被 ChatGPT 帶火的大模型，如何實際在各行業落地？

作者 | 劉燕、王強

ChatGPT“軍備競賽”已漸入高潮，大型科技公司間的 AI 競賽日趨白熱化。ChatGPT 爆火也讓大模型成為熱門，已有多位 AI 大牛宣布殺入該領域創業。

今年 2 月，InfoQ 發起了極客有約特别欄目之《極客圓桌派：狂飙的 ChatGPT 》，一起探讨了 ChatGPT 到底“是什麼”和“為什麼”的問題。

一個月後，InfoQ 聯合微軟舉辦了《極客圓桌派：ChatGPT 點燃 AI 狂潮》直播活動，邀請了 4 位技術大咖再聊 ChatGPT，聚焦 ChatGPT 的價值核心。我們試圖回答這樣一些問題：

ChatGPT 到底能為企業和開發者帶來什麼？企業如何借力和追趕 LLM/ChatGPT 創造出實際價值？ChatGPT 所卷起的 AI 大模型熱潮将如何影響開發者和企業？ChatGPT 背後的倫理挑戰和風險問題又該如何應對？

以下為本次直播的精華内容，經編輯：

嘉賓介紹

主持人 Mingke：我是 Mingke，今天我将與各位嘉賓一起圍坐在圓桌前，讨論 ChatGPT 和大型語言模型風暴的話題，一起探讨未來的發展方向。開始讨論之前，我們先互相介紹一下。

張大衛： 我是競智科技 GamesMind 創始人兼 CEO。我之前在微軟亞洲研究院，主要研究深度學習、知識圖譜和推薦系統。GamesMind 緻力于在遊戲開發、營銷、美術和劇情等方面，運用 AI 和 AIGC 技術，幫助遊戲廠商創作更出色的遊戲。

郝傑： 我是郝傑，現任明略科技集團的 CTO。之前服務于東芝、58 同城和 OPPO，一直緻力于語音和 NLP 領域的研發工作。明略科技緻力于利用 AI 和 AIGC 技術，為各行各業的客戶提供營銷智能和營運智能方面的服務和産品。

ChatGP：那些神話，争議與誤解

主持人 Mingke：在讨論之前我想了解一下，最近大家都接收到了關于 ChatGP 和模型的哪些奇奇怪怪的說法，周圍的人和媒體會有哪些不同的聲音讓你覺得是誤區？

郝傑： 最近我們頻繁接觸客戶，他們希望使用 ChatGPT 來改善自己的産品和服務品質，但同時也提出了一些擔憂。他們擔心在各自的垂直領域中引入這樣的技術後，可能會導緻出現偏激或誤導性質的内容，是以需要確定 ChatGPT 的輸出品質。 此外，他們也擔心上傳自己的知識到 ChatGPT 平台上會降低他們原有的門檻，因為目前 ChatGPT 還無法私有化部署。

明略作為客戶和 ChatGPT 之間的橋梁，需要確定這座橋梁既安全可靠，又符合客戶的實際需求。我們可以借鑒大模型訓練的優秀算法，為客戶定制出一些中小型的模型，并且確定這些模型也能展現出 ChatGPT 的智能特性。

我們經常與各方面的投資人讨論 ChatGPT，但我并沒有覺得他們對 ChatGPT 有太多的誤解。相反，我認為他們學習和跟進的速度非常快。有些投資公司非常懂技術，他們甚至已經學習了相關論文并深入分析了 ChatGPT 的整體架構，對這個話題也有深入的了解和研究。

張大衛：現在的投資機構，尤其是投資前沿領域，如 AI 等科技行業的機構，非常注重對這些領域的了解。他們積極地檢視最新的新聞和論文，對其中的細節也有一定的了解。然而，他們可能會偶爾存在一些偏差，客戶方面也可能會表現出奇怪或者不同尋常的行為，這既可能是來自于客戶本身，也可能是由于各種誤解和想法，比如針對 ChatGPT 或者大型模型的一些擔憂和恐懼，等等。

我接觸到的情況中，很多人受到新聞和其他因素的影響，擔心 ChatGPT、AIGC 或者大型模型會取代他們的職業。甚至有些人不願去深入了解，就對這些事情抱有抵觸情緒。

比如一些内容創作者，他們依賴于自己的文案寫作或者藝術創作能力，而 ChatGPT 有時可能會寫出比他們更好的文案，甚至有時會展現出超越人類的能力。這類工作者目前的情況是：一是擔心他們自己的工作會被取代，二是開始組織反對運動。這種情況本質上取決于人們對新事物的接受程度，以及擔心實際就業問題所帶來的各種觀點和偏見。

ChatGPT 在 AI 生态系統中所處的位置

主持人 Mingke：與之前比較火的元宇宙等技術不同的是，ChatGPT 的背後比較複雜，需要更長時間去了解它能夠做出什麼東西來。在這種模糊的背景下，我們今天來讨論企業與 ChatGPT 的關系。希望今天的讨論可以幫助我們更清晰地了解大語言模型、 ChatGPT、AIGC 之間的關系，以及它們在企業中的應用。

郝傑： 從生态系統的角度來看，我們現在處于一個巨大的軟體和人工智能網際網路生态系統中。我将這個生态系統了解為一種“圈層結構”。目前，OpenAI 和微軟是處于“圓心”的兩個主要角色，因為它們在這個生态系統中占據了制高點，率先推出了參數超多的千億級别的大型模型，以及圍繞這些大型模型所開發的非常優秀的産品。

就 ChatGPT 而言，Chat 是一種産品，也是一種互動方式。GPT 是一種模型，一種不太顯式的、不像知識庫或知識圖譜一樣的新型知識表示方式，它是一個巨大的隐式知識庫，包含了地球上的各種知識。 你可以通過 ChatGPT 平台來使用這個模型，并與它互動，使用聊天、對話或簡單的問答形式展開。這種通用的互動方式可以涵蓋全人類。此外，它的知識也非常通用，包括各種領域、各種行業的百科知識。

在這個生态系統中，明略科技應該處于比較靠近内層的中間層。比我們還要靠近“圓心”的是那些肩負釋出大型模型使命的大公司。明略作為提供 ToB 服務的公司，處于生态系統的中間層，我們需要關注“圓心”，也需要關注更外圍的下遊。我們想利用 ChatGPT 和大模型的通用性，為客戶提供廣泛的服務，滿足多樣化的任務和場景需求。

如果将企業比作一個人，那麼現在 AI 企業都有很多顧慮，害怕被同行超越。如果競争對手在大模型上走得更快，很容易超越自己。同時，企業也很擔心下遊客戶可能會先行采用其他服務，導緻中間層服務提供商被抛棄。

很多客戶可能會認為，門檻這麼低了，我們就不需要你們了，我們自己可以解決。那我們該如何應對呢？其實我們與客戶保持着頻繁的溝通。明略現在向客戶提供的是一個靈活可調的模型即服務架構。因為目前許多公司無法應對超大模型，我們比較務實，從客戶的實際情況出發，為他們定制中小型模型，并訓練出他們需要的模型，享受到大模型的好的效果。

張大衛： ChatGPT 的出現證明了通過資料和模型的結合，可以實作很多看似不可能完成的任務。新一代 GPT-4 是一個多模态模型，可以處理文本、圖像等多種資料。這些都讓人感到非常興奮，因為這意味着我們有更多的機會去探索和實作更多的事情。以前有人擔心 AI 的發展可能會受到限制，但現在看來，我們有更多的機會去發現和創造。

大模型為垂直領域帶來了很多機會，但有些具體的深入問題需要結合具體領域的情況和知識來解決。 大模型的出現使得處理客戶需求和知識的事情變得更加容易，并提高了客戶的接受程度，進而帶來了更多機會和收益，這對整個行業都有積極影響。

iPhone 時刻還是網景時刻？

主持人 Mingke：由于大模型技術的多樣性，它可以為許多應用程式的産生提供可能性。有人認為這是一個 iPhone 時刻，大量的應用程式将随之産生，甚至催生一些新的創業公司來基于大模型進行各種領域的應用開發。但也有人擔憂，如果它是一個 iPhone 時刻，那麼這是否意味着它的基礎設施将來也将是中心化的，由幾個主要的玩家掌控？

相反，網際網路架構剛剛出現，網景公司開始崛起時，HTML、HTTP、URL 等技術都已經定義好了，但它沒有被任何一個公司所擁有，基礎設施是開放和免費的，是以各種應用程式并不歸屬于某個公司，也不需要繳納各種稅。對于大語言模型來說，它将更像是一個 iPhone 時刻，還是網景時刻？

郝傑：我認為目前既是 iPhone 時刻，也是網景時刻。我相信世界會朝着越來越開放的方向發展。在我和 ChatGPT 聊天時，我問它預測未來大模型的發展，是否隻有一個像它這樣的模型？它非常友好而謙虛地表示會有很多百花齊放的模型。

我認為我們很快就會進入網景時代。我預測大模型會發展成像 iPhone、三星、華為、小米和 OPPO 這樣的少數幾家非常商業化和閉源的公司，同時也會有很多開源的大模型和算法陸續開放，就像網景時代一樣，這種趨勢已經初現端倪。

張大衛： 我也認為目前正處于一個像 iPhone 那樣劃時代的時刻。然而，我認為最終情況可能不會僅僅是像微軟這樣的一家公司。現在無論國内還是國外都釋出了各種各樣的模型，例如微軟自己的研究院也釋出了像 Kosmos-1 模型。在圖像領域也是如此，例如之前的 Mid Journey 或者 DALL· E，都表現得非常出色。是以，我認為未來的發展趨勢更可能是一個類似于網景時代的全面發展。

中國企業的大模型之路

主持人 Mingke：中國特色的大模型會如何誕生？我們可以簡要地探讨一下。在國内哪些大型企業比較适合建立大模型？是不是隻能是幾個大型企業或一些創業公司聯合，才有可能建立自己的大模型？此外，多大規模的模型可以被稱為大模型？

郝傑： 我認為有兩到三種建立大型模型的路徑。第一種是依靠大型企業，如國内的 BAT 和華為等，因為它們擁有充足的财力并已經準備好推出這些模型。第二種是從中等規模的模型入手，這對于一些不太大的公司如明略科技等獨角獸公司來說是可行的。這些公司可以從垂直領域出發，率先建立中等規模的模型，類似億級或十億級參數的 GPT-2。第三條路徑是通過突破工程難題，利用摩爾定律來降低大型模型的訓練成本。 雖然這是一個挑戰，但是已經有一些公司正在緻力于解決這個問題，我相信随着時間的推移，訓練成本會逐漸降低。

關于模型評估，我向客戶介紹的是“四大一小”評估标準。通用性分為四個方面：産品互動方面通用，隻要會說話，就能與其進行互動；其次，像 GPT 一樣的大型模型可以看作是通用知識庫。第三方面是多任務泛化能力，這是因為模型具有任務的通用性。第四個方面是大型模型的通用性。以前我們做 AI 是将模型對齊到少數算法工程師的想法、交叉熵損失函數或最大最小風險政策等上面。現在，像 ChatGPT 這樣的大型模型，通過基于人類回報的強化學習等核心技術，将其效果對齊到全人類上。因為人類可以給它評分。

張大衛： 所謂的大模型其實是一個相對的概念。我們應該關注一個模型的泛化能力，即其所能學習或實作的能力。OpenAI 發現，模型參數和訓練資料的規模是很重要的，訓練資料越大，參數就越大，這樣最終可以帶來像模型“開悟”這樣的境界或效果。否則，你隻是在無意義地堆積參數或訓練資料。

在模型對齊的過程中，1000 個人來做标注已經是相當不錯的水準。我們不一定非得讓 1000 個人對所有資料進行标注。相反，我們可以使用算法進行初步篩選，并對一些有疑問的資料進行标注。我們可以随機選擇一些人進行标記，如果大多數人标記結果一緻，那麼資料就通過了。如果标記結果不一緻，我們可以再随機選擇幾個人進行标注。通過算法和一些政策，我們可以更有效地利用人力，而不是盲目增加人數。

不過從大型企業或責任方的角度來看，1000 個人并不足夠。一個典型的例子就是不同省市、不同種族或不同性别的人希望在社會中有自己的一席之地。在 AI 領域中，我們需要一定比例的資料來代表這些人群或者他們的聲音。這是一個非常重要的方向。

主持人 Mingke：評價這種大型語言模型時，我們需要關注其在多個任務上的泛化能力以及是否具有中國特色。但，我們也需要考慮到這個大型語言模型是應該面向全球開發，還是應該專門為中國市場而設計？你們怎麼看待這個問題？

郝傑 ： 在評價大型語言模型時，除了剛才提到的四個次元，我認為還需要運用辯證法，追求參數少的模型。如果在四個次元上大家的表現都差不多，我反而更傾向于選擇參數最少的模型，因為這對于明略的客戶來說意味着部署成本最低，維護和疊代也更容易。在學術界中，我們稱之為“參數效率”。參數效率是我們評價大型語言模型的一個重要原則。

在生态圈中，各個企業都有自己的打算。除了 OpenAI、微軟等大公司，其他企業可能并不太關注多樣性和泛化能力這些因素，隻要其主營業務上的大型或中型模型表現足夠好就可以，因為他們并沒有承擔為全人類進行泛化任務的使命，這隻是極少數企業長期緻力于的事情。

張大衛： 以往，由于算法、算力和資料來源的限制，人們普遍使用英文作為研究的開端。英文資料量足夠多，效果也足夠好。之後，我們才會将研究拓展到其他語言。模型通過英文資料和樣本高效地學習各種“常識”（比如說，微軟是一家公司），然後我們可以将這些學到的知識應用到其他語言中。前沿的一些技術也可以将不同語言的資料混在一起，提高研究的效率和品質。當然，如果我們隻做一些具體領域的研究，或者隻涉及一種特定語言，也是可行的。

大模型如何落地到各行業？

主持人 Mingke：郝傑老師，你會選擇微軟還是 OpenAI，在合規的情況下？

郝傑： 微軟擁有全球所有網頁的索引，而垂直領域中的玩家有自己特色的知識沉澱，可能是一個資料庫、一個标簽庫或一個知識圖譜。明略可以幫助将私有的知識與 ChatGPT 進行互搏，進而使客戶的資料飛輪更好地運轉。

ChatGPT 的價值在于其背後的兩個核心深度學習算法：強化學習和利用指令進行微調，這兩種算法都是有監督的。我們幫助客戶訓練中小型模型，**這些模型在垂直領域上的效果通常會超過 ChatGPT。**我們為客戶提供可擴充的模型作為服務的架構。

關于大語言模型和垂直領域模型的結合，其實有多種方法進行耦合配合。其中一種方法是利用兩個核心算法進行有監督的微調，但可能需要更多的客戶資料。另一種方法是将客戶的知識庫嵌入到大模型中，因為大模型可以處理各種不同類型的知識，隻要它們被嵌入到相同的連續向量空間中。我們還可以嵌入多模态、跨領域和跨語言的知識，隻要它們被約定嵌入到相同的語義空間中即可。

張大衛：以前大家曾嘗試使用符号邏輯等方法，但現在逐漸采用嵌入的思路，将垂直領域的知識圖譜等内容嵌入進去，這也是一個合理的思路。

在遊戲這樣的垂直領域中我們也有一些具體的做法。例如，在繪畫時可以使用像 AIGC 這樣的生成模型，基于 Prompt 來生成圖像。但對于美術人員或其他專業人員來說，将他們的專業知識與該系統融合在一起是非常困難的，因為它不像對話系統或知識系統那樣，可以将知識以嵌入的方式添加進去。

舉個例子，在美術行業中，可能會有一些專用的語義表，其中指定了某些 RGB 值代表了某種語義，例如沙灘或人。我們可以将這些專業知識通過研發能力嵌入到生成模型中，這樣專業人員在使用該模型時，可以直接使用沙灘的代号配合系統進行精準生成，而不需要花費大量精力去畫出它。

我們可以将一些具體領域的專業知識，例如遊戲領域、美術領域或其他娛樂領域的知識，以這種方式嵌入到大型模型或現有的 AIGC 模型中。

主持人 Mingke：在我們的操作和實踐中，是否曾遇到需要與符号進行對接的情況？比如将生成模型與符号進行對接？

在企業中，高度可控性是非常重要的，高可解釋性對于業務邏輯是至關重要的。過去，我們要求關鍵任務的準确性達到 100%。但現在，即使與人類的一緻性相比，高可解釋性也非常重要，尤其是對于監督學習這種用機率來表達邏輯的過程而言，這種類型的問題如何處理？

張大衛： 根據目前的研究趨勢，這種情況比較少見，雖然也有一些結合使用的研究，但總體而言還不普遍。在目前的實踐中，還沒有出現這樣的操作。以前基于符号邏輯的研究會更加普遍，但現在相對較少。

郝傑： 明略科技在知識圖譜方面具有豐富的經驗，特别是在消費類行業，如美妝、3C、汽車、大健康等領域。我們積累了比較完整、完備的知識庫和知識圖譜，知識圖譜的知識表達形式更加進階，具有實體和連接配接，并且可以進行邏輯推理。圖譜中的實體和關系決定了基于圖譜生成的文章或圖檔的專業性和邏輯性。對于營銷類短文的生成，明略科技離不開知識圖譜，它能夠保證文章的可解釋性、專業性和邏輯性。在生成之後也會使用 ChatGPT 這樣的大型模型進行潤色，以滿足客戶的多重需求，包括風格修改和客戶特殊要求等。 這種方法不僅兼顧了多個次元的需求，讓客戶放心使用。

在目前的生态環境下，完全依靠神經網絡、深度學習解決所有問題是很困難的。例如，敏感資訊的過濾并不需要大型模型來學習。由于敏感資訊是動态變化的，每天都會有新的敏感詞出現，是以可以将這個子產品內建到搜尋引擎或者客戶的資料平台中。這個子產品可以采用規則和詞表進行處理，而不必依賴于完全連接配接主義的大型模型。這個問題可能是多邊形的，需要因地制宜地選擇解決方案。

主持人 Mingke：對于服務或動态業務，例如銀行，可以使用大模型來實作全面的業務動态化，而不是隻限于知識。假設有兩種類型的機器人，一種是 Web 1.0 機器人，也稱為聊天機器人，它主要用于回答使用者問題或從知識圖譜中擷取資訊，但不連接配接業務系統。

另一種是 Web 2.0 機器人，也稱為代理機器人，其目的不是回答使用者問題，而是使用自然語言來操作業務系統并将業務系統傳回的狀态轉換為自然語言後傳回給使用者。如果銀行要将所有業務都封裝成這樣的機器人，一次性完成這樣的任務将非常痛苦。在監督學習中，需要訓練多個模型來處理不同的任務。但是，如果要處理多個業務，可能會遇到模型能力不足、分發能力不足等問題。在這種情況下，ChatGPT 可以是一種可行的解決方案。如果銀行開放其業務端口，ChatGPT 可能是一種有效的解決方案。如果客戶有這方面需求，該怎麼解決？

郝傑： 我們确實也有金融行業的銀行客戶。通常銀行要求所有系統都私有化部署，這意味着系統不能離開銀行大門，但是它們需要一些連接配接器和 API 管理，将現有的各個系統、資料庫、CRM 系統以及 BI 系統整合在一起。 一個特殊之處是，我們國内的許多行業都要求其大型模型、營銷、銷售和服務系統等都進行私有化部署，這是由于它們行業自身的特性所決定的。

這種情況很容易導緻項目利潤率非常低，甚至可能虧損。是以，對于這類客戶，我們提供的政策是一個靈活、可擴充的模型訓練服務，以幫助他們充分利用自身積累的資料，訓練适合他們的模型。并不是一定要部署高成本的大型模型，因為他們也需要考慮成本問題。

還有一個例子是微軟的小冰，它是一個中等規模的模型，在思維鍊、智慧湧現方面也不比擁有千億參數的 ChatGPT 差。小冰的思維鍊已經對接了實際業務場景中的一些動作，形成了閉環。這樣做基于人類回報的強化學習的訓練，可以獲得更多、更有價值的樣本。相較于讓 1000 個人進行标注，這種方法更加高效。這也印證了我們一直堅持從中小模型入手，為垂直業務提供服務的理念。此外，斯坦福大學的楊迪一團隊也發表了文章，經過廣泛的評測，證明了在監督下進行 fine-tuning 後，中小型的模型大多數時候都可以取得比 ChatGPT 更好的效果。這進一步證明了我們的觀點。

張大衛：以前在将對話機器人與具體業務進行對接時，你會發現業務接口内容非常繁瑣，技術隻占了一小部分，更多的是業務上的各種複雜需求。這也導緻了郝傑老師所說的問題，即隻有把接口告訴 AI 或者将相關資訊提供給它，AI 才能學習和自動完成任務。

主持人 Mingke：以靜态文本的形式呈現模型，相對于專業領域模型或大型模型，或者是中等規模模型的結合，您認為哪種模型結構更具有未來性？從類似小冰或 ChatGPT 這樣的結構來看，您認為哪一種更有前途？

張大衛： 我認為，考慮到技術和商業兩方面是必要的。從技術角度來看，大型模型的參數和資料越多，它們可以從趨勢上學到更多的東西，是以在技術趨勢方面，大型模型在本質上可能更好一些。從商業角度來看，我們需要根據具體情況來考慮。在一些垂直領域、銀行等領域，他們可能擁有自己的模型，獨立開發一個模型也是可行的。但是在一些實際場景中，我們傾向于使用大型模型，然後添加一些小型模型、網絡層或附加層等等。這種商業模式的實作方式可能因不同場景而異。

在大型模型技術發展的今天，我們可以使用大型模型加上客戶提供的小型模型來生成客戶需要的資源。客戶隻需提供少量資料，就可以在很短的時間内得到符合自己公司風格或特色的圖像、資源、甚至劇本或劇情。是以，在商業模式上，大型模型加上客戶提供的小型模型是一種更可行、更可接受的方案。是以，綜合考慮技術和商業兩個角度，我們可以更好地回答大型模型和小型模型哪個更好的問題。

郝傑： 我認為這兩條路可能最終會走向同一個方向，盡管它們現在存在差異。這是因為“大”和“小”是相對的概念。

除了将大型模型應用于傳統的業務産品之外，也會出現一些基于大型模型的 native 應用産品和服務。目前，我們已經看到了像 AIGC 以 Midjourney 為代表的一類圖像生成應用産品的興起，未來還将出現一些視覺視訊生成的應用産品。ChatGPT 的出現也帶動了許多文本生成公司的湧現，這些公司可能以前根本不存在，而現在它們的業務完全圍繞着大型模型展開。這些公司的共同特點是它們能夠生成内容，這可能包括生成、創意甚至心理咨詢等方面的内容。與我之前提到的分析和識别業務不同，這些 native 應用程式是直接生成内容的。是以，AIGC 代表了一類基于大型模型 native 應用程式的應用産品。

哪些職業可能被 AI 替代？

主持人 Mingke：大模型涉及到了一些需要特定知識類型的工作，以及一些需要重複腦力的自動化或半自動化任務。從這個角度來看，哪些工作或工作流程中的環節容易被機器所替代？

張大衛： 在遊戲行業，AI 對美術設計提出了巨大的挑戰。目前，有些初學者或水準有限的人員的繪畫水準無法與 AI 相比，甚至效率遠低于 AI。是以，對于遊戲公司的主美來說，他們需要對整個美術有一個審美标準和整體風格的把控。對于其他一些基礎美術，AIGC 可能會部分取代人類。

在創作中有很多枯燥或重複的部分。在這個過程中，AI 機器可以大大壓縮創作的時間。 例如，我們可以将創意或想法、文字或簡單的線稿或草圖輸入，AI 可以快速生成數十張或數百張圖像，供客戶選擇。客戶可以選取自己喜歡的素材進行加工或修改。AI 可以完成很多枯燥乏味的工作，例如主美畫草稿，基礎美術塗色和完善畫面等。AI 可以幫助人類降低探索成本。例如，在圖像創作方面，AI 可以一次生成多個美術素材，在劇本方面，可以一次生成多個分支。雖然 AI 可能無法完全代替人類，但它可以給人類提供創意和靈感，大大縮短創作時間。

郝傑：我們各行各業客戶的老闆們普遍有降低成本、提高效率的訴求。然而，我個人的看法是，雖然在各行各業中，有些藝術或手藝類工作的差異可能相對較大，但總體而言，在面對大型模型和通用人工智能的沖擊時，行業之間的差異應該是相對平等的。

在科學領域中，大型模型原生應用的場景也包括各種科學領域，例如超導材料、生命科學、醫學和生物醫療等領域，這些領域很可能是大型模型大顯身手的場景。OpenAI 正在做着不可思議的事情，将地球上所有的知識都裝入一個模型中，雖然看似昂貴，但實際上反過來說，這是非常便宜的，對于惠及全人類來說是非常便宜的。未來，它的發展方向應該是惠及所有行業。它的目标不是讓某些人失業，而是讓他們更強大，讓設計師、廚師和化妝師等更輕松地修煉到大師級别。

本文轉載來源：

https://www.infoq.cn/article/xiFWKht6NdjACd91Be6V