這一輪 AI 浪潮基本已經走完了技術革命的“上半場”，正式進入拼落地、拼應用的“下半場”。
很多人可能對“下半場”這一論斷感到困惑。ChatGPT 剛剛實現了對話機器人的史詩級飛躍，整個 AI 界正處于百花齊放、百家爭鳴的爆發期，將現在定義為“下半場”是否言之過早？
回看半年前紅極一時的 ChatGPT 橫空出世，讓人們看到通用 AGI 的曙光，AI 從業者們振臂高呼，“大模型將滲透到生活的各個角落，帶來工業革命級別的革新”。
然而，現實還是給了人們當頭一棒。ChatGPT 增長下滑，曾經的網紅獨角獸 Jasper 被曝裁員自救……年初至今，除微軟的 Office 集成 CoPilot，New Being 升級了問答功能，以及谷歌等巨頭運用大模型對原有業務進行升級以外，似乎鮮有新的超級應用出現。
我們不禁反思，ChatGPT 到底是不是工業革命級別的革新？大模型現在正處于什么樣的階段，未來的路將怎么走？大模型企業如何構建自己的壁壘？Agent 和多模態是靠譜的方向嗎？巨頭紛紛下場后，AI 創業公司該如何定義新商業模式殺出一條血路？
這些問題的答案，或許可以從出門問問創始人兼 CEO 李志飛最近的思考中找到。“其實這一次大模型的創業，和上一代有很多相似性。我們需要的是全球視野下的創新。”歷經十年 AI 創業，探索過 AI 算法、智能硬件、企業服務、SaaS 等商業模式的李志飛坦言。
9 月 17 日，在南京人工智能大會，李志飛發表題為《大模型的下半場：Agent、多模態、ToPC/ToSMB 商業模式》的主旨演講。
具體內容如下：
01.
大模型的上半場：海外極速開卷 國內「百模大戰」
如何定義大模型的“上半場”和“下半場”？
所謂上半場，聚焦“認知層”，是從去年 ChatGPT 發布至今，大眾對于大模型的認知——包括它的優缺點、擅長以及不擅長的，有哪些玩家以及何種商業模式，都越來越清晰的階段。而此刻開始的下半場，聚焦“應用層”，是真正比拼技術落地、決定勝負的戰場。開始討論“下半場”之前，不妨先回顧一番大模型“上半場”的歷程，以此更好地判斷大模型的當下和未來。2020 年 6 月，GPT-3 發布。在 GPT-3 之前，所有人工智能技術都是專用系統，模型不通用，而作為一個單一模型，GPT-3 讓我們看到了通用語言智能的可能性，這是 NLP 幾十年發展以來大家一直在追求，卻始終無法實現的理想。2022 年 11 月，ChatGPT問世，迅速在全球掀起了通用人工智能熱浪。ChatGPT 在理論上與 GPT-3 并無區別，它把普通人無法使用的大語言模型，變成了一個讓普羅大眾零距離接觸的通用 AI 應用，也可以理解為它對 GPT-3 做了一個 Alignment。OpenAI 將 GPT-3 模型與人類聊天習慣進行了對齊，普通用戶在使用中不再需要 Few Shot——每次問它一個問題，還需要舉幾個例子，比如問 GPT-3 數學問題之前，先要告訴它 “1 + 1 = 2”，再問它“5 + 8”等于多少，它才能回答。很顯然，這樣的操作方式只有硅谷的極客才能用，普通人不可能使用這樣的系統。所以 ChatGPT 做的一個事情就是把 Few shot（小樣本）變成 Zero shot（零樣本），你可以直接問它 5+8 等于多少，而不用舉例子。通過 Supervised Fine-tuning（監督微調），ChatGPT 讓大語言模型以極快的速度從硅谷極客的圈子進入到了大眾的生活當中。
2023年3 月，GPT-4 推出，微軟 AI 科學家團隊發表名為《AGI 的火花：GPT-4 的早期試驗》的論文，通過 GPT-4 在數學、編程、視覺、醫學、法律、心理學等領域復雜任務中的優秀表現， 展示 GPT-4 迸發出堪比人類的智能的水平。同時 GPT-4 也開發了多模態，但也只是曇花一現，并沒有持續掀起太多的水花。隨后，AutoGPT 的出現點燃了無數人對大模型落地各行業的熱情。AutoGPT 由 GPT-4 驅動，是一個自主規劃、自主推理、自主執行任務的系統，在收到用戶任務指令后，可以自主使用第三方工具、思考，并操作電腦。AutoGPT 實現了“行動→觀察結果→思考→決定下一步行動”這條路徑的打通以及循環，是第一款基于大模型的 Agent 產品。2023年7月，谷歌發布RT-2——將大模型在互聯網上學到的知識，遷移到機械臂。如同 GPT-3 讓我們看到了通用語言智能的希望一樣，RT-2 讓我們看到了通用機器人的可能性。隨著大模型“上半場”的技術拼殺，在全球共識極速達成的半年之際，海內外的巨頭們演繹著一系列里程碑事件。去年底，OpenAI 和微軟一拍即合，出盡風頭，成為科技界最火熱的“CP”。而攜手 OpenAI 的微軟也突然如煥發青春一般，展現出空前的創新活力，頗有一番王者歸來的氣勢。不過長遠來看，OpenAI 和微軟的未來依然存在很大變數，甚至已有“貌合神離”的裂痕「初現」。與此同時，昔日 AI王者 Google 在 OpenAI 和微軟的聯合攻勢下，一度潰不成軍。直到最近 Google 似乎重新找到了一點“感覺”，無論是團隊建設還是大模型的落地，都有了一些不錯的起色。Meta 帶著出其不意洗牌巨頭格局。Meta 是一家非常具有創業精神，極能吸引優秀人才的公司。雖然小扎為元宇宙豪擲 300 億美元差點淪為笑柄，但 All in LLaMA 扛起開源大旗之后，收獲了不少好評。隨后，中國大模型接力，幾個月內認知不斷被踏平，幾乎瞬間，“百模大戰”席卷而來。但一切似乎都是熟悉的配方，熟悉的味道——上一波 AI 、自動駕駛，芯片的老故事，又重新被講述著。
02.
上半場的共識與非共識：規模、開源、通用
OpenAI 的成功本質上是一場非共識的勝利。
2017 年，谷歌推出 Transformer，僅采用 Attention 機制進行機器翻譯任務。自此，大模型的發展大致走上了兩條路，BERT和GPT，而 OpenAI 選擇了一條“少有人走的路”，恰恰是這種非共識性的選擇突破了 Scaling Law，引領了當下的大模型盛世。
GPT 從非共識到共識的歷程，正是人類創新史的縮影。回顧人類科技史，從地心說到萬有引力，從蒸汽機到電力革命，人類的科技進步始終在非共識與共識中間螺旋上升。大模型也不例外，在 GPT-3 第一次向人們展示了大模型帶來的超越文本生成本身的能力后，GPT 模型是通用人工智能最佳路徑的共識便在 AI 界迅速達成。大數據、大算力、大算法也被業界奉為圭臬，“力大磚飛”似乎成為了唯一真理。那么，在今天的大模型語境下，規模到底重不重要？選擇開源還是閉源？是不是一定要做通用大模型？超大模型 VS 大模型
根據大模型的參數規模，我們可以將模型分成兩大類，一類是萬億級別的超大模型，一類是數百億級別的普通大模型。超大模型的使命是探索能力天花板，普通大模型更重要的使命是承載落地。今天有一種氛圍，似乎大家都沉浸于對“暴力”的崇拜，不斷堆疊算力、無限擴大參數規模似乎成了通往 AGI 唯一選擇。GPT-3是“暴力美學”的勝利，在中國我可能是最早提出來的，但是“暴力”本身并不值得崇拜，我們更應該研究“美學”，而非“暴力”。一旦陷入“暴力”的邏輯，我們很容易將所有希望都寄托在模型的參數規模上，不斷堅定規模可以解決所有問題的信仰。基于 Scaling Law ，這種觀點不無道理，但是萬億級以及更大參數規模的模型，其意義更多在于探索智能的天花板，而非實用。因為訓練這種模型耗費的資源、花費的時間巨大，絕大部分企業都無法承受。而且，模型的規模越大，智力越強，在某些領域的幻覺也會越嚴重。所以在應用層，百億或者數百億參數級別的普通大模型反而更適用。開源 VS 閉源
很多 OpenAI 的粉絲說，閉源的 OpenAI 一定會碾壓所有人，遙遙領先。實際上，開源的 LLaMA 正在快速追趕。正如谷歌泄露出來的內部信中提到的，大模型技術本身并沒有壁壘，開源總有一天會迎頭趕上。未來，開源一定會與閉源并存，甚至分庭抗禮，這是關于大模型發展趨勢的另一個基本認知。有人會說開源也沒有商業模式，開源是否可以持續呢？小公司開源的目的可能未必清晰，但像 Meta 這樣的公司開源是有道理的，它在元宇宙都能虧 300 億美金，那它一年虧 10 億美金做一個開源模型 LLaMA，這種「為愛發電」是可持續的。就像以前谷歌開源安卓系統，就是在下一盤「目光長遠」的棋。然而，中國在業內存在一種怪象，感覺基于開源迭代很丟臉一樣，一定要從頭開始自己搞。這其實不盡然，全世界在科技層面是一個協作體，基于開源并不丟臉，關鍵是要建立比較好的認知，開源不意味著就沒有任何壁壘，關鍵是要找到自己的定位。無論是開源還是閉源，對大模型來說，在能力層面沒有絕對的區別。因為基于開源模型也需要做預訓練、強化學習、Inference優化、清洗數據等，它只是降低了冷啟動的門檻。如果真的想要做出一個性能達到業界領先水平的模型以及應用，還是需要花很多精力。通用大模型VS垂直大模型
大模型要找到自己的核心定位，要明確通用大模型與垂直大模型的區別。早在今年 2 月，包括我自己在內，對通用大模型非常著迷。然而，在很多情況下，通用大模型并不一定是唯一的解決方案，尤其在 ToB 應用中，需要根據具體情況進行選擇。比如，要做一個芯片設計的應用，那么這個模型應該專注于回答與芯片設計相關的問題，沒必要回答一些諸如明星八卦之類的無意義問題。也就是說，泛娛樂的ToC 場景更適合通用模型；而行業 ToB 更適合垂直，但要深度可靠。另外一個觀點是，不會有垂直行業的大模型。行業范圍太寬泛，比如金融行業，它包括人力資源、財務、法務等各種不同的工種。從目前來看，大模型很難跨工種應用，因為每個工種都有自己的流程和知識。
03.
算力、數據、算法，誰是真正的競爭壁壘？
無論是萬億參數規模的超大模型，還是數百億參數級別的普通大模型，閉源模型或開源模型，任何大模型的研發、訓練都要依靠算力、數據、算法。大模型競爭壁壘，自然也需要從這三要素入手構建。
首先，算力是一種消耗品，本身不構成壁壘。如果我們與 OpenAI 的人溝通，問他們到底有什么秘方，為什么做得這么好？他會告訴你，“我們就是規模大”。但絕大部分公司在“暴力美學”上走不下去，因為如果一味靠暴力，一年可能需要至少 10 億美金的算力投入。算力的壁壘，本質上是錢的壁壘。消耗掉的算力就像燃燒掉的燃料一樣，算力用完了，就相當于把錢花完了。像有的創業公司比誰卡用的最多，這是一件笑談。那是不是意味著你什么也不懂，就只能燒卡？所以，關于算力大家要理性，單純比拼 GPU 的數量沒有任何意義，要想清楚在消耗掉海量的算力之后，自己能沉淀出什么。尤其是創業企業、中小型企業更不要想著自建算力中心，這個完全是頭腦發熱，怎么可能在計算利用率上面超過云巨頭？要知道除了足夠多的 GPU 之外，算力中心的計算利用率同樣非常重要。我記得某云巨頭的人講過，1000 張 H800 能做到 60% 以上的計算利用率，其背后有著龐大的團隊持續優化操作系統、網絡、數據傳輸等，中小企業難以望其項背。那么模型的算法是否能夠成為企業的護城河呢？答案是不能，需要說明的是算法本身的壁壘沒有大家想象那么高。雖然長期來看，GPT 用非共識選擇走出了一條獨特的道路，但是當下大模型的算法架構已經基本固定，短期不會有什么變化，很難再有大的突破。最底層是 Transformer 的模型結構，中間層是 Decoder Only 的多層神經網絡 GPT，最后是基于 Next Token Prediction 的目標函數。不過，長期來說量變引起質變，新架構超越現有架構是大概率會發生的事件。在大模型的三要素中，大家都知道數據非常重要，是最有可能成為壁壘的。但需要強調的是，大家都容易獲取的數據不是壁壘。比如，互聯網上爬來的數據，開源社區公開的數據集，大家都能夠獲得并且應用到訓練中，這種數據無法成為壁壘。只有用戶在自己產品中交互沉淀的數據才是壁壘，構建數據飛輪很難，但一旦建立將是比模型和算力更靠譜的壁壘。
04.
ChatGPT真的是工業革命級別的革新嗎？
ChatGPT 無疑是一款商業奇跡般的產品，僅用兩個月便收獲了超過 1 億的用戶。它用簡單的對話窗口，讓大眾體驗到了大模型的神奇能力，讓 AI 從業者高呼，“大模型將滲透到生活的各個角落，帶來工業革命級別的革新”。然而此刻反思，這是真的嗎？不可否認，ChatGPT 的確讓我們看到了通用 AGI 的曙光。但是如果將它定義為一場“技術革命”，它就必須要革新各行各業。如果 ChatGPT 始終是一個純文本的應用，或者它始終無法解決高度幻覺的問題，它便只能應用于非嚴肅的內容創作或者娛樂領域。那么，它很有可能成為本世紀最大的科技泡沫。而能否革新各行各業，多模態和 Agent 是否靠譜決定了這場革命的真實性。
05.
Agent ，全村的希望？
想要革新千行百業，大模型就必須落地到具體場景，而 CoPilot/Agent 是大模型應用到企業場景的唯一之路。Agent 指的是能自主理解、規劃決策、執行復雜任務的智能體。說到 Agent，大家一定會想到 AutoGPT，AutoGPT 最大的特點在于它能全自動地分解任務指令并自主執行，中間環節不需要用戶參與——作為一個 AI，它居然有了自主規劃的能力！AutoGPT 的自主規劃能力打破了我們對以往 AI 的認知，如果說 ChatGPT 是服從用戶指令，用戶讓它干什么它就干什么，那么 AutoGPT 就是“自己覺得應該干什么就干什么”，它就像是一個遇到不懂的問題能自行百度的人類。而能夠培養一個具有自主規劃、預測能力的模型，使其能夠端到端地完成整個任務，這可能是整個計算機領域或人工智能領域的至高理想。要實現 Agent 并非朝夕之事。Agent 的成功依賴于 LLM 可靠的規劃和推理能力，以及 LLM 對環境的動態適應能力。Agent 由大模型驅動，而大模型的規劃能力不夠強，還亟待提升。持續與環境交互是 Agent 另外一個非常重要的環節，Agent 需要能夠根據環境的反饋不斷調整規劃，進而更好的完成任務。ChatGPT 這類模型和物理世界沒有任何交互，而現實世界的環境很復雜，與文本世界或者說虛擬世界有著本質區別，我們所謂的應用場景也是一種環境，如果沒有環境的動態學習能力，Agent 很難成功。因此，如何與環境交互是發展 Agent 必須要解決的問題。目前，這個問題還沒有成熟的解決方案，與環境交互并不能像大模型一樣建立一個 Transformer + GPT + Next Token 的簡單架構。Agent 現在還處于山頂洞人的階段，仍然有很長的路要走。可以想象一下，我們是從山頂洞人時代進入城市生活，讓今天的我們面前有一個電子屏幕，大家圍坐在一起聽我演講。協作是文明的底層邏輯。人類之所以能夠建立輝煌的現代文明，根本原因是人類能夠進行大規模的社會分工和團隊協作，如果多 Agent 能夠取得成功，將會超越人類所有的想象。06.
多模態，是C位，不是花瓶
Agent 的輸入、輸出都依賴于多模態，沒有多模態，就沒有 Agent。多模態是一種 Grounding，可以讓語言構建的虛擬世界和物理世界連接起來，它也是接地氣的有效途徑，可以降低大語言模型的幻覺。跨模態的泛化和知識遷移可能是大模型對 AGI 最大的貢獻。未來，純文本的大模型也許不再是主角，加上多模態的大模型才是主角。大語言模型不只是一個語言模型，更是一個認知模型，是智能的核心和基礎。有了好的認知模型，只要加入少量數據就能有視覺、聽覺、動作等多模態能力。比如 RT-2，基于LLM的多模態為我們打開了一扇新天窗。今年7月，谷歌推出 RT-2——將模型裝進了機械臂。當它收到“將滅絕的動物拿起來”的指令之后，它可以觀察并理解到恐龍是滅絕的動物這類二級推理的問題，使之可以輕松地將恐龍模型夾起來。有了基于 LLM 的認知后，機械臂實現“夾起恐龍”反而是最輕松的事情。
07.
巨頭共識內卷之下，創業公司還能怎么玩？
雖然，現在 ChatGPT 是否真的是工業革命級別的革新還尚未可知。但是，大模型是不能錯過的商業機會，已經成為了巨頭們乃至整個科技圈的共識。海內外巨頭們紛紛下場，不惜成本投入大量資源，確保自己不會在這場 AI 浪潮中掉隊。這種情況下，創業公司還能怎么玩？如何才能挖掘出自己的生存空間？雖然創業公司也可以選擇做通用大模型，但將模型和應用垂直整合可能是更適合創業公司的路徑。眾所周知，純應用沒有壁壘，純模型沒有商業模式，或者說商業模式會很短。如果能夠將應用和模型結合起來形成數據飛輪，對創業公司來說更加靠譜。但是，要做應用和模型的垂直整合模式，作為創業公司必須要回答“為什么一定要有自己的大模型”這個問題，是因為擁有自己的大模型之后能夠有效降低推理成本，還是因為數據隱私必須要本地部署？是特殊 API 的調用需求，還是發展多模態模型的需要？自研大模型，一定是為了解決切實問題，而不是隨波逐流，別人都在做所以我也要做。比如，Character.AI 構建自己大模型的理由就很充分，因為調用 OpenAI、谷歌等模型的 API 無法滿足其用戶的娛樂化需求。在商業模式選擇上，按照過去的習慣，以客戶的體量可以將商業模式分為四類：ToC，面向普通消費者；ToPC (Professional Consumer)，面向專業個人；ToSMB (Small and Middle Business)，面向中小企業；ToB，面向企業大客戶。以前互聯網公司一般都是 ToC，通過應用搶占用戶的注意力，獲取海量流量后利用廣告變現，羊毛出在豬身上；而傳統 AI 公司主要 ToB，以 Case by Case 的定制化項目服務大客戶，在這種模式下很多公司逐漸蛻變成了系統集成商（SI），最終淪為虧錢的高級人力外包。在大模型的加持下， AIGC 展現出了強大的通用性，擁有良好的用戶體驗。因此，大模型創業公司擁有了調整自己商業策略的可能性，即可采用 ToPC 或者 ToSMB 的商業模式。這種商業模式的好處在于，一方面可以避免跟巨頭競爭，另外一方面能夠避免上一代 AI 公司做B端項目，持續虧錢的狀態。但 ToPC 也并非是無腦操作，在精準定位客戶群體的基礎上，還需要客單價足夠平民化（年千元或萬元級別），產品體驗足夠閉環簡單，真正為用戶提升效率或創收。
08.
出門問問定位：應用和大模型的垂直整合
從 2020 年發布第一支 AIGC 產品「魔音工坊」至今，出門問問持續優化多模態大模型、拓展 AIGC 商業化布局，將 AI 聲音、AI 寫作、AI 作圖、數字人等一站式 AIGC 產品矩陣打磨至極致，不斷重塑內容創作者的工作流。這支科比視頻，是一個人借助出門問問的 AIGC 產品矩陣，僅用幾個小時輕松創作的 AIGC 系列作品，而對創作者來說，這在半年前還是難以想象的事情。半年后的今天，隨著大模型進入“下半場”，百模大戰之后的落地應用也在持續加速、遍地開花，未來的各種模態融合演進、滿目琳瑯。出門問問已有清晰的定位，將應用與大模型垂直整合，踐行 ToPC/ToSMB 的商業模式——面向 PC 用戶打造 All-In-One 的 AIGC 產品矩陣，面向 SMB 客戶打造優質的 CoPilot 應用。在模型層面，出門問問重點探索多模態和可學習 Agent 的大模型。多模態的實現是一個循序漸進的過程，先用文本建立認知，然后加入語音、Vision、3D Motion 等。在這種路徑下，因新模態加入而增加的數據或參數都比較小，不會對訓練造成太大的壓力。多模態、可學習 Agent 的大模型，其優點在于，它可以將從虛擬世界學習到的知識遷移到物理世界，為我們打開廣闊的想象空間。如果一個 Agent 在虛擬世界環境中能夠完成各種復雜的動作，我們便可以將這些知識遷移到物理世界，驅動具有實體的機器人在現實世界中執行各種任務。我們希望將每一種探索都打造成普通人能夠真正使用的產品，而不只是一個開源的 PaaS，或是可以 ToB 定制的系統。我們希望讓更多消費者成為創作者，讓更多人借助AI來拓展智慧、知識和想象力的邊界。作為國內起步最早的 AIGC 公司之一，出門問問早在 2020 年開始大模型的研發和 AIGC 的應用布局。「魔音工坊」是我們在AI聲音領域打造的第一款 AIGC產品。大眾在抖音、快手等各大音視頻平臺的解說類視頻中經常聽到的聲音，大部分皆由「魔音工坊」生成。此外，「魔音工坊」還覆蓋了有聲書、在線教育、有聲電臺、新聞播報、體育賽事等諸多領域。目前「魔音工坊」（海外版dubdup）已在全球范圍內獲超百萬量級用戶，為海內外創作者帶來了快樂、高效和成就。「魔音工坊」的聲音商店擁有 1000 余款的 AI 聲音風格，支持 37 種語言、15 種方言，用戶可以隨心創作。企業版支持多人多端協同，極大提升創作效率。其中“聲音版的word編輯器”是「魔音工坊」獨家首創的特色功能之一，可以實現如同用 word 編輯文字一樣編輯聲音。為什么要推出這一功能？因為 AI 再精準，在聲音生成方面也無法做到絕對精準，比如多音字、重讀、連讀很容易出錯；或在配音中，我們希望對話在磁性男聲和溫柔女聲之間自如切換，此時的語音算法很難靈活應對，而有了編輯器之后，只需通過簡單的操作便能一鍵調整為我們想要的形態。結合底層大模型之后，「魔音工坊」（海外版DupDub）還支持寫文案、配圖等，它已經從之前單一的配音產品變成了集文案、配音、剪輯等全流程于一體的一站式 AI 創作應用。基于大模型的多模態為我們打開了一扇新天窗——「魔音工坊」擁有“捏聲音”的能力。只要對「魔音工坊」輕松描述一下“我想要一個什么樣的聲音”，它就可以直接生成出來。甚至給它一個 3 秒的音頻，然后跟它說“請按這個風格為文字配音”，它即刻生成風格一致的音頻結果。比如給它一個 3 秒哭腔的音頻，它立刻就能學會，這就是大模型的 Zero shot。這一功能極大降低了聲音制作的門檻，即將在「魔音工坊」上線。面向創作者的數字影像領域，出門問問推出數字人平臺「奇妙元」。「奇妙元」擁有 100 余款數字人、1000 余款 3D 數字資產及 1000 余種聲音。憑借多模態生成技術，「奇妙元」同時支持圖片建模（2D數字人）、視頻建模（2.5D數字人)、3D建模 （3D數字人）三種不同形式的數字人生成。其中，圖片建模的 2D 數字人生成，用戶只需要「一張照片」即可生成自己的專屬數字人；視頻建模的 2.5D 數字人僅需一段5分鐘的真人視頻，即可 1:1 復刻用戶的形象神態，為用戶打造聲音一致、動作自然的數字人分身。從 3D 到 2D，從專業創作者到普通大眾，「奇妙元」不斷降低用戶創作門檻，推動數字人走向平民化。目前，出門問問AIGC 產品累計服務的用戶量已超 1000 萬，注冊用戶量超 600萬，其中付費的用戶量 40 萬。據灼識咨詢報告，出門問問是亞洲起步最早、收入規模最大專注于生成式 AI 的人工智能公司。同時，出門問問也在積極布局AIGC的全球化。我們堅信這項技術的革命性力量，也認為 AIGC 并非終局目的，對“人機”互相成就的踐行才是更核心的目標。大模型下半場，應用層成為兵家必爭之地，如何在應用層的“逐鹿之戰”中脫穎而出，值得我們思考。
本站僅提供存儲服務，所有內容均由用戶發布，如發現有害或侵權內容，請
點擊舉報。
