5月16日，在备受关注的OpenAI和Google大战话题下，我们邀请到了潞晨科技创始人尤洋、Zilliz技术合伙人栾小凡、51CTO内容中心主编薛彦泽、硅星人/品玩创始人兼CEO骆轶航、硅星人/品玩内容中心负责人王兆洋作为嘉宾，分享他们的观点和新的见解。
我们思考和探讨了几个问题：
从技术工程和产品开发的视角出发，在资源有限的情况下，如何巧妙地训练出高效能的动态模型？
OpenAI是一家人工智能研究实验室，致力于推动人工智能技术的发展和应用。他们在多个领域进行了重要的工作，包括自然语言处理、计算机视觉、强化学习等。
OpenAI的工作对整个行业产生了深远的影响。首先，他们的研究成果推动了人工智能技术的进步，为其他研究机构和企业提供了重要的参考和借鉴。其次，OpenAI的开源项目和工具使得人工智能技术更加普及和可访问，促进了技术的快速传播和应用。此外，OpenAI还致力于推动人工智能的安全性和道德性研究，提出了一系列重要的原则和指导方针，对整个行业的发展起到了积极的引领作用。
这些技术进步对多模态融合模型的成熟度产生了重要的影响。多模态融合模型是指将多种不同类型的数据（如图像、文本、语音等）进行整合和处理，以提取更全面、准确的信息。随着技术的进步，多模态融合模型的性能和效果得到了显著提升。
这些技术进步可能对特定行业和应用场景，尤其是中国市场带来深远的变革。例如，在智能交通领域，多模态融合模型可以结合图像、视频和传感器数据，实现更精准的交通监控和管理。在医疗健康领域，多模态融合模型可以整合医学影像、病历数据和生物传感器数据，辅助医生进行诊断和治疗决策。在智能家居领域，多模态融合模型可以结合语音、图像和传感器数据，实现更智能、便捷的家居控制和管理。
总之，多模态融合模型的成熟度的提升将为各行各业带来更多的机遇和挑战，尤其是在中国市场。通过充分利用多种数据类型的信息，多模态融合模型有望推动各行业的创新和发展，为人们的生活和工作带来更多的便利和效益。
在硬件制造这一中国的传统优势领域，人工智能（AI）技术的最新动态如何为我们带来新的增长机遇？
01
在GPT-4o发布之后，人们对于其影响的评价出现了两种截然不同的观点：“Her的降临”和“雕花的胜利”。
尤洋：首先，工程化和产品化是非常重要的。GPT-4o在这方面的努力对于长期从事人工智能的公司的商业化至关重要，甚至可能成为超级公司的关键因素。最终的目标是将这种人工智能产品标准化，并将其嵌入到生活环境中，以实现知识产权的应用。
骆轶航: 大家实际上也注意到的一个事情，之前当sora刚出来的时候，大家非常关心其商业化的可能性。但到目前为止，sora已经启动了一些特别小规模的、特邀制的商业化内测。但我们看这次GPT-4o发布的版本，它的第一步是免费的。那么，从这个角度来看，尤老师怎么看？
尤洋：sora之所以不能直接像GPT-4o一样免费去使用主要有两个原因。首先，sora的成本非常高昂。其次，视频大模型对GPU基础设施的要求非常高，导致用户交互性差。然而，GPT-4o的表现非常流畅丝滑，显然他们已经对模型进行了精简，并且其底层基础设施本身就非常强大。从成本和用户体验的角度来看，GPT-4o是非常出色的。
栾小凡:这一次我认为真正的突破在于，它真正实现了端到端（从数据输入到结果输出）的处理，我认为这个模型的能力在接下来的一段时间内将会大幅提升。这与之前特斯拉的完全自动驾驶（FSD）升级非常相似。从scaling law的角度来说，用于训练的数据量和可以处理的信息量，实际上都比之前增加了很多，只要我们的算力和推理层面能够跟上。
我觉得对整个行业或者对应用的开发者来说，可能现在已经到了可以真正做出优质应用的阶段，至少底层基础设施的响应能力已经具备了。
骆轶航:如果我们谈论特斯拉最近的全自动驾驶（FSD）更新，它在很大程度上也是一种工程上的革新。这次更新不仅涉及到软件和算法的改进，还包括了内部组织结构的重大变革，为了推动这一变革而进行了大量的工作。
另一方面，它实际上也证实了scaling law的某些内容，比如在处理训练数据量方面的方法，以及通过训练这些数据来产生结果的能力，包括推理过程。它就像一个领导者。
薛彦泽: 我认为可以说，从另一个角度来看，无论是对用户还是对企业的使用，OpenAI的发展可以说是迈出了一小步。然而，在OpenAI奥特曼看来，这实际上并不算什么。OpenAI现在似乎已经从市场中学到了一些东西，奥特曼在最近的一次采访中表示：“我们学到的一点是，我们应该放慢步伐，采取更小的迭代步骤。”
因此GPT-5可能已经完成了，但正在等待一个合适的时机发布。
骆轶航: 根据奥特曼最近公开的一些表达，可以看出他们可能会对策略进行一些调整。在当前阶段，他们可能认为采取小幅快速前进、小步迭代的方式更容易被大家接受，就像开发一个产品一样。但这并不意味着他们的步伐真的放慢了。GPT在去年3月份发布时，实际上至少在2022年的7-8月份就已经准备好了。
此外，许多人可能也知道，ChatGPT在2022年11月30日发布的原因可能是为了应对不久前发生的团队成员离职事件的影响。我认为他们在把握时机方面做得非常出色，包括在Google之前一天举办发布会，并与Gemini 1.0版本在同一天发布。
的确它是有这样的一种可能，这个并不意味着进展放缓了，只是我先给你展示我目前想要展示的内容，我认为这是一种可能性。
薛彦泽: OpenAI目前是希望通过这种小规模的迭代策略，来观察市场对发布产品的反应。
骆轶航: 关于AI产品化的问题，我们应该如何去理解它，以及如何看待它与用户之间的关系？
它融合了多种不同的媒体形式，包括视频、图像、声音和语音，并将它们与文本文字结合在一起，形成了一种多模态的融合形式。从Gemini推出时起，它就自称为一个融合模型，旨在将不同媒体元素融合在一起。这一融合模型在ChatGPT中扮演着非常重要的角色。
王兆洋:我对Google I/O大会中关于openAI的表现印象深刻。当时我想说，虽然Google I/O大会没有明确提到openAI，但是openAI的身影无处不在。我对它在节奏上的把握印象深刻，它像是一个灵活的游击战士，与庞大的Google公司形成了鲜明对比。Google知道OpenAI正在开发多模态技术，但同时也强调自己是原生多模态的。
我昨天与Google的首席技术官（CTO）进行了交流，他一直在强调一个观点，似乎表现出一种争夺正统地位的感觉。但是Google似乎还没有确定何时会展示他们的成果。
骆轶航：那你有没有发现OpenAI从来没有争过正统？我们注定要成为正统。
王兆洋：对，它并没有明确强调自己是多模态的，但是它展示给你的内容让你意识到当你理解用户并开始使用时，它就具备了多模态的特性。因此，我认为整个Google I/O大会基本上是在OpenAI的ChatGPT全新的阴影下进行的。
他们尝试给出了一些回应，比如Extra。我们现场有机会体验了Extra。现场展示的是一个动态识别的能力，效果可以说是不太稳定。实际上这个产品还没有完全推出。我觉得这个就是处处都是在做对比和回应的。
02
OpenAI团队都做了哪些工作？
OpenAI团队致力于推动人工智能的研究和发展。他们的工作包括但不限于：开发和改进机器学习算法、设计和训练深度神经网络模型、探索自然语言处理和计算机视觉等领域的技术、开展大规模数据集的收集和标注、开发智能机器人和自主驾驶系统等。他们还积极参与学术界的合作和知识共享，推动人工智能技术的开放和透明。
尤洋: 我感觉他们在努力提升模型的性能，同时保持精度和用户体验。他们可能采用了更大规模的数据集来训练一个更高效的模型，但并非简单的蒸馏过程。在基础设施方面，OpenAI已经达到了很高的水平，近年来没有太多实质性的创新。不过，如果有新的创新，我最近看到的架构设计还挺有趣的。
王兆洋: Google的I/O是在OpenAI之后发生的，OpenAI并没有对这个技术做太多解释。但是Google可能觉得，如果你是在别人后面发布的，你在出来讲的时候，会尝试表达你认为对方做的技术你也有。我觉得Google可能已经意识到了对方在模型小参数上的突破，Google实际上强调了蒸馏技术，即如何将大模型变得更小。但他们不会在大型会议上明确说出来。
然而在小型会议上，他们想要强调的往往是他们认为在当前竞争中比较重要的点。他们还强调了自己是正统的原生多模态的，他们认为原生多模态是将所有不同模态的数据都用同一种计算机理解的同一种token来处理。
不同模态的数据，比如文本、图像等，都用同一种方式处理，使用同一种token，然后让计算机去处理，可以让数据规模做得更大，或者说涵盖的不同模态更多，整体的多样性也更好，这可能是他们的一个优势。
不同类型的数据，例如文本、图像等，都采用相同的处理方式，使用相同的标记，然后交由计算机进行处理，这样可以扩大数据规模，涵盖更多不同类型的数据，从而提高整体的多样性，这可能是它们的一个优势。
栾小凡: 这次发布的一个比较小的一个细节，我觉得他可能是尝试把多模态里面的像音频和文本的tokenization某种程度上有一个统一。这样整个的信息密度可能就更高了，推理速度可能也会更快。
关于对向量数据库的影响，如果我们真的能在未来实现多模态的融合，那么tokenization可能会成为一个整体的体系。这样一来，embedding的生成可能会包括多模态数据和文本数据的组合，例如图片数据加上音频数据。整个搜索场景和使用范围将更加广泛，具有更大的想象空间。
我个人觉得大模型不仅仅是一个推理的工具，它还具备记忆的能力。推理能力的重要性可能超过了它能够记住多少东西的能力，但记忆在长期来看仍然是一个持续存在的要素。
03
从Google I/O和OpenAI的最新更新中获得的启示
薛彦泽：OpenAI可能唯一的挑战就是现在ChatGPT的用户数量有多少。奥特曼的目标是将全人类都能使用的AI变成一种服务或产品，只要能让更多的人发挥出其价值，就会去实现这个目标。
正如GPT-4o所展示的，语音互动非常流畅，而且声音传达出了人类的情感。然而，谷歌与之不同，尽管CEO皮查伊认识到AI必须进行革新，但在如何追赶OpenAI这个问题上他感到困惑，因此最终选择了另一条路线：既然在通用模型上追不上OpenAI，那就将AI技术融入到各个业务中。
谷歌唯一的优势仍然是数据。之前谷歌积累了大量的公共领域数据。现在谷歌可以利用人工智能的能力，使每个人都能够使用人工智能，并积累更多私有领域的数据。
骆轶航 OpenAI将ChatGPT视为一种创新产品，他们迅速将工程、训练、推理和模型迭代的实践整合到了这个产品中。与此相比，Google的做法有些分散，他们急于展示他们的基座模型，并将其融入多个产品中以展示他们的AI实力，通过优化旧产品来适应新模型。
这种策略对比引人深思。
我们推送的文章里用了一张头图，那个头图是兆洋拍的，他抓拍了奥特曼走向后台，戴密斯·哈萨比斯走向前台的一张照片。我们使用的头图上展示了Google deepmind的两个标志，同时有两个人在台上。他现在不认为自己是Googler，而是认为自己是一个Geminier。
我们推送的文章里用了一张头图，那个头图是兆洋拍摄的，他抓拍了奥特曼走向后台，戴密斯·哈萨比斯走向前台的一张照片。我们使用的头图上展示了Google deepmind的两个标志，同时有两个人在台上。他现在不认为自己是Google员工，而是认为自己是一个Geminier。
这个就很有意思，你一边说自己是个双子座的人，一边在使用这个基座模型，你还可以进行很多更新和改进。
王兆洋: 有人建议将其改名为Gemini I/O。
骆轶航: 我认为这个概念类似于Gemini I/O。在进行这种操作时，通常会强调将新技术应用到旧产品中，以提升其性能和功能。
如果我们将其投射到国内，也是我们所看到的两种不同的产品思路：一种是利用最新的技术来创造全新的产品，另一种是利用最新的技术来改进现有的产品。
首先讨论第一类情况，即将人工智能快速产品化。最近人们经常讨论的是，目前大家在选择卷token的价格，另一方面还在选择卷API的价格。云服务商在某种程度上也在降低服务价格，这可能是因为作为上市公司，他们面临的压力较大，可能不能无限制地降价，但目前看来，这两方面的趋势非常明显。如果在工程方面或其他方面没有重大更新，并且产品无法实现本质提升，就可能出现这种价格竞争的状况。
04
在多模态融合模型成熟的基础上，如何快速将其转化为更易用的产品，并实现产品与技术的无缝结合？
薛彦泽:目前我可能更倾向于基于人工智能（AI）技术的产品，而不是纯粹的AI应用。
首先，我们看到目前代理的概念非常热门，但当我们真正与这些专家接触并询问他们的看法时，他们最终的关注点在于开发机器人，即具身智能领域。如果仅仅讨论这个概念，他们似乎也无法给出明确答案，因此不如将其转化为具体场景。
第二点是，我最近在研究奥特曼的想法，他认为最好的产品是将GPT作为一种工具、服务或产品来使用，让其他人基于此构建他们认为酷炫的应用产品。现有的互联网产品已相当成熟，需要的是利用人工智能创造新想法。云服务商虽然有开发AgentBuilder等工具，虽然很酷，但目前缺乏大规模成功案例。
骆轶航：这个现象也很有趣，在硅谷，声称自己从事人工智能工作的人并不是很多。在这个环境中，OpenAI一直在密切关注大家，人们实际上会变得更加谦虚。他们可能不会总是声称自己正在开发智能代理，而是可能会说他们正在为智能家居提供人工智能能力服务，或者他们可能正在提供跨不同设备和系统的文档整理和时间表整理服务，但他们说自己在做copilot。
他们没有意识到自己有能力去完成这样的任务，两方的心态可能也存在差异。我对此并不确定。
栾小凡: 我与薛老师的看法心路历程正好相反。到了现在这个时间点，在OpenAI所搭建的平台上与OpenAI竞争是非常困难的。但我认为是否有可能通过新的硬件和新的交互方式诞生一些新的产品。未来我们的玩法可能不再局限于移动互联网或Web应用，而可能是可穿戴式设备或纯硬件产品。我认为这是一个机会，特别是如果交互方式真的像GPT-4o展示的那样令人惊叹，那么这个机会可能确实存在。
05
如何跟进开发基座模型的进展？
尤洋:我感觉在开源领域，很快就能达到LLamMA 4000亿参数的水平。如果这个水平与OpenAI的差距不大，大家都可以在此部署上进行开发，那么应用开发者的门槛可能不会那么高。我们现在并不知道OpenAI是否真的遇到瓶颈，还是他们想控制公关节奏，毕竟奥特曼被称为PR大师。
骆轶航: 据我们了解，这样一个会议实际上是由背后参与具体筹办的人组织的，即那些每天都投入精力筹备这个会议的人。内部参与筹备的人数大约有1000人。然而，令人惊讶的是，OpenAI基本上只有20个人就能够成功地完成这件事。
紧接着在接下来的一天，我们就看到了火山在北京举办的如此盛大的发布会，会场里挤满了观众。
未来我们是否可以采用另一种方式？
我再提出一个观点，即我们通过40这种免费的模式，我之所以一开始就提到免费这个问题，是因为无论是卷价格还是免费，都意味着你的产品或服务提供给他人使用的成本是比较低的，或者需要付出的代价是较小的。如果产品或服务足够有价值，或多或少应该收取一些费用。
另外一种情况是，有些人可能愿意接受体验稍差的产品，4o最大特点，至少目前表现出来的是尽管语音功能尚未可用，但其速度比3.5版本还要快。然而，有时准确度可能不是那么高。人们可能会认为这是否是一个瓶颈。当然，如果他们真的认为这不是一个瓶颈，而是故意表现出弱点，那这件事就太狡猾了，但我们不知道真相。
这件事至少体现了一点，即我有一些更新，至少在融合模态方面、在工程上，以及在训练一个小模型上，我取得了一些进展，我迅速将其发布出来，让人们能够感知并使用它，实际上对产品本身是有好处的。
国内目前流行的一个讨论是，创业公司应该专注于商业模式还是产品开发？
如果一个公司既从事模型设计又从事产品制造，那么它是否仍然存在？
产品的能力是紧密结合在模型上的，这两者实际上是密不可分的。
在人工智能时代，产品经理实际上会更频繁地思考与技术相关的问题。在移动互联网的后半场，产品和技术之间的界限和结合逐渐形成。但现在到了模型时代，可以说模型和产品是密不可分的。这是我从这次两家公司的发布会中感受到和体会到的。
06
模型与产品之间的关系的对立是否真的存在？基座模型是否还有做产品的空间？
是否真的存在模型与产品之间的对立关系？基座模型是否还有可以用来制作产品的机会？
王兆洋: 还有一个角度可能大家都没有提到，就是这一次这两家公司的产品和能力的展示背后，都有一个传言或者说一个大的背景，即谁能与苹果达成接下来的合作。
我认为这也有点像产品在寻找超级应用，或者说真正让所有人都使用一个基于人工智能能力的产品。
在这个阶段，ChatGPT的用户数量增长受到了限制。我认为，一个很好的方向是开发一款下一代产品，它比现在拥有大量用户的语音助手更强大，并且没有任何延迟。
很难想象，如果4o产品真的像展示的那样，并且真的应用到iPhone上，那将是一个令人担忧的事情。刚才提到的免费，我也有一个想法，现在大家看手机，其实它提供的是计算能力，然后被ChatGPT这类AI应用所付费使用，我们付费的也是计算能力，那如果免费意味着如果这个东西都用上了手机，免费不是指软件的免费，而是我只需要为计算能力付一次费用，即购买硬件的费用。因为它可能上了一部分是所谓的端侧计算。那收费方式可能也是一个新的变化。
如果是这样一个思路的话，我觉得有点像是在向Apple展示。在逻辑上，无论是模型厂商还是应用厂商，他们的思路可能真的是将目前已经做得足够好的东西，如何快速地展示出来。
07
硬件制造领域可能带来的机遇
骆轶航: 在产品尚未完善的情况下，为了让更多人能够使用这项技术，就需要利用其他方法。当技术还没有达到理想状态时，就会出现所谓的中美AI差距拉大的讨论。但实际上，并不是中美之间的AI差距在扩大，而是所有人与OpenAI之间的差距在扩大。
如果你不是OpenAI，你无法真正实现技术上的突破，就可能需要借助其他手段来实现目标。目前，与苹果合作的传言中最有可能的合作方又是OpenAI，这使得情况变得非常复杂。
实际上，你需要考虑的是如何借助一个场景，利用其他手段降低门槛。而大家能想到的有趣场景可能就是硬件。那么，如何更好地利用这些硬件是一个问题。目前看来，只有OpenAI实现了技术、产品和用户的完美契合。并且他们在市场上的表现也非常出色。但其他公司似乎还没有起飞，这是一个目前比较突出的问题。
尤洋：我认为如果最终人工智能在面向TOC（Theory of Constraints）的领域中有几个超级应用程序让大家受益，这实际上能够促进企业进行更多的大规模模型部署。另外，未来我们对长序列推理预测的需求是真实的，即长序列推理训练的准确性和效率，这是一个技术问题，但它是真实地能够让用户直接感受到产品上的差异。
我认为，只要解决好算力问题，中国仍然具有一定的竞争优势。
骆轶航: 我认为在探讨产品和技术问题时，我们需要将中国与世界其他地区分开来考虑，因为我们有自己独特的基座模型。我们的基座模型在一个不完全没有干扰的环境中进步的速度并不是很快，对吧？实际上在这个领域中，模型本身的优化以及产品方面可能还存在一些问题。
08
OpenAI和Google相当于是在闭源的基础上各自向前迈进了一步，这一次更新在开源领域有什么不同，如何跟进？
尤洋-潞晨科技创始人:个人感觉，开源领域的发展可能暂时还需要关注Facebook的动态，Facebook的400亿参数模型尚未发布。如果该模型发布，可能会使大家感觉开源技术又向前迈进了一步。目前，我们处于观望阶段。目前使用开源技术的人们的业务需求是可以被满足的。即使是不使用国外的技术，仅仅使用国内的开源模型，对于当前这个阶段的应用场景来说，已经足够用了。
观众提问：
模型能否无限地增大？算力优化的极限边界在何处？
栾小凡-Zilliz技术合伙人：根据黄仁勋对NVIDIA的规划来看，未来十年内算力应该提升一万倍。如果我们的软件也能在未来的时间里至少提升十倍或者一百倍，我认为我们的想象空间还是非常巨大的。目前最大的制约因素是数据，因此关键问题是我们能够找到多少训练数据。我也非常赞同未来的想象空间是谁能合成出这个更好的数据，用户数据这边我觉得大家其实都到头了。
市场的困惑：全新的技术创新还是已有技术的新表现形式？
栾小凡: 早在1920年，人们就开始讨论人工智能（AI）技术，但当时技术还不够成熟，其效果与传统方法相近，无法达到实际应用的水平。我认为AI技术的发展是一个逐渐积累量变到质变的过程。当GPT 3.5推出时，有人认为它已经足够先进，但在深入使用后发现其推理能力不足。GPT-4o更新后，也有类似的看法。虽然技术本身并没有太多新意，但每次的进步都可能带来新的思路，就像闯关游戏一样，每上一个新的台阶就可能解锁新的想法。
制造业可以应用人工智能技术吗？
骆轶航: 制造业的许多方面已经在应用人工智能（AI）技术。包括在流程管理上，制造业应该是比较迅速地采用AI技术的行业之一。如果我们再结合刚才讨论的具身机器人和属于流程管理的低层次工作，我认为现在应该已经有很多应用了。
从另一个角度来看，即机器人的角度，从某种意义上说，实际上背后使用的是一个庞大的语言模型或者多模态模型进行交互，实际上能够执行各种任务。
栾小凡：人工智能在工业界的应用实际上相当广泛。举一个特别有趣的例子，我最近与一些芯片制造公司合作，他们在芯片上寻找一些问题，例如芯片上的缺陷，这可能会导致整个芯片的最终性能不佳。他们实际上使用基于模型的视觉解决方案来识别这些缺陷，效果相当出色。
第二类是关于序列数据的应用，这不仅仅是指我们今天讨论的文本数据。前段时间Google发布的关于DNA序列检测的研究，序列的处理实际上与自然语言处理（NLP）非常相似，它涉及将DNA序列分解成单个的氨基酸，这些我们称之为DNA序列的基本单位。再去预测这些基本单位之间的关系。这包括序列数据的持续分析，并预测一些异常信息，例如预测骨骼问题。
目前，这类应用可能不需要特别庞大的模型，许多问题在传统的生产领域中已经可以通过现有的技术非常好地解决。
目前，是否正在考虑合成数据对未来产品设计和技术路线选择的影响？
王兆洋：比较重要的变化在于数据量的增加，而数据量增加的一个来源可能是通过合成数据生成。AI领域是希望降低整个训练过程的成本。如果未来数据构成中合成数据的比例逐渐增加，这将对产品开发或整个研发层面的成本降低产生影响。
尤洋:我认为主要是在技术路线上，可能会进行一些配合性的工作。这件事情最极端的情况是模型能够直接放入一张卡内，即模型小型化以便集成，但我们拥有的数据量很大，我们的目标是尽可能增大模型规模。随着数据量的增加，每次迭代所需的循环次数就会减少，假定计算资源固定。本质上，这涉及到大批量优化，其核心是加速模型的收敛过程。未来可能会在这一方向上有更多的发展。
09
总结：
骆轶航：
首先，我们从工程和法律的角度探讨了人工智能（AI）技术的发展速度及其重要性。我们讨论了如何在较小的模型上进行更有效的训练，以及OpenAI在这方面的一些做法。
第二，我们进一步讨论了OpenAI的工作速度、工作方式和工作方法，以及这可能带来的影响。
第三，我们花了一些时间讨论了多模态融合模型的成熟可能对行业和特定场景产生的影响，尤其是针对中国的具体场景。我们讨论了在硬件制造方面擅长的领域可能带来的机遇，例如智能制造、物联网等。
我们还讨论了开源模型如何跟进，以及如果开源模型能够跟进，可能会有更多的人能够使用相关产品的可能性。这可能对中国的基座模型有所启发，看看谁能在这方面做得更出色。
我们表面上在讨论OpenAI和Google的最新动作及其相互关系，但实际上我们更关心的是对于我们每一个人，尤其是在国内或在其他开源模型公司从事AI技术研究和开发的人，我们能够立即跟进什么，我们不能做什么，这是我们当前语境下几乎每次讨论都会面临的问题。
我认为未来的每一次讨论，我们可能都会面临这样的问题，这些问题必须与我们所处的实际情境相结合，这样的讨论才能够产生实际效果，对大家有所帮助。
