誰(shuí)能做出中國(guó)版ChatGPT？怎么做？

機(jī)器之心轉(zhuǎn)載

作者：符堯

單位：University of Edinburgh & Allen Institute for AI

聯(lián)系方式：yao.fu@ed.ac.uk

在 2022 年一整年，本文作者符堯追蹤了從 GPT-3 到 GPT-3.5 的全部版本迭代（參見(jiàn)《ChatGPT 的各項(xiàng)超能力從哪兒來(lái)？萬(wàn)字拆解追溯技術(shù)路線圖來(lái)了！》），親眼看到它一步步地從弱到強(qiáng)不斷演化。在過(guò)去的一個(gè)月，他又走訪了國(guó)內(nèi)各大高校、研究院、大廠、創(chuàng)業(yè)公司、風(fēng)投，將一些新的想法濃縮在這篇文章里。

2022 年 12 月，ChatGPT 橫空出世。OpenAI 用一個(gè)核彈級(jí)的成果改變了科學(xué)研究和工程應(yīng)用的范式。在中國(guó)，ChatGPT 受到了廣泛的關(guān)注與深刻的討論。在過(guò)去的一個(gè)月里，我走訪各大高校，研究院，大廠，創(chuàng)業(yè)公司，風(fēng)投；從北京到上海到杭州到深圳，跟所有頭部的玩家們?nèi)苛牧艘槐椤he Game of Scale 在中國(guó)已然拉開(kāi)，風(fēng)暴中心的玩家們，在已知國(guó)內(nèi)技術(shù)和生態(tài)與世界前沿的巨大鴻溝下，如何做成這件事？誰(shuí)能做成這件事？

秦失其鹿，天下共逐之。 ——— 《史記?淮陰侯列傳》

目錄

一、三種不同的答案

我每接觸到一個(gè)創(chuàng)業(yè)公司，都會(huì)問(wèn)同一個(gè)問(wèn)題：“ChatGPT 在那里，你們想做什么？” 我大概能收到三種不同的答案。第一個(gè)答案很明確，要做中國(guó)的 ChatGPT。

1.1 做中國(guó)的 ChatGPT

因?yàn)樗驮谀抢?，所以想要?fù)現(xiàn)，想要國(guó)產(chǎn)化。這是很經(jīng)典的產(chǎn)品導(dǎo)向中文互聯(lián)網(wǎng)思維。這種思路也是過(guò)去二十年，中文互聯(lián)網(wǎng)常見(jiàn)的商業(yè)模式：首先硅谷做出來(lái)一個(gè)東西，然后我們把它抄過(guò)來(lái)。

但這里的問(wèn)題是，首先，ChatGPT 可不像打車(chē)軟件，復(fù)現(xiàn)難度完全不可同日而語(yǔ)。光從人的角度看，GPT 的產(chǎn)生，是這個(gè)世界上最頂尖的科學(xué)家和工程師們從 2015 年開(kāi)始就不斷研究的結(jié)果。OpenAI 的首席科學(xué)家， Ilya Sutskever[1]，深刻地相信 AGI 一定能實(shí)現(xiàn)。作為圖靈獎(jiǎng)得主 Geoffery Hinton 的大弟子，從 2007 年就開(kāi)始研究深度學(xué)習(xí)。他的 citation 有 37 萬(wàn)，發(fā)過(guò)的文章精準(zhǔn)踩中了過(guò)去十年 Deep Learning 的所有關(guān)鍵節(jié)點(diǎn)。即使是如此強(qiáng)大的團(tuán)隊(duì)，從 GPT 2 到 GPT 3.5 也花了四年的時(shí)間，它的科學(xué)與工程的難度可想而知。

同時(shí)，初代 ChatGPT，是 OpenAI 在 GPT 3.5 的基礎(chǔ)模型上，花了兩星期時(shí)間對(duì)著 dialog 做 finetuning 之后隨手扔出來(lái)的 demo。這里真正強(qiáng)的并不是 ChatGPT 這一個(gè)產(chǎn)品，而是底下的 GPT 3.5 基礎(chǔ)模型。這個(gè)模型還在不斷地演化，GPT 3.5 系列在 2022 年更新了三個(gè)大版本[2]，每個(gè)大版本都顯著強(qiáng)于前一個(gè)版本；同樣地，ChatGPT 發(fā)布兩個(gè)月一共更新了四個(gè)小版本[3]，每個(gè)小版本都在單個(gè)的維度上比前一個(gè)版本有著明顯的改進(jìn)。OpenAI 的所有模型都在持續(xù)不斷的演化，隨時(shí)間推移越來(lái)越強(qiáng)。

這也就意味著，如果只盯著當(dāng)前 ChatGPT 這一個(gè)產(chǎn)品看，無(wú)異于刻舟求劍。當(dāng) ChatGPT 出現(xiàn)的時(shí)候，它對(duì)已有的語(yǔ)音助手們形成了降維打擊；如果看不到基礎(chǔ)模型的演化，即使花個(gè)一兩年辛辛苦苦做出一個(gè)類(lèi)似的東西，那時(shí)候 OpenAI 的基礎(chǔ)模型也在繼續(xù)變強(qiáng)，如果他們接著產(chǎn)品化，以新的更強(qiáng)的基礎(chǔ)模型 finetune 到一個(gè)更強(qiáng)的產(chǎn)品，難道要再被降維打擊一次嗎？

刻舟求劍的做法是行不通的。

1.2 做中國(guó)的 OpenAI

第二種答案是，要做中國(guó)的 OpenAI。給出這個(gè)答案的玩家，跳出了經(jīng)典中文互聯(lián)網(wǎng)產(chǎn)品思維。他們不止看到單個(gè)產(chǎn)品，而且還看到了這個(gè)產(chǎn)品背后，基礎(chǔ)模型不斷演化的強(qiáng)大驅(qū)動(dòng)力，來(lái)源于尖端人才的密度和先進(jìn)的組織架構(gòu)。

尖端人才的密度：不是一個(gè)人集資源帶隊(duì)然后把任務(wù)按層級(jí)打包分配給底下的人，而是一群頂級(jí)的集 science 和 engineering 于一身的人們共同協(xié)作。先進(jìn)的組織架構(gòu)：Language 團(tuán)隊(duì)與 Alignment 的團(tuán)隊(duì)相互合作迭代，然后底下 scaling 團(tuán)隊(duì)和 data 團(tuán)隊(duì)幫忙提供基礎(chǔ)設(shè)施，每個(gè) team 都非常小，但目標(biāo)明確路徑清晰，高度集中資源，朝著 AGI 進(jìn)發(fā)

所以，如果要做這件事情，不只要看到產(chǎn)品，還要看到它背后的人才團(tuán)隊(duì)和組織架構(gòu)；按稀缺程度排名的話，人 >> 卡 >> 錢(qián)。

但這里的問(wèn)題是，不同的土壤對(duì)創(chuàng)新的鼓勵(lì)程度是不一樣的。在 OpenAI 剛創(chuàng)立的 2015 年，它的投資者們都相信 AGI ，即使當(dāng)時(shí)看不到什么盈利的點(diǎn)?，F(xiàn)在 GPT 做出來(lái)了，國(guó)內(nèi)的投資者們也都信了 AGI，但相信的點(diǎn)或許也不一樣：到底是信 AGI 能掙錢(qián)，還是信 AGI 能推動(dòng)人類(lèi)發(fā)展？

更進(jìn)一步地，即使 OpenAI 就產(chǎn)生在這里，明天就出現(xiàn)，但他們跟微軟達(dá)成的 deal，能否跟國(guó)內(nèi)的云計(jì)算廠商達(dá)成呢？大模型的訓(xùn)練和推理都需要極大的成本，需要一個(gè)云計(jì)算引擎作為支撐。微軟可以?xún)A盡所有，讓整個(gè) Azure 給 OpenAI 打下手[4]，這個(gè)換到國(guó)內(nèi)，阿里云有可能給一個(gè)創(chuàng)業(yè)公司打下手嗎？

組織架構(gòu)很重要，只有尖端的人才和先進(jìn)的組織架構(gòu)才能推動(dòng)智能的不斷迭代與進(jìn)化；但它同樣需要跟所在的土壤做適配，尋找可以 flourish 的方法。

1.3 探索智能的極限

第三種答案是，要探索智能的極限。這是我聽(tīng)到的最好的答案。它遠(yuǎn)超刻舟求劍式的經(jīng)典互聯(lián)網(wǎng)產(chǎn)品思維，也看到了組織架構(gòu)和尖端人才密度的重要性，并且更重要地是它看到了未來(lái)，看到了模型演化與產(chǎn)品迭代，思考著如何把最深刻，最困難的問(wèn)題用最創(chuàng)新的方法來(lái)解決。

這就涉及到了思考大模型的極限思維。

二、極限思維

觀察現(xiàn)在的 ChatGPT / GPT-3.5 ，它明顯是一個(gè)中間狀態(tài)，它還有很多顯著可以加強(qiáng)，并且馬上就能加強(qiáng)的點(diǎn)，包括：

更長(zhǎng)的輸入框：開(kāi)始的時(shí)候，GPT 3.5 的上下文最長(zhǎng)到八千個(gè) token；現(xiàn)在的 ChatGPT 上下文建模的長(zhǎng)度似乎已經(jīng)過(guò)萬(wàn)。并且這個(gè)長(zhǎng)度明顯可以接著增長(zhǎng)，在融入 efficient attention[5] 和 recursive encoding[6] 的方法之后，context length 應(yīng)該可以接著 scale 到十萬(wàn)，甚至百萬(wàn)的長(zhǎng)度更大的模型，更大的數(shù)據(jù)：模型的大小還沒(méi)有到極限，MoE 可以接著把模型 scale 到 T 的量級(jí)[7]；數(shù)據(jù)的大小還沒(méi)有到極限，人類(lèi)反饋的數(shù)據(jù)每天都在增長(zhǎng)多模態(tài)：在增加了多模態(tài)數(shù)據(jù)（音頻，圖片），特別是視頻數(shù)據(jù)之后，總體與訓(xùn)練數(shù)據(jù)的大小可以再增大兩個(gè)量級(jí)，這個(gè)可以讓已知的能力接著按 scaling law 線性增加，同時(shí)還有可能繼續(xù)出現(xiàn)新的涌現(xiàn)能力。比如可能模型在看過(guò)各種幾何形狀的圖片，以及看過(guò)代數(shù)題之后，或許會(huì)自動(dòng)學(xué)會(huì)做解析幾何。專(zhuān)業(yè)化：現(xiàn)有的模型在文科上大概相當(dāng)于研究生水平，但在理科上相當(dāng)于高中或大一大二的學(xué)生水平；已有的工作已經(jīng)證明我們可以把模型的技能點(diǎn)從一個(gè)方向挪到另一個(gè)方向，這就意味著即使不做任何 scaling，我們依然可以在通過(guò)犧牲其他方面能力的情況下，把模型朝著目標(biāo)方向推進(jìn)。比如犧牲掉模型的理科能力，把它的文科能力從研究生推到專(zhuān)家教授的水準(zhǔn)。

以上四點(diǎn)只是現(xiàn)階段可以看到的，馬上就可以加強(qiáng)但暫時(shí)還沒(méi)有加強(qiáng)的點(diǎn)，隨著時(shí)間的推移和模型的演化，會(huì)有更多可以被 scale 的維度進(jìn)一步體現(xiàn)出來(lái)。這意味著我們需要有極限的思維，思考當(dāng)我們把能夠拉滿的維度全部拉滿的時(shí)候，模型會(huì)是什么樣子。

2.1 能夠拉滿全部拉滿

模型的輸入框可以接著加長(zhǎng)，模型的大小可以繼續(xù)增大，模型的數(shù)據(jù)可以繼續(xù)增多，多模態(tài)的數(shù)據(jù)可以融合，模型的專(zhuān)業(yè)化程度可以繼續(xù)增高，所有這些維度可以繼續(xù)往上拉，模型還沒(méi)有到極限。極限是一個(gè)過(guò)程，在這個(gè)過(guò)程中模型的能力會(huì)怎樣發(fā)展呢？

Log-linear 曲線：一部分能力的增長(zhǎng)會(huì)遵循 log-linear 的曲線[8]，比如說(shuō)某項(xiàng)任務(wù)的 finetuning。隨著 finetune 數(shù)據(jù)的指數(shù)增長(zhǎng)，模型所對(duì)應(yīng)的 finetune 的任務(wù)的能力會(huì)線性增長(zhǎng)。這部分能力會(huì)可預(yù)測(cè)地變得更強(qiáng)Phase change 曲線：一部分能力會(huì)隨著 scaling 繼續(xù)涌現(xiàn)[9]，比如說(shuō)上文中的模型做解析幾何的例子。隨著可以被拉滿的維度被不斷拉滿，新的，難以預(yù)測(cè)的涌現(xiàn)能力會(huì)接著出現(xiàn)。多項(xiàng)式曲線？當(dāng)模型強(qiáng)到一定程度，與人類(lèi) align 到一定程度之后，或許一些能力的線性增長(zhǎng)，所需要的數(shù)據(jù)，會(huì)突破指數(shù)增長(zhǎng)的封鎖，而降低到多項(xiàng)式的量級(jí)。也就是說(shuō)，當(dāng)模型強(qiáng)到一定程度之后，它或許不需要指數(shù)級(jí)的數(shù)據(jù)，而是只需要多項(xiàng)式級(jí)的數(shù)據(jù)，就可以完成泛化。這可以從人類(lèi)的專(zhuān)業(yè)學(xué)習(xí)中觀察到：當(dāng)一個(gè)人還不是領(lǐng)域?qū)＜业臅r(shí)候，ta 需要指數(shù)級(jí)的數(shù)據(jù)來(lái)學(xué)習(xí)領(lǐng)域的知識(shí)；當(dāng)一個(gè)人已經(jīng)是領(lǐng)域?qū)＜业臅r(shí)候了，ta 只需要很少量級(jí)的數(shù)據(jù)就自己迸發(fā)出新的靈感和知識(shí)。

所以，在極限思維下，把所有能拉滿的維度全部拉滿，模型注定會(huì)越來(lái)越強(qiáng)，出現(xiàn)越來(lái)越多的涌現(xiàn)能力。

2.2 反推中間過(guò)程

在思考清楚極限的過(guò)程之后，就可以從極限狀態(tài)往后反推中間過(guò)程。比如說(shuō)，如果我們希望增長(zhǎng)輸入框的大?。?/p>如果希望把模型的輸入框從千的量級(jí)增長(zhǎng)到萬(wàn)的量級(jí)，可能只需要增加顯卡數(shù)量，進(jìn)行顯存優(yōu)化就能實(shí)現(xiàn)。如果希望接著把輸入框從萬(wàn)的量級(jí)增長(zhǎng)到十萬(wàn)的量級(jí)，可能需要linear attention[10]的方法，因?yàn)榇藭r(shí)加顯存應(yīng)該也架不住 attention 運(yùn)算量隨輸入框長(zhǎng)度的二次增長(zhǎng)。如果希望接著把輸入框從十萬(wàn)的量級(jí)增長(zhǎng)到百萬(wàn)的量級(jí)，可能需要recursive encoding [11]的方法和增加long-term memory [12]的方法，因?yàn)榇藭r(shí) linear attention 可能也架不住顯存的增長(zhǎng)。

以這種方式，我們可以反推不同階段的 scaling 需要怎樣的技術(shù)。以上分析不止適用于輸入框的長(zhǎng)度，也適用于其他因素的 scaling 的過(guò)程。

這樣的話，我們可以得到清晰的從現(xiàn)階段的技術(shù)到 scaling 的極限的每個(gè)中間階段的技術(shù)路線圖。

2.3 按模型演化進(jìn)程產(chǎn)品化

模型在不斷演化，但產(chǎn)品化不需要等到最終那個(gè)模型完成 — 每當(dāng)模型迭代出來(lái)一個(gè)大的版本，都可以產(chǎn)品化。以 OpenAI 的產(chǎn)品化過(guò)程為例：

2020 年，初代 GPT 3 訓(xùn)練完成，開(kāi)放 OpenAI API[13]2021 年，初代 Codex 訓(xùn)練完成，開(kāi)放 Github Copilot[14]2022 年，GPT-3.5 訓(xùn)練完成，以 dialog 數(shù)據(jù) finetune 成 ChatGPT 然后發(fā)布

可以看到，在中間階段的每一個(gè)重要版本，模型的能力都會(huì)增強(qiáng)，都存在產(chǎn)品化的機(jī)會(huì)。

更加重要的是，按照模型演化進(jìn)程產(chǎn)品化，可以在產(chǎn)品化的階段適配市場(chǎng)。學(xué)習(xí) OpenAI 的組織架構(gòu)來(lái)推進(jìn)模型演化本身，但產(chǎn)品化可以按照本土市場(chǎng)的特征來(lái)。這種方式或許可以既學(xué)到 OpenAI 的先進(jìn)經(jīng)驗(yàn)，又避免水土不服的問(wèn)題。

三、人工智能顯著超過(guò)人類(lèi)的點(diǎn)

到目前為止，我們討論了要用模型演化的視角來(lái)分析模型，要用極限的思維討論模型的演化歷程?，F(xiàn)階段馬上可以加強(qiáng)的點(diǎn)包括了輸入框的長(zhǎng)度，更大的模型和數(shù)據(jù)，多模態(tài)數(shù)據(jù)，和模型的專(zhuān)業(yè)化程度?，F(xiàn)在讓我們?cè)侔岩曇胺诺酶L(zhǎng)期些，思考在更大的時(shí)間和空間中，模型如何進(jìn)一步地往極限推。我們討論：

并行感知：一個(gè)人類(lèi)研究員一次順序地讀四五篇論文已經(jīng)是極限，但模型輸入框變長(zhǎng)之后，可以在極短的時(shí)間內(nèi)并行閱讀一百篇論文。這意味著，模型對(duì)外部信息的感知能力遠(yuǎn)超人類(lèi)一個(gè)數(shù)量級(jí)。記憶遺傳：人類(lèi)的演化過(guò)程中，子代只繼承父代的基因，但不繼承父代的記憶，這意味著每一次生殖都需要重啟一次；在模型的演化過(guò)程中，子代可以繼承父代的記憶，并且這個(gè)繼承的程度可控：我們可以設(shè)置子代繼承 100%，50%，20% 的記憶，或清空記憶，這意味著父代的經(jīng)驗(yàn)和技能可以不斷累積加速時(shí)間：人類(lèi)相互交流的速率是受到人類(lèi)說(shuō)話的物理速度限制的，而模型相互交流的速率可以遠(yuǎn)快于人類(lèi)，這意味著模型可以通過(guò)相互交流來(lái)解決人類(lèi)數(shù)據(jù)隨時(shí)間線性增長(zhǎng)的問(wèn)題；人類(lèi)演化的過(guò)程受到物理時(shí)間的限制，模型的演化可以比人類(lèi)的物理時(shí)間快上幾個(gè)數(shù)量級(jí)，這意味著模型的進(jìn)步速度可以遠(yuǎn)快于人類(lèi)無(wú)限生命：一個(gè)人的生命有限，百年之后終歸塵土，但模型的權(quán)重只要不丟失，就可以不斷地演化

從這些角度來(lái)說(shuō)，人工智能超過(guò)人類(lèi)并不是一件難以想象的事情。這就引發(fā)了下一個(gè)問(wèn)題：如何駕馭遠(yuǎn)超人類(lèi)的強(qiáng)人工智能？

這個(gè)問(wèn)題，是 Alignment 這項(xiàng)技術(shù)真正想要解決的問(wèn)題。

四、Alignment 對(duì)齊

當(dāng)前階段，模型的能力，除了 AlphaGo 在圍棋上超過(guò)了最強(qiáng)人類(lèi)之外，其他方面的 AI 并沒(méi)有超過(guò)最強(qiáng)的人類(lèi)（但 ChatGPT 在文科上或許已經(jīng)超過(guò)了 95% 的人類(lèi)，且它還在繼續(xù)增長(zhǎng)）。在模型還沒(méi)超過(guò)人類(lèi)的時(shí)候，Alignment 的任務(wù)是讓模型符合人類(lèi)的價(jià)值觀和期望；但當(dāng)模型繼續(xù)演化到超過(guò)人類(lèi)之后，Alignment 的任務(wù)就變成了尋找駕馭遠(yuǎn)超人類(lèi)的智能體的方法。

4.1 Alignment 作為駕馭遠(yuǎn)超人類(lèi)的智能體的方法

一個(gè)顯然的問(wèn)題是，當(dāng) AI 超過(guò)人類(lèi)之后，還可以通過(guò)人類(lèi)反饋?zhàn)?ta 更強(qiáng) / 更受約束嗎？是不是這個(gè)時(shí)候就已經(jīng)管不了了？

不一定，即使模型遠(yuǎn)超人類(lèi)，我們依然又可能駕馭 ta，這里的一個(gè)例子是運(yùn)動(dòng)員和教練之間的關(guān)系：金牌運(yùn)動(dòng)員在 ta 的方向上已經(jīng)是最強(qiáng)的人類(lèi)了，但這并不意味著教練就不能訓(xùn)練 ta。相反，即使教練不如運(yùn)動(dòng)員，ta 依然可以通過(guò)各種反饋機(jī)制讓運(yùn)動(dòng)員變得更強(qiáng)且更有紀(jì)律。

類(lèi)似地，人類(lèi)和強(qiáng)人工智能的關(guān)系，在 AI 發(fā)展的中后期，可能會(huì)變成運(yùn)動(dòng)員和教練之間的關(guān)系。這個(gè)時(shí)候，人類(lèi)需要的能力并不是完成一個(gè)目標(biāo)，而是設(shè)定一個(gè)好的目標(biāo)，然后衡量機(jī)器是否足夠好地完成了這個(gè)目標(biāo)，并給出改進(jìn)意見(jiàn)。

這個(gè)方向的研究還非常初步，這個(gè)新學(xué)科的名字，叫 Scalable Oversight[15].

4.2 Alignment 與組織架構(gòu)

在通往強(qiáng)人工智能的路上，不只是需要人類(lèi)與 AI 對(duì)齊，人類(lèi)與人類(lèi)，也需要高度的對(duì)齊。從組織架構(gòu)的角度，alignment 涉及到：

Pretraining 團(tuán)隊(duì)與 instruction tuning - alignment 團(tuán)隊(duì)之間的對(duì)齊：這兩者應(yīng)該是一個(gè)相互迭代的過(guò)程，pretraining 團(tuán)隊(duì)不斷地 scale 基礎(chǔ)模型，alignment 團(tuán)隊(duì)為基礎(chǔ)模型做 instruction tuning，同時(shí)用得到的結(jié)果反向指導(dǎo) pretraning 團(tuán)隊(duì)的方向。Pretraining / Alignment 團(tuán)隊(duì)與 Scaling / Data 團(tuán)隊(duì)的對(duì)齊：scaling 負(fù)責(zé)為 pretraining /alignment 做好基礎(chǔ)設(shè)施，data 做好高質(zhì)量數(shù)據(jù)與人類(lèi)反饋數(shù)據(jù)。創(chuàng)業(yè)公司與 VC 的對(duì)齊：AGI 是一個(gè)困難的事情，需要長(zhǎng)期的投入，這需要各個(gè)方面的人都有足夠的耐心和足夠高的視野。燒一趟熱錢(qián)后催產(chǎn)品化然后占滿市場(chǎng)的邏輯在大模型時(shí)代應(yīng)該已經(jīng)不復(fù)存在了。大模型的游戲要求 ta 的玩家們有足夠高的視野與格局，模型的演化會(huì)讓有足夠耐心的，踏實(shí)做事人們?cè)陂L(zhǎng)期得到豐厚的回報(bào)，也會(huì)讓只看短期刻舟求劍的人們一次又一次被降維打擊。

五、結(jié)語(yǔ)

在 2017 年，我剛剛?cè)胄?NLP 的時(shí)候，花了很大的力氣做可控生成這件事情。那個(gè)時(shí)候所謂的 text style transfer 最多就是把句子情感分類(lèi)改一改，把 good 改成 bad 就算是完成了 transfer。2018 年我花了大量的時(shí)間研究如何讓模型從句子結(jié)構(gòu)的角度修改句子的風(fēng)格，一度誤認(rèn)為風(fēng)格轉(zhuǎn)換是幾乎不可能完成的事情。而今 ChatGPT 做風(fēng)格轉(zhuǎn)換簡(jiǎn)直信手拈來(lái)。那些曾經(jīng)看似不可能完成的任務(wù)，曾經(jīng)極其困難的事情，今天大語(yǔ)言模型非常輕松地就能完成。在 2022 年一整年，我追蹤了從 GPT-3 到 GPT-3.5 的全部版本迭代[11]，親眼看到它一步步地從弱到強(qiáng)不斷演化。這個(gè)演化速度并沒(méi)有變慢，反而正在加快。那些原先看來(lái)科幻的事情，現(xiàn)在已經(jīng)成為現(xiàn)實(shí)。誰(shuí)會(huì)知道未來(lái)會(huì)怎樣呢？

彼黍離離，彼稷之苗。行邁靡靡，中心搖搖。

彼黍離離，彼稷之穗。行邁靡靡，中心如醉。

——— 《詩(shī)經(jīng)?黍離》

推薦閱讀：

誰(shuí)能做出中國(guó)版ChatGPT？怎么做？

品牌vi設(shè)計(jì)包括哪些內(nèi)容

商標(biāo)是什么樣子圖片（商標(biāo)是什么樣子圖片）