「全球共享一個大腦是不現實的。」
作者 | Founder Park
大模型的場景落地，印象筆記這次跑在了第一線。
今年 3 月，印象筆記公布了自研輕量化大語言模型「大象 GPT」，并率先推出了「印象 AI」，陸續在産品矩陣中落地，已為數十萬内測及體驗使用者提供了多種場景下的智能服務。
正如印象筆記的 CEO 在采訪中所說：「我們相信通過自主研發和創新，能夠為使用者提供更加個性化、高效的服務。」
印象筆記從前身 Evernote 就秉持着做人類「第二大腦」的初衷，2018 年，印象筆記與 Evernote 獨立分拆後成立印象研究院正式研究 NLP。這意味着他們不僅僅是一個筆記軟體，而是一個能夠了解、協助和增強使用者思維能力的工具。讓使用者能夠更加高效地管理和利用他們的知識，這是作為一款筆記工具的初衷，也是印象筆記能夠迅速推出自家大模型的原因，這背後，離不開前期以來的使用者認知和使用者資料的積累。
關于「大象 GPT」和「印象 AI」的由來以及未來，極客公園創始人&總裁張鵬和印象筆記 CEO 唐毅進行了一次對談，唐毅講述了印象筆記如何一以貫之地做好筆記自然語言了解和處理的革新，并在目前 GPT 的潮流中，如何在通用模型之外發現更大的專有模型市場的潛力和未來。
01
通用大模型不會一統天下
張鵬：
你之前提到（印象筆記）很早就做 NLP（自然語言處理），那你們什麼時候開始将AI路徑轉換到GPT上的？為什麼要自己做一個大模型出來？
唐毅：
從 NLP 的邏輯來看，外腦必須能夠處理知識中的自然語言力，尤其是邏輯，是以我們要對自然語言有清晰的了解，這也是真正的 GPT 擁有的能力。不管通用還是專用的大模型都具備分析，提取，總結，智能書寫這些能力。
通用模型的基礎邏輯是大家共用一個參數非常大的、千億級的模型。它的基礎邏輯經過了非常多的不同語料和資料的訓練，形成了一個推理/預測機器。但是作為一個大腦，它是一個通用型的大腦，大家和同一個大腦交流。使用者的個人資料或者個人知識并沒有能夠去訓練這個大腦，即便跟它交流，甚至讓它對一些個性化知識進行分析，都不會影響大腦思考的過程。
是以通用大模型從使用者角度來講，是很強，很通用的，但它絕對沒有個人特色，它不會對你自己形成的知識、對世界的認知、積累的資訊有任何形式的反應。而且還有一個問題，就是通用語料和專用語料确實不一樣。使用者個人所積累的，所獨有的，或者一個團隊、企業所積累的和獨有的，一定是在專用模型裡面來呈現。
張鵬：
如果有這樣的工具，能結合我過去的知識庫，将過去創造的概念與現在的概念融合，形成完整内容，我會很開心。然而，通用大模型或ChatGPT目前無法實作這一點，因為它不了解我的上下文和十年前積累的知識。
唐毅：
是這個意思，而印象筆記的外腦服務一定是有能力基于使用者個人資料，個人知識和認知的。任何一個通用大模型都有局限，包括 GPT-4。它們都會有語料更新和範圍的局限性。
張鵬：
外腦就是說不隻能幫你存儲，還要能調用。
唐毅：
對，筆記是線索，用于提示索引、記憶知識和記憶本身，但并不是所有的知識和記憶都完全存在于筆記中。外腦這個概念需要全面的資料收集來支援。未來的個人大模型是部署在雲端還是裝置上，這是一個需要做選擇的問題。
在這個領域中，有許多前沿研究方向。我們并沒有固定要進軍某個方向，我們的智能硬體是基于聽、說、寫等功能的。所有的功能都要麼輸入，要麼輸出。例如，我們有智能錄音、智能掃描、智能書寫、墨水屏，它們要麼讓你書寫，要麼讓你分享。
随着我們自己的大模型的不斷推演，即使在 ChatGPT 和大象 GPT 以及印象 AI 全面上線之前，我們明顯看到一個需求，無論是使用者還是企業或産品，處理記憶和個人資訊的需求都趨向于持續記錄和持續記憶。
有一點是清晰的，就是我們剛才所說的，算力和算法變得越來越像基礎設施，而資料變得越來越重要。形成個人知識體，實作外腦的概念确實需要持續不斷的知識和記憶存儲，這個方向是明确的。
張鵬：
那麼印象AI可以算作一個垂直大模型嗎？如何定義它？
唐毅：
我覺得從資料而言可以算是垂直的。
垂直領域在大模型和 AI 方向叫做 Domain Expertise，那麼這個 domain 指的是某一個領域，可以是某一個垂直行業的域，也可以是某一種形态的資料。
我們有兩個 domain 的邏輯，一個 domain 就是使用者自己的資料或者企業自己的資料，或者用印象團隊管理的自己的資料。另一個 domain 是相對比較嚴肅的知識。我們這個模型的訓練會更加關注于知識，傾向于知識的更深入了解以及不同領域知識的連接配接。那麼它在這個模型能力邏輯上可能就不如通用大模型大。
張鵬：
是以可以說，通用大模型即使接API也不能解決你們産品場景使用者的真正問題嗎？這是否是你們要自己做大模型的原因？
唐毅：
這是原因之一。還有幾個深層次原因。
第一點是我們很久之前就有一個世界觀來研究 NLP，對大模型也有好幾年的經驗。這個過程當中我們的了解是，未來的世界肯定不是幾個通用大模型的世界，而是不同形态的模型的世界。這些模型可能是不同的通用大模型，也可能會是很多垂直領域的小型或者中型模型。
另外，我們和很多同行都認為生成式 AI 和大模型是一個工業革命級别的技術事件。這個前提下，我們判斷未來會存在不同形态的、具有不同的通用和專用能力的、具有不同部署特性的模型來服務不同的人、不同的行業的不同企業。
第二點是，現在大象 GPT 或者其他通用模型也好，現在都不是在用使用者個人的資料對它進行訓練，隻是讓它作為一個分析機器對資料進行分析。
我們希望未來不管提供團隊模型還是私人模型時，使用者可以選擇用我們的模型基礎來對他們的資料進行訓練和調優，這樣訓練出來的模型就是完全個人的模型。
張鵬：
我看直播間有觀衆提問，最近正好 OpenAI CEO Altman 在說大企業做大模型，開源社群做小模型，未來國内大模型的發展也是這樣嗎？
我也看到有人說中國至少有 100 個大模型，而且這些的核心不是都能被稱為通用?
唐毅：
我覺得 Altman 在講這句話的時候有一個背景，就是大模型的安全性問題。這個裡面存在語料訓練，模型湧現的能力如何去監管，去更好地為使用者服務的問題。
另外一點，開源的社群和開源的模型給大模型的發展提供了巨大的幫助和助力。開源的開發者給大模型的技術能力和整個産品的産業業态發展帶來了非常多的可能性，它是一個巨大的大模型能力驅動的方向。
第三點，其實所謂的小模型本質上來說還是大模型。參數上小一點幾百億，大一點幾千億，都是 large language model，沒有 small language model。這些不同的大模型給技術發展帶來了一個百花齊放的生态。
第四點我想說的是，我不認為一個産業永遠有塵埃落定的時候，但相對來講一個新的技術會逐漸找到主流方向和比較穩定的産業生态。
張鵬：
如果有一個大模型能力提高且通用的話，其他人做的大模型是不是就都沒用了？如何面對這種焦慮？
唐毅：
從趨勢來講有一個很明确的方向，我們包括其他很多同行會把現在看成剛剛發明電，發明網際網路的時候。
生成式 AI 的産業發展還是會遵循以往這些新事物發展的曲線。在急速上升過程中可能有些泡沫，但泡沫也被逐漸擠掉，真正的東西會出來，最後形成這一代的技術前沿。
在這個方向上就要不斷去仔細思考兩個事，一個是說，本着非常開放的心态去說，最前沿的可能性在哪裡？另一點是說，它基礎的邏輯在哪裡？或者說我們怎麼看大語言模型這個事？
但是前沿的問題，我們覺得是有完全不同的可能性的。這個可能性倒不是馬上就出現了新的平台廠商，大模型廠商。更可能的方向是大模型加插件，以及 APP+專用模型。這兩個方向我認為，私人的資訊和一個更專用場景的模型提供的服務和通用大模型，以及所有廠商有限的或更多的為大語言模型通過插件開放自己的資訊所提供的服務，都有很強的意義。
這兩類服務都可能産生真正改變日常生活、工作和生産力的公司。未來每個人都需要的還是和自己的思考個性相比對的個人助理。世界上絕對不會隻有幾個大腦在幫所有人思考，而是不同的機器大腦在幫不同人思考。
張鵬：
印象 AI 如何避免事實性錯誤的問題？
唐毅：
兩類方法。一類是知識圖譜，在一些事實性的判斷上，知識圖譜結合GPT。另一類是通過實時上網，實時通過不同的接口和 API 調用事實進行分析。
02
多個大腦為一個人服務
張鵬：
你提到有人期待将筆記和寫作結合起來，這樣會更加友善。有些人認為在一個筆記軟體中添加寫作功能有些奇怪，但也有人表示支援并希望能夠實作結合。你如何看這個問題？
唐毅：
我們現在訓練生成式 AI 學習真正的寫作。知識管理和協作場景上的表現基本上是 2 類的呈現。
第一類的呈現就是對話形式，比如微軟的 copilot。這個形式先是從 GitHub，然後到 Edge，緊接着到 Microsoft 365，最新又直接到 Windows，它已經是一個 AI 原生的作業系統。
它的互動形式更多的還是直接對話的形式，包括開放式的對話或者多輪的對話。這也是因為大模型的一個強勢邏輯：in context momery（上下文記憶）。
另外一個形式展現在 Notion 這類下一代知識管理平台的産品上。它完全沒有對話形态，而是一個純寫作助理的形态。基本上它是一個菜單式的邏輯。我們對這兩個形式的判斷是他們不會沖突。
其實第一種就是 LUI（語言式使用者互動界面），第二種是 GUI（菜單式使用者互動界面）。兩個有一個混合的邏輯在裡邊。
張鵬：
像微軟把它家的這種 AI 輔助稱作 Copilot，你們如何定位這種輔助寫作的能力？如何去設定它的意義？
唐毅：
有意義的智能寫作未來越來越不是一個通才能夠完成的任務，必須有一個專才基于它的能力和使用者的個人資料來完成。
第一個角度是行動的迅速性。這種迅速性源自我們的經驗積累。從邏輯上說，我們在引入 GPT 模型之前就已經推出了各種不同的模型，是以反應速度必定非常快。此外，除了現有的寫作助手功能之外，使用者很快就能夠規劃文檔，并與多個文檔進行對話，并開始與資料的整個記憶（如筆記和之前所寫的文章）進行互動。随後，可能還會有進一步的疊代。
第二點是關于模型能力。我們認為，在行業和産業的推進過程中，大家逐漸能夠看出通用模型服務通用場景與專用模型服務專用場景之間的差別。即使都是寫作助理，由于我們的模型和一直以來所服務的使用者專注于特定場景，我們積累的語料也專注于知識管理和知識生産力提升等領域。
第三點是使用者對我們的信任和使用情況。我們深感榮幸得到了中國和全球衆多使用者的喜愛，印象筆記已經存在了十多年。在這段時間裡，使用者将大量的個人資訊、知識類資訊、生産力資訊、學習、工作和生活的資訊存儲在我們的平台上。即使使用者不選擇自行訓練模型，他們仍然會讓我們的模型來處理這些資訊。
我剛才提到了一個觀點，即資料在邏輯上變得越來越重要、越來越有價值，無論是專項資料、專業領域的資料。我們始終是一家以提供不同技術，随着技術演進而為每個人提供更好使用者界面的原生外腦的廠商。是以，我們對我們産品的能力和技術能力持續保持領先感到非常有信心。
張鵬：
很多AI産品都有輔助寫作的能力，你們怎麼定義輔助寫作這個功能？你對如何運用大模型形成使用者體驗的壁壘有什麼看法？怎麼思考産品如何給使用者帶來價值？
唐毅：
我們覺得最首要的事情是思考問題，而不是想如何建立壁壘。或者說先想我到底做什麼，服務什麼，把這個做好了，然後把能力提高了，願景想好了，壁壘就會慢慢顯現出來。
印象筆記的産品壁壘是使用者積累和存儲的資訊。因為使用者對品牌的喜愛、認可和使用積累起來一些東西，逐漸形成了一個壁壘。
說到真正的壁壘的話，或者說優勢，我們覺得有三點，第一點是模型/ AI 能力本身，第二點是部署本身，第三點是環境/互動，特别是我們在場景相關的互動上面的一些了解。
第一點，我們專門的一個邏輯是會存在不同模型的可能性。換句話說，在這個特定場景中，我們專注于積累語料、訓練經驗，并緻力于為知識管理、寫作和知識生産等領域提供專門的服務。針對這類場景需求，我們的模型具備一定的能力，無論是在模型容量、調優能力上，還是在多次疊代的模型持續能力上，以及在應用層進行索引和多次疊代運算的能力上，甚至在我們的提示工程能力方面，我們已經積累了相當長的時間。
模型部署角度的話，大家要思考的是不光是個人的需求，還有企業的需求，甚至一些政府場景的需求，那麼它真正需要的模型一定是在防火牆這個背後來部署的。對于這個模型，我們考慮的不僅僅是它所訓練的語料，而是要處理和分析的資訊必須足夠安全。是以，無論是私有部署、混合部署、通用模型還是私有模型，針對不同場景的模型，這是未來發展的方向。
互動來看，我們覺得有兩種可能性，一個是菜單式的互動，一個是開放式的互動。開放式就是純粹對話，它适用一些較不适用菜單式的互動。印象筆記的智能寫作主要是菜單式的互動。在未來，我們将引入類似于 Copilot 的開放式對話，實作開放式的互動。這種互動邏輯類似于 ChatPDF 的邏輯。在這一點上，古典網際網路的産品能力、互動設計能力和思考仍然非常有用，因為并不是所有場景都隻能使用 LUI，而是介于 LUI 和 GUI 之間的邊界點。何時選擇何種方式，需要根據經驗和積累做出決策。
張鵬：
對，一個簡單的 LUI/對話框解決所有問題并不是最優的，那麼哪些關鍵環節需要GUI來适時提升使用者互動的效率和體驗？
唐毅：
過去 GUI 勝過 LUI 的原因一個是背後技術能力的差距，比如像智能音箱這種傳統技術驅動的 LUI 并不靠譜，是以之前互動體驗上 LUI 選擇遠遠落後于 GUI。
開放式 LUI 的邏輯和選擇性菜單式 GUI 的邏輯，在不同場景和不同心理狀态下，其實是有完全不同的邊界和适用性，這一點是我們持續實踐，持續思考的結果。
大模型最重要的能力是邏輯能力和進行多輪互動的能力，由于它處理的是語言，是以輸入和輸出的最優秀呈現到現在為止還是語言。是以未來一定是LUI會占更多的份額。
但是仍然有一些比如像單反相機使用者這類人，它們喜歡從提供的選擇中再選擇，喜歡自己控制。從這一部分使用者需求來說，GUI 肯定會存在。但 LUI一定會占更多的份額，因為 LUI 到現在為止還是最符合大模型技術邏輯的一種輸入和輸出的方式。
互動将持續是技術、産品以及技術通過産品為個人、企業、團隊和每個人提供服務的過程中一個持續重要的領域。然而，這個領域本身的邊界和内涵将發生變化，變得更加豐富。
張鵬：
也就是說，以前 UI 的核心是把所有工具放置好讓使用者友善調用。而未來 UI 的使命變成了在合适的時候出現，確定使用者更好運用他們的能力。LUI 是一個新範式，但是光靠它是不夠的，還需要一些其他的東西，有很多問題還要繼續思考。
未來印象筆記的産品會有什麼新的整合嗎？會不會變成一個全新的東西？比如ToB的可能性。因為感覺現在好像很多到生産力級别的工具很快就到 ToB化了。而且 ToB 直接有非常強烈的付費意願。
唐毅：
ToB 的話現在有很多企業已經在跟我們對接了。
就互動來說，未來肯定會有更多的裝置适合 LUI，在這種裝置的反向驅動下，一個應用廠商的選擇一定會出來不同的互動選擇和産品方向的選擇。
張鵬：
大模型這件事之是以令人興奮，就确實因為它是一個範式革命，産品有機會重新再造。它不是像原來的更新檔更新，這個感覺就完全不一樣了。
唐毅：
對，它是一次生産力底層變化的革命，讓人興奮的原因就是你會發現确實有很多東西隻能重新構造，重新創造。
張鵬：
你們既然有這麼多使用者，有沒有思考過這個産品未來的張力？比如像個人助理這種，因為你們已經有了外腦的概念。
唐毅：
談到個人助理的邊界和其在個人生活和産業中的角色，我認為有兩點需要注意。首先，我們要認識到目前大模型的互動，無論是通過哪個軟體或平台與其進行對話互動，或者讓它處理任務，它都是同一個模型，不屬于個人的模型，也沒有通過使用者的資料進行訓練或優化。不論是通過單一提示工程的方法，還是通過向量資料庫的形式進行索引，它都是一個大腦的思考。但很顯然，全球共享一個大腦是不現實的。
第二點，一個大腦服務一個人也有些問題，因為一個人在不同場景下有不同的需求。例如，工作大腦、生活大腦，甚至可能還有娛樂大腦。
關于部署，除了形象上的部署之外，還存在一個非常技術角度的部署問題，即某些大腦我願意放在雲端，而某些大腦隻有在裝置上才讓我放心。
是以，在選擇 AI 助理或者 AI 助理的發展方向時，我們确實認為更個人化和更場景化是未來的趨勢。它既不是一個大腦為許多人提供服務，也不是一個大腦為一個人提供服務，而是多個大腦為一個人提供服務。
另外，這些大腦，包括印象筆記的知識大腦和第二大腦的外腦思考，在産業和生産生活中的地位将會變得更加重要。它的重要性源于大腦思考的能力，它可以替代現有的一些平台級應用或資訊聚集類應用，為使用者提供最佳的服務、内容、産品、知識、協作和社交。
在目前階段，所有人都會聚集在流量分發平台上。未來，我确信每個人的多個大腦将根據個人需求在各個場景中進行流量對接和分發。
張鵬：
像現在的不同産品，使用者在使用過程中和它們建立了不同的連接配接（relationship）。
唐毅：
是的，個人助理在不同方面起到不同的輔助作用，但是這個助理有一個特點，即大模型具有所謂的「在上下文中學習」（in context learning）的能力，也可以稱之為「思考鍊」或「記憶鍊」。當你與助理互動時，它能夠了解上下文，并展現出這種能力，這是大模型訓練過程中顯現出的特征。然而，更重要的上下文是指一個人、一個系統或一個産品了解使用者過去十幾年寫過的内容。
張鵬：
就我來看，我們應該從關系的角度來觀察未來助理的狀态。為什麼我說助理不會成為一個全能型的助理呢？
因為這種關系并不符合人類的需求，人際關系是多層次的，你有使用者、同僚、朋友，甚至是酒友等等。在不同的領域中，你的關系是分層次的。是以不可能用一個模型來解決所有問題。
唐毅：
而且在某些場景下，上下文是不必要的，比如與酒友和球友交往時，知識和工作上下文并不重要。然而，與同僚、學習夥伴、同學交流時，上下文非常重要，包括你過去積累的知識。
03
軟體的未來：泛 API 化
張鵬：
軟體未來還有沒有價值？是不是軟體都會變成API？這個時代如何重新了解軟體？
唐毅：
我認為現在有機會重塑軟體行業，它會增加軟體的可能性并确認過去一些軟體的趨勢。
從我們的角度來看，軟體具有廣泛的含義。在過去的幾十年裡，軟體行業涵蓋了從基礎設施、雲架構、開發工具、服務到應用層的各個方面。
大模型和其帶來的處理能力、思考能力、思維能力以及在生态系統中的角色，以及在算力、算法和資料上的不同方式（如從頭訓練、開源和調優）以及與廠商合作使用大語言模型的方式，将改變整個軟體行業的形态和景觀。個人認為，這種變化具有兩個或三個明顯的趨勢。
第一個趨勢是新的平台應用成為可能，未來聚集或者幫你分發和推薦的都是這個大腦。
第二點是，泛 API 化和插件化是一個很清晰的趨勢。在軟體和軟體之間的互動中，API 扮演着重要的角色。從應用程式和應用程式之間的互動和對話來看，API 變得越來越重要。
第三點是，在重塑生态的過程中，我們的判斷是還是要回到初心。在整個技術棧和應用棧的重塑過程中，包括新的大模型技術棧以及從底層晶片計算到應用層重新思考技術棧，我們始終要基于使用者，需要從根本上以使用者和使用者體驗為出發點進行思考。
張鵬：
總結起來，做軟體的人在目标上需要更本分，即解決使用者的問題。未來軟體之間需要更加連通，形成一個使用者群落。雖然想要實作「一切功能集合于一體」(all in one) 的目标很困難。
在未來的形态下，以前的政策可能行不通了。未來涉及到衆多細分領域和場景，是否能在每個領域發揮最佳作用是關鍵。使用者可能需要互相調用不同軟體，在不同局部選擇最好的解決方案。
04
不要假裝自己已經想明白了
張鵬：
你們當時為什麼決定推出「大象 GPT」和「印象 AI」的産品，并以如此快的速度實作它們？之前聊過印象筆記一直有個「第二大腦」的目标，這個目标是怎麼出現的？
唐毅：
印象筆記在獨立之前，很早就已經和生成式 AI 有聯系了。
Evernote 最早期的創始人給這家公司的定義就叫 extented brain（擴充大腦）。當時這個老爺子已經有點帕金森了，是以建立 Evernote 的一個初衷就是能幫他記住并且想起可能忘記的事情，公司的願景就是要成為人類的個人團隊和企業的第二個大腦，或者說「外腦」。
這個願景在之後公司的發展過程中一直在延伸，在生成式 AI 和 NLP 出現之前，印象筆記能夠通過非常迅速地對不同形态的資料處理，幫助使用者記錄，并且永久記住内容。之前通過搜尋實作，從關鍵詞的比對和算法上來解決這個問題。
在本土化之後，我們設立了印象研究院。我們在谷歌 Attention is all you need 那篇論文之前就在通過非 GPT 的形式進行自然語言處理和不同專業場景的自然語言了解的嘗試。
研究院的目标很清楚，就是如何能夠給個人、團隊和企業提供「外腦「的服務。這項服務背後最重要的智能就是自然語言了解和處理。
在 2021 年左右我們就有了自動标注、智能标簽、智能摘要這些功能，幫助使用者把他們和他們的知識連接配接起來。我們的大象 GPT 之是以能這麼快釋出，也是基于我們多年研究的積累和經驗。
現在的産品背後是驅動，使用者從前端可以通過不同産品感受到這個影響，包括 AI 服務、一系列的智能生成、智能寫作、智能總結這些功能。
産品背後是印象筆記自己研發多年的一個輕量級單元模型，也就是大象GPT，總體上所有的 AI 功能都是由大象 GPT 來運作的。它對印象 AI 中的寫作助理，智能生成，智能檔案分析這些功能進行驅動。
張鵬：
在你們3月份快速推進GPT這件事情的時候，有沒有借助 OKR 或者 KPI 管理内部？你作為一個CEO，如何帶領大家形成共識？
唐毅：
在目标管理和戰略方面，我總結出幾點觀點。
首先，長期的戰略方向是必要的，但短期調整也是必不可少的。我們需要明确一個大的方向，并持續進行調整。這個明确的過程可能需要花費更長的時間，我們需要思考自己的初衷和追求是什麼。
另外，作為管理者，我不贊成隻考慮短期内的事務，因為外部情況變化很多。印象筆記之是以在市場上有一定的實踐成果，也不是因為我們僅僅短期想明白了，或者是因為 ChatGPT 的出現讓我們想明白了。而是我們追求自然語言處理（NLP），追求通過語言為知識服務，通過知識服務為人類服務。
從這個邏輯來看，我們始終秉持初心，我們的方向符合大的趨勢，當這個趨勢出現時，就是一個機遇。是以，這一切都有一種順理成章的邏輯。這是第一點。
第二點，我想分享一下印象筆記内部的公司文化。
我們公司的文化是矽谷文化和本土創業文化的結合，注重實際行動，同時也注重内部溝通。我們非常鼓勵每個員工勇于承認自己的不足，不要假裝已經完全想明白了，而是要傾聽他人的意見。
同時在執行力方面，我們已經取得了顯著的進展。印象筆記的代碼量已經是當初 Evernote 的代碼轉移後的好幾倍。是以，執行力非常重要，我們需要有戰鬥力，但也需要有思考能力，有讨論能力。
在這個前提下，我認為 KPI 和 OKR 才具有意義，它們并不是一個簡單的解決方案，每個系統都有其自身的特點和優缺點，我們需要不斷加強和改進，同時保持一緻性和靈活性才能有意義。