的人工智能与生活.docx
《的人工智能与生活.docx》由会员分享，可在线阅读，更多相关《的人工智能与生活.docx（10页珍藏版）》请在冰豆网上搜索。
的人工智能与生活
2030年的人工智能与生活
请输入标题人工智能斯坦福大学报告重磅|斯坦福人工智能百年研究首份报告：
2030年的人工智能与生活2016-09-11机器之心硅谷创业者联盟硅谷创业者联盟转自机器之心（公众号：
almosthuman2014）本文节选自斯坦福大学「人工智能百年研究」的首份报告：
《2030年的人工智能与生活》，这篇报告是计划持续至少100年的研究系列中的第一篇。
该报告描述了目前人工智能相关技术、法律以及道德上的挑战，并对产业界、学界、政界三方人士提供了人工智能技术、应用、政策上的指导与建议。
请点击「阅读原文」下载完整版中文报告。
全文目录:
序言概述第一部分：
人工智能是什么？
定义人工智能人工智能研究趋势第二部分：
人工智能应用领域交通家庭/服务机器人医疗教育低资源社区公共安全与防护就业与劳资娱乐第三部分：
人工智能公共政策的预期与建议如今与未来的人工智能政策附录：
人工智能历史简述
序言
2014年秋季，人工智能百年研究（OneHundredYearStudy）项目启动，这是一项对人工智能领域及其对人类、社区、社会影响的长期学术研究。
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（StandingCommittee）组建了一个研究小组（StudyPanel）来每五年评估一次人工智能所处的状态——这是本项目的核心活动。
本研究小组要回顾从上次报告到现在这段时间人工智能的进展，展望未来潜在的进展并且描述这些进展对于技术、社会的挑战与机遇，涉及的领域包括：
道德伦理、经济以及与人类认知兼容的系统设计等等。
「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。
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，并任命了得克萨斯大学奥斯汀分校的教授PeterStone担任该小组的主席。
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。
参与者代表着不同的专业、地区、性别以及职业阶段。
常务委员会广泛讨论了StudyPanel相应的责任，包括人工智能最近的发展与在工作、环境、运输、公共安全、医疗、社区参与以及政府的潜在社会影响。
委员会考虑多种聚焦研究的方式，包括调查子领域及其状态、研究特定的技术（例如机器学习与自然语言处理）以及研究特定的应用领域（例如医疗与运输运输）。
委员会最终选择了「2030年的人工智能与生活（AIandLifein2030）」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。
第一部分：
什么是人工智能？
本节介绍了研究人员和从业者如何定义「人工智能」以及目前正在蓬勃发展的人工智能研究和应用领域。
它提出了人工智能是什么和不是什么的定义，并介绍了一些当前人工智能研究的「热点」领域。
本节为第二部分的内容奠定了基础，第二部分阐述了人工智能在八个领域和在第三部分中的影响与未来，第三部分介绍了涉及人工智能设计和公共政策的问题，并提出在保护民主价值的同时如何鼓励人工智能创新的建议。
1.定义人工智能奇怪的是，人工智能缺乏一个精确的、被普遍接受的定义，这或许有助于该领域的加速成长、繁荣以及前进。
虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个「与它相处」的命令所引导，人工智能的定义仍然很重要，而NilsJ.Nilsson就提供了一个有用的定义：
「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。
电子计算器智能吗？
像Nilsson一样，研究小组以一种宽泛的视角来看待此问题，认为智力取决于一个多维频谱。
根据这一观点，算术计算器和人脑之间的区别不是某一类，而是规模、速度、自主性和通用性的区别。
同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。
虽然我们的宽泛解释把计算器列在了智能频谱中，但是如此简单的设备与今天的人工智能相比几乎没有相似之处。
从这个角度看，对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能提供合成软件和硬件的信用。
一个简单的电子计算器比人脑计算快得多而且几乎从不出错。
人工智能的边界已经远远走在前面，而计算器可以实现的功能只是当下的智能手机的百万分之一。
目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。
事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。
具有讽刺意味的是，人工智能正在遭受失去话语权的长期灾难，最终不可避免地会被拉到边界内，即一个被称为「人工智能效应（AIeffect）」或「奇怪悖论（oddparadox）」的重复模式——人工智能将一种新技术带到了普通大众中去，人们习惯了这种技术，它便不再被认为是人工智能，然后更新的技术出现了。
同样的模式将在未来继续下去。
人工智能并没有「交付」一个惊雷般改变生活的产品。
相反人工智能技术以一个连续的、进步的方式正在继续更好的发展。
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。
几个因素加速了人工智能革命。
其中最重要的是机器学习的成熟，部分由云计算资源和广泛普及的、基于Web的数据收集所支持。
机器学习已经被「深度学习（deeplearning）」急剧地向前推进了，后者是一种利用被称作反向传播的方法所训练的适应性人工神经网络的一种形式。
信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步，比如感觉、感知和目标识别。
数据驱动型产品的新平台和新市场，以及发现新产品和新市场的经济激励机制，也都促进了人工智能驱动型技术的问世。
所有这些趋势都推动着下文中所描述的「热门」研究领域。
这种编辑只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。
它们不一定比其他领域更重要或更有价值。
事实上目前的一些「热门」领域在过去几年中并不怎么流行，而其他领域可能在未来会以类似的方式重新出现。
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。
机器人至少在静态环境中，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。
众包专注于设计出创新的方式来利用人类智力。
Citizen科学平台激发志愿者去解决科学问题，而诸如亚马逊的MechanicalTurk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。
算法博弈理论与（基于）计算机（统计技术的）社会选择包括激励结构、人工智能的经济和社会计算维度吸引到了新的关注。
自20世纪80年代初以来，分布式人工智能和多代理（multi-agent）系统就已经被研究了，于20世纪90年代末开始有显著起色，并由互联网所加速。
一个自然的要求是系统能够处理潜在的不恰当激励，包括自己所感兴趣的人类参加者或公司，以及自动化的、基于人工智能的、代表它们的代理。
备受关注的主题包括计算机制设计（computationalmechanismdesign）（一种激励设计的经济理论，它寻求激励兼容的系统，其中输入会被如实报告）、（基于）计算机（统计技术的）社会选择（computationalsocialchoice）（一种有关如何为替代品排列顺序的理论）、激励对齐信息获取（incentivealignedinformationelicitation）（预测市场、评分规则、同行预测）和算法博弈理论（algorithmicgametheory）（市场、网络游戏和室内游戏的平衡，比如poker——它在近几年通过抽象技术和无遗憾学习（no-regretlearning）已经取得了显著的进步）。
物联网（IoT）越来越多的研究机构致力于这样一个想法：
一系列设备可以相互连接以收集和分享它们的感官信息。
这些设备可以包括家电、汽车、建筑、相机和其他东西。
虽然这就是一个技术和无线网络连接设备的问题，人工智能可以为了智能的、有用的目的去处理和使用所产生的大量数据。
目前这些设备使用的是令人眼花缭乱的各种不兼容的通信协议。
人工智能可以帮助克服这个「巴别塔」。
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（neuromorphic）」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。
总体趋势以及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（Planning）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。
基于模型的方法——比如视觉方面基于物理的方法和机器人技术中的传统控制与制图——已经有很大一部分让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法。
即使最近非常受欢迎的贝叶斯推理和图形模式似乎也正在失宠，被数据和深度学习显著成果的洪流所淹没。
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。
此外在考虑社会和经济维度的人工智能时，物联网型的系统——设备和云——正变得越来越受欢迎。
在未来的几年中，对人类安全的、新的感知/目标识别能力和机器人平台将会增加，以及数据驱动型产品数量与其市场规模将会变大。
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。
第二部分：
人工智能在各领域的应用
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（domain），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。
智能汽车交通规划即时交通人机交互2.家庭服务机器人过去十五年中，机器人已经进入了人们的家庭。
但应用种类的增长慢得让人失望，与此同时，日益复杂的人工智能也被部署到了已有的应用之中。
人工智能的进步常常从机械的革新中获取灵感，而这反过来又带来了新的人工智能技术。
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。
真空吸尘器家庭机器人2030
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。
至于其他领域，数据是一个关键点。
在从个人监护设备和手机App上、临床电子数据记录上收集有用的数据方面，我们已经取得了巨大的进展，从协助医疗流程和医院运行的机器人那里收集的数据可能较少一些。
但使用这些数据帮助个体病人和群体病人进行更精细的针对和治疗已经被证明极其的困难。
研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。
在这样大型的、复杂的系统中，贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实现。
减少或者移除这些障碍，结合目前的创新，有潜力在接下来几年为千百万人极大的改进健康结果和生活质量。
临床应用医疗分析医疗机器人移动健康老年看护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MITMediaLab所研制出的LegoMindstorms。
智能辅导系统（ITS）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。
教育机器人智能辅导系统（ITS）与线上学习学习分析挑战和机遇更广大的社会成果自广大人民难以获得教育的国家，如果这些群体有可以获取在线教育的工具，那么在线资源将会产生重要的积极影响。
在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。
比如说，针对iPad开发出了大量的、且大部分免费的教育应用。
在消极的一面，现在学生已有把自己的社会接触限制在电子设备上的趋势了，他们在网络程序的互动上花费了大量时间，却没有进行社会接触。
如果教育也越来越多地通过网络进行，那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢？
特定的技术已经表明这会产生在神经方面的影响。
另一方面，自闭症儿童已经开始从与人工智能系统的互动中受益了。
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。
在人工智能的数据收集过程中并没有对这个人群的显著关注，而且传统上人工智能资助者在缺乏商业应用的研究中表现得投资乏力。
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。
与大多数问题一样，好处与风险并存。
获得公众信任是至关重要的。
虽然会存在一些合理的担心，即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在，而相反的情况也是可能的。
人工智能可能使警务变得更有针对性并只在需要时被使用。
而且假设经过仔细的部署，人工智能也可能有助于消除一些人类决策中固有的偏见。
对于人工智能分析学更成功的一个应用是检测白领犯罪，比如信用卡诈骗罪。
网络安全（包括垃圾邮件）是一个被广泛关注的问题，而机器学习也对其有所影响。
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（包括技能需求的改变）提供见解。
到目前为止，数字技术已经给中等技能的工作（比如旅行代理）带来了更大的影响，而不是非常低技能或非常高技能的工作。
另一方面，数字系统所能完成的任务的范围正随着人工智能的演进而提升，这很可能会逐渐增大所谓的「例行任务」的范围。
人工智能也正向高端的领域蔓延，包括一些机器之前无法执行的专业服务。
为了获得成功，人工智能创新将需要克服可以理解的人们对被边缘化的恐惧。
在短期内，人工智能很有可能会取代任务，而非工作，同时还将会创造新类型的工作。
但新类型的工作比将可能失去的已有工作更难以想象。
就业领域的变化通常是渐进的，不会出现剧烈的过渡。
随着人工智能进入工作场所，这很有可能是一个持续的趋势。
影响的范围也将扩大，从少量的替代或增强到
升级会员 