房地产情景广告创意

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>人(ren)工(gong)智(zhi)能(neng)教(jiao)父(fu)Hinton：關(guan)於(yu)ChatGPT與(yu)AI發(fa)展(zhan)的(de)11個(ge)核(he)心(xin)觀(guan)點(dian)

來(lai)源(yuan)：AI商(shang)業(ye)研(yan)究(jiu)所(suo)

導(dao)讀(du)：

Geoffrey Hinton被(bei)稱(cheng)為(wei)“人工智能教父”，從(cong)上(shang)世(shi)紀(ji)80年(nian)代(dai)開(kai)始(shi)研究神(shen)經(jing)網(wang)絡(luo)，是(shi)這(zhe)个領(ling)域(yu)从业時(shi)間(jian)最(zui)長(chang)的人。

他(ta)曾(zeng)獲(huo)得(de)2018年的圖(tu)靈(ling)獎(jiang)，是“深(shen)度(du)學(xue)習(xi)三(san)巨(ju)頭(tou)”之(zhi)壹(yi)，是AI史(shi)上最重(zhong)要(yao)的学者(zhe)之一，論(lun)文(wen)被引(yin)用(yong)了(le)50多(duo)萬(wan)次(ci)。

他的父親(qin)Howard Everest Hinton是英(ying)國(guo)昆(kun)蟲(chong)学家(jia)，母(mu)亲Margaret是一名(ming)教師(shi)，他們(men)都(dou)是共(gong)產(chan)主(zhu)義(yi)者。他的叔(shu)叔是著(zhu)名的经濟(ji)学家Colin Clark，发明(ming)了“国民(min)生(sheng)产總(zong)值(zhi)”这个经济術(shu)語(yu)，他的高(gao)祖(zu)父是著名的邏(luo)輯(ji)学家George Boole，他发明的布(bu)爾(er)代數(shu)奠(dian)定(ding)了現(xian)代計(ji)算(suan)機(ji)科(ke)学的基(ji)礎(chu)。

在(zai)厚(hou)重的科学家家族(zu)底(di)蘊(yun)熏(xun)陶(tao)下(xia)，Hinton从小(xiao)擁(yong)有(you)獨(du)立(li)思(si)考(kao)能力(li)以(yi)及(ji)堅(jian)韌(ren)品(pin)質(zhi)，並(bing)且(qie)肩(jian)負(fu)著(zhe)繼(ji)承(cheng)家族榮(rong)譽(yu)的擔(dan)子(zi)。1973年，在英国愛(ai)丁(ding)堡(bao)大(da)学，他师从Langer Higgins攻(gong)读人工智能博(bo)士(shi)学位(wei)，但(dan)那(na)时幾(ji)乎(hu)沒(mei)人相(xiang)信(xin)神经网络，导师也(ye)勸(quan)他放(fang)棄(qi)研究这項(xiang)技(ji)术。周(zhou)遭(zao)的质疑(yi)并不(bu)足(zu)以動(dong)搖(yao)他對(dui)神经网络的坚定信念(nian)，在隨(sui)後(hou)的十(shi)年，他接(jie)連(lian)提(ti)出(chu)了反(fan)向(xiang)傳(chuan)播(bo)算法(fa)、玻(bo)尔茲(zi)曼(man)机，不過(guo)他還(hai)要再(zai)等(deng)数十年才(cai)會(hui)等到(dao)深度学习迎(ying)来大爆(bao)发，到时他的这些(xie)研究將(jiang)廣(guang)为人知(zhi)。

他曾经和(he)他帶(dai)的兩(liang)位博士生（其(qi)中(zhong)一位是OpenAI的首(shou)席(xi)科学家Ilya）創(chuang)立了一家AI公(gong)司(si)，后来賣(mai)給(gei)了Google，他本(ben)人也進(jin)入(ru)Google担任(ren)首席科学家，參(can)与了谷(gu)歌(ge)大腦(nao)。

他有很(hen)多学生在大廠(chang)担任首席科学家。他的学生Ilya，在他的研究基础上，用ChatGPT證(zheng)明了Hinton的技术路(lu)線(xian)，这个路线始于上世纪80年代，直(zhi)到最近(jin)几年大眾(zhong)才看(kan)到这條(tiao)路上的金(jin)礦(kuang)。

本文是Hinton关于ChatGPT和AI发展的訪(fang)談(tan)內(nei)容(rong)整(zheng)理(li)而(er)成(cheng)。供(gong)参考。

01、如(ru)果(guo)不了解(jie)大脑，我(wo)们永(yong)遠(yuan)無(wu)法理解人類(lei)

在70年代，有一種(zhong)时髦(mao)的观点認(ren)为，妳(ni)可(ke)以在不关心大脑的情(qing)況(kuang)下做(zuo)到这一点，我认为不可能，必(bi)須(xu)了解大脑是如何(he)運(yun)作(zuo)的。

在AI领域，有两种思路。一种是主流(liu)AI，另(ling)一种是关于神经网络的。主流AI认为，AI是关于推(tui)理和逻辑的，而神经网络則(ze)认为，我们最好(hao)研究生物(wu)学，因(yin)为那些才是真(zhen)正(zheng)有效(xiao)的東(dong)西(xi)。所以，主流AI基于推理和逻辑制(zhi)定理论，而我们基于神经元(yuan)之间的连接變(bian)化(hua)来学习制定理论。从长远来看，我们取(qu)得了成功(gong)，但短(duan)期(qi)内看起(qi)来有点无望(wang)。

神经网络在20世纪80年代没有真正奏(zou)效的原(yuan)因是，计算机运行(xing)速(su)度不夠(gou)快(kuai)，数據(ju)集(ji)不够大。然(ran)而，在80年代，一个重要的問(wen)題(ti)是，一个拥有大量(liang)神经元的大型(xing)神经网络，计算節(jie)点和它(ta)们之间的连接，僅(jin)通(tong)过改(gai)变连接的強(qiang)度，从数据中学习，而没有先(xian)驗(yan)知識(shi)，这是否(fou)可行？主流AI的人认为这完(wan)全(quan)荒(huang)謬(miu)。

但它確(que)實(shi)可行。因为大脑就(jiu)是这樣(yang)，经过学习，我们能完成没有进化出来的技能，比(bi)如閱(yue)读。阅读对我们来說(shuo)是非(fei)常(chang)新(xin)的，我们没有足够的进化时间来適(shi)應(ying)它。但我们可以学会阅读，我们可以学会数学。所以一定有一种在这些神经网络中学习的方(fang)法。

大約(yue)在2006年，我们开始做所謂(wei)的深度学习。在那之前(qian)，讓(rang)具(ju)有多層(ceng)表(biao)示(shi)的神经网络学会復(fu)雜(za)事(shi)物一直很困(kun)難(nan)。我们找(zhao)到了更(geng)好的方法来实现这一点，更好的初(chu)始化网络的方法，称为預(yu)訓(xun)練(lian)。

在ChatGPT中，P代表预训练。T代表变換(huan)器(qi)，G代表生成。实際(ji)上，是生成模(mo)型为神经网络提供了更好的预训练方法。2006年时，这个理念的种子已(yi)经埋(mai)下。

反向传播的思想(xiang)就是在一开始随机設(she)置(zhi)连接權(quan)重，然后根(gen)据预測(ce)結(jie)果調(tiao)整权重。如果预测出现錯(cuo)誤(wu)，那麽(me)你就通过网络反向计算，并提出以下问题：我应該(gai)如何改变这个连接强度，使(shi)其更不容易(yi)说出错误答(da)案(an)，更容易说出正确答案？这称为误差(cha)或(huo)差異(yi)。然后，你要计算每(mei)个连接强度如何进行微(wei)调，使其更容易得出正确答案，更不容易得出错误答案。

一个人会判(pan)斷(duan)这是一只(zhi)鳥(niao)，然后将標(biao)簽(qian)提供给算法。但是反向传播算法只是一种计算方法，用于确定如何改变每个连接强度，使其更容易说鸟，更不容易说貓(mao)。算法会不断嘗(chang)試(shi)调整权重。现在，如果你展示足够多的鸟和猫，當(dang)你展示一只鸟时，它会说鸟；当你展示一只猫时，它会说猫。事实证明，这种方法比手(shou)动连接特(te)征(zheng)檢(jian)测器要有效得多。

值得称道(dao)的是，那些曾经坚定反对神经网络的人，当看到这种方法成功时，他们做了科学家通常不会做的事情，也就是说：“它有效，我们会采(cai)用这个方法。”人们认为这是一个巨大的轉(zhuan)变。因为他们看到这种方法比他们正在使用的方法更有效，所以他们很快就改变了立場(chang)。

当人们既(ji)在思考机器，也在思考我们自(zi)己(ji)的思維(wei)方式(shi)时，我们常常认为，輸(shu)入是语言(yan)，输出是语言，那么中间一定也是语言。这是一个重要的误解。实际上，这种观点并不正确。如果这是真的，那么被称为符(fu)號(hao)人工智能的方法应该非常擅(shan)长进行机器翻(fan)譯(yi)，比如把(ba)英语转换成法语。你会认为操(cao)作符号是实现这一目(mu)标的正确方法。但实际上，神经网络的效果更好。当谷歌翻译从使用符号方法转向神经网络时，效果大大提高了。

我认为，在中间的部(bu)分(fen)，你会发现有数百(bai)万个神经元，它们中的一些是活(huo)躍(yue)的，一些则不是。符号只能在输入和输出處(chu)找到，而不是在整个过程(cheng)中。

02、对于大语言模型，只有理解整个句(ju)子，才能更準(zhun)确地(di)预测下一个詞(ci)

我们知道这些大型语言模型只是预测下一个词。这并不簡(jian)單(dan)，但确实如此(ci)。它们只是预测下一个词，所以它们只是自动補(bu)全。但是，问问自己一个问题：要准确预测下一个词，你需(xu)要了解到目前为止(zhi)所说的内容。基本上，你必须理解已经说过的話(hua)来预测下一个词。所以你也是自动补全，只不过与它们一样。你可以预测下一个词，雖(sui)然可能不如ChatGPT那么准确，但为了做到这一点，你必须理解句子。

让我舉(ju)一个关于翻译的例(li)子。这是一个非常具有说服(fu)力的例子。假(jia)设我要把这句话翻译成法语：“奖杯(bei)太(tai)大了，它放不进行李(li)箱(xiang)。”当我说这句话时，你会认为“它”指(zhi)的是奖杯。在法语中，奖杯有特定的性(xing)別(bie)，所以你知道该用什(shen)么代词。但如果我说：“奖杯放不进行李箱，因为它太小了。”现在你认为“它”指的是行李箱，对吧(ba)？在法语中，行李箱的性别也不同(tong)。所以为了把这句话翻译成法语，你必须知道，当它放不进去(qu)是因为太大时，是奖杯太大；而当它放不进去是因为太小时，是行李箱太小。这意(yi)味(wei)着你必须了解空(kong)间关系(xi)和容納(na)等概(gai)念。

为了进行机器翻译或预测那个代词，你必须理解所说的内容。仅仅把它当作一串(chuan)单词是不够的。

03、我们现在正处于一个过渡(du)点，接下来AI将无处不在

ChatGPT表明，这些大模型可以做一些令(ling)人驚(jing)奇(qi)的事情。微軟(ruan)发布了一些产品后，大众突(tu)然开始关註(zhu)这个领域，他们突然意识到了大模型的潛(qian)力。

它已经开始无处不在了，ChatGPT只是让很多人意识到了这一点。实际上，当谷歌进行搜(sou)索(suo)时，它会使用大型神经网络来幫(bang)助(zhu)決(jue)定向你展示什么最佳(jia)结果。

有两条通往(wang)智能的不同道路。一条是生物学途(tu)徑(jing)，另一条是我们所拥有的模擬(ni)硬(ying)件(jian)途径。我们必须用自然语言进行溝(gou)通，还要向人们展示如何做事情，模仿(fang)等。但我们在交(jiao)流方面(mian)做得很糟(zao)糕(gao)，与现在运行在数字(zi)计算机上的计算机模型相比，我们的交流能力差得多。

计算机模型之间的沟通带寬(kuan)非常大，因为它们是相同模型的克(ke)隆(long)，运行在不同的计算机上。正因为如此，它们可以查(zha)看大量的数据，因为不同的计算机可以查看不同的数据，然后它们结合(he)了它们所学到的东西，远远超(chao)出了任何人能够理解的範(fan)圍(wei)。

ChatGPT知道的比任何一个人都多。如果有一个关于知识量的比賽(sai)，它会輕(qing)松(song)擊(ji)敗(bai)任何一个人。我们有100万億(yi)个连接，其中大部分是通过学习得到的，但我们只活了十亿秒(miao)，这并不算很长的时间。像(xiang)ChatGPT样的东西，它们在許(xu)多不同的计算机上运行了比我们更长的时间，吸(xi)收(shou)了所有这些数据。

我认为ChatGPT引发的AI浪(lang)潮(chao)，在規(gui)模上与工业革(ge)命(ming)、電(dian)力、甚(shen)至(zhi)是輪(lun)子的发明相当。

04、未(wei)来，经过训练的AI系統(tong)，可以运行在低(di)功耗(hao)的系统上

我们有两种途径来理解智能：一种是生物途径，其中每个大脑都是不同的，我们需要通过语言来在不同的大脑之间传遞(di)知识；另一种是目前的AI神经网络版(ban)本，你可以在不同的计算机上运行相同的模型，实际上它们可以共享(xiang)连接权重，因此它们可以共享数十亿个数字。

这就是我们如何让一只鸟跳(tiao)舞(wu)的。它们可以共享识别鸟的所有连接权重，一个可以学会识别猫，另一个可以学会识别鸟，它们可以共享它们的连接权重，这样每个模型都可以做两件事。这正是这些大型语言模型所做的，它们在共享。

但这种方法只适用于数字计算机，因为它们必须能够模拟相同的事物。而不同的生物大脑无法相互(hu)模拟，因此它们无法共享连接。

计算机的运行，必须依(yi)賴(lai)强大的电力支(zhi)持(chi)，以便(bian)它能够精(jing)确地以正确的方式工作。然而，如果你願(yuan)意让计算机以較(jiao)低的电力运行，比如大脑所做的那样，你会允(yun)许一些噪(zao)聲(sheng)等，但特定系统会适应该特定系统中的噪声，整个系统将正常工作。

大脑的运行功率(lv)是30瓦(wa)，而大型AI系统需要像兆(zhao)瓦这样的功率。所以我们在30瓦上进行训练，而大型系统则使用兆瓦，它们有很多相同的东西。我们在谈论功率需求(qiu)方面的1000倍(bei)差距(ju)。

因此，我认为会有一个階(jie)段(duan)，我们会在数字计算机上进行训练，但一旦(dan)某(mou)个AI系统训练完畢(bi)，我们会将其运行在非常低功耗的系统上。所以，如果你想让你的烤(kao)面包(bao)机能和你对话，你需要一个只花(hua)費(fei)几美(mei)元的芯(xin)片(pian)，而且它能运行像ChatGPT这样的程序(xu)，那么最好是一个低功耗和低芯片。

05、如何保(bao)证AI提供的是真相，将是一个非常棘(ji)手的问题

ChatGPT像一个“白(bai)癡(chi)天(tian)才”，它并不真正了解事实真相。它接受(shou)了大量不一致(zhi)的数据训练，试图预测下一个网络用戶(hu)会说什么。

人们对很多事情有不同的观点，而AI必须有一种混(hun)合所有这些观点的方式，以便可以模拟任何人可能说的话。这与一个试图拥有一致世界(jie)观的人非常不同，特别是如果你想在世界上采取行动，拥有一致的世界观是非常有益(yi)的。

我认为接下来会发生的一件事是，我们将朝(chao)着能够理解不同世界观的系统发展，并且能够理解，好吧，如果你有这个世界观，那么这就是答案。而如果你有另一个世界观，那么答案就是另一个。我们得到我们自己的真相。

你可不希(xi)望某个大型盈(ying)利(li)公司来决定什么是真实的。但他们正在控(kong)制我们如何使用这些东西。

我们已经看到，至少(shao)那些已经发布聊(liao)天产品的人覺(jiao)得有些事情他们不希望用他们的声音(yin)说出来，所以他们会去幹(gan)预它，以免(mian)说出冒(mao)犯(fan)人的话。是的，但这种方式你能做的事情是有限(xian)的。总会有你想不到的事情，对吧？是的。

目前我并不认为微软知道如何处理这个问题。（微软）他们也不知道。这似(si)乎是一个巨大的治(zhi)理挑(tiao)戰(zhan)。誰(shui)来做这些决策(ce)？这是非常棘手的事情。

谷歌目前非常小心，不要那样做。谷歌会做的是将你引向相关文件，这些文件中会有各(ge)种各样的观点。所以我认为谷歌在发布聊天机器人时会比微软更謹(jin)慎(shen)，并且它可能会附(fu)带很多警(jing)告(gao)，这只是一个聊天机器人，不要一定相信它所说的。在标签上小心，或者在干预方式上小心，以免做出糟糕的事情。

要努(nu)力防(fang)止它说出不好的东西。但是，谁来决定什么是壞(huai)事呢(ne)？有些坏事是相当明顯(xian)的，但是很多最重要的事情并不是那么明显。所以，目前这是一个很大的懸(xuan)而未决的问题。我认为微软发布ChatGPT是非常勇(yong)敢(gan)的。

你也不希望政(zheng)府(fu)来做这件事。像我说的，我不知道答案，而且我不相信有人真的知道如何处理这些问题。我们必须学会如何快速处理这些问题，因为这是一个当前的大问题。

06、AI或许已经具備(bei)“理解”能力

当涉(she)及到“理解”的时候(hou)，我很惊訝(ya)人们会自信地宣(xuan)称这些东西是没有“理解”的。

当你问他们“理解”的意思是什么时，他们会说他们不太清(qing)楚(chu)。那么如果你不知道“理解”的意思，你怎(zen)么能自信地说它们没有理解呢？

所以也许它们已经有“理解”了，谁知道呢。

我认为它们是否有“理解”取决于你对“理解”的定义，所以你最好在回(hui)答这个问题之前先明确一下你对“理解”的定义。我们认为它是否有“理解”能力重要嗎(ma)，还是只关注它是否能有效地表现出有理解的狀(zhuang)態(tai)？

我认为一个很好的例子可以想到的是一种自主的致命武(wu)器。说它没有感(gan)觉这也对，但是当它在追(zhui)逐(zhu)你并射(she)击你时，你会开始认为它有感觉。

我们并不真的关心，这不再是一个重要的标准了。我们正在开发的这种智能与我们的智能非常不同，它是某种伺(si)候无知者的工具，它和我们不一样。

我的目标是理解我们。我认为理解我们的方式是通过構(gou)建(jian)像我们一样的东西。我说过的那位物理学家理查德(de)·费曼曾经说过，你不能理解一件事情，除(chu)非你能够构建它。

07、AI将使人们从事更有创造(zao)性的工作，而较少从事例行工作

如果你回顧(gu)歷(li)史，看看自动取款(kuan)机，这些现金机出现时，人们说这是銀(yin)行櫃(gui)員(yuan)的終(zhong)结。但实际上，它并没有终结银行柜员的職(zhi)位，现在银行柜员处理更复杂的事情。

未来可以机器寫(xie)代碼(ma)，人来检查代码，这样就能够快10倍。你可以只用10%的程序员完成一样的工作，或者使用相同数量的程序员，生产10倍的东西。

我们教育(yu)了很多人学习編(bian)程。教这么多人编程是否仍(reng)然有意义呢？在2015年左(zuo)右(you)，我曾经声称，在未来五(wu)年内，计算机将在图像识别方面超越(yue)放射科醫(yi)生，因此教他们识别图像中的东西已经没有意义了。事实证明，我的预测错误了，实际上需要10年，而不是5年。

我认为有一段时间，我们仍然需要程序员。我不知道这段时间会有多长，但我们需要的程序员会減(jian)少。或者，我们可能需要相同数量的程序员，但产出更多。

08、AI消(xiao)滅(mie)人类的几率介(jie)于0%和100%之间

就我所说，如果我们明智的话，我们会努力发展它，以免发生这种情况。

但是，令我担憂(you)的是政治局(ju)勢(shi)。确保每个人都明智行事是一个巨大的政治挑战。这似乎是一个巨大的经济挑战，因为你可能会有很多个體(ti)追求正确的道路，然而，公司的利潤(run)动机可能不会像为他们工作的个体那样谨慎。

我只真正了解谷歌，这是我唯(wei)一的工作公司。他们一直是最谨慎的公司之一。他们对AI非常谨慎，因为他们有一个提供你想要的答案的出色(se)搜索引擎(qing). 他们不想損(sun)害(hai)它。而微软则不太关心这个问题。如果搜索消失(shi)了，微软可能都不会注意到。

当没有人追趕(gan)他们的时候，谷歌采取緩(huan)慢(man)的策略(lve)是容易的。谷歌一直处于领先地位。Transformers是在谷歌发明的，大型语言模型的早(zao)期版本也是在谷歌。他们更加(jia)保守(shou)，我认为这是正确的。但现在他们感受到了壓(ya)力。所以他们正在开发一个名为“Bart”的系统，他们将发布该系统。他们正在对它进行大量的测试，但我认为他们会比微软更谨慎。

直到不久(jiu)前，我认为在我们拥有通用人工智能之前还需要20到50年的时间。而现在我认为可能是20年或更短时间。有些人认为可能只有5年，几年前我会说不可能，但现在我不会这样说了。

09、一旦賦(fu)予(yu)AI创造子目标的能力，它就会变得更有效

如果你想制造一种高效的自主士兵(bing)，你需要赋予它创造子目标的能力。

换句话说，它必须意识到类似的事情，比如：“好吧，我想殺(sha)死(si)那个人，但是要过去，我该怎么辦(ban)？”然后它必须意识到，如果能到達(da)那条道路，可以更快地到达目标地点。所以，它有一个到达道路的子目标。

一旦你赋予它创造子目标的能力，它就会变得更有效。像普(pu)京(jing)这样的人会希望拥有这样的机器人。

但是，一旦它具备了创造子目标的能力，你就会遇(yu)到所谓的“对齊(qi)问题”，即(ji)如何确保它不会创造对人类或你自己不利的子目标。谁知道那条路上会有什么人？谁知道会发生什么？

10、AI研发需要“日(ri)内瓦公约”

我们需要做的是使这种技术与人类互补，让它帮助人们。我认为这裏(li)的主要问题之一是我们所拥有的政治体系。

如果这些系统是由(you)軍(jun)方研发的，那么将一条“永远不要傷(shang)害人类”的规则植(zhi)入其中的想法，恐(kong)怕(pa)并不现实，因为它们本就是设计用来伤害人类的。

我认为最好的办法是类似于《日内瓦公约》的东西，但达成会非常困难。

我觉得如果有大量的公众抗(kang)議(yi)，那么可能会说服政府采取行动。我可以想象(xiang)，在足够的公众抗议下，政府可能会采取某些行动。但是，你还需要应对其他人。

11、我们距離(li)AI能够自我改进的时间点已经非常近了

我认为这是一个关鍵(jian)时刻(ke)。我们可能很接近了。然后它可能会变得非常快。

我们必须认真思考如何控制这一点。我对这些成果有一点担忧。

不过，我认为不论发生什么，这几乎都是不可避(bi)免的。

换句话说，一个人停(ting)止研究不会阻(zu)止这种情况的发生。如果我的影(ying)響(xiang)只是让它提前一个月(yue)发生，那么这就是一个人所能做的極(ji)限了。有这个想法，我可能说错了，那就是短跑(pao)道和长起飛(fei)。

我认为有时间准备是好的。所以我认为，现在就担心这些问题是非常合理的，盡(jin)管(guan)在接下来的一两年内不会发生。人们应该思考这些问题。

结语

Hinton先生不只是在学术上居(ju)功至偉(wei)，他的精神也对我们的社(she)会有着借(jie)鑒(jian)的意义。

“虽千(qian)万人吾(wu)往矣(yi)”，Hinton是计算机科学界为数不多的真正愿意去坚持自己的熱(re)爱并且义无反顾的与其他人对抗的，他不畏(wei)懼(ju)别人的眼(yan)光(guang)，那并不是因为他不在意或者怎么样——他似乎拥有洞(dong)察(cha)未来的雙(shuang)眼，知道他的坚守会是正确的。

最后，以Hinton先生的一段话结尾(wei)。

We're just produced biologically. Most people doing AI don't have doubt that we're machines. And I shouldn't say just. We're special,wonderful machines.

我们是机器，我们只是通过生物方式制造的。大多数做AI 的人对这一点毫(hao)不懷(huai)疑。我们只是特别精密(mi)的机器。我剛(gang)才不该说“只是”。我们是特别的、絕(jue)妙(miao)的机器。返(fan)回搜狐(hu)，查看更多

責(ze)任编辑：