但是正如每一項進入炒作期的新技術或新產業一樣，人工智能在無限風光的同時，也伴隨著不少懷疑的聲音。當前人工智能真正的落地應用有多少？人工智能能夠給企業帶來哪些實際價值？它能夠大規模商業化嗎？人工智能到底是未來已來還是泡沫將破？主打AI技術輸出的初創企業和研究院，與急欲將AI融入業務中的傳統行業，是否會有不同想法？
帶著這些疑問，AI前線記者來到第一屆平安集團SMART科技大會現場，與參加本次活動的平安、思科、軟通動力、中科院、氪信等企業機構的技術專家、管理者進行了一對一的交流。他們之中有正在轉型的傳統公司，有專注于提供AI技術服務的初創企業，有業務規模龐大的集團公司，本文嘗試從不同角度探討他們遇到的人工智能落地難題。
AI，“看上去很美”
從積極的一面來看，人工智能催生了大量新技術、新企業和新業態，為個人、企業、國家乃至全球提供了新的經濟增長點，甚至可能成為第二次“工業革命”。
IDC預計，全球人工智能支出到2020年將達到2758億人民幣，未來五年復合年增長率將超過50%。中國人工智能技術支出將達到325億元，占全球整體支出的12%。
從消極的一面來看，盡管人工智能開啟了一個全新的時代，但也在不斷滋生著“泡沫”，吹捧有之，跟風有之，噱頭有之。近兩年，數十家中美AI創業企業密集倒閉，大量AI創業項目中途夭折，不免讓人感慨，人工智能是否只是“看上去很美”？
3年前你都不好意思說你是做人工智能的，而今天你都不好意思說不做人工智能了。
泛人工智能是人工智能火爆之后催生的一種現象，就是把什么東西都叫人工智能。如今沒有哪個企業不想擁抱人工智能，但當前人工智能技術的采用程度到底如何？
麻省理工學院Sloan Management Review最近對3000位高管、經理和分析師進行的一項調查顯示了一個令人驚訝的結果：目前大多數公司還沒有采用人工智能技術，只有不到四分之一的受訪者表示已經采用人工智能技術，還有23％的受訪者正在進行一些試點項目，而有54％的受訪者表示他們還沒有開始采用人工智能技術。這與AI前線在年終總結時所做的一份落地情況調查結果相近。
麻省理工學院的調查中也列出了可能阻礙企業采用人工智能的幾大障礙：
對于已經理解并采用人工智能的組織（“領導者”），人才缺口、競爭激烈的投資和對安全的擔憂是他們的主要障礙。
與此同時，尚未采用人工智能（“被動”）的企業認為需要識別業務應用場景、缺乏管理支持、技術能力有限是其主要挑戰。
AI落地困境
當前的人工智能實際上是數據驅動的智能，也就是基于大數據的智能。中國科學院深圳先進研究院首席科學家須成忠教授認為這一波人工智能涉及ABCD四個概念，A算法，B大數據，C計算平臺（如云計算平臺），D領域知識，技術必須跟領域結合。技術不結合場景，就只是一個技術而已。
目前AI在醫療、金融、交通等多個領域皆有不同程度的滲透，雖然行業不同，但AI落地時遇到的困境卻多有類似，其中場景和數據是最常被提到的兩項。
為什么企業要為AI買單？
據平安醫療健康管理股份有限公司首席技術執行官穆強介紹，目前AI在平安醫療健康的應用主要分為面向病患和面向醫護人員兩種類型。
面向病患：利用AI技術對患者分層，通過患者的就醫習慣和行為畫像定義風險等級，再匹配需要的醫療水平，也叫做醫療能力分層或者患者需求分層，從而把醫療的供給測和需求側匹配起來、協調醫療資源。
面向醫護人員：用AI給醫療行業賦能，借助AI為處方點評、臨床決策等提供決策建議，幫助醫生更好地決策判斷。另一點是運用醫學知識圖譜和大數據的方法，調整綜合醫療費用結構。目前的總費用中，藥物占比過高而醫生的價值占比太低，因此需要在總費用不變的前提下調整醫生價值與藥費的占比，使醫生發揮的價值與價格不背離。
平安嘗試在醫療場景落地AI的過程中，既會使用公司內部的技術方案，也會與第三方公司合作。商業合作不是公益項目，企業最關心的自然是這項技術到底能為自己解決什么問題？能帶來什么價值？而這可能也是AI技術服務商在嘗試向行業輸出技術前，最需要想明白的問題。
穆強指出，AI初創公司想要進入醫療垂直領域，最大的痛點是買單方，也就是誰為他們的AI技術買單的問題。“企業經營不外乎開源節流。如果想把AI技術應用到產品中，首先要找到AI能給企業經營帶來什么價值，是能幫企業開源還是節流，還是抑制風險，還是提高醫療水平，總得幫人干點什么，所有的這些最終都要轉化成商業價值。只要這項AI技術能夠幫我們提高經營能力，我們自然愿意為之付費。”
錯把商業項目當成研究項目
須成忠教授是中國科學院深圳先進技術研究院首席科學家，他所帶領的團隊開發了“先進云”平臺，平臺之上融合了大數據、機器學習等技術，在智能交通、醫療健康、城市信息等多個領域都有落地應用。
須成忠教授告訴AI前線，智慧交通即利用人工智能和大數據使城市交通變得更智能，其終極目標是通過城市大腦做預測，并能持續學習進而反饋控制，但目前暫處于起步階段。“阿里做城市大腦，說將城市擁堵改善了10%，其實這10%從科學研究角度來說誤差都要拿掉了，可以說是微不足道，而且它是基于一個小區的小范圍實驗。”
目前中科院深圳先進技術研究院在交通領域已經落地的成果主要基于中科院收集的城市所有浮動車（出租、公交等非固定權的車輛）數據，包括三類服務：面向政府的服務，如城市精細化管理；面向公眾的服務，如深圳市的公交在手軟件，能夠綜合實時路況、天氣情況預測當前公交距離本站還有多久；將數據通過API方式開放給第三方企業（如騰訊、廣電集團、酷米客等）做更多的應用和服務，每天數據API訪問量達到500多萬次。
在加入中科院之前，須成忠教授在國外也承擔過不少企業合作項目。在他看來，做技術研究的人最容易犯的錯誤就是太過在意“研究”，錯把商業合作當作科研項目。
須成忠教授指出：“研究院研發的產品原型充其量是證明你有這個技術能力，但還是需要針對用戶的具體需求來修改和定制開發。我們以前把項目當作研究項目來做，并沒有解決企業的剛性需求，研究院經常會遇到這樣的問題。結果導致我們做的技術，用戶并不是特別感興趣。”
須成忠教授舉了一個例子，假設客戶要做出租車實時報表，他們原來平時做一次報表要花兩個多小時，客戶的需求是實時化。利用大數據處理將報表處理時間降到一分半鐘后，客戶就很滿意了。至于一分半鐘和一分鐘的差距，就屬于研究問題了，這個問題客戶可能并不感興趣。雖然從研究的角度來說，時間縮短了50%，但對企業來說價值不大。
“技術輸出首先要搞清楚解決企業問題和研究項目的差別。只要技術好，然后能夠鉆進去跟客戶一起做一些面向客戶需求的定制化開發，肯定能夠生存下來。”
無數據不AI，無場景不AI
傳統網絡設備商思科早已開始數字化轉型，同時也期望能夠通過技術幫助行業升級。全球很多流量都跑在思科的網絡設備上，“如今大家都在關注AI，但其實最核心的是底層數據。”思科大中華區副總裁、大客戶事業部經理海廣躍告訴AI前線，而底層數據正是網絡設備商思科的強項。
思科嘗試將網絡設備變成傳感器，從底層基礎設施開始引入AI、大數據，幫助各行各業進行技術升級和轉型。據介紹，目前思科的數字化轉型支持已經覆蓋了11個行業，包括互聯網公司、運營商、金融和娛樂行業，醫療和教育行業相對受AI影響慢一些，石油石化、電力系統最慢。
不同行業AI落地速度快慢，有很大的因素與數據有關。由于這一波AI對數據的重度依賴，應用首先得有足夠的數據，而這可能正是很多傳統行業所缺失的。即使有了數據，數據是否正確、是否足夠有代表性、如何準確標注又成了另一個老大難。“種瓜得瓜，種豆得豆”，機器學習的成果取決于數據的質量，錯誤的數據只會讓訓練結果出現嚴重偏差。
海廣躍指出，AI最核心的價值在于數據和場景，而目前很多傳統行業難以應用AI或者應用效果不佳一般也是數據或場景的問題。
數據方面的問題包括：
數據太少甚至沒有，比如電力行業、工廠車間；
數據實時性，以自動駕駛為例，車本身是要和周圍環境交互，包括公路情況、天氣情況、行人聚集情況，需要實時判斷并決策，網絡存在時延，如果不能實時響應就可能會出現事故；
數據處理需要借助領域知識和經驗。先找到特征值并進行標注，經過訓練之后才能用來做決策或預測，不懂行業的數據科學家無法做到這一點，比如醫院X光片、工廠設備故障檢測等。而沒有特征值就沒辦法應用AI，只有懂行業、懂場景的人與數據科學家配合才能真正將AI用起來。
軟通動力集團執行副總裁康燕文也向AI前線表達了相同的觀點。
在語音識別、多國語言翻譯、音視頻結合方面，軟通動力集團與不少大公司有合作。軟通負責提供語音數據和產品測試服務，輔助驗證語音產品的可用性，而在這樣的合作中數據正確性顯得尤其重要。
康燕文指出：“在對AI產品進行測試時，如果數據給的不對就沒用了。比如展廳機器人，有很多人進來參觀跟它對話，機器人有知識庫，它需要從知識庫中找到你問的問題，它才能回答，你問的問題不對或者不在知識庫中就沒辦法回答。”
為了升級而升級
AI如此火爆，不乏“拿著錘子找釘子”的初創企業，也有不少還沒想清楚為什么要升級就想先把AI“用”起來的傳統企業。“這不太現實。所有的技術升級都是業務驅動，不能憑空自己造，也不能為了升級而升級。”氪信CreditX首席科學家周春英告訴AI前線。
氪信是一家專注于運用機器學習與大數據技術解決金融信用風險問題的服務商，目前已經與數百家金融機構達成合作。
營銷和風控是目前機器學習在金融領域的主要應用點。營銷方面，主要就是解決不同的客戶和不同產品的匹配問題，以實現精準推薦。在這方面應用機器學習更多是一種“升級”，由于整合的用戶數據和產品數據更多，相比簡單的LR，推薦成功率有所提升。風控則相對復雜，涉及反欺詐、信用評分、行為監控等。其中反欺詐分為兩個維度，一是基于個人數據，和營銷類似，從簡單的評分卡轉為機器學習，升級數據處理和模型技術、提升效率；另一個是為機構建立全套體系，包括機器學習的模型、算法、訓練等，這不是一次性的工作，需要不斷迭代。
周春英認為一開始尋找切入點是最難的，“要考慮怎樣才能快速推進，又能落地上線使用，還能夠不斷迭代升級”。大家都知道要技術升級，問題是怎么找到需要升級的那個實際業務問題，如果平白無故地去做技術升級，沒有落地的實際效果很難推動，也難以形成不斷迭代的過程。
氪信對此的解決方案是合作，在一開始會花比較多的時間去和客戶、業務負責人交流，共同尋找切入點。周春英補充道：“找到切入點之后其實也不是一下子從0到100，而是需要花一段時間（比如幾年）才能出來成果。”
另外，不同客戶的需求不一樣，這就需要對解決方案和產品的抽象能力，既不能過度設計，也不能不抽象。在與客戶的合作中，既要保證高效率，又要滿足其個性化需求，因此方案和產品的抽象設計是對于AI技術服務商的另一項挑戰。
傳統行業對新技術不夠開放
AI技術不是單點技術，它需要形成一個體系，因此免不了需要巨大的投入，從底層硬件到數據再到專業人才，缺一不可。對于金融機構來說，硬件和系統花錢買不難，但AI人才培養比較難。
周春英認為這是專注技術的AI初創企業的機會。術業有專攻，技術的問題可以交給懂技術的人，但尋找業務場景離不開良好的合作。合作中可能遭遇的問題就是傳統行業不夠開放。雖然金融領域有其特殊性，包括對信息安全、數據安全都有特殊的需求，但是如果金融機構越來越封閉，對于新技術的應用只會有不好的影響。
“對于新技術、新方式，或者新的技術方向，傳統行業要有一個更開放的態度，包括數據的使用，這樣實踐或者是落地可能會更快一些。”周春英說，這或許也是很多AI公司內心的呼喊。
如何將AI技術通用化？
平安科技是平安集團32個子公司之一，為整個平安集團提供技術服務，此外也給國內的眾多銀行和保險公司提供服務。過去幾年，平安科技一直在進行AI的研發，目前在大數據平臺的基礎上，引入了面部識別、語音識別、視覺識別、行動識別、情感情緒識別等技術，進行自動決策。
以貸款申請為例，平安科技利用人臉識別匹配客戶身份、基于各項數據智能分析客戶的風險狀況，3分鐘之內就可以在網上給客戶派發貸款。
平安科技大數據高級產品總監王建宗告訴AI前線，平安集團在AI時代轉型的難點不在于做不做AI。對于先在公司內部落地AI之后，再開始嘗試將AI技術對外輸出的平安科技，面臨的難題是：如何將AI技術與自身業務剝離，使其通用化、標準化、產品化？
王建宗指出：“首先，每個公司的數據不一樣，數據標準參差不齊，平安的數據是平安的一套，但另外一個公司可能是另外一套數據，中間涉及數據融合、數據歸集化、數據交叉，這是一個挑戰。第二個挑戰來自于業務流程的差異性，保險行業每個公司的保險流程都不一樣，又涉及流程融合。”因此平安科技在幫助合作伙伴落地AI的時候，既會提供模型和算法，也會提供能對模型和算法進行閉環訓練的系統，使數據和規則能夠快速通過系統優化，并應用到實際業務中。
破局之道
看清：AI不是銀彈
當大數據將AI推向“技術炒作”舞臺的正中央，帶來的一個令人混淆的結果就是，突然間人人都號稱自己做的是“AI”，實際上卻是徒有其名；人人都以為自己需要“AI”，卻不知道AI到底能為自己解決什么問題。
在硅谷人工智能研究院創始人Piero Scaruffi教授看來，以上問題不只出現在中國，在全球任何地方都一樣。
AI真正應用于商業場景通常會面臨兩個問題：第一，有些商業人士可能擅長傳統的科技思維，但是對AI了解不多；第二，很多優秀的軟件工程師從未學習過AI，他們學的是其他領域的技術，AI不是他們擅長的東西。對于工程師來說，有計劃地學習一些課程就能解決問題，但對于商業人士則非常困難。
面對這些問題，企業決策者和技術管理人員首先應該明確一點：AI不是萬能藥。當問題已經有解決方案時，可能沒必要采用AI，否則反而是在把工作復雜化，或者變成自己給自己制造問題。
Scaruffi教授指出，沒有AI商業照樣可以運轉，現在大多數AI僅是優化程序，比如機器人。為什么買機器人？為什么用機器人代替原來的工作？因為機器人更便宜，可以降低成本。但是這些所謂的機器人一般都非常簡單。
“當有人說中國每年制造1000萬臺機器人時，你應該問問這是什么機器人。一天到晚都在做簡單機械工作的機器人并不是AI，但是它們的確省錢。這可以稱作自動化，但已經是存在很久的技術了。而真正的AI，比如說可以回答問題、實時監測的機器人，一般非常貴。”
正如前面所說，這一波AI是基于數據的AI，因此AI應用到實際問題中離不開數據。沒數據就不能訓練神經網絡，不管計算能力多強、速度多快。無數據無AI，如果沒有就需要先搞到數據。如果有數據，AI可能是有用的。但在一些情況下其實大數據技術就可以解決企業的問題，未必需要用到AI。企業必須能夠分清楚哪些問題需要用AI來解決，哪些問題用已有的其他技術就可以了。
康燕文認為，應用AI之前首先對AI的認識要清楚，要知道AI到底可以做什么、局限在哪里。比如制造業要用AI識別成品存在的缺陷，需要先積累大量數據，讓機器去學習，才能開始識別。工人師傅需要積累經驗，機器同樣需要積累數據，獲取數據、積累數據都需要一個過程。康燕文還補充了一點，即新技術需要測試環境，不能一下就拿來用，出錯的風險太大，需要先做一些實驗。
須成忠表示，人們應該要修正自己對于人工智能的期望。雖然人工智能目前在封閉式環境中確實有了一些很好的突破，但是在開放環境中還有很長的路要走。另外，人工智能是無法在一朝一夕突然就能夠解決所有問題的。
“我們不能也不要頭腦過熱，過一段時間發現人工智能除了下棋打牌其他都做得差強人意。人臉識別需要在標準場景下，語音識別在開放環境還有問題。更何況數據清理和轉換也要花掉不少精力。如果大家不能修正對它的期望，到時會帶來更多失望，但這也是一個過程。”須成忠說。
合作：尋找AI落地場景
有人將AI落地問題比作“道”和“術”的問題。做AI工程的人，最在意的是這個算法怎么樣，夠不夠快，這是“術”的角度；做業務咨詢的人更考慮你有什么問題，我要幫你解決問題，我用什么你別管，我有創意，最后成了就行，這是“道”的角度。
那么當掌握了AI技術或有了科研成果，怎么跟企業需求對接？如何在企業的業務場景中找到應用新技術的切入點？
海廣躍認為，首先得將業務或場景流程化，才能找到存在問題、可以應用AI的環節，接下來再考慮怎么以AI為工具去解決流程中存在的問題。另一點則是要站在未來看現在，看未來會是什么樣的使用習慣，找到未來的場景，就能夠知道該做什么樣的產品。這是另一個如何創造新業務的問題。
周春英則表示，尋找應用場景的切入點其實沒有什么竅門，最實際的就是做技術的人必須懂業務，而方法總結起來也簡單，就是多溝通、多學習。通過經常和不同的客戶交流和溝通來學習業務，先從客戶的出發點考慮問題，然后再轉化為用什么技術去解決它。
“要幫助客戶解決問題，既要懂業務也要懂技術。光懂技術跟客戶談不到一起去。弄懂業務之后，再想怎么把業務的痛點轉化為技術的解決方案。接下來把這個方案講通講明白，這個事情怎么做，實際的痛點是什么，什么技術能解決，出什么樣的解決方案，這個就是我們實際項目過程中的經驗。”周春英說，“跨學科能力是技術人必備硬技能。”
須成忠教授也認為切入點需要雙方共同碰撞出來，而“拿著錘子找釘子”的做法目前并不是很可行，因為通用的一般性技術、一般性系統很難找到，也很難有市場。
“軟件行業開源那么多，但實際上開源只是證明你的能力，最后還是需要做定制開發。至于說怎么找到用戶的需求，首先要讓用戶知道你能做什么東西，有什么樣的能力，然后再根據用戶的需求去做深做透。這是雙方互相碰撞的一個過程。需要雙方溝通后，弄清楚我有什么問題，你有什么辦法能解決我的問題才能確定目標。”須成忠教授說。
基于平安醫療健康的業務場景，穆強給AI前線列舉了AI在醫療領域可以切入的角度。
保險就是管理可控風險，怎么讓風險變得可控？其實就是兩個問題，怎么收錢以及怎么花錢。這兩個方面規則的定義恰好是如今基于大數據的AI所擅長的——基于客觀事實數據和規律，將主觀判斷變客觀，從而更合理地制定規則和策略。
醫保風險控制包括三點，一是防止欺詐濫用浪費，二是降低疾病發生風險，三是提高被保人的健康水平，而這些都是綜合降費的辦法。“對于保險公司來說，1%的重疾和19%的慢病會花掉70%的醫保費用，那么這20%的人就是保險公司重點管理的對象。怎么把這些人挑出來？怎么干預這些人的行為，對他們進行個性化管理？這對我們來說投入最小、見效最快，如果AI可以解決這些問題，能夠幫我們降低成本，就有落地的價值。”穆強說。
漸進：平衡AI的投入產出
目前不乏有些企業辛辛苦苦搗鼓了AI，但效率卻得不到相應價值的提升。那這些投入只能算是打水漂了嗎？企業應該怎么評估AI技術能帶來的實用價值？又該如何衡量應用AI需要投入的人力成本、時間成本？
AI是大勢所趨，隨著未來5G、物聯網的發展升級，數據只會越來越多。以后誰能利用好數據，誰就會在業界領先，而不會用數據可能就會被淘汰，所以AI升級肯定是要做的。但現階段，逐步迭代可能是比一步到位更靠譜的選擇。
周春英表示，AI本身就是比較重投入的，但是它也會有更長遠的影響，所以不能特別短視于此時此刻的回報上。但不同企業的需求不同，不能一概而論。周春英告訴AI前線：“我比較傾向于，AI技術升級不要想著一蹴而就，一步就到深度學習，而是逐步迭代，先有一個整體的規劃，然后一步一步慢慢取得成果。這樣能夠比較好地平衡投入和產出，對于一些小型金融機構來說確實是這種做法比較好。”
康燕文認為，不能把新技術拿來就用，需要一個實驗的過程，循序漸進，而不是說一下子投個大錢就想得到巨大突破，這樣才能避免出現投入很多卻得不到預期結果的問題。“人工智能是大趨勢，現階段企業更應該趕快去試，越不去試，越搞不清楚，等試了之后慢慢找到對的方法和方向，再一步一步往前走，自然就會越來越清楚。”康燕文說。
方向：民主化還是定制化？
最近不少企業都在談AI民主化、AI普及化、AI服務化，或者AI for all，其實不管名字怎么叫，其核心就是一點，希望能夠降低人工智能的門檻，讓非專家也能使用AI，這也是很多人對于未來AI的期望。
海廣躍是這個觀點的支持者，他認為推進AI民主化，才能推動AI在各行各業的應用普及。
海廣躍說：“當AI高高在上的時候，傳統行業懂場景不懂技術的人，與懂技術不懂場景的專家之間有鴻溝，AI和數據、AI和應用場景、AI和知識之間也同樣存在鴻溝。”
至于如何跨越這個鴻溝，海廣躍也提出了他的想法。一是構建一個各行業通用且低價的AI平臺，使不同行業的人都能很方便地使用AI，在平臺之上運行業務而非研究技術。但他也坦承，難度比較大，因為很難用一個AI平臺滿足各行各業的不同需求。偏底層的AI基礎平臺或許可行。
另一點就是縱向打通，將一個垂直行業場景從上到下全部打通，把這個場景做好了，再做另外一個場景，先對某一個企業產生價值之后再繼續做加法。
須成忠教授則認為垂直領域的深挖更有潛力。他告訴AI前線：“通用的一般性技術不一定有市場，充其量就是開源，想要發展就一定要把這個通用技術應用到垂直領域，然后針對這個垂直領域來做定制化的開發。將來的人工智能不管發展到了哪個階段，一定不會像人那樣什么都懂、什么都會，它一定是這個軟件和系統專注一個業務，另一個專注另一個業務，是跟領域相關的。未來AI會越來越偏向跟應用接軌，越來越多地與應用相關。”
AI的未來
有人說人工智能是未來已來，也有不少人認為人工智能的蜜月期會終結于2018年。
AI離我們是近還是遠？淘寶搜索、銀行人臉支付、小米智能音箱，無處不是人工智能，對于普通消費者來說，AI似乎很近。但對于企業和技術人來說，不是所有問題都像消費級產品一樣容易解決。人工智能所有涵蓋的技術紛繁復雜，怎么從中找到合適的方法來解決自己的問題？怎么得到數據？怎么清洗數據？甚至一開始怎么找到應該解決的問題？這些都是企業想接近AI卻又覺得AI“遙不可及”的路障。但這些也是未來要讓人工智能真正扎根于工業界、真正改變每個人的生活所必須解決的問題。
人工智能落地難，卻是這項技術真正變成“新電力”般存在的必經之路。對于傳統行業公司與AI技術初創公司來說，都是挑戰與機遇并存。
原百度研究院院長林元慶從百度離職后，創辦了自己的公司AIbee，他的目標是利用AI深度賦能傳統行業，實現產業升級。而人工智能著名學者吳恩達也于今年12月宣布成立Landing.ai，立足于解決AI轉型問題，第一站是制造業。
從國家政策來看，12月工信部發布了《促進新一代人工智能產業發展三年行動計劃》，從培育智能產品、突破核心技術、深化發展智能制造、構建支撐體系和保障措施等方面詳細規劃了AI在未來三年的重點發展方向和目標，足以看出國家對AI產業化的重視。未來AI企業也將從拼技術逐步轉移到拼行業、拼落地。
2018年，人工智能的泡沫是否真的會破滅，我們不得而知，但過度期望帶來的泡沫被戳破未必是件壞事。
接下來一段時間，人工智能落地勢必會是業界最為關心的話題，而人工智能落地無非是：弄臟手、扎進去、踏實干。
京公網安備 11010502049343號