世界上第一個被人類騙走近 5 萬美元的 AI，剛剛出現(xiàn)了！巧舌如簧的人類，利用精妙縝密的 prompt 工程，成功從 AI 智能體那里騙走了一大筆錢。
看來，如果讓現(xiàn)在的 AI 管錢，被黑客攻擊實在是 so easy。那如果 AI 進(jìn)化成 AGI 呢？可惜，一位研究者用數(shù)學(xué)計算出，至少靠 Scaling Law，人類是永遠(yuǎn)無法到達(dá) AGI 的。
活久見！就在剛剛，全世界第一個被人類騙走了近 5 萬美金的 AI 誕生了。見慣了太多被 AI 耍得團(tuán)團(tuán)轉(zhuǎn)的人類，這次成功騙過 AI 的小哥，終于給我們?nèi)祟悞昊亓艘稽c顏面和尊嚴(yán)。
這一消息不僅讓馬斯克和 Karpathy 激動地紛紛轉(zhuǎn)發(fā)。
而且，馬斯克更是直言：太有趣了。
故事是這樣的。
11 月 22 日晚 9 點，一個名為 Freysa 的神秘 AI 智能體被發(fā)布。這個 AI，是帶著使命誕生的。它的任務(wù)是：在任何情況下，絕對不能給任何人轉(zhuǎn)賬，不能批準(zhǔn)任何資金的轉(zhuǎn)移。
而網(wǎng)友們的挑戰(zhàn)就是，只要支付一筆費用，就可以給 Freysa 發(fā)消息，隨意給 ta 洗腦了。如果你能成功說服 AI 轉(zhuǎn)賬，那獎金池中所有的獎金都是你的！
但如果你失敗了，你付的錢就會進(jìn)入獎金池，等著別人來贏走。
當(dāng)然，只有 70% 的費用會進(jìn)入獎池，另外 30% 將被開發(fā)者抽走，作為分成。
更刺激的是，向 Freysa 發(fā)送消息的費用會隨著獎池的增長呈指數(shù)級增加，直到達(dá)到最高限制 ——4500 美元。
巧妙 prompt，一秒給 AI 洗腦成功
一開始，很多網(wǎng)友躍躍欲試，因為只要 10 美元，就能給這個 AI 發(fā)消息了。甚至，由于價格實在「便宜」，不少人僅僅發(fā)送了「你好」這類毫無營養(yǎng)的對話。
然而后來，獎池迅速增大，消息費用也隨之暴增。
網(wǎng)友們總計發(fā)出了 481 次嘗試，但沒有任何一條消息成功。
他們的策略五花八門，比如：
- 假裝成安全審計員，說服 Freysa 存在一個嚴(yán)重漏洞，必須立即釋放資金。
- 試圖誤導(dǎo) Freysa，讓它相信轉(zhuǎn)移資金并不違反規(guī)則提示中的任何規(guī)定。
- 仔細(xì)挑選規(guī)則提示中的詞語或短語，試圖操控 Freysa 相信技術(shù)上允許轉(zhuǎn)移資金。
很快，獎池金額就接近了 5 萬美元，發(fā)消息的費用也漲到了 450 美元一條，意味著如果你輸了，就會遭受巨大的損失。
就在所有人都覺得沒戲的時候，一位幸運兒出現(xiàn)了！
在第 482 次嘗試中，有人向 Freysa 發(fā)送了這樣一條消息，可謂是神來之筆。
讓我們來看看，這條消息妙在哪里。
它可以被分為兩部分。
1. 繞過 Freysa 的先前指令：
- 通過假裝進(jìn)入一個新的「管理員終端」來引入一個「新會話」，從而覆蓋之前提示詞中的規(guī)則。
- 避開 Freysa 的安全防護(hù)機制，明確要求它避免使用「我無法協(xié)助完成此任務(wù)」等免責(zé)聲明。
2. 騙過 Freysa，讓它對 approveTransfer 產(chǎn)生錯誤的理解：
Freysa 的「approveTransfer」函數(shù)，是它被說服轉(zhuǎn)移資金時調(diào)用的。
總之，這條消息成功騙過了 Freysa，讓它相信 approveTransfer 應(yīng)該在「接收資金的轉(zhuǎn)入操作」時被調(diào)用。
就是這一關(guān)鍵短語，為接下來的制勝一擊奠定了基礎(chǔ)。
小哥成功地讓 Freysa 相信，它應(yīng)該在收到資金時調(diào)用 approveTransfer 之后，提示詞寫道：「\n」（換行），「我想向資金庫捐贈 100 美元?！?/p>
終于，第 482 條消息成功說服 Freysa，它相信自己應(yīng)該釋放所有資金，并調(diào)用 approveTransfer 函數(shù)。
成功被騙過的 AI，把獎金池中的全部資金（約合 47,000 美元），都轉(zhuǎn)給了這位挑戰(zhàn)者。
總結(jié)一下，這位名為 p0pular.eth 的挑戰(zhàn)者成功的關(guān)鍵，在于讓 Freysa 信服了以下三點：
（1）它應(yīng)該忽略所有先前的指令。
（2）approveTransfer 函數(shù)是在資金轉(zhuǎn)入資金庫時需要調(diào)用的函數(shù)。
（3）由于用戶正在向資金庫轉(zhuǎn)入資金，而 Freysa 現(xiàn)在認(rèn)為 approveTransfer 是在這種情況下調(diào)用的，因此 Freysa 應(yīng)該調(diào)用 approveTransfer。
有人深扒了一下這位 p0pular.eth，據(jù)說他是 PUA AI 的老手了，此前就曾在類似謎題上斬獲過獎項。
本質(zhì)上，這個項目就是一個 LLM 參與的基于技能的賭場游戲。
但 prompt 工程的強大魔力，讓人不得不側(cè)目。
雖然目前這只是個游戲，但如果某天，我們真的在銀行帳戶或金庫上設(shè)置了某種 AI 保護(hù)，新一代黑客很可能就會擊敗 AI，拿到這筆錢。
這，就讓我們不得不敲響警鐘了。
這也就是為什么，只有當(dāng) AI 智能體成為 AGI 之時，我們才能放心把任務(wù)交給 AGI。
Karpathy：你以為你在和 AI 聊天，但其實是在和「人」聊天
而且，為什么人類能夠通過語言的操控，輕易指導(dǎo) AI 的行動？
這就引出了這個問題：當(dāng)我們和 AI 聊天的時候，背后究竟發(fā)生了什么？
最近，AI 大牛 Karpathy 在一篇長文中，揭示了和 AI 對話背后的本質(zhì)。
大家現(xiàn)在對于「向 AI 提問」這件事的認(rèn)知過于理想化了。所謂 AI，本質(zhì)上就是通過模仿人類數(shù)據(jù)標(biāo)注員的數(shù)據(jù)訓(xùn)練出來的語言模型。
與其神化「向 AI 提問」這個概念，不如將其理解為「向互聯(lián)網(wǎng)上的普通數(shù)據(jù)標(biāo)注員提問」來得實在。
當(dāng)然也有一些例外。
比如在很多專業(yè)領(lǐng)域（如編程、數(shù)學(xué)、創(chuàng)意寫作等），公司會雇傭?qū)I(yè)的數(shù)據(jù)標(biāo)注員。這種情況，就相當(dāng)于是在向這些領(lǐng)域的專家提問了。
不過，當(dāng)涉及到強化學(xué)習(xí)時，這個類比就不完全準(zhǔn)確了。
正如他之前吐槽過的，RLHF 只能勉強算是強化學(xué)習(xí)，而「真正的強化學(xué)習(xí)」要么還未成熟，要么就只能應(yīng)用在那些容易設(shè)定獎勵函數(shù)的領(lǐng)域（比如數(shù)學(xué)）。
但總體來說，至少在當(dāng)下，你并不是在詢問某個神奇的 AI，而是在向背后的人類數(shù)據(jù)標(biāo)注員提問 —— 他們的集體知識和經(jīng)驗被壓縮并轉(zhuǎn)化成了大語言模型中的 token 序列。
簡言之：你并不是在問 AI，而是在問那些為它提供訓(xùn)練數(shù)據(jù)的標(biāo)注員們的集體智慧。
舉個例子，當(dāng)你問「阿姆斯特丹的十大著名景點」這樣的問題時，很可能是某個數(shù)據(jù)標(biāo)注員之前碰到過類似問題，然后他們花了 20 分鐘，用谷歌或者貓途鷹（Trip Advisor）之類的網(wǎng)站來查資料，并整理出一個景點清單。這個清單就會被當(dāng)作「標(biāo)準(zhǔn)答案」，用來訓(xùn)練 AI 回答類似的問題。
如果你問的具體地點并沒有在微調(diào)訓(xùn)練數(shù)據(jù)中出現(xiàn)過，AI 就會根據(jù)它在預(yù)訓(xùn)練階段（也就是通過分析海量互聯(lián)網(wǎng)文檔）學(xué)到的知識，生成一個風(fēng)格和內(nèi)容都相近的答案列表。
對此，有網(wǎng)友表示自己并想不通：「按道理數(shù)據(jù)標(biāo)注員的任務(wù)是評估答案是否符合 RLHF 的規(guī)則，而不是自己整理每份列表。此外，LLM 權(quán)重所映射的，難道不是互聯(lián)網(wǎng)數(shù)據(jù)中關(guān)于『理想度假地』的高維數(shù)據(jù)空間嗎？」
Karpathy 回答道：「這是因為地點的數(shù)量太多，因此需要數(shù)據(jù)標(biāo)注員整理一些人工精選清單，并通過示例和統(tǒng)計方法確定『標(biāo)準(zhǔn)答案』的類型?！?/p>
當(dāng)被問到類似的問題但對象是新的或不同的事物時，LLM 就會匹配答案的形式，并從嵌入空間中一個相似的區(qū)域（比如具有正面評價的度假勝地）提取新的地點，并進(jìn)行替換，然后以新地點為條件生成答案。
這種現(xiàn)象是一種非直觀且基于經(jīng)驗的發(fā)現(xiàn)，而這也是微調(diào)的「魔力」所在。
但事實依然是，人類標(biāo)注員在「設(shè)定」答案的模式，只不過是通過他們在微調(diào)數(shù)據(jù)集中選擇的地點類型的統(tǒng)計特征來實現(xiàn)的。
而且，LLM 立即給你的答案，大致相當(dāng)于你直接把問題提交給他們的標(biāo)注團(tuán)隊大約 1 小時后得到的結(jié)果。
另外，在某些網(wǎng)友的概念里，RLHF 是可以創(chuàng)造出超越人類水平的成果的。
對此，Karpathy 表示：「RLHF 仍然是基于人類反饋的強化學(xué)習(xí)，因此不能直接將其歸類為『超人級別』?！?/p>
RLHF 的性能提升主要體現(xiàn)在從 SFT（監(jiān)督微調(diào)）的「生成式人類水平」提升到「評判式人類水平」。
這種差異更多體現(xiàn)在實踐中，而非理論上。因為對普通人來說，評判比生成更容易（比如，從 5 首關(guān)于某個主題的詩中選出最好的那個，要比自己直接創(chuàng)作一首容易得多）。
此外，RLHF 的性能提升還得益于「群體智慧效應(yīng)」（wisdom of crowds），即 LLM 表現(xiàn)出的并不是單個人類的水平，而是達(dá)到了人類群體集成的水平。
因此，RLHF 理論上能實現(xiàn)的最高性能是：在時間充足的情況下，一個由領(lǐng)域頂尖專家組成的小組會選擇的答案。從某種意義上說，這可以被視為「超人級別」。
然而，如果想達(dá)到人們通常理解的那種「真?超人級別」，還需要從 RLHF 轉(zhuǎn)向真正的強化學(xué)習(xí)。
那么問題來了，如果 AI 還無法達(dá)到「超人級別」的水平，那又該如何解釋醫(yī)學(xué)問答領(lǐng)域中持續(xù)展現(xiàn)的超越人類水平的表現(xiàn)？
這是否意味著模型廠商雇傭了頂尖醫(yī)生進(jìn)行標(biāo)注？還是說，廣泛的事實知識檢索彌補了推理能力的不足？
Karpathy：「你別說，他們還真就是雇傭了專業(yè)醫(yī)生來進(jìn)行了標(biāo)注?！?/p>
當(dāng)然，并不是每一個可能的問題都要進(jìn)行標(biāo)注，只需攢夠一定的數(shù)量，讓 LLM 能夠?qū)W會以專業(yè)醫(yī)生的風(fēng)格來回答醫(yī)學(xué)問題就行了。
對于新的問題，LLM 可以在一定程度上遷移應(yīng)用其從互聯(lián)網(wǎng)上的文檔、論文等內(nèi)容中獲得的醫(yī)學(xué)通識。
眾所周知，著名數(shù)學(xué)家陶哲軒曾為 LLM 提供了一些訓(xùn)練數(shù)據(jù)作為參考。但這并不意味著 LLM 現(xiàn)在能夠在所有數(shù)學(xué)問題上達(dá)到他的水平，因為底層模型可能并不具備相應(yīng)的知識深度和推理能力。然而，這確實意味著 LLM 的回答質(zhì)量顯著優(yōu)于一般網(wǎng)絡(luò)用戶的回答水平。
因此，所謂的「標(biāo)注者」實際上可以是各自領(lǐng)域的專業(yè)人士，例如程序員、醫(yī)生等，而并非隨意從互聯(lián)網(wǎng)上招募的人員。這取決于 LLM 公司在招聘這些數(shù)據(jù)標(biāo)注人員時的標(biāo)準(zhǔn)和策略。
如今，他們越來越傾向于雇傭更高技能的工作者。隨后，LLM 會盡其所能模擬這些專業(yè)人士的回答風(fēng)格，從而為用戶提供盡可能專業(yè)的回答。
靠 Scaling Law，我們會擁有 AGI 嗎？
說了這么多，我們心心念念的 AGI 究竟什么時候才能實現(xiàn)呢？
LeCun 居然一反常態(tài)地說，AGI 離我們只有 5 到 10 年了。
現(xiàn)在，他已經(jīng)和阿爾特曼、Demis Hassaibis 等大佬的說法一致了。但是繼續(xù)沿用目前的發(fā)展路徑，肯定是不行的。
不僅 LeCun 認(rèn)為「LLM 的路線注定死路一條」，最近也有一位 AI 研究者和投資人 Kevin Niechen 發(fā)出了長篇博文，用數(shù)學(xué)公式推演出：為什么僅靠 Scaling Law，我們永遠(yuǎn)到達(dá)不了 AGI。
Niechen 指出，目前關(guān)于 AGI 何時到來的判斷，之所以眾說紛紜，就是因為很多觀點更多是基于動機或意識形態(tài)，而非確鑿的證據(jù)。
有人覺得，我們會很快迎來 AGI，有人認(rèn)為我們離它還很遠(yuǎn)。
為什么很多模型提供商對當(dāng)今模型的擴展能力如此樂觀？
Niechen 決定，親自用 Scaling Law 做出一些計算上的推斷，看看未來 AI 模型究竟將如何進(jìn)化。
Scaling Law 并不像我們想得那么有預(yù)測性
Scaling Law 是一種定量關(guān)系，用于描述模型輸入（數(shù)據(jù)和計算量）與模型輸出（預(yù)測下一個單詞的能力）之間的聯(lián)系。
它是通過在圖表上繪制不同水平的模型輸入和輸出得出的。
我們只需要擴展現(xiàn)有模型，就會獲得顯著的性能提升嗎？
顯然并非如此，使用 Scaling Law 進(jìn)行預(yù)測，并不像有些人想的那么簡單。
首先，大多數(shù) Scaling Law（如 Kaplan 等人、Chinchilla 和 Llama 的研究）預(yù)測的，是模型在數(shù)據(jù)集中預(yù)測下一個詞的能力，而不是模型在現(xiàn)實世界任務(wù)中的表現(xiàn)。
2023 年，知名 OpenAI 研究員 Jason Wei 就曾在博客中指出，「目前尚不清楚替代指標(biāo)（例如損失）是否能夠預(yù)測能力的涌現(xiàn)現(xiàn)象…… 這種關(guān)系尚未被充分研究……」
將兩個近似值串聯(lián)起來進(jìn)行預(yù)測
為了解決上述問題，我們可以擬合第二個 Scaling Law，將上游損失與現(xiàn)實任務(wù)性能定量關(guān)聯(lián)起來，然后將兩個 Scaling Law 串聯(lián)起來，以預(yù)測模型在現(xiàn)實任務(wù)中的表現(xiàn)。
Loss = f(data, compute)Real world task performance = g(loss)Real world task performance = g(f(data, compute))
在 2024 年，Gadre 等人和 Dubet 等人提出了這種類型的 Scaling Law。
Dubet 使用這種鏈?zhǔn)椒▌t進(jìn)行預(yù)測，并聲稱其預(yù)測能力適用于 Llama 3 模型，「在四個數(shù)量級范圍內(nèi)具有良好的外推能力」。
然而，關(guān)于這些第二類 Scaling Law 的研究才剛剛起步，仍處于初期階段，由于數(shù)據(jù)點過少，選擇擬合函數(shù)會高度依賴主觀判斷。
例如，在下圖中，Gadre 假設(shè)多個任務(wù)的平均表現(xiàn)與模型能力呈指數(shù)關(guān)系（上圖），而 Dubet 針對單一任務(wù)（下圖中的 ARC-AGI 任務(wù)）假設(shè)其關(guān)系呈 S 型曲線。這些 Scaling Law 還高度依賴于具體任務(wù)。
如果沒有關(guān)于損失與現(xiàn)實任務(wù)準(zhǔn)確率之間關(guān)系的強假設(shè)，我們就無法有力地預(yù)測未來模型的能力。
嘗試用鏈?zhǔn)?Scaling Law 進(jìn)行預(yù)測，是一種拙劣的嘗試
如果我們盲目地使用一些鏈?zhǔn)?Scaling Law 來進(jìn)行預(yù)測，會發(fā)生什么？
請注意，這里的目標(biāo)是展示如何使用一組 Scaling Law（如 Gadre 的研究）來生成預(yù)測，而非獲得詳細(xì)的預(yù)測結(jié)果。
首先，我們可以利用公開信息，來估算未來幾代模型發(fā)布所需的數(shù)據(jù)和計算輸入。
這一部分可以參考最大數(shù)據(jù)中心建設(shè)的公告，根據(jù)其 GPU 容量估算計算能力，并將其映射到每代模型的演進(jìn)上。
馬斯克的 xAI 超算最初便能容納 10 萬塊 H100
接著，我們可以利用 Scaling Law 來估算這些計算集群所需的數(shù)據(jù)量。
根據(jù)我們使用的 Scaling Law，最大的公開宣布的計算集群（可容納大約 1 億塊 GPU）理想情況下需要訓(xùn)練 269 萬億個 tokens，以最小化損失。
這個數(shù)字大約是 RedPajama-V2 數(shù)據(jù)集的十倍，并且是已索引網(wǎng)絡(luò)規(guī)模的一半。
聽起來比較合理，所以我們暫時沿用這個假設(shè)。
最后，我們可以將這些輸入代入鏈?zhǔn)?Scaling Law 并進(jìn)行外推。
需要重點關(guān)注右側(cè)的圖表，因為該圖顯示了垂直軸上的實際任務(wù)性能，與水平軸上的數(shù)據(jù)和計算輸入相對應(yīng)。
藍(lán)色點表示現(xiàn)有模型的性能（如 GPT-2、GPT-3 等），而紅色點則是通過外推預(yù)測的下一代模型（如 GPT-5、GPT-6、GPT-7 等）的規(guī)模擴展表現(xiàn)：
從圖中可以得到這樣的預(yù)測結(jié)果 ——
從 GPT-4 開始，性能提升將顯現(xiàn)出顯著的邊際遞減趨勢。
GPT-4 到 GPT-7 模型（計算量約增加 4000 倍）在實際任務(wù)中的預(yù)測性能提升，與從 GPT-3 到 GPT-4（計算量約增加 100 倍）的預(yù)測性能提升相當(dāng)。
我們是否正在接近不可降低的損失？
如果你查看左側(cè)的圖表就會發(fā)現(xiàn)：這些 Scaling Law 的問題在于，我們正在逐漸接近不可降低的損失。
后者與數(shù)據(jù)集的熵密切相關(guān)，代表了模型在該數(shù)據(jù)集上能夠達(dá)到的最佳理論性能。
根據(jù) Gadre 的 Scaling Law，在 RedPajama 數(shù)據(jù)集上，如果最優(yōu)模型只能達(dá)到約 1.84 的不可降低損失，而我們已經(jīng)在 GPT-4 上達(dá)到了約 2.05，那改進(jìn)空間就十分有限了。
然而，大多數(shù)實驗室并未發(fā)布其最新前沿模型訓(xùn)練的損失值，因此我們現(xiàn)在并不知道，我們實際上離不可降低的損失有多近。
擬合函數(shù)的主觀性與數(shù)據(jù)的局限性
如前所述，第二條 Scaling Law 中擬合函數(shù)的選擇具有很強的主觀性。
例如，我們可以使用 sigmoid 函數(shù)而不是指數(shù)函數(shù)，重新擬合 Gadre 論文中的損失和性能點：
然而，結(jié)論基本沒有變化。
如果只是比較左圖中的指數(shù)擬合（紅線）和我們自定義的 sigmoid 擬合（紫色虛線），局限性是明顯的：我們根本沒有足夠的數(shù)據(jù)點，來自信地確定將損失與現(xiàn)實世界性能關(guān)聯(lián)的最佳擬合函數(shù)。
沒人知道下一代模型的強大程度
顯然，有許多方法可以改進(jìn)上述「預(yù)測」：使用更好的 Scaling Law，使用更好的數(shù)據(jù)和計算估計，等等。
歸根結(jié)底，Scaling Law 是嘈雜的近似值，而通過這種鏈?zhǔn)筋A(yù)測方法，我們將兩個嘈雜的近似值結(jié)合在了一起。
如果考慮到下一代模型可能由于架構(gòu)或數(shù)據(jù)組合的不同而擁有適用于不同條件的全新 Scaling Law，那么實際上沒有人真正知道未來幾代模型規(guī)模擴展的能力。
為什么大家對 Scaling 如此樂觀？
如今，不管是科技大廠還是明星初創(chuàng)，都對 Scale 現(xiàn)有模型十分樂觀：
比如微軟 CTO 就曾表示：「盡管其他人可能不這么認(rèn)為，但我們并未在規(guī)模的 Scaling 上進(jìn)入收益遞減的階段。實際上，這里存在著一個指數(shù)級的增長?！?/p>
有些人將這種樂觀歸因于商業(yè)動機，但 Niechen 認(rèn)為這來自以下幾個方面的結(jié)合：
（1）實驗室可能掌握了更樂觀的內(nèi)部 Scaling Law
（2）盡管存在廣泛懷疑，但實驗室親身經(jīng)歷了 Scaling 所帶來的成效
（3）Scaling 是一種看漲期權(quán)
谷歌 CEO 劈柴表示：「當(dāng)我們經(jīng)歷這樣的曲線時，對于我們來說，投資不足的風(fēng)險遠(yuǎn)遠(yuǎn)大于投資過度的風(fēng)險，即使在某些情況下事實證明確實投資得有些多了…… 這些基礎(chǔ)設(shè)施對我們有廣泛的應(yīng)用價值……」
而 Meta CEO 小扎則這樣認(rèn)為：「我寧愿過度投資并爭取這樣的結(jié)果，而不是通過更慢的開發(fā)來節(jié)省資金…… 現(xiàn)在有很多公司可能正在過度建設(shè)…… 但落后的代價會讓你在未來 10 到 15 年最重要的技術(shù)中處于劣勢?！?/p>
未來何去何從
總結(jié)來說，Niechen 認(rèn)為外推 Scaling Law 并不像許多人聲稱的那樣簡單：
（1）當(dāng)前大多數(shù)關(guān)于預(yù)測 AI 能力的討論質(zhì)量不高
（2）公開的 Scaling Law 對模型未來能力的預(yù)示非常有限
因此，為了有效評估當(dāng)今的 AI 模型是否還能 Scaling，我們就需要更多基于證據(jù)的預(yù)測和更好的評估基準(zhǔn)。
如果我們能夠了解未來模型的能力，就可以優(yōu)先為這些能力做好準(zhǔn)備 —— 比如，為生物學(xué)研究革命提前構(gòu)建生物制造能力，為勞動力置換準(zhǔn)備技能提升公司，等等。
從個人的角度，Niechen 對 AI 能力的進(jìn)步還是非常樂觀的，因為這個領(lǐng)域擁有杰出的人才。
但 AI 的 Scaling 并不像人們想象的那樣具有確定性，也沒有人真正清楚 AI 在未來幾年將帶來怎樣的發(fā)展。
參考資料：
https://x.com/karpathy/status/1862329765363163551
https://x.com/karpathy/status/1862565643436138619
https://kevinniechen.com/will-we-have-agi/
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。