值調整，上方輸入框點擊選擇背景顏色，生成圖片點擊畫筆按鈕繪制。再點擊Edit image，對圖片進行編輯或點Enhance付費進行編輯調整。

如何訓練自己的ai模型（如何訓練自己的ai模型技術）

Novelai詳細介紹如下：

NovelAI本來是個AI寫文章的網(wǎng)站，今年用p站上的圖訓練了二次元專屬的AI模型。相對于一些通用的AI繪畫生成器來說，novelai在二次元圖上更加的準確。所謂擴散算法，是指先將一幅畫面逐步加入噪點，一直到整個畫面都變成白噪聲，記錄這個過程，然后逆轉過來給AI學習。

AI那里看到的是一個全是噪點的畫面是如何一點點變清晰直到變成一幅畫的，AI通過學習這個逐步去噪點的過程來學會作畫。這個算法出來之后效果非常好，比以前的AI繪畫效果要好的多，突破了實用化的臨界點。

三、學習人工智能AI需要哪些知識?

需要數(shù)學基礎：高等數(shù)學，線性代數(shù)，概率論數(shù)理統(tǒng)計和隨機過程，離散數(shù)學，數(shù)值分析。數(shù)學基礎知識蘊含著處理智能問題的基本思想與方法，也是理解復雜算法的必備要素。今天的種種人工智能技術歸根到底都建立在數(shù)學模型之上，要了解人工智能，首先要掌握必備的數(shù)學基礎知識。線性代數(shù)將研究對象形式化，概率論描述統(tǒng)計規(guī)律。

需要算法的積累：人工神經網(wǎng)絡，支持向量機，遺傳算法等等算法；當然還有各個領域需要的算法，比如要讓機器人自己在位置環(huán)境導航和建圖就需要研究SLAM；總之算法很多需要時間的積累。

需要掌握至少一門編程語言，比如C語言，MATLAB之類。畢竟算法的實現(xiàn)還是要編程的；如果深入到硬件的話，一些電類基礎課必不可少。

如何訓練自己的ai模型（如何訓練自己的ai模型技術）

拓展資料：

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。

人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智能是一門極富挑戰(zhàn)性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種“復雜工作”的理解是不同的。2017年12月，人工智能入選“2017年度中國媒體十大流行語”。

參考資料：百度百科—人工智能：計算機科學的一個分支

四、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學探索之路？

導語

最先進的人工智能算法已經開始在探測星系的演化、計算量子力學波函數(shù)、探索新的化合物等領域施展拳腳。那么，還有沒有那種無法自動化而只能由科學家完成的工作？

如今的物理學和天文學實驗會產生海量的數(shù)據(jù)，已經沒有人或團隊能夠跟進所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級的規(guī)模增加，而且這個趨勢不會減弱。在二十一世紀 20 年代中期射電望遠鏡 Square Kilometer Arra 將投入使用，它每年產生的數(shù)據(jù)量和整個互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

面對數(shù)據(jù)洪流，許多科學家開始求助于人工智能。只需要少量的人工輸入，人工智能系統(tǒng)（如神經網(wǎng)絡）就能夠在數(shù)據(jù)海洋中漫游，識別異常，挖掘出人類尚未發(fā)現(xiàn)的模式。

當然，利用計算機來輔助科學研究的歷史可以追溯到約 75 年前，然而人類幾千年前就在手工調查研究數(shù)據(jù)來尋找其中的有意義的模式。但是，近期一些科學家認為以機器學習、人工智能為代表的新技術能以一種全新的模式去進行科研工作。其中一種被稱為生成模型的方法，能從對觀測數(shù)據(jù)的諸多解釋中找到最可信的理論，更為重要的是，該方法在研究中無需預先編入對于系統(tǒng)可能起作用的物理過程。其擁護者認為，生成模型的創(chuàng)新程度足可以被視為理解宇宙的潛在的“第三種方法”。

在傳統(tǒng)上，我們是通過觀測來了解自然的。回想一下，開普勒就是通過研究第谷的行星位置表，辨識潛在的行星運行模式，才得以推斷出行星是沿橢圓軌道運行的。同樣的，科學可通過模擬來獲得進步。一位天文學家可能會模擬銀河系及其鄰近的仙女座星系的運動，并預測它們將在幾十億年后碰撞。觀測和模擬都有助于科學家生成假設，然后用進一步的觀測來檢驗假設，而生成模型不同于這兩種方法。

瑞士聯(lián)邦理工學院的天文物理學家 Kevin Schawinski 也是一位生成模型的積極支持者。他認為：“ 生成模型是介于觀測和模擬之間的第三種方法， 這是解決問題的另一種方式。”

Kevin Schawinski 是一名天體物理學家，他經營著一家名為 Modulos 的人工智能公司，他認為一種名為生成模型的技術提供了第三種了解宇宙的方式。

一些科學家僅僅把生成模型及其它新技術當作傳統(tǒng)科研中的工具，但是大多數(shù)研究者都認為 AI 的影響力巨大，并且在科學研究領域會發(fā)揮越來越大的作用。費米國家加速器實驗室的天體物理學家 Brian Nord 使用人工神經網(wǎng)絡來研究宇宙。他擔心沒有什么是不能通過自動化完成的事情，“這個推測倒是有點令人恐慌。”

來自“生成”的探索

從研究生畢業(yè)時起，Schawinski 就因用數(shù)據(jù)驅動科學研究而聞名。在攻讀博士學位期間，他面對的任務是，根據(jù)星系的外觀數(shù)據(jù)對數(shù)千個星系進行分類。因為沒有什么現(xiàn)成的軟件能幫助他完成這項工作，他決定用眾包的方式完成這項工作——于是，銀河動物園（Galaxy Zoo）公民科學項目誕生了。

從 2007 年開始，普通的電腦用戶只要記錄下他們推測的星系最佳歸類，就能幫助到天文學家。通過多數(shù)票勝出來判定，通常能帶來正確的分類結果。

這是一個成功的項目，但 Schawinski 也注意到， AI 讓這個模式過時了——今天，一個具有機器學習和云計算背景的天才科學家只需要花費一個下午就能完成這個工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個強大的新工具。本質上來說，生成模型是在求解，當給定條件 X 和觀測結果 Y 時，概率 P(X,Y) 有多大。這個方法已經被證明是非常有效的。

生成模型中最為著名的就是生成對抗網(wǎng)絡（GAN）。經過充分的訓練后，GAN 模型能夠修復損壞和像素缺失的圖像，也能讓模糊的圖像變得清晰。該模型通過競爭（對抗）來學習推斷缺失的信息，這個神經網(wǎng)絡的一部分被稱作生成模型（generator）：生成虛擬的數(shù)據(jù)；另一部分被稱為判別模型（discriminator）：把生成出來的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開來。兩個部分交替訓練，逐步優(yōu)化（類似于博弈）。

或許，你已經看過最近流傳甚廣的GAN生成的假面孔。正如那個標題所言“這些人并不存在卻又真實得嚇人”。

上面看到的臉孔都不是真實的，上面的 A 列，和左側的 B 列都是由生成對抗網(wǎng)絡（GAN）使用真實的面部元素構建的。然后，GAN 將 A 中的面部的基本特征（性別，年齡和臉形）與 B 中的面部的精細特征（頭發(fā)顏色、眼睛顏色）相結合，構建出了上圖表格中的所有人臉圖像。

潛在空間

概括地說，生成模型獲得數(shù)據(jù)（大多數(shù)是圖像），并把他們分解成抽象的基本要素——科學家將其稱為數(shù)據(jù)的“潛在空間”。算法能控制潛在空間中的元素，以此來探究這些元素如何影響原始的數(shù)據(jù)。這個方法有助于揭示該系統(tǒng)運作的物理過程。

潛在空間是一個抽象的難以想象的概念。不過我們可以做一個類比：當你在試圖確定一個人臉的性別時，你的大腦可能在做什么呢？也許會注意到人的發(fā)型、鼻子的形狀，甚至在運用一些你無法用言語描述的判斷模式。同樣的，計算機程序也在數(shù)據(jù)中尋找顯著的特征。即便計算機并非不知道什么是性別，什么是小胡子，但如果我們提供給機器學習系統(tǒng)的數(shù)據(jù)集標注了“男性”和“女性”，并且一部分人還有一個標簽叫“小胡子”，計算機能快速地推斷出其中的關聯(lián)性。

生成模型與星系演化

12月發(fā)表在《天文學與天體物理學》（Astronomy & Astrophysics）上的一篇論文中，Schawinski 與他在蘇黎世聯(lián)邦理工學院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來研究星系在演化過程中所經歷的物理變化。

因為他們使用的軟件與 GAN 相似，但其在對潛在空間處理的技術與 GAN 有所差異，所以從技術角度來說這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集，去測試假設的物理過程。比如說，他們想知道恒星形成的“淬熄”（形成速率快速下降）與星系環(huán)境密度的增加之間的關系。

對 Schawinski 來說，關鍵問題是僅從數(shù)據(jù)中能挖掘出多少和恒星與星系演變相關的信息?！白屛覀兺鼌s所有的關于天體物理學的知識。僅依靠數(shù)據(jù)本身，我們能在多大程度上重新發(fā)現(xiàn)這些知識？”

首先，星系的圖片被壓縮至他們的潛在空間，然后 Schawinski 在這個空間中調整元素，使其能對應上星系的特定環(huán)境變化，比如周圍物質的密度。這樣就有了一個假設生成器。通過重構這個星系，讓大量原本處于低密度環(huán)境中的星系處于高密度環(huán)境中以此來看看帶來了什么不同。

這三位研究者注意到隨著星系從低密度環(huán)境走向高密度環(huán)境，它們的顏色會變得更紅，恒星也變得更加集中。Schawinski 指出這一點與現(xiàn)有的星系觀測相吻合，問題是，為什么會這樣？

Schawinski 說，后續(xù)的工作還沒有實現(xiàn)自動化，“人類必須參與其中，那么，什么樣的物理原理可以解釋這種效應？”對于這個過程，可能有兩種解釋，一是在高密度環(huán)境中，星系更紅是因為其中包含了更多的塵埃；或者是因為恒星的形成減少了（換句話說，恒星更老了）。

現(xiàn)在有了生成模型，這兩種思路都能接受檢驗。改變與與塵埃和恒星形成率相關的潛在空間元素，就能觀測這種改變對星系顏色的影響。Schawinski 說：“答案很顯然，星系更紅是因為恒星形成率在下降，而不是因為塵埃。因此，我們應該采納這個解釋?！?/p>

利用生成模型，天體物理學家可以研究星系如何從低密度環(huán)境走向高密度環(huán)境，以及這些變化背后的物理原理。

生成模型相較于傳統(tǒng)方式的優(yōu)勢

這種方法與傳統(tǒng)的模擬方法相近，但與之有關鍵的差別。Schawinski 表示：“模擬本質上是由假設驅動的。也就是說，我們自認為已經洞悉了觀測現(xiàn)象背后的物理法則。所以，我們把恒星形成規(guī)律、暗物質行為的原理等等這些我們自認為正確的假設放在一起，模擬運行。但是，模擬環(huán)境真的與實際情況吻合嗎？”。他用生成模型所做的事情與模擬完全相反，“我們不知道任何事情，不做任何假設，我們希望數(shù)據(jù)本身能告訴我們可能會發(fā)生什么?！?/p>

生成模型在這項研究中取得的成功并不意味著天文學家和研究者就是多余的。但這似乎提醒研究者們——僅僅掌握了大量數(shù)據(jù)的人工智能系統(tǒng)就能夠完成對天體物理學的學習。Schawinski 說：“這不是完全自動化的科學，但這意味著我們至少有能力去構建部分工具，使科學過程自動化?！?/p>

雖然生成模型非常強大，但這是否真的代表了一種新的科學研究方法還有待商榷。

對于紐約大學和 Flatiron 研究所的宇宙學家 David Hogg 來說，這項技術令人印象深刻，但充其量也只是一種從數(shù)據(jù)中提取模式特征的復雜方法——這是天文學家?guī)讉€世紀以來都在做得事情。換而言之，這是觀測、分析的高級形式。

和 Schawinski 相同，Hogg 的工作也充分應用人工智能；他一直在利用神經網(wǎng)絡來對恒星進行基于光譜特征的分類，并使用數(shù)據(jù)啟動的模型來推斷恒星的其他物理屬性。但是他認為他的工作和 Schawinski 的一樣，都是經過檢驗的科學。Hogg 表示：“我不認為這是第三種方法。只是我們這個社群在對數(shù)據(jù)處理的方法上更加復雜而已。特別的是，我們越來越善于將數(shù)據(jù)與數(shù)據(jù)進行比較。但是依我看來，我的工作仍然是在做觀測。”

人工智能：

勤奮而“難以捉摸”的科研助手

無論在概念上是否有創(chuàng)新性，人工智能和神經網(wǎng)絡已經顯然在當代天文學和物理學研究中發(fā)揮了關鍵作用。在海德堡理論研究所工作的物理學家 Kai Polsterer 領導著一個天體信息學小組，這個小組主要關注以數(shù)據(jù)為中心的天體物理學研究新方法。從星系數(shù)據(jù)集中提取紅移信息曾經是一項艱巨的任務，而現(xiàn)在他們小組使用機器學習算法就能解決這個問題。

Polsterer 認為這些基于基于人工智能的新系統(tǒng)是“勤奮的助手”，可以連續(xù)處理數(shù)據(jù)數(shù)個小時而不抱怨單調無聊，不抱怨工作條件。這些系統(tǒng)可以完成所有枯燥乏味的繁重工作，研究者就能脫身去做“又酷又有趣的科學工作”。

Polsterer 警告說，這些系統(tǒng)并不是完美的，算法只能去做他們被訓練過的事情，系統(tǒng)對輸入的數(shù)據(jù)是“無感覺的”。給 AI 系統(tǒng)一張星系圖片它可以估算其紅移和年齡，但是你給同一個系統(tǒng)一張自拍照或者一張臭魚爛蝦的照片，它也會照方抓藥估算出一個（錯誤的）年齡。Polsterer 認為，人類科學家的監(jiān)督工作非常重要。工作還是要回到研究者身上，研究者才是要負責解釋這些現(xiàn)象的人。

就這一點而言，費米實驗室的 Nord 警告道，神經網(wǎng)絡不僅要給出結果，也要給出相關的誤差線，如果在科學研究中，你做了一個測量但沒有報告相關的誤差估計，就沒有人會認真對待這個結果。

就像許多的人工智能研究員一樣，Nord 也關注神經網(wǎng)絡給出的結果的可解釋性，通常來說，一個 AI 系統(tǒng)在給出結果時無法明確地表示出這個結果是如何獲得的。

然而，并不是每個人都覺得結果不透明是一個必須關注的問題，法國CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺同樣難以捉摸，給你看一張貓的圖片，你能立刻認出這是一只貓，但是你并不知道你是怎樣做到這一點的，從這個角度上來說，人的大腦就是個黑盒。

并不僅僅是天體物理學家和宇宙物理學家在向人工智能助力、數(shù)據(jù)驅動的科學研究發(fā)展。Perimeter 理論物理研究所和安大略滑鐵盧大學的量子物理學家 Roger Melko 已經使用神經網(wǎng)絡來解決該領域中的一些最棘手最重要的問題，例如多粒子系統(tǒng)的波函數(shù)的數(shù)學表示。

因為波函數(shù)的數(shù)學形式可能會隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級增長，這被 Melko 稱為是“指數(shù)維度詛咒”，在這樣的工作中 AI 就是不可缺少的組成部分了。

這個困難類似于在國際象棋和圍棋中找到最好的走法：玩家會試圖多看一步，想想對手會出什么招，然后再選擇自己的最佳應對策略。但是隨著思考步數(shù)的增加，復雜性也大為增加。

當然， AI 已經攻克了這兩個領域。 1997 年 5 月 11 日，深藍計算機在國際象棋領域戰(zhàn)勝了人類；2017年4月10日，AlphaGo 戰(zhàn)勝了柯潔，AI 在圍棋領域戰(zhàn)勝了人類。Melko 認為，量子物理學也面臨同樣的問題。

機器的思想

無論是 Schawinski 所聲稱的他找到的是科學研究的“第三方法”，還是如 Hogg 所說的這“僅僅是傳統(tǒng)上的觀測和數(shù)據(jù)分析”。我們可以明確的是， AI 正在改變科學探索的方式并且在加速科學發(fā)現(xiàn)，值得探討的是，這場 AI 革命在科學領域能走多遠？

有時候，人們會對“人工智能科學家”的成就大肆褒獎。十年前，一個名叫亞當?shù)?AI 機器人化學家研究了面包師傅的酵母的基因組，并找出了負責制造某種特定氨基酸的是哪些基因。（亞當觀察缺少某些特定基因的酵母菌落，并與擁有這些基因的菌落的行為進行比較，由此找到差異完成研究。）

當時Wired雜志的標題是：機器人獨立完成科學發(fā)現(xiàn)。

最近，格拉斯哥大學的化學家 Lee Cronin 在使用機器人去隨機混合化學物質，由此來觀測會形成什么樣的化合物，并通過質譜儀、核磁共振機和紅外分光計實時監(jiān)控反應，這個系統(tǒng)最終能學會預測哪些組合的化學反應最為劇烈。Cronin 表示即使這個系統(tǒng)不能帶來新的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學家的研究效率提高 90%。

去年，蘇黎世聯(lián)邦理工學院的另一組科學家們在訓練神經網(wǎng)絡從數(shù)據(jù)中推導物理定律。他們的系統(tǒng)類似于“機器人開普勒”，利用從地球上觀測到的太陽和火星的位置信息，重新發(fā)現(xiàn)了日心說；并且通過觀測小球碰撞模型發(fā)現(xiàn)了動能守恒。因為物理定律通常會有多種表述形式，科學家們想知道這個系統(tǒng)能否提供種更簡潔的方法來思考已知的物理定律。

這些都是 AI 啟動、助力科學探索的例子。盡管在每一個例子中，這些新方法的革命性都會收到爭議。但在這個信息浩如煙海且高速增長的時代，最值得商榷的問題可能是：僅從數(shù)據(jù)中，我們能獲得多少信息？

在《The Book of Why: The New Science of Cause and Effect》一書中，計算機科學家 Judea Pearl 和科學作家 Dana Mackenzie 斷言到：數(shù)據(jù)“愚蠢至極”。他們寫到： 關于因果性的問題“永遠不能僅憑數(shù)據(jù)去尋找答案”。

“每當你看到以無模型的方式分析數(shù)據(jù)的論文或研究時，你可以肯定的是這項研究成果僅僅是總結，或許做了轉述，但絕對不是在解釋數(shù)據(jù)?！盨chawinski 對 Pearl 的觀點抱有同感，“只使用數(shù)據(jù)”這個想法有點類似于“稻草人”。他也從未生成以這樣的方式做因果推斷。他想說的是：“和我們通常的工作相比，我們可以用數(shù)據(jù)多做點事?！?/p>

另一個經常聽到的觀點是： 科學需要創(chuàng)造力。

可是到目前為止，我們還不知道，如何將創(chuàng)造力編入計算機。（Cronin 的機器人化學家只是在簡單地嘗試科研工作，似乎不能算是特別有創(chuàng)造力）Polsterer 認為：“創(chuàng)建一套理論，有理有據(jù)的理論，我認為需要創(chuàng)造力，而創(chuàng)造力離不開人類?！?/p>

然而，創(chuàng)造力來自何方呢？Polsterer 懷疑這和 不喜歡無聊 有關，這恐怕是機器所沒有的體驗。“要擁有創(chuàng)造力，你必須厭惡無聊，然而我認為電腦就永遠不會感受到無聊。”然而，“創(chuàng)造力”、“靈感”卻常常用來描述深藍、AlphaGo 這樣的 AI 程序。我們在描述機器的思想時的困難映射出我們在描述自己思維過程時的困難。

Schawinski 最近離開了學術界，去了私人企業(yè)。他現(xiàn)在經營著一家名為 Modulos 的初創(chuàng)公司，該公司雇傭了許多聯(lián)邦理工學院的科學家。根據(jù)該公司的網(wǎng)站介紹，該公司位于“人工智能和機器學習這股風潮的風眼中”。無論當前人工智能技術和成熟的人工智能之間存在多大的差距，他和其他專家都認為機器已經準備好了去完成更多的科學家的工作。不過，AI 的局限性還有待考證。

Schawinski 暢想道：“在可以預見的未來，有沒有可能去制造出一臺能過發(fā)現(xiàn)物理定律、數(shù)學原理的機器，甚至超越當今最聰明的人類的能力極限？科學的未來終將被人力所不能及的機器所掌握么？這是一個好問題，但我不知道答案?！?/p>

推薦閱讀

Nature機器智能：破解因果推斷難題

物理學家要失業(yè)？機器學習能自學量子力學！

做科研做到絕望是一種什么樣的體驗？

科研投入越來越多，重大成果的產出卻越來越少？

要不要加入我們？一起影響世界！

集智俱樂部QQ群｜877391004

商務合作及投稿轉載｜swarma@swarma.org

搜索公眾號：集智俱樂部

加入“沒有圍墻的研究所”

讓蘋果砸得更猛烈些吧！