AGI 2024特辑03 |对话面壁智能李大海：AGI是千里江山图，咱刚打开一条缝
35:54 Share

欢迎收听 AI 局内人 AGI Insider 是极客公园旗下的科技创业者社区 Founder Park 出品的 AGI 系列播客节目

虽然 OpenAI 反复强调 Scaling-out 是大模型最重要的原则但事实上 GPT-4 在过去的一年里缩小了 10 倍这是面壁智能看到的 Scaling-out 的另一面基于对 Scaling-out 的独特理解在仅仅 8B 的面壁所谓小钢炮模型上它们实现了可以和 GPT-4V 对标的多模态能力

甚至有信心在 2026 年推出一个 GPT-4 水平的端测模型为什么聚焦端测?一方面是因为确实看到了端测离用户最近另一方面也是觉得端测是落地起来更具象化更现实的途径

关于创业,关于端侧模型不一样的 scaling out,以及端侧模型和云端如何协同的未来在 AGI Playground 2024 上,极客公园创始人兼总裁张鹏与面壁智能联合创始人兼 CEO 李大海进行了这样一场谈话让我们一起聊聊端侧与云端共同协同的未来本期是 AGI Playground 2024 系列采访节目之一,本期的嘉宾是李大海

欢迎大海来到 AGI Playground 其实大海你的创业的就参与到面币技能的过程还挺有意思的我记得你应该是在知乎的时候相当于也推动和主导了对于面币的投资然后在里边去做 CEO 然后最近是 all in 了对吧就是真正变成了一个创业公司的创业者的姿态能不能跟我们分享一下这个路程是怎么心理路程是怎么走过来的

好的谢谢彭哥极客公园的朋友们大家上午好过去一年其实真的是非常兴奋的一年我在就是三四月份的时候二三年三四月份当时是在知乎内部推动了对面币智能的天使轮的独家投资投资以后我们就跟面币智能这边有非常深度的合作

合作的过程中我自己觉得是被时代感召了真的觉得非常非常的兴奋觉得是时代的馈赠就作为一个资深的工程师还有人生还有机会在职业的当打之年能够有这样一个非常大的一个历史性的变革出现所以呢就

在经过一段时间的考虑跟挣扎以后决定要 all in 到大圆模型为代表的 AGI 的赛道里面来这个是整个过程

在这里面还有一些比较有意思的事情就是我在正式决定加入面币智能之前其实跟面币的核心同学都做了一次沟通然后每一个人我其实就问了一句话你们相不相信 AGI 面币智能是不是要做 AGI

你上来也要先做一个信仰考验是吧相信要相不相信 AGI 对大家要共识要对齐一下共识对然后得到的答案都是肯定的所以才有这样一个更进一步的更深度的合作

所以这件事本质上还是因为觉得 AGI 这个浪潮它一定里边蕴含着很多让人兴奋的改变是因为这个东西倒不是因为特别确定的看到了一个比如这会是一个什么样的新的产品或者一个什么新的商业价值

是的,其实我从去年开始我就有一个非常清晰且固执的认知我认为到达 AGI 一定是一个马拉松所以其实在决定要投身到这个大方向上来的时候想的就是我们怎么能够做好自己的事情能够在通向马拉松终点的时候有我们自己的一个位置

我记得在去年咱们那个时候你已经是面壁的 CEO 了当时我们聊的比较多你跟我一直在聊的是 agent 这件事我当时有个感觉我觉得说大海可能是要做一个做 agent 的公司

对吧但这个我相信有很多人你身边的朋友也会问你这个问题啊就今天你会怎么回答就你到底是个做 agent 的公司还是做大模型的公司还是个做什么的公司我们怎么定义面壁智能对吧就早期可以就是不清晰但今天你肯定会有一个很清晰的定义啊

其实一直是非常清晰的大家看我今天穿的 T 恤其实是我们公司自己的硬的 T 恤我们的左边的 logo 写的是 model bestmodel best 是我们公司的英文名字

对这个名字倒一下顺序其实就是 Best Model 所以其实公司成立的 Day1 我们的目标就是要做最好的大模型这个是第一天的这样一个初心所以公司一直认为我们是一个大模型公司然后有一个朋友对我们的定义我觉得比较恰当他们认为面壁智能是最懂

agent 的大模型公司所以我们本质是大模型公司 agent 包括我们在 21 年 22 年最早做的 infra 其实都是我们为了把大模型做好我们去 build 的能力

为什么会有这么一个定义叫最懂 agent 的大模型公司为什么最懂 agent 的这件事这么重要而且确实在早期咱们聊的时候你对 agent 给了我很多启发为什么会从 agent 的这个视角来去看对这个事情展开说一下其实我们又回到了就是我们在

上周的时候在智源大会上其实大家也问了一个问题就是 scanning law 是不是通向 AGI 的路径我觉得这两个问题是相关的为什么我们认为 Agent 的技术重要呢是因为在我看来大语言模型这个技术它代表的是我们能够去构建最好的系统 1

但是 Agent 的技术不管是外化的 Agent 的技术还是把 Agent 的技术未来内化到大模型里面去这个技术本身是能够形成一个系统二跟大元模型结合在一起能够更好的让我们到达 AGI 那个最终的目标去的这是我个人的观点所以 Agent 的技术本身是非常非常重要的

所以其实模型是它的底层但是如果你要想我听起来 AGI 是意味着它真的能够让它通用的在更多领域发挥价值 Agent 的这一层也是非常重要这是你们最终把这两个词要连在一起的原因对我可以展开说一下我们都知道人之为人除了有一个去负责逻辑的

大脑之外应该是左半球左半大脑还是右半大脑我不太记得就是除了有这个负责逻辑的部分之外其实你还需要有记忆还需要有直觉这些其实是在逻辑之外的东西对

对这所有的这些功能结合在一起才是我们一个完整的人才能够去处理非常复杂的任务才能够才是个完整的智能体对吧对对对才能是完整的智能体所以这里边这就体现了就是说如果模型有很强的推理能力光有这个也不够它还需要有其他的东西才能最终变成一个更通用的智能体是的

现在我们在做的大模型的训练的工作其实本质上都是在把各种困难的事情把它变成系统一的工作嗯啊但其实系统二的工作它永远是需要的嗯

所以这里边也引发了大家的一个关心就是如果说要做最懂 agent 的模型公司那在这里边我们看这个模型要做得好它今天模型也分很多类对吧然后这里边有

云端的有端侧的这也是最近我们在关注的大家也是你自己经常聊到的就端侧这一边好像是有它的一个更大的重要性在今天主要凸显这也是反过来你们肯定也会自己定位比如说

你投身其中虽然我理解是要追寻这个通向 AGI 的梦想但你总要找一个自己的定位你肯定不是一上来说我要对标 OpenAI 你肯定是要找一个自己对产业的价值所以你们会怎么定义自己的价值为什么端测这件事变得更重要了

面壁智能在我们过去的发展历程中,我们一直都非常注重高效率。所以就是当我们再去给自己要贴一个标签,要让大家认识到面壁智能的特点的时候,我们会定义自己是高效。这是

面壁在行业里面的一个价值但是我们回到大模型上的时候其实我们虽然最近一直在讲端侧但其实我们想的是要把大模型放到你用户最近的地方这个才是本质所以端侧只是一个目前阶段咱们按照云和端这么划分对对所以本质是要离用户更近对

对所以端离用户更近对因为端离用户更近所以我们放到端上未来也许还会出现云边端端更薄我们把它放到边上也是有可能的边上就比如说我家里都有个私人的服务器是吧类似于这种是的 OK 所以离用户更近这件事要做到它到底难在哪

它要解决的是跟云端这种看起来很高智能的就很高推理能力的这样的模型它有什么区别吗我们在内部其实我们把云上的模型跟端侧我们说离用户更近的模型其实把它抽象出来我们把它称为无所不能的智能和无所不在的智能

对在云上的模型我们认为未来一定是一个无所不能的它在人类的任何一个领域都比这个领域最厉害的人类专家还要厉害

对这是未来演进的方向那无所不在的智能呢它需要跟环境有深度的互动它需要对用户的隐私有深度的掌握所以在隐私和对于环境互动的连续性这两个方向上我觉得无所不在的智能一定是比无所不能的云上的智能要更强的这个是努力的方向另外呢端侧的模型其实除了

首先它也要非常非常好除了好之外还需要克服能耗的限制需要在足够小的这样一个参数底下能够做到大部分日常需要做的完成的工作这后面的挑战其实是非常大的甚至从某种角度上来讲可能比云端的模型的挑战还要大对

我听起来就是说如果我们类比成人如果我们说大模型就是智能智能我们类比成人可能云端的是叫无所不能那就是一个我很敬仰的人他力量很强我知道所有的事都能解决但端侧应该是一个我信任的人

所以我啥事都可以跟他说然后他对我的很多人有了解因为我信任他所以那边是叫敬仰这边是可以这么理解对更像是自己的一个灵魂伴侣或者说自己的一个私人管家对吧你可以把你所有的信息都毫无保留地交给他因为他是专门为你而生的他没有其他的参杂其他的目的

就是专门在为你服务有意思的一个定位我们也很梦想这种因为你刚才说到了这个问题我觉得类比到人类世界里面大家是很容易去理解的有些我们见仰的人其实放在身边你很难受的对吧我信任的人才可以在一起不说话我们也很开心对吧所以这一点一会我们回去探讨怎么实现这一点这里面其实还是挺复杂但我觉得还是要回到原点就既然你要做一个创业公司

当你决心要全身心投入的时候其实这个产业里面模型公司也挺多了海外的有很强力的国内的也有不少的创业者拿了很多的钱更别提巨头们都没有一家会放弃都在这个厂子里

你不觉得等你真正投身其中的时候其实这个时间已经比较靠后了对吧就是这么一个大画卷是不是已经被占的差不多了你当时有没有这个顾虑身边有没有人劝过你

没有啊我首先我我首先我自己是完全没有这个顾虑的因为在我看来其实通过 AGI 这条赛道才刚刚开始我其实会把这个广阔的空间比喻为类似于我们这个以前的

国画里面像千里江山图这样的横轴的卷轴的这样一个徐徐展开的这样一个状态它不像是一个油画非常具体的给出一个很近景的一个画面它其实是一个还在那个画幅还在徐徐展开的一个状态非非常早期的一个状态其实每一个立志于做好

AI 创业的创业者在这个画卷里面都可以找到自己的一个方向去深深的加入进去我自己是这样看的对于面壁智能来讲呢我们看到的是大语言模型本身我们在最近刚刚提出一个我们叫大模型的

摩尔定律他就是作为大模型的知识密度每 8 个月会翻一番啊就是这句话怎么理解呢就是说同样水平的模型过 8 个月以后他的参数量可以少一半

我们只是把这个规律提出来这个规律其实是过去几年整个行业里面在真实发生的事情包括我们自己做的模型包括像 OpenAI 的模型都在发生这样的变化我们抓住了这样一个第一性的变化以后我们才去想我们怎么把它放到端上去

所以这样一些第一性的一些原理的思考我们相信对于我们把工作做好然后吸引到更多的资源肯定是有帮助的

首先你刚才那个比喻我觉得还挺形象我觉得不用说油画其实你看我们国内原来看山水画一般都是束缚的一个挂起来的一个束缚的山水然后你刚才说其实你是个横你认为这个产业的发展是个横幅千里江山图或者是什么清明上高图你看这都是横幅一拉拉好多米是吧

你认为是徐徐展开的所以在这里面要展开的过程中你刚才讲到的那一点就是智能密度可以这么理解我们之前听萨姆奥特曼说的叫智能摩尔定律是多长时间智能的水平要往上提成本会往下降但你刚才选的另一个角度是说在同等大小同等参数大小按道理智能应该更高所以这是理解智能密度的核心为什么智能密度这件事呢

智能密度其实很像我们去看半导体的发展半导体里面有一个词大家现在都很熟悉叫制程制程越高你的能耗越低然后能生产出来的芯片的水平越高竞争力越强我们说知识密度某种程度上来讲其实就是大模型的制程

如果大模型的制程越高那它就能够在同等参数的水平底下表现出越高的智能水平以及在同等智能水平底下用越低的能耗去完成同样的工作嗯

月底的能耗代表什么就代表原来一个模型不能在手机甚至不能在眼镜等等这样一些非常严苛的终端上去运行的模型未来它就有可能我们自己合理的推测面壁智能在 26 年年底的时候我们可以做到 GBD4 水平的端测模型

这是你已经明确的目标这是我们明确的目标但是这个目标显然是根据我刚刚说的我们也需要芯片的伙伴去把端测芯片的水平把它不断地往上提因为我们看到的其实是两个

两个摩尔定律的影响第一个就是传统的摩尔定律每隔 18 个月芯片的算力会翻一番嗯其实这个定律现在其实还在加速了就是在新在端测也在不断的加强而我们看到的我们说大模型参数的摩尔定律啊或者我们自己现在把它叫做面壁定律啊

然后在这个定律里面就是参数的就是大模型的智能密度也在每八个月就在翻一倍所以这两个结合在一起后我们相信 26 年年底是能达到这样的水平的

这个概念挺好就是现在有个叫面壁定律是吧我们面壁定律叫每 18 个月每 8 个月对观测的智能观测模型的智能密度其实是大模型的大模型的智能密度知识密度会翻一翻知识密度对会翻一翻也就是在同等参数中

它应该的智能的水平是往上提升的或者是小参数下它的智能水平就是不断的是在成长所以你已经预料的是说到 26 年是吧是说 26 年年底所以端测能做到 GPT-4 的水平 OK 我觉得在这个事上最近我好像听到你们在一个开源社区里是有一些进展的你们是有个叫小钢炮是吧

那个东西当时是实际的效果怎么样就是大家你们当时准备把这个阶段的这个模型它当时是怎么定义的目标我们是在

今年 2 月份的时候开始推出面壁小钢炮系列的端侧模型然后我们在 2 月 1 号发了第 1 版 4 月份发了第 2 版然后在 5 月份的时候发了一个 2.5 的版本我们应该预期会在 7 月份再发 3.0 的版本后面还有

就是在 7 月份之后还会有一个我们自己非常期待的全新的版本会出现到时候一定第一时间同步给大家那

我想彭哥您提的可能是 2.5 版本上最近的一些比较有意思的事情对我们就是在 2.5 这个版本上因为我们以一个 1%的参数规模形成了可以跟去年的 GPT-4V 还有 GMI Pro 的多模态能力对标的一个模型这个模型能够就是只有 8B 的大小但是它能够放到终端上并且

多么泰伦利非常出色所以呢在国际上也比较受欢迎然后并且在 5 月底的时候被这个几个本科生吧做了一个套壳这个我想您可能说是这个事对但我们其实

就是这个模型本身我觉得它首先这么受欢迎是就是因为它填补了一个空白就是这样一个强的多模态能力能够在很小的模型上去实现这是我们首先做到的那做到以后确实就很受整个社区的欢迎所以我觉得这个就是进一步的

进一步的证实了我自己的一个看法就是我们未来要做所有的创业的工作模型跟产品必须是一体的就是我们未来要做的就是把大模型放到用户更近的地方去那模型能力就是产品能力要做的产品最终也必须要映射到模型能力上才能做出足够好的产品对

我其实挺好奇的虽然你可能跟我们去讲你怎么做出这个小钢炮你们有一些肯定有一些核心的 know how 当然我觉得你这个讲了我也未必能完全听得懂但我很好奇就是说你选择了这个方向和目标今天你一定看到了一些可以去持续优化它的

这种方法就包括你说这个面壁所谓面壁定律的背后一定是有一个方法的对吧有一些你看到了一些比较第一性的你可以去抓持续优化的东西这个东西大概的原理会是什么就怎么能够让他在端策做到越来越高的这种知识密度或者智能密度就这里边你核心的那个要点会在什么地方

这个还是回到我们对于 scanning law 的理解就是 openAI 跟 deepmind 提出 scanning law 以后他们把 scanning law 重点就放在了模型参数还有数据量和对应投入的训练的算力这三个维度上但是我们看到的是除了这三个维度之外还有两个因素是非常重要的一个是数据质量一个是训练方法

或者叫算法吧因为它不只是训练方法还有就是模型结构我们整整个都可以统称为算法啊就是呃大家现在去强调 scanning law 的时候强调望上 scale 这件事情是因为望上 scale 是看起来是容易的因为它可以无限的投资源嗯就可以把它简单的理解为做加法就好了吗对可以把它简单理解为一个资源游戏啊但是在我们看来呢

因为在一些像终端这样场景底下无脑的投资源是不被允许的对吧因为我的算力我的功耗我的能耗是不允许的所以在这个场景里面我们怎么去加入更多高质量的训练数据怎么把训练数据的质量提上去通过合成数据的方法让数据能够我们能够用足够多的

教科书级别的数据来做模型训练这个是一个重要的一个问题再一个就是怎么能够去做更加精细的模型训练这个就有点像我们去用 AI 来教小朋友学习大家知道原来的时候最早不知道最早吧我们就三年前五年前就这么学习的对吧就是都是一个老师配 50 个学生然后我讲同样的教材

但是有教无类用 AI 来教学的话其实 AI 可以更好的去理解每一个学生他的掌握知识的好的地方和薄弱的地方针对薄弱的地方在做定向的一个增强我们也可以用同样的方法来训练 AI 所以训练 AI 的时候不应该是一个一成不变的方法我们就

我们在训练面壁的小钢炮 1.0 的时候我们就提出了一种全新的学习力率的调度器 WSD 通过这种方式动态的去针对模型的不同阶段去用不同的方法来不同的参数来训练模型这种方法取得了很好的效果我们在 1.0 的模型上我们用了 1.6T 的高质量数据而

同一时期 Google 的那个 Jema2.2B 的模型他们用了 6T 的 token 来做训练最后我们的模型的效果还比他们还要更好一些其实这个就体现出了训练效率训练方法不同带来的训练效率的提升果然是我觉得其实创业者如果有一个目标的创新

其实在这个目标下你其实就有机会长出你方法的创新然后和最后能力的创新所以这个我还是非常相信的一般从创业创新的角度来讲终极的还是在目标上一旦你定义完你往往才有机会

所以说到这儿我就要转回到一个另一个问题毕竟是个创业公司我理解使命召唤投身其中定义了一个非常让人觉得有意义的目标也在找到方法但今天

的资本环境也好创业环境也好似乎反正是要求公司你没有办法只是去对一个梦想做长期的持续的投入你中间总要有产品有商业循环你怎么想这个问题因为这件事本质上可能也是要作为创业者要面对的你们的产品未来会是什么样的产品你们的闭环会是什么样的闭环

其实面壁智能我们是特别关注商业落地这件事情的因为既然是马拉松那这么长的一个旅程可能我们就得考虑自带干粮的事

就是你很难说完全通过一个短跑冲刺的方式去跑整个马拉松所以其实我们在去年的时候我们就在以积攒 knowhow 的方式去去广泛的高效率的探索大模型落地的各种各样的途径我们尝试过服务大币尝试过 2B2C 尝试过 2B2B 嗯

都尝试过了这么快的一年全摸了一遍是吧非常高效率而且在好多领域都有过落地在金融 营销还有法律等等也都有过落地所以今年我们重点聚焦到端策一方面确实看到了端策离用户最近另外一方面我们也觉得端策是一个落地起来

更具象化更现实的一个途径所以在这一块上我们也有很多动作希望后面能够我们后面有进展以后也会跟大家去做同步

当然你前面讲到特别讲到的是说端侧的模型离用户更近这件事我能理解就是它离用户越近可能越能创造价值核心就是看这个产品和商业模式怎么设定反过来我觉得这个事引发的一个问题就是最近苹果在你看得出来在它的生态里面已经开始把 AI 当成一个核心的重点再去推动了

我不知道你怎么看这个新闻它肯定有好的一面但你如果离用户更近的话那岂不是像苹果这样的它更能离用户更近对吧如何在既看到了说这个方向是被认可的但同时也有这样的巨头在前面这个事怎么办呢对就是其实

整个这个生态还是一个不断的持续往前发展的一个状态我觉得苹果它本身的在 WMDC 上的这样一个战略印证了我们的

一个战略上的一个前瞻的看法我们是在今年年初的时候就非常的坚定看到了端册的机会和端册的重要性其实不光是苹果还有像 Google 和微软他们也都在今年三四月份的时候分别的这个发布了自己端册的一些动作和战略就是

大家会发现这些公司都是自带生态的,他们因为有生态,他们需要端测的能力去给自己的生态的拼图做好一个拼接。作为我们这样一个创业公司,我们首先一定是先通过服务好国内有这样生态的公司。

去通过 2B2C 的方式去跟他们去让他们的用户能够感受到价值然后同时我们又会去寻找我们自己的场景这个是一个两条腿走路的一个过程其实我很关心的一点就是说离用户更近这件事是非常诱人的

就是如果我们谈到说未来要做一个离用户更近的模型不管有没有巨头在前面不管甚至未来可能还会有新的 player 会出现我们可能核心思考的如何才能离

用户更近当然说能力是重要的一点我不知道你这方面有没有什么思考看起来因为昨天我也在分享说可能未来会有一个以人为中心的这样的一个趋势而不再原来以机器为中心你今天说要离人更近说白了要顺着这个趋势去走我不知道你这方面有什么样的面向未来的思考

有哪些新的原则有哪些新的可能性会出现会在这种离人更近的这个进程中成为你们的很重要的方法几个方面第一个就是离人更近其实是需要跟人去分享尽可能多的上下文这个就是 share the context 这个是我认为非常重要的一件事情就是只有足够多的

跟这个用户的共识和上下文才能够更好的为他服务才能跟他的沟通的过程中跟用户交流过程中能够更好的服务好用户或者换个角度讲就是更懂用户对这个其实我们在 AI 1.0 时代已经看到了它的威力大家都知道 AI 1.0 时代最成功的应用是

推荐对吧推荐能做好的主要的原因就是因为他做到了千人千面对今天大模型大家还在卷的是怎么把大模型的一个统一的智能

把它做到一个大家可以接受的程度但是接下来其实怎么把统一的智能跟每一个人独特的地方结合在一起我认为这个是更重要的一个方向对然后这是第一个点第二个点未来我们放到端测的模型它一定要能够实现三位一体哪三位一体就是感知决策加行为

这也是非常重要的感知决策行为本质上就是一个人嘛我们每天坐在这里对吧我看着大家今天我们在做沟通的时候如果我讲一个话题我发现大家的下面的反应都是在打哈欠那我感知到的就是大家对这些人不感兴趣我就要做个决策我们赶紧切换话题然后我的行为就是

做一个调整对所以就是这样一个能够放到中间上去的三位一体的模型能力也是非常重要的事对这是我看来要能够真的给真的给用户创造价值真的把模型放到你用户最近的地方去必须要做到的两个点

听起来这是一件让人觉得挺兴奋的事因为今天还没有任何人真正把它做到对吧所以我觉得对大海来讲你看你这名字就很星辰大海就是确实你现在做的这事也让我觉得很兴奋而且这也是跟昨天我跟大家很多人在去探讨

这个大方向我觉得也挺符合的所以我觉得今天非常感谢大海来到我们 AGI Playground 把你的因为我听到了你几个明确的目标 26 年要做到 GPT-4 的水平在端测有效的去实现然后刚才说到的智能的密度和面壁定律我希望未来真的面壁会有一个定律让我们很明确的看到每八个月它会怎么怎么怎么着对面壁定律其实是我们

对于行业这个规律的一个提取我们也希望我们跟行业一起来完成这样的一个定律其实

回想当年摩尔提出摩尔定律的时候当时他的描述是每两年翻一番在行业的共同努力底下变成了 18 个月而且我们看这个在端测现在其实这个速度还在加速所以我们也很期待能够跟所有的从业者一起来完成面壁定律的未来若干年的持续的进化

对我觉得你刚才其实也提到了很重要一点就是这件事也不光可能面壁自己

芯片的这一边其实也在快速的进展这可能都是一个利好的消息对所以我觉得就是现在这样一个千里江山图的徐徐展开其实它后面代表的是一个需要生态里面的不同的合作伙伴紧密合作的这样一个现状我们在昨天也刚刚跟华为云呃

达成了一个合作啊我们去做端云的协同就是我们来做端侧模型然后呢华为云作为云端的模型的提供方我们来去做协同的这样一个合作嗯

同时我们也在跟很多的芯片厂商在做深度的合作希望我们能够让面壁小钢炮能在不同的芯片上充分的把芯片的算力用起来同时还能让能耗足够的低这些都是去推动我刚刚讲的目标把大模型放到用户最近的地方的一个必要的一些工作对

我期待就是面壁的存在会让更多的创业者有更多的创新的 playground 因为舒白了在端策如果有这样的更强的能力更多的创新才能因它而诞生和展开是

端测我们的面壁小钢炮本身现在 1.0 2.0 2.5 都是完全开源的我们也非常欢迎广大的创业者能够基于面壁小钢炮去实现大家在端测的各种各样的应用然后如果大家在应用的过程中有什么样的问题或者说觉得有什么地方可以合作的也欢迎联系我们

CEO 亲自做客服好 那我们今天非常感谢大柴来到这里边给我们展示了一个新的方向的星辰大海你刚才提到的这些东西我们都会非常期待感谢你的到来期待你能够帮我们打开更大的 Playground 好 谢谢大海