迅雷創始人程浩：人工智慧創業的 6 大核心問題

摘要：人工智慧創業該如何選擇賽道、搭建團隊、應對巨頭挑戰？

大家好，我是迅雷創始人程浩，現在專註科技領域的投資。今天跟大家聊聊人工智慧領域的創業和創新，包括如何選擇賽道、團隊的搭配、以及如何應對巨頭的挑戰。

為此我從投資人的視角，給大家總結了人工智慧創業的 6 大核心問題。

第一個問題：互聯網 vs 人工智慧

首先如果今天大家選擇創業，我建議更應該關注人工智慧，而非互聯網。為什麼這麼講？

1. 互聯網的流量紅利已經消失；

以 PC 來說，全球 PC 出貨量連續 5 年下滑。大家知道國內最後出現的一個 PC 互聯網獨角獸是誰嗎？是知乎，大概是 2011 年初推出，這麼多年過去，再也沒有 PC 互聯網的獨角獸出現。做個類比，我們知道 2015 年移動互聯網的滲透率和競爭程度和 2011 年的 PC 互聯網類似，以此類推，2015 年以後再做移動 APP，也很難出獨角獸了。

畢竟中國連續兩年手機出貨量都在 5 億多台，增長放緩，代表無線流量基本已走平，你多賣一台，我就少賣一台，是存量競爭。今天創業者再做一個純互聯網的 APP，投資人問的第一個問題就是你怎麼獲客。因為現階段流量格局已定，首屏就那幾個 APP。

2. 互聯網+的機會同樣有限；

主要在於互聯網最大的價值，是解決信息不對稱和連接。所以對於電商特別有價值。淘寶用皇冠、鑽石等信用體系解決了信息不對稱，同時又把全國有這麼多買家和賣家連接在一起。這個是互聯網的價值。

但很多行業信息和連接並不是痛點。拿醫療舉例，中國三甲醫院的大夫就那麼多，你把全國 13 億人民都和這些大夫連接上了也沒用，因為一個醫生一天還是只能看那麼多病人。互聯網並沒有提高醫生看診的效率。在諸如餐飲、醫療這些傳統領域，互聯網的幫助是很有限的。

也包括滴滴打車，互聯網解決了打車難的問題，但是沒解決打車價格的問題。事實上，補貼去掉之後，大家都發現了滴滴一點都不便宜，道理很簡單——不管是專車還是計程車，還是需要由人來開，人工成本降不下來，就不可能便宜。

3. 真正能夠提高社會生產力，解決供需關係不平衡的就是人工智慧；

人工智慧將給社會生產力帶來的提高，以及對人類帶來的影響將遠遠超過互聯網。

還是拿醫療來說，很多基層醫院水平不高，那未來完全可以通過人工智慧來輔助醫生讀 CT、X 光等醫療影像。像今年，IBMWatson 對皮膚黑色素瘤的診斷，準確率已提高至 97%，遠遠超過了人類專家 75%-84% 的平均水平。

未來，人工智慧無論是在無人車、機器人、醫療、金融、教育還是其他領域，都將爆發巨大的社會效益，這點毋庸置疑。我認為下一波大趨勢和大的紅利不是互聯網+，而是人工智慧+。我建議現在的創業者更應該關注人工智慧領域的創業機會。

第二個問題：人工智慧 vs 人工智慧+

人工智慧主要分三層。最底層是基礎架構（Infrastructure），包括雲計算、晶元以及 TensorFlow 這樣的框架。在基礎層之上是中間層，叫通用技術（EnablingTechnology），例如圖像識別、語音識別、語義理解、機器翻譯這些。

基礎層和中間層，是互聯網巨頭的必爭之地。比如晶元領域，Intel、英偉達、高通都投入巨資，競爭極其激烈。同樣雲計算、框架也是一樣，都不是小公司能夠涉足的領地。

現在對於中間層的通用技術，BAT 也極其重視。因為大家都相信人工智慧是下一波工業革命浪潮。對騰訊、阿里、百度這些巨頭來講，要想在大浪中屹立不倒，必須要構建出人工智慧的生態系統（Ecosystem）。而核心就是要依靠這些 Enabling Technology 技術。

相比創業公司，BAT 的最大優勢是什麼呢？第一，不缺數據；第二，為了構建自己的生態系統，未來通用技術一定全部是免費的；第三，雖然通用技術免費，但 BAT 有羊毛出在身上的豬機會。這是典型的互聯網打法。

這裡的豬是什麼？豬就是雲計算。例如百度的 ABC 策略，分別代表人工智慧（AI）、大數據（Big Data）和雲計算（Cloud Computing）。AI 我可以不賺錢，開放給大家，那麼大家想享受我的服務，就來買我的雲吧。

而對於創業企業來說，只做圖像識別、語音識別、語義理解、機器翻譯這些通用技術，指望通過 SDK 賣錢，未來路會越來越窄，特別是 BAT 都免費的壓力下。

所以從這個角度講，創業公司做下面兩層風險比較大。我認為創業公司的機會在最上層，就是拿著下兩層的成果去服務垂直行業，也就是我們所謂的人工智慧+。

第三個問題：人工智慧+ vs +人工智慧

深入垂直行業的人工智慧+，又可細分為兩類情況：即「人工智慧+行業」和「行業+人工智慧」，他們間有明顯的區別。

「AI+行業」簡單講就是在 AI 技術成熟之前，這個行業、產品從未存在過。比如自動駕駛，亞馬遜的 Echo 智能音箱、蘋果的 Siri 語音助手。在人工智慧技術未突破前，不存在這樣的產品。因為 AI，創造出了一條全新的產業鏈。

「行業+AI」就是行業本身一直存在，產業鏈條成熟，只是以前完全靠人工，效率比較低，現在加入 AI 元素後，使得行業效率有了明顯提高。比如安防、醫療等領域。

客觀講，這兩個類別都有創業機會。但「AI+行業」，因為是一條新的產業鏈，創業公司與互聯網巨頭實際是處在同一起跑線上。巨頭們坐擁數據優勢。所以從這個角度，「行業+AI」相對對創業公司更為友好，也更容易構建出壁壘。

我認為，未來行業壁壘才是人工智慧創業最大的護城河。因為每個行業都有垂直縱深, 儘管 BAT 技術好一點、並不關鍵。拿醫療+AI 舉例，什麼最重要？大量準確的被醫生標註過的數據最重要。沒有數據，再天才的科學家也無用武之地。

但在國內，這個醫療數據拿出來非常困難。所以 BAT 做醫療一點優勢都沒有，因為他們要把這些數據，從各醫院、各科室搞出來也很累。相反，如果一個創業者在醫療行業耕耘很多年，也許拿起數據來比大公司更容易。

這要求創始團隊的合伙人中，必須有懂行業、有行業資源的人才。這與互聯網+一樣，一旦細分到具體行業，並不是說你百度、騰訊有資金、有流量，投入人才就什麼都能做，比拼的還有行業資源和人脈。

之所以跟大家聊這個話題，是因為前一段去百度大學跟大家交流，他們提到百度人工智慧在無人車和 DuerOS 的應用。同時又問我，人臉識別在國內安防領域的應用價值非常大。像海康威視有近 3000 億人民幣的市值，每年光凈利潤就有近百億。百度在 AI 方面是不是該考慮進軍這個領域。我回答說千萬別，因為安防是典型的、有巨大壁壘的「行業+AI」領域。 

即使百度技術好，在人臉識別率方面比海康威視高一個百分點（實際不一定，海康背後有幾百人的 AI 研發團隊）。但這並不代表百度就能替代海康。因為安防是「非關鍵性應用」（non-mission-critical），100 個犯人我識別了 95 個，你比我多識別了一個做到了 96 個，其實沒那麼重要。

而反過來，海康對比百度有什麼優勢？首先海康是做攝像頭的，用自己的硬體跑自己的演算法，是很自然的事兒。就像蘋果手機，軟硬一體體驗更好。其次，海康做了這麼多年的安防，積累了非常多的數據，人臉的數據、環境的數據……在安防領域有數據優勢。最後，海康給公安系統做了很多類似警務通、基站信息採集、視圖檔案管理等 SaaS 平台的東西，以及警用雲系統。我們可以認為公安系統的 IT 化，其中有一部分就是海康威視參與的。

這些東西可能不賺錢，但卻為海康構建了壁壘。因為底層的基礎設施都是我建的，那前端的東西就只能用我的（我可以有 100 個理由，說競品與我不兼容）。而且海康做了這麼長時間，積累了大量的客戶資源，特別是政府公安局的資源，開拓這些資源非常需要時間。

這些就是所謂的行業縱深。所以即使對 BAT 而言，想進入「行業+AI」領域，選擇垂直賽道時，同樣要非常謹慎。在巨大的行業壁壘面前，真不是說我的演算法比你好一些，市場就是我的，只有技術優勢仍然差的很遠。

回歸「AI+行業」和「行業+AI」，通常來講前者的行業縱深會比較淺，而後者則有巨大的行業壁壘。而行業壁壘，則是創業公司最大的護城河，也是抵擋 BAT 的關鍵。

第四個問題：關鍵性應用 vs 非關鍵性應用

談到人工智慧領域的創業，很多人都會有個誤解，就是如果我團隊沒有個大牛的科學家，比如斯坦福、MIT 的博士坐鎮，我都不好意思講在人工智慧方面創業。其實這個認知是完全錯的。因為在人工智慧領域，演算法到底有多重要，完全取決於你要準備進入哪個行業。

根據行業和應用場景不同，我認人工智慧的創業本質上有 mission-critical 和 non-mission-critical 之分。為了方便大家理解，我們簡稱為「關鍵性應用」和「非關鍵性應用」。

「關鍵性應用」要追求 99.9……% 後的多個 9，做不到就沒法商業化。比如大家認為，99% 可靠度的自動駕駛能上路嗎？肯定不能，意味著 100 次就出 1 次事故。99.9% 也不行，1000 次出一次事故。

千萬記住，99% 和 99.9% 的可靠度差距並不是 0.9%，而是要反過來算，差距是 10 倍。也包括手術機器人，聽起來 99.9% 可靠度已經很高了，但意味著 1000 次出一次醫療事故，放在美國，醫院還不得被巨額索賠搞得破產。

所以「關鍵性應用」領域，就是一丁點兒錯都不能犯的人工智慧領域，必須要有技術大牛、科學家或演算法專家坐鎮。同時，這類項目研發周期都很長。

正如以色列做 ADAS（高級駕駛輔助系統）解決方案的 Mobileye 公司，今年 3 月被 Intel 以 153 億美金收購。大家知道這家公司研發周期有多長嗎？Mobileye 成立於 1999 年，到他們推出首款產品、掙到第一桶金已是 2007 年。長達 8 年的研發周期。這在互聯網創業里不可想像。包括谷歌無人車從 2009 年開始研發，到現在一直沒有商業化；達芬奇手術機器人從啟動研發到 2000 年拿到美國食品藥品管理局（FDA）的認證，花了十年時間。

「關鍵性應用」的普遍特點就是這樣，項目通常很貴，研發周期巨長，離錢非常遠，需要持續的融資能力，團隊怎樣才有持續融資？起碼要有非常好的簡歷和非常好的背景。這個是能夠持續融資的必要前提。所以大家可以看到，今天做無人駕駛的創業團隊都是高富帥。因為不是高富帥，你都熬不到產品真正商業化應用那天。

當然，如果在人工智慧領域都是「關鍵性應用」，那就沒大多數創業者什麼事了。實際上，人工智慧領域的創業，95% 都是「非關鍵性應用（none-mission-critical）」。簡單講對這些領域，AI 的可靠度只要過了基礎線，高一點低一點區別不大。

最簡單的例子，現在很多公司的門禁開始用人臉識別。你今天帶個帽子，明天戴個墨鏡或口罩，識別率沒法做到 99%。可即使沒識別出來也沒問題。因為所有帶人臉識別的門禁都有地方讓你按指紋。即使指紋也刷不進去，問題也不大，公司不還有前台嗎。

這就是「非關鍵性應用」。這類項目不追求 99% 後面的很多個 9。實際上，國內人工智慧和機器人方向的創業，大部分領域都是「非關鍵性應用」。當然並不是說，在這個領域演算法不重要，你天天認不出來也不行，所以一定要過了基礎的可用性門檻，偶爾出現問題可以容忍。「關鍵性應用」則不能容忍。

「非關鍵性應用」不追求高大上，簡單、實用、性價比高更重要，這樣的項目通常比拼綜合實力。包括：

對行業的洞察理解。要熟知行業痛點；

產品和工程化能力。光在實驗室里搞沒意義；

成本控制。不光能做出來的產品，還得便宜的做出來；

供應鏈能力。不光能出貨，還要能批量生產；

營銷能力。產品出來了，你得把東西賣出去。團隊里有沒有營銷高手，能不能搞定最好的渠道是關鍵。 

所以大家在創業組團隊時，一定要想好你選擇的賽道處於哪個領域，不同的賽道對於團隊的要求是不一樣。「關鍵性應用」必須有技術大牛坐鎮，「非關鍵性應用」則要求團隊更加綜合和全面。

五個問題：技術提供商 vs 全棧服務商

現在很多人工智慧創業者都是技術背景出身，創業的第一個想法通常是做技術提供商。技術提供商作為創業的敲門磚可以。但如果只定位做技術提供商，未來路會非常窄。為什麼說未來只做技術提供商價值會越來越小？原因有幾點：

1. 首先通用技術一定是大公司的賽道，BAT 未來一定會開放免費。

人家大公司會免費提供人臉識別、語音識別、語義理解、機器翻譯這類 EnablingTechnology，你還打算怎麼靠 API 調用賺錢呢？也許現在還可賺點小錢，但很難成為一個長久的生意。

2. 依託於演算法的技術壁壘會越來越低。

未來隨著基礎計算平台和開源平台的豐富成熟，技術方面的壁壘會越來越不明顯，整個人工智慧的技術准入門檻會越降越低。就像 2008 年你想找個 IOS 開發者，很難，現在卻很容易一樣，所有技術的演進都遵循這一規律。特別隨著今天各大學的計算機專業，都紛紛開設機器學習課程，未來人才不缺，這會拉低整個行業的進入門檻。

同時隨著谷歌 TensorFlow 等生態系統的成熟，很多領域都會有訓練好的模型可以用來參考（出 Demo 會更快），創業者只要有足夠的數據來訓練參數就好了。所以未來演算法的壁壘會越來越低，如果這個公司的核心競爭力只是演算法，那將非常危險。

3. 技術提供商如果不直接面向用戶/客戶提供整體解決方案，則非常容易被上下游碾壓：

對於技術提供商和演算法類公司，如果你的技術壁壘不夠高，上游很可能直接把你的事做了。這樣的例子比比皆是，比如給海康威視提供人臉識別演算法的公司。問題就在於，海康在用你演算法的時候，人家也有龐大的研發團隊在研究自己的演算法。現在用你是人家還沒準備好，一旦準備好立刻會把你替換掉。

即使在有一定技術門檻的行業，技術提供商的日子同樣並不好過。比如專註嵌入式的視覺處理晶元的 Movidius，大疆無人機一直在用他們的晶元。但自從大疆統治了消費級無人機市場後，大疆現在也很自然地開始研發自己的晶元。

按說晶元的技術壁壘並不低，但只要行業集中度高，贏家就會選擇通吃。比如做手機的廠商，出貨量到了一個閥值，都有動力自己做晶元。像蘋果、三星、華為還有現在的小米，都選擇了自己做手機 CPU。所以聯發科、高通這些技術提供商，其實是挺痛苦的。

這其實是一個產業鏈通用規律：產業鏈上的壟斷者會吃掉所有利潤，而且他們非常有動力往上游或下游擴展。拿 PC 產業鏈舉例，內存、硬碟、整機、顯示器……都不賺錢。錢被誰賺走了？Windows 和 Intel 卻賺走了絕大部分利潤。

既然做純技術提供商沒有出路，那怎麼辦？浩哥提出「一橫一縱」理論。前期做技術服務可以，但是不能一輩子做技術服務。

「一橫」就是指你提供的技術服務。通常「一橫」能服務很多行業，一定要找到 1、2 個，你認為最有市場機會，最適合你的垂直領域，深扎進去做「全棧」：把技術轉化為產品，然後搞定用戶賣出去，實現商業變現，再通過商業反饋更多的數據，更加夯實自己的技術。一句話講，要做技術、產品、商業和數據四位一體的「全棧」，這就是「一縱」。這才是健康的商業模式。

在垂直外的行業，因為沒有利益衝突，你仍可老老實實的做技術服務。這樣的話，商業上你能吃透一個垂直行業，技術上你還能通過橫向合作，形成更多的數據迴路，從而夯實你的技術。這個就是「一橫一縱」理論。

那麼對於技術創業公司，從「一橫」走到「一縱」，要選哪個垂直領域，取決 5 個關鍵因素：

市場空間夠不夠大？

做垂直領域的全棧，還是做橫向的技術提供商？取決市場空間哪個更大。找對垂直領域，即使只佔一點點市場份額，也可能比做「一橫」全歸你的收益大。拿美圖公司舉例，他們有美圖秀秀、美拍、美顏相機等 APP，同時還會跟很多手機廠商合作，提供相機拍攝的美顏效果，你可以理解這就是技術服務。

但研究 2016 財報後，大家知道美圖秀秀選的「一縱」是什麼嗎？就是美圖手機。以上提到的技術服務都遠沒有垂直做美圖手機賺錢。美圖手機佔了公司全部營收的 93%。雖然美圖手機去年的銷量大約在 74.8 萬台，僅僅只佔國內手機市場全年銷量 5 億多台的不足 0.15%。

行業集中度如何？

做「一橫」技術提供商時，最擔心的是你的上游或下游過於集中，或者說頭部效應越明顯，對技術提供商就越不利。舉個簡單的例子，IDC 時代，HP、DELL 等廠商賣伺服器，都是直接賣給各 IT 公司，大家日子過的都很滋潤。但 2010 年之後就很難做了，因為雲計算出現了。

提供雲計算的廠商就那幾個，兩隻手就能數出來。而且頭部效應極其明顯，僅阿里雲一家佔了 50% 以上份額。如果你是一個技術提供商，在跟這麼壟斷的行業去談判，你會發現沒有任何籌碼。所以現在就很悲催，假設我是阿里雲，會讓你列出 BOM 成本，我就給你 5% 或 10% 的利潤，這個生意就很難做了。

在這種情況下，你當然有意願也往上遊走。但帶來的問題是什麼？如果上游集中度高，說明這事的壁壘很高，你作為技術提供商想往上走，同樣很困難；如果這個上游集中度低或客戶很零散，對你是件好事。但是你也沒有太大動力往上遊走，因為這個市場本來就很零散，你即使殺進去，可能只有 1% 的市場份額，而且使得 99% 的人都變成你的競爭對手了。這是個悖論。

技術是改良還是革命？

如果你的技術創新對這個垂直領域是革命性的，就越有機會走到上游。如果只是改良性的，你就老老實實在下游賺個辛苦錢算了。越是顛覆性的東西，越有機會往上遊走。因為上游越離不開你，意味著你有機會做他的事。

打個異想天開的比方，如果你能提供一個「待機一禮拜」的電池，那你就可以考慮自己做手機，你的手機只打一點：一星期不用充電，而且是全球唯一！就這一點可能就夠了，因為這個技術是革命性的。相反，如果是改良性的技術，例如你的電池待機只是比以前多了 10~20%，那你還是老老實實賣電池吧。

雙方壁壘誰更高？

技術提供商的壁壘和上遊客戶的壁壘哪個更高，也決定做「一縱」的成敗。拿比較火的直播平台而言，現在都有美顏功能，例如給女孩長出個耳朵那種，這個通常都是第三方提供的技術。技術本身的壁壘並不高，很多公司都能提供，雖然效果有一些小的差異，但你沒有明顯優勢。

可是直播的壁壘相當高，這事有網路效應，用戶越多會吸引更多的美女主播，因為能賺到更多錢，美女主播越多，也會帶來更多的用戶。同時你捨得花錢，需要很多資金來買流量以及簽約很 NB 的主播。所以這個事壁壘很高。你做技術提供商壁壘不高。這種情況下，雖然技術提供商只能賺個辛苦錢，但是仍然完全沒有機會往上遊走。

到底跟團隊基因相符不相符？

能做得了技術服務，不代表能做垂直解決方案，做全棧，因為團隊不一定有行業經驗，這是很大的問題。亞馬遜的無人便利店 Amazon Go 出來之後，國內不少技術團隊也想提供類似的技術，甚至想做 2C 的便利店。

與他們聊完後，我都會勸他們再考慮一下，你的技術再好，對於用戶而言，他買東西的時候，會看這個便利店有人還是無人的嗎？不會，這不是優先選項。他首要考慮的還是——哪個便利店離我更近，以及我想買的東西這個便利店有沒有。

從這個意義講，這又回到了零售的本質。所以如果團隊沒有零售的基因，沒有懂零售的人，就別考慮自己開便利店的事。這時候，很多人可能會問「那我找個懂行業的高管不就行了么？」這事沒那麼簡單，如果 CEO 不了解行業本質，其實是很難靠一個高管去彌補的。

我特別相信基因決定論，如果任何一個新的商業，BAT 找個懂行業的高管就能搞定了，那中國互聯網的生意就全是 BAT 的了，就沒創業公司什麼事了。BAT，一個做搜索，一個做電商，一個做社交。其實他們 3 個都把對方的事情已嘗試了一遍，最後都不成功。所以大家能做什麼，不能做什麼，跟這個公司的基因是高度相關的。

第六個問題：2C vs 2B

最後一個問題，簡單說一下，科技成熟都需要一定的時間。因為從任何技術普及演進的角度，幾乎都延續了先是從軍工（航天）、到政府、到企業、到 B2B2C、再到 2C 這個規律。人工智慧也一樣，目前人工智慧在 2C 市場還不是很成熟。

簡單說機器人，在個人消費者市場，出貨量大的機器人只有 4 類產品：掃地機器人、無人機、STEAM 教育類機器人和亞馬遜 ECHO 為代表的智能音箱。為什麼 2C 市場早期的普及有一定的困難，簡單講幾個原因：

1. 產業鏈不成熟

我做一個創新的東西，成品有 10 個部件。每一個部件都得自己做，而且因為出貨量不大，每個部件都沒有規模效應，這就導致每個部件都很貴，那你最後做出成品一定很貴。這是非常大的問題。

2. 2C 是額外花錢

這也是很重要的一個問題，2C 端的用戶因為自掏腰包、額外花錢，所以對價格通常比較敏感，產品很貴就是一個很大的門檻。

3. 2C 產品的用戶期待度高

用戶買了這麼貴的東西，自然對產品的期待度會更高很多。大家覺得我買一個機器人回來，恨不得什麼都能幹：又能唱歌、又能跳舞、又能聊天、又能清潔、又能講英語。但這是不現實的，現在的技術成熟度離此還有些遠。

相對於 2C 端，這些問題在 2B 端卻不是問題。

1. 2B 端對價格承受能力更高

首先，企業對價格的承受能力顯然比 2C 強很多。你說一個機器人 2 萬，2C 消費者不可能買，但企業問題不大，企業對成本承受能力高。

2. 2B 的核心目的是降成本

舉例工業機器人，10 萬塊錢一個，聽起來很貴。但一個工業機器人替代你 2 個崗位。這 2 個崗位一年也得 10 萬塊錢，還不算四險一金。然後這機器人能工作 4 年，這一下成本只有你原來的 25%，甚至不到。那麼企業一算賬，覺得還是很便宜。

3. 2B 可以採取人機混合模式

還有 2B 端的機器人應用更簡單一些。一方面大多是單任務，機器人只要做好一件事就行了，實現起來簡單。另外，很多都是以"人機混合"模式在作業。也就是以前需要 10 個人幹活，現在我用機器人替代一半人。簡單重複的工作用機器人替代，複雜的用剩下的 5 個人，這就是"人機混合"模式。

舉個例子，現在國內外已有很多安保機器人，按固定路線去巡邏。你可以理解為移動的攝像頭，當然演算法上肯定加入了一些識別的東西。固定繞路線巡邏，這個完全可以交給機器人來做。難的是，在巡邏的過程中，如果發現有老太太摔倒了，讓機器人扶起來，這個目前還做不到。

但這不重要，你們後台不還有 5 個人么，讓他們過來就好了。所以人機混合是 2B 比較主流的模式，這個大幅降低了機器人普及的難度。

最後再說一點，目前大多數 AI 創業公司都是技術專家主導，這很容易理解，因為現在技術還有壁壘，技術專家主導起碼保證產品能做出來。不過未來隨著技術門檻的降低，特別在「非關鍵應用」領域裡，團隊的核心主導，會慢慢過渡到產品經理和行業專家為主，因為他們離用戶需求最近。「非關鍵應用」領域，懂需求比技術實現更重要。長期來看，人工智慧創業和任何其他領域的創業一樣，一定是綜合實力的比拼！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 極客公園 的精彩文章: