一个猫头鹰饿了，那么接下来会做什么，很显然会去寻找食物。

 

这一生物本能属于主动推断的范畴，而主动推断是知觉行为的第一性原理。

 

当前，AI与脑科学的碰撞和交融还有无限的空间，脑科学里面有哪些核心的“第一性原理”，正在成为AI创新的认知神经基础？人工智能技术有哪些应用和实践，正在成为探索生物大脑“智能的奥秘”的有力工具？站在交叉学科的十字路口，通往通用人工智能有哪些可行路径？

 

在“2022北京智源大会-人工智能的认知神经基础”主题论坛上，来自于智源研究院[人工智能的认知神经基础重大研究方向]的科学家同国内外行业专家一起，通过跨学科的学术研讨和交叉讨论，分享了他们对于以上问题的探索和思考。                              

整理：智源人工智能的认知神经基础团队

编辑：李梦佳

论坛专家名单：

Karl Friston | 伦敦大学学院教授

刘  嘉 | 清华大学脑与智能实验室教授，智源首席科学家

陈良怡 | 北京大学未来技术学院教授，智源研究员

宋  森 | 清华大学医学院教授，智源研究员

余  山 | 中国科学院自动化研究所教授，智源研究员

方  方 | 北京大学心理与认知科学学院教授，智源研究员

吴  思 | 北京大学心理与认知科学学院教授，智源研究员

杜  凯 | 北京大学人工智能研究院助理研究员

从第一理性出发，推动脑启发的人工智能

 

刘嘉|视觉皮层的物体选择性编码原则

 
人类视觉皮层对物体的编码选择性是大脑进行遮挡物体识别的基础，例如，即使一张人脸被口罩、帽子等遮挡，我们仍立刻可以识别这是一张人脸。然而，遮挡物体识别是当前利用深度学习技术进行物体识别领域时面临的普遍问题，例如将遮挡面孔识别成是一般的其他物品。因此，从认知神经科学出发，探究人脑腹侧颞叶（Ventral temporal lobe， VTC）区域对遮挡面部识别的工作机制，揭示其背后的智能基础，将会极大推动脑启发AI识别模型或算法创新。
为此，我们筛选了神经科学里面的三个基本原则来提升AI在识别被遮挡物体上的效能：第一，连线最小的原则（wiring cost minimization），即脑神经是以布线最小为原则来进行布线；第二，神经激活传导原则，即通过特定高斯函数参数来模拟轴突长度和激活扩散过程；以及第三，模块化（modularity）约束原则，即信息由特定模块编码和封装。
 
通过将三个基本原则植入自组织映射（Self-Organizing Map）网络，配合 Alexnet 网络，结果显示模型对面孔具有编码选择性，即使面孔被遮挡，负责编码面孔的神经对遮挡面孔表现为活动逐渐上升的过程，而对非面孔则是逐渐下降的过程。与此同时，模型预测了神经对遮挡面孔的识别时间存在差异，表现为被遮挡的比例越大，识别时间越长。通过脑电实验证实，该现象可以被人脑 VTC 活动显著预测。
该报告展现了一个以发掘[第一性原理]为核心实现脑启发的示例。寻找第一性原理的过程就像是一个寻找智能载体并建模的过程，也是一个 implementation 的过程。复杂来源于简单，找到第一性原理，是我们理解脑启发 AI 的一个关键。

 

陈良怡|从神经的稀疏编码到数学超分辨率显微镜

稀疏编码在数学与神经科学领域已有较多的研究。2006年陶哲轩等证明了只要原始信号足够稀疏，在信号的频域空间，由完整频谱的任意一部分均能以接近于100% 的可能性恢复出原始信号，也就是由不完整的频谱恢复出完整的频谱。
在本次报告中，陈良怡教授向大家介绍了一些神经科学中的稀疏编码现象，并介绍了当前领域内的一些观点，认为大脑也有可能在利用压缩感知的方法对信息进行处理与传递。神经编码的稀疏性使得神经系统能够更有效的传递和分类高维信息，扩大记忆的存储能力,节省能量，提升泛化推理能力。      
 

受到稀疏性对信号传输和恢复重要性的启发，陈良怡教授及其合作团队利用稀疏性基本原理突破荧光超分辨率的衍射极限。他们利用图像的稀疏性与连续性两个先验条件，结合迭代解卷积，大大提高了荧光成像的分辨率，和原先基于物理原理和荧光探针特定特性的超分辨率方法截然不同。利用这一新算法，第一次实现了在活细胞上对核孔复合体的60nm 结构进行观察（以往只能观察到90nm的结构）。成像分辨率的提升对研究神经科学、临床领域问题都有很大的帮助。例如，利用这一新算法，能够更有效的观察Tau蛋白在老年痴呆患者脑中是从何处起始、富集和传播。
稀疏性是一个基础性的原理，它对于信息的传递与恢复具有很重要的意义,在神经系统的信息加工中同样具有重要意义。

 

宋森|借鉴人类学习抽象规则的认知范式，实现神经网络的推理泛化能力

 

抽象推理是智能的基本问题之一。抽象规则学习是在输入中寻找可推广的模式，并能够脱离对具体例子的依赖，从而可以达到更好的可推广性和泛化性。尽管神经网络在一些视觉任务中已经达到了人类水平，但其推理能力仍然远远落后，尤其是在无监督（规则未知）的情况下。

 

生物智能中，即使是很小的婴儿也具有很好的抽象规则学习能力。研究表明七个月大的婴儿就可以发现声音里的一些语法规律。而如果是空间上的视觉序列，更小的婴儿（3-4个月）也可以学到其中的规则模式。不只是人类，有实验表明猴子在空间序列规则识别任务中也可以很快的学习到物体的空间序列规则。这些都表明抽象的规则学习在生物智能中是一个普遍且重要的能力。

 

 

受认知科学的启发，宋森教授团队首先设计了一个更像人类学习规则的任务，该任务旨在通过试错的方式来学习抽象规则。然后构建了一种新的架构来解决此任务，该架构主要根据先前的试验结果学习规则的表征，其对规则构建一个嵌入向量表征，通过对比模块和规则模块分别进行规则的猜测和规则表征的动态修改，使得该结构可以快速适应没有见过的规则组合，从而学习到规则，实验表明网络在推广能力和泛化性上都有明显的提升。其次，我们提出通过内部推理的过程来学习更鲁棒的规则表征。该方法关键思想是将学到的规则重复应用到不同的实例中，以期对规则有一个全面的理解(即更鲁棒的表征），在瑞文测试中相比于其他方法表现出更好的推广和泛化能力。因此，抽象规则的学习能力对于提高人工神经网络的推广和泛化能力具有重要作用。

 

吴思|连续吸引子神经网络-一种神经信息表征的正则化模型

大脑中存在海量的神经元，神经元之间通过突触形成网络，神经系统基于网络动力学实现神经计算。建模大脑神经计算和表征的典型模型为吸引子网络，包括离散吸引子和连续吸引子网络。离散的吸引子网络，如Hopfield模型，被广泛地用来解释大脑的联想记忆功能，其吸引子是离散的。在连续吸引子网络，吸引子在网络状态空间中紧密排列，形成了一个低维的，平滑的流形，故连续吸引子网络可以被用来编码和表征连续的刺激变量，被广泛地用来建模大脑的头朝向系统，运动方向和空间位置的表征等。
近年来，连续吸引子结构在大脑中的存在被广泛地证实，比如，最近的实验发现果蝇的编码头朝向的系统具有连续吸引子动力学性质。连续吸引子网络已经成为一个标准的，用于神经信息表征的正则化模型，其有着很好的计算特性。

 

第一，连续吸引子网络可以用于编码图片之间具有相似性的语义表征，借助深度神经网络，这种连续吸引子表征可以从真实图片数据中学习得到；

 

第二，在连续吸引子网络的动力学中引入一种神经负反馈机制后，其原本稳定的波包状态会在平滑的流形空间移动，形成行波，并实现对外部移动刺激的预测追踪；

 

第三，结合神经负反馈机制，连续吸引子网络可以实现动物觅食过程产生的莱维飞行现象，并可以帮助理解神经系统如何实现高效的记忆检索。

吴思教授在分享中提到其课题组最近的研究还建立起连续吸引子网络动力学和机器学习算法之间的联系，其发现连续吸引子网络可以实现群等变表征，也可以在引入神经元适应性机制后，实现高效的哈密顿采样。总的来讲，现有的机器学习算法主要基于数据驱动的方式学习得到概念表征，而连续吸引子网络等则基于知识驱动的方式，建立起了这些概念表征之间的关联。未来这两种方法或许可以更加紧密地结合在一起，创造更好的智能算法。

 

 

余山|大脑的抽象符号表征（从智人进化看AI种的语义理解）

 

近年来基于深度学习的自然语言处理取得了长足进展，大模型的成功更是极大提高了人工智能在语言任务中性能，但是单纯基于符号层面的统计模型从本质上会面临“中文屋子”困境, 即难以理解符号在真实世界的语义。相比而言，人类不仅能熟练的掌握语法，也能理解语言符号的真实含义，所以能够通过符号传递丰富的信息，比如从少量文字联想到具体的场景。这种能力差异的实质是什么？比较重要的是Stevan Harnad提出的符号接地(symbol grounding)能力，就是我们大脑具有将抽象的符号与真实世界的事物进行关联的能力,从而可以将符号主义和连接主义的方法紧密融合在一起。

 

通过核磁共振的扫描也发现，当给被试呈现不同的单词时，大脑不仅仅会激活负责语言的区域，还会激活几乎整个大脑的所有区域，这说明大脑能够将抽象的语言和具象的感官、运动、情绪等众多表征相关联。从人类进化的过程看，语言能力是智人发展的中后期才具有的能力，一个重要的判断依据是近10万年以来，壁画或有意义的抽象符号在智人所留下遗址或遗物中的出现。这种人类所独有的符号化表征能力在心智形成、想象、规划、使用工具等高级智能功能及行为中也具有重要作用。如果排除人类抽象符号语言能力，那么我们的智能水平可能与较高等的非人灵长类动物并没有太大的区别。因此我们希望未来能进一步通过借鉴大脑的抽象符号表征能力来解决符号接地的问题，从而促使人工智能上一个新的台阶。

 

知觉学习与主动推理

 

方方|知觉学习：机制、功能及其增强

知觉学习是感知系统适应外界环境的一种典型现象，是指对物理刺激的知觉通过反复练习或者经验而产生的持续稳固的变化。知觉学习表现为对知觉特征和客体的分辨和识别能力在自身无意识下逐渐提高，并在数月乃至数年间稳定保持。知觉学习的机制、功能及其增强是知觉学习研究的核心，探索知觉学习的机制、功能及增强手段有助于揭示人类认知增强乃至智能的普适性机理，也有望为类脑计算和类脑智能增强带来全新的突破口。
方方教授团队首先采用面孔知觉学习和运动知觉学习范式，以人类为研究对象，结合心理物理及磁共振的技术手段，系统性地探究知觉学习的认知神经机制。其次，结合经颅磁刺激技术的一项研究表明通过训练可以让另外一个脑区（V3A）对其他的脑区（MT）实现功能性的替代，这项研究有潜力应用到未来的相关治疗当中。并且，知觉学习可以有效提升空间注意分辨率，改变V2的群感受野从而减轻视觉拥挤效应。
此外，在增强知觉学习方面，基于心理物理和fMRI的研究表明，当与一个能力较强的队友进行双人知觉学习时能够有效提高学习速度和幅度；通过对比不同频段、不同位置穿颅交流电刺激（tACS）对知觉学习的影响，发现只有对视皮层施加10Hz电刺激时可以让被试学的既快又多，且学习效果可保持14个月。

 

 

Karl Friston|主动推断：知觉行为的第一性原理

 

知觉是人脑对接收到的外界刺进的反应，是包含一系列的感觉信息的加工过程。Karl Friston认为主动推断（Active Inference）是知觉行为的第一性原理，很多和知觉行为相关的算法均可以从这一原理推得，比如强化学习，主动学习，贝叶斯最优推断，贝叶斯最优设计等。

 

主动推断可以基于最小化预期自由能实现，其本质上是在优化智能体对外部世界的信念。比如，一个猫头鹰饿了，那么接下来会做什么，很显然，其会去寻找食物。从目标函数优化的角度来看，猫头鹰需要基于当前的状态，采取动作，优化其状态-动作价值函数。但Karl Friston认为猫头鹰首先面临的问题是基于当前的状态，搜寻解决方案，不同的方案具有不同的不确定度，比如食物出现的位置，这些不确定度属于信念的一部分。故猫头鹰的目标函数不是关于状态的函数，而是关于自身对状态的信念的函数。主动推断从简单地考虑“如果我这样做会发生什么”的信念转变为“如果我这样做，我会相信发生什么”的信念。

 

Karl Friston进一步指出利用预期自由能的递归形式可以高效地实现对未来行动和结果的深度树搜索。其以小鼠在T型迷宫寻找食物奖赏为例，展示了主动推断可以帮助解决智能体探索-利用困境这一难题。

 

大脑精细仿真与通用智能演化系统，推动通用智能的探索和实现

       

杜凯|大脑精细仿真，揭开生物智能的结构基础

 
在Ramon Cajal(西班牙神经学家,1906年诺贝尔生理学或医学奖得主)之前，神经科学还停留在哲学和神学层面，Cajal提出了“信息是如何在神经细胞胞体与树触之间流动的”理论,开启了近代神经科学。神经计算则通过建立合理模型模拟了神经细胞处理信息的过程。
 
神经计算的实现主要两条道路：点模型和精细神经模型。点模型虽然是过去半个世纪以来的主流模型，并且是现在的深度学习模型的源头，但是无法真实反应神经细胞树突的强大计算能力，相对而言，精细神经模型在这方面有巨大的潜力。比如说，最新的研究表明，单个精细神经元模型的计算能力相当于一个5-8层的深度学习网络。简单的说，精细神经模型整合了包括Hodgkin-Huxley模型和电缆理论（Cable Theory），并且开发了相应的数值计算方法。当前，精细神经元模型已经产生了包括树突计算理论等诸多成果。人们发现神经细胞能够通过树突计算实现被动滤波、兴奋性与抑制性信号相互作用、动作电位反向传播、非线性信号整合等诸多功能，而非线性的信号整合又产生了树突脉冲现象、树突平台电压等现象，这些现象已经在生理上有被明确观察到。
另一个重要的例子，树突棘计算理论被认为与生物学习记忆机制存在关系。基于树突计算理论，Hinton等人提出了NGRAD框架，该框架中前馈与反馈信号可以同时互补干扰的传递，实现信道复用。人们发现简化的树突模型可以实现信道复用，树突可塑性可以实现多层神经网络计算，进而单个复杂树突神经元可以具备多层神经网络计算能力。
因此，杜凯研究员认为，基于树突计算与单神经元已经具备了复杂的计算能力，而复杂神经元的大规模高精度模拟将成为未来计算神经科学的重点研究方向之一，进而推动对智能科学的探索。
此外，杜凯研究员在回答观众提问时也提到，未来AGI的实现一定需要“真实世界模拟”（real world simulation）。而大脑进化出无数个细节，就是为了适应“真实世界”（real world）的复杂环境。所以，在无数的基本原理（principles）之外，还需要大脑里面的无数个细节对复杂的“真实世界”（real world）进行表征和模拟。从这个角度来讲，复杂神经元的大规模高精度模拟将成为“真实世界”模拟的基础条件。

 

刘嘉|通用智能演化系统，AGI的可能实现路径

 
“如果说我们比别人看的更远一点，是因为我们站在巨人的肩上，”——牛顿
从科学探索的角度，我们认为找出智能产生的“第一性原理”，是从逻辑原点出发去推演更高层级智能认知行为的关键。其中我认为有两个重要的核心观点：第一，智能只有通过进化（Evolution）才可以实现真正地理解；第二，进化仅仅发生在物理世界（Physical World）的约束之下。
 
基于此，我们认为研究智能需要有两个核心的立足点：第一个是动态/动力学（Dynamics），从起源开始，在环境中不断进化；第二个是环境，其中有一个很重要概念叫具身（Embodied）,即理解智能的载体，对于人而言就是人的是大脑和身体。同时，我们认为这也是脑启发的人工智能中核心的两个要素。
 
为具体推动这方面的探索，我们提出了一个“3+1”的路线图。
首先第一点是通用智能的认知神经标准库，即我们需要一个来自于神经生物学的数据基础，这也是“具身”的基础。通过这些神经的数据、行为的数据、认知的数据，我们才能洞悉大脑是怎么工作的，我们的身体是怎么与环境怎么交互的，从而才能理解产生智能的过程和底层机理。
第二点就是通用智能的训练环境。我们认为只有一定的环境才可以真正产生我们相应的智能，需要把环境作为计算的一部分。比如，在不同的宇宙里面可能智能的表现形式是完全不一样的，这是因为不同环境下的物理原则可能不同。所以，智能体所处的训练环境不同，最终产生的智能表现形式也是不一样的。我把这部分称为“图灵测试2.0”，它是让智能体基于这个物理环境进行演化并产生智能的关键。
我们认为第一点的生物数据和和第二点的图灵测试合并起来就对应到前面所说的“具身（Embodied）”这部分。
最后，我们可以根据大脑数据来调整这个演化系统。我们把这一点称之为“通用智能的风洞”。这部分主要有两个作用，第一个是利用大脑数据来给智能体启发，比如我们可以把已有关于人类的行为范式作为一种预设的知识嵌入到智能体里面，类似于生物的基因一样，把这个先天的基因的作用加入进去。
由此，智能体在这个open-ended环境中不断演化并最终实现通用智能。我个人认为这个是通向AGI唯一正确的一条道路，也是我们现在在不断努力和尝试的方向。
圆桌讨论

Q1：DeepMind也曾发文称“Reward in enough” (“Powerful reinforcement learning agents could constitute a solution to artificial general intelligence.”)请问各位老师评价和看待这一观点？Reward是否真的Enough?以及有何补充。

 

刘嘉教授认为，奖励（Reward）从进化层面来讲就是生存（Survive）和繁衍（Reproduction）。生物的繁衍需要持续不断的奖励，但什么样的奖励可以构成有效的、能够推动智能体不断繁衍进化的损失函数，取决于所处的环境和具体的任务。“适者生存”可能只是定义了其中的一种，而另一种是“生”的对面——“死”。在精神分析领域，弗洛伊德早期提出过一种理论叫“生本能”。他从动物的角度讲包括人在内的所有动物都是为了更好的生存下去，这是进化的一个动力，从这个意义上，“Reward”可能是“Enough”的。但与“生本能”相对应的还有一个“死本能”。我对这两个“本能论”的理解是，对于个体来说，死亡永远是一个很糟糕的事情，人们能希望够活的越长越好。但是，从群体进化的角度来看，死亡可能是很好的事情，它能够推陈出新，实现群体的进化。

 

所以回到我们刚才所讲的奖励（Reward），可能只是从单个智能体的角度来考虑的。而如果考虑多智能体的情况，比如蚂蚁的协同共生性（Stigmergy）、人类作为群体的进化等，可能要从多个智能体的角度重新看待。“Reward is enough”这个观点需要进一步完善其在从多智能体情况下的适用性。

 

杜凯研究员认为，“Reward is enough”这个说法在计算科学机器学习的框架下，利用强化学习算法的方法可以解决一部分实际问题。但是从神经科学的基层逻辑来看，如果我们要拓展到去解决真实世界（real world）或在模拟的真实世界环境中去解决一些实际问题的话，“Reward is enough”可能还是存在一些局限性。宋森教授认为，从哲学角度来讲，“奖励最大化”对生存来讲是一个很重要的原则，但是具体到我们现在所说的reward-based learning这样一个具体的函数还是很不一样的，因为从基因到物种结构上的变化中间的过程是非常复杂且最重要的，同时还需要考虑环境等因素的影响，这些在进化过程中可能都需要考虑进去。

 

吴思教授认为，这句话本身比较狭隘，需要具体到实际应用中去看我们要用什么样的网络结构的算法来实现这样一个观点。陈良怡教授同样认为，“Reward is enough”，仅适用于特定的环境和情形。余山研究员认为“Reward”只是表明说目标函数很重要，但并没有提供很有有价值的信息。

 

 

Q2：人工智能与脑科学的双向互动与螺旋发展之[AI for Brain Science]

 

第一，技术应用层面，与会专家认为主要体现在以下几个方面：

 

1. 在生物医学工程领域，利用AI技术做动物里面的连接组学，比如利用计算机视觉技术识别电镜切片，重构神经元之间的连接等。

 

2. 在生物数据的处理上，原来用深度学习去处理像EEG或fMRI数据的时候任何人之间的数据差别是很大的（会导致模型很难迁移），但是现在有了元学习(Meta-learning/learning to learn)之后，就可以很容易解决人与人之间数据差别过大的问题。

 

3. 还有大家经常用深度学习，尤其是循环神经网络来拟合神经的数据，再把这里面得到连接的和我们大脑里面记录到的一些数据进行比较，试图来理解大脑的工作原理。

 

4. 人工智能技术在多组学分析领域，比如基因转录组的分子成像数据都是分布在不同的维度上，表现出不同的形式，这时我们就可以利用深度学习去做数据的降维和特征抽取，从而将高维的数据映射到可以理解的维度上，这对于理解基因的表达会非常有帮助。

 

此外，陈良怡教授举例表示，我们在利用深度学习技术去处理脑科学的一些数据的时候，有时候容易过于强调人工智能Data-driven的特性，在这一点上，可能需要更多引入物理或化学模型的先验知识，这可能是会对提高AI模型性能比较有帮助。

 

第二，科学探索层面：

 

刘嘉教授认为，AI技术提供了一个独立于生物智能系统的[智能的参照系]。利用这个参照系，我们可以找这种人工智能系统和生物智能系统的最大公约数，对比在这两种系统里面，哪些东西是AI特别能解决的，从而帮助我们的研究去问一些真智能的问题，同时从人类的角度来讲，哪些是人类特别容易解决而AI解决不了的，从而帮助我们判断人工智能的下一步发展究竟应该从哪些方面出发，去从人脑或者生物智能体得到启发。所以，人工智能和大脑两个智能的载体可以互为参照系，这对于我们提出一些关于智能的本质或者智能的原理等“真问题”会特别有帮助。

 

余山教授以“机器学习里面的灾难性遗忘问题”为例，表示原来脑科学家是没有问过这样的问题的，但是在AI系统中这个是一个非常重要的问题，是需要特殊的设计才可以解决的。所以我们才问脑子是怎么解决这个问题的，我们能不能从中找到一些机理性的启发。其他例子如大脑如何做符号化的表征，脑子为什么有这样一套强大的自然语言处理机制，可以实现符号接地的能力。所以，如果能够把AI系统和神经科学交融起来互相促进互相启发，会是非常有价值的一种研究的方式，通过提出好的问题来把两者交叉联合的力量或潜力发挥出来。

 

此外，杜凯研究员也表示，把AI作为参照系，对于计算神经科学也非常重要。计算神经科学有一个非常重要的作用，就是要去理解大脑运作的机制和原理。但是往往现有的生物学实验其实无法满足计算的需求，这样计算神经科学家提出的一些观点可能就无法被证实或证伪。现有有了人工智能之后，计算神经科学提出的理论或方法除了可以从传统的脑科学找到证据之外，还可以从人工智能里面得到印证。因此，人工智能对于神经科学和计算神经科学的帮助是非常大的，同时神经科学和计算神经科学的进步也会进一步推动我们对真智能的探索。

 

 

Q3：如何培养交叉学科创新人才？对从事交叉学科创新研究有何建议？

 

科学的发展是各个学科不断交叉融合的过程。参与圆桌环节的专家认为，推动国内交叉学科[人工智能X脑科学]的发展需要吸引一部分真正对交叉学科感兴趣、且有探索精神和跨界勇气的年轻人加入到基础研究的行列中，研究机构也要给年轻人提供各学科交流互动的平台。

 

具体地，有志于从事交叉学科研究的青年人才应该从以下几个方面培养和提升自己的交叉学科素养：

 

第一，要有探索的热情（Passion）。因为交叉学科基础研究不是一件容易的事情，需要有足够的热情来面对和抵抗可能压力。

 

第二，要在前期打好数理化的基础，追求当下时髦的、流行的概念不一定就是最用的，很多基础性的、原理性的东西往往能提供一些对推动重大创新的启发和洞见。

 

第三，要有在各学科之间“东窜西跳”的好奇心，能够广泛涉猎各学科的知识，培养自己跨界和“跨语言”的能力。

 

第四，要训练自己交叉学科的思维方式，同时也要敢于跳出固定学科的思维模式，去训练和提高自己的大脑在其他学科小样本数据上的迁移和泛化能力。

 

推荐阅读

 

智源大会自然语言处理论坛精华观点 

梅宏院士：如何构造人工群体智能？| 智源大会特邀报告回顾

图灵奖得主Adi Shamir最新理论，揭秘对抗性样本奥秘 | 智源大会特邀报告回顾

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除