有人说「真正的人工智能至少还要几百年才能实现」，真的是这样吗？

身边一位朋友说：
「现在的人工智能领域，比如机器学习（包括深度学习）这些，几乎都是噱头和炒作，比如自动驾驶啦什么之类的全是营销和收割智商税」。
「从三个方面来看。
生物学方面，对大脑已经研究到了原子级别了，但仍然搞不清楚生物神经网络的机理。现在那些人工神经网络，在精妙的生物神经网络面前，显得是那么脆弱，连哈士奇的智商都不如。
心理学方面，从上世纪弗洛伊德荣格的精神分析、行为主义、认知主义，到现在各大心理学流派，仍然无法对情感模型进行建模，无法准确理解情感（情绪）的产生、作用机理，还停留在『宏观心理学』层面。情感都搞不清楚，哪来的人工智能？
计算机方面，其实现在人工智能火热领域和名词上个世纪早就已经提出，人工智能实际上才刚刚起步，连初级阶段都没达到，大多数人只不过是跟在别人屁股后面蹭热度，大谈『人工智能』，大多数根本都是笑谈，只有极少数个例（如机器下棋）得到实现。
乐观地讲，人工智能至少需要几百年才能突破，不会在本世纪实现，不会在我们这一代人实现。」
我听了这种观点以后感到十分惊奇和不敢相信。真的是这样吗，真正的人工智能真的至少还需几百年才能实现吗？

发表于 2025-4-7 16:06:54

文/许伟军亿欧专栏作者
本文内容选自Michael I.Jordan在、清华大学、浙江大学、上海海事大学、混沌大学等公开场合的演讲以及澎湃新闻采访内容。
1、我们并非处于人工智能的大爆炸时代
目前，人们讲到人工智能和机器学习，可能还是觉得它很复杂。
事实上，当你听过我的课程，就会发现，关于这个话题，有很多还停留在概念性、战略性的阶段。当然，也有一些投入实际应用的技术，但这背后的理论，还是非常基础和简单的。
人工智能与机器学习，其实还远远不是一门基础扎实的工程学科，它并不能为现在用数据分析问题提供强大且可拓展的解决方案。
因此，我们并不能将人工智能与机器学习的发展简单理解为一个神迹，如同高楼非一夜而起，它是必须要经历长时间的发展的。
大家首先要意识到，在这一领域，我们仍处于非常初级的阶段。很多事情我们还不了解，现今的我们并非处于一个人工智能的神奇大爆炸时代。
可以说，我们有可能要花上百年的时间，这个高楼大厦才能真正地建立起来。
2、人工智能的商业模式，是要创造一个市场，而非一个算法
传统的推荐，都是针对个人。
但这里的问题是，如果有一家很好的餐厅，它被推荐给很多人，那么大家都跑到这家餐厅去，就需要排长队，人们的体验就会很糟糕，反过来给差评和抱怨。
如此，整个系统就开始崩溃，形成恶性循环。
你必须要去创造一个市场，而非一个简单的算法。
比如，在APP上面，不仅仅是向客户推荐某一家餐厅。除了让客户看到自己附近有什么餐厅之外，你还要让餐厅看到自己今晚可以供应多少食材，我今天接了一场婚宴之后，还剩下多少个散客的位置。
甚至，你可以了解一下旁边的竞争对手餐厅，他们有没有满座。如果旁边满座了，那么对我而言就是一个机会，我可以打折吸引更多的人流到的餐厅。
你要结合客户和商户两端的需求。
这不仅是一个应用的事情。现在很多公司已经着手在研究这方面的工作。当然，这个过程要充分考虑人们不同的喜好和需求，要掌握大量的数据。
3、计算思维不是说知道如何编程和使用数据库，而是一种思想
计算思维不是说知道如何编程和使用数据库，而是一种思想。关于思考一个问题的抽象概念、模块性、性能……一切你在计算机课堂上学到的东西，而不仅仅是编程。计算机背景的人应该很熟悉这些，不熟悉的可能是推断思维。那是已经有超过两百年历史的统计学里的东西，不是一个新的领域，不是拿到数据就开始进行操作，像做数据库的人那样。
首先要考虑数据从哪来，数据背后是什么，数据获取的过程中有什么问题，这就是推断，还不严格属于计算机科学的研究范畴。即便最后得到的东西都是所谓的算法，你也必须思考背后的统计采样和总体。所以其实我并不是太喜欢机器学习这个词，我认为并没有什么新东西，还是统计思维。但是因为计算机科学家不太懂统计推断的东西，所以他们取了一个新名字叫做机器学习。
很多机器学习的工作都没有考虑推断、采样以及总体，只是把机器学习模型应用到数据却没有得到正确的答案，因为没有考虑偏差、因果推断等内容。我认为把两者结合起来并且认真研究是真正的挑战。我我以前更多关注算法和系统，过去几年越来越像个理论家，逐渐更关注理论同时在某些方面也是关注系统。我在实验室里设计系统的过程中看到了理论性的问题，所以我去寻找计算机和统计的理论，它们有什么概念可以怎么结合起来。
所以我们发展了数据科学这个交叉学科，这并不容易。统计决策理论里有损失函数和风险，但它的基础理论中没有运行时间的概念，你可以去查看几十年来成千上万的统计决策相关的论文，你不会看到任何一篇提及了运行时间；同样地，在计算机这边你可以找到成千上万的论文讨论复杂度，各种复杂度理论，但是却找不到关于统计风险的文章。而利用统计风险理论可以控制基于数据的错误率。此外，对统计估计问题的深刻理解不仅仅包括学习算法、还包括学习下界，学习你可能做的最好的是什么，但是在计算机理论里却没有太多关于下界的。有倒是有，但是不多。
4、未来十年，人工智能哪些可以实现？
未来十年，自动驾驶汽车甚至是无人驾驶的空中出租车是有可能实现的，虽然眼下这些技术的使用体验还不甚良好，但是可以期许的是未来十年这些前沿技术应该可以为人们所用。
在技术的可用性上面，相信十年后就可以达到一个比较理想的情况。当然在未来十年之内，人工智能系统的“智能”还非常有限，你并不会觉得它能和人类一样智能了。我认为未来十年这些AI系统还不能像人类这样有这么高的灵活性和创造性。
AI系统往往局限于某个特定领域，它们能够理解的语义也是十分有限的。至于AI系统在人机交互的过程中能够产生什么样的理解，是否能实现预测、计划等高级智能——实际上我们离这一步还非常遥远，至少要花几十年的时间，甚至数百年时间才能让机器人了解人类。
5、人工智能研究还有哪些是在我们有生之年很难实现？
可以说，创造力和智能对于人工智能系统来说还很难实现，推理和抽象能力的实现也似乎遥不可及。例如在社交媒体上，人们时常会创造出一个新的词汇，而其他人也能很容易理解这个词在这个语义背景下的意思，而不需要像计算机一样通过读几千个句子来理解。此外，对于AI系统来说，让它主动做一个长远的规划是非常困难的，而人类却经常会给自己主动设定一些雄心壮志的目标。
此外，AI技术的发展还存在着许多其他的限制，它远没有一个正处于成长期孩子那样强大的学习能力。孩子可以通过少量书本上的图片和信息了解世界，但是AI即使看过了无数张图片和信息，仍然很难对世界产生自己的“理解”。我并不觉得在可见的未来有什么超人类AI的存在。当然有些并不是AI研究领域的人会鼓吹以后会出现超人类的机器人。我并不认为这种情况会发生，也没有理由会发生。
当然你也有可能不认同这种观点，例如你会觉得计算机比人类的处理能力要强大得多。但人们目前对“智能”的了解十分有限，因此也无法预估实现真正的人工智能需要多强的运算能力。我们现在能看到的是计算机能够处理大量的数据，但它在做假设、推理等方面的能力还是非常有限的。计算机虽然能识别这些场景，但是它无法了解场景的作用和意义。
人类目前花费大量的精力在帮助机器理解现实世界，但计算机是没有主动学习能力的。计算机和人类的差异巨大，更遑论自我认知等更高层面了。
6、AlphaGo 只是大众的一场梦，要用AI重塑整个世界
无论是在美国，还是中国，AI 都是被高估的。一方面 AlphaGo 让很多公众开始了解 AI 这个概念，也因此有很多炒作围绕 AlphaGo 而展开。AlphaGo 是在一个有限的领域中，通过精良的反复模拟而达成的一种成功的模式，但机器很难模拟整个世界，也因此一场 AlphaGo 的胜利很难说是 AI 的全面超越。
很多领域中，计算机是可以打败人的，但它不是智能。公众大多没有真正地了解 AI 是什么，也很难理解为什么 AI 是很难实现的。另一方面，在 AI 概念的驱动之下，很多公司都开始说「我们是做 AI 的」，但实际的产品和功能并不好。又或者人们会对这些公司报以不切实际的期待，觉得他们会打造出来和人一样的产品。
Jordan 教授强调，对于整个行业来说，我们都需要冷静地理解 AI 的能力和边界，并努力寻找新的方向，这个过程很漫长，也需要更好地管理公众预期。
实际上，在中国，有很多传统的行业，正在使用所谓的 AI 进行能力提升。比如，教育行业利用语音识别和云端服务，实现随时随地一对一地口语训练服务，等等诸如此类。可以看到，这样的趋势在中国正在逐渐变成主流。我们不应该把 AI 当做是一个了不起的、能够打败人类的技术，而是应该将它看做一种新的元素，能够让我们用它重塑整个世界。
7、智能之后带来的挑战
大众都非常关心自己未来的工作是否会被人工智能给替代。人工智能代替一部分人的工作岗位是很正常的。这正是社会向前发展的一环，几百年前的工业革命让一部分人失去了工作，但同时也有更多新岗位的出现。只是人们必需花更多的时间来学习和适应这个转变。
其次，人工智能的安全问题。当前，人工智能的发展还面临着“黑匣子”的问题。即机器实际上并不清楚自己为何做出这个决定，也不知道给出的结果会带来什么样的问题。这样的情况在沟通和对话的智能系统中，出现问题并不可怕。但在医疗和金融领域，一旦机器医生给出的结果出现问题，那带来的后果会不堪设想。在医疗和金融领域里，必须要提高正确、清晰、无误的结果。这也是未来需要解决的。
第三，数据共享。为了让更多的研究人员参与到人工智能的开发中，许多公司会选择开源自己的人工智能程序源代码。开源意味着每个人都可以对这个代码进行自己的修改、添加。但乔丹指出，尽管谷歌、百度等公司都对外宣称开源，实际上只是放出了部分代码。公司间的竞争导致了这样的情况，但这也给大学提供了机会。乔丹认为，大学应该免费推出更多的开源软件，而且和公司相比，大学在研究领域必定是胜出的一方。
8、几百年内AI不会觉醒，谷歌也不一定能赢
霍金很担心人工智能，但他不是人工智能的研究者，他是一个外行。计算神经生物学近期不会有太大的突破，大概几百年后才能有进展，但我还是保守看好这方面的发展。
计算机视觉领域已经有很好的突破，但我比较看好人机对话、自然语言处理的突破，这些是正在改变或即将发生的改变，譬如谷歌的翻译系统最近有非常不错的成果，下一个领域的突破就是在家用机器人方面，小机器人在日常生活中与人的人机互动，这是多方面应用的人机交互，既有计算机视觉，还有人机对话，以及综合场景处理。家用机器人了解你日常生活的模式，并对此进行学习，然后进行下一步的服务，这是正在进行中的突破。
还有一个就是精准医疗，我非常看好，虽然前景并不非常明确，因为需要了解病人的历史数据，再对可能要到来的疾病进行诊断、预测和治疗。谷歌现在在各个领域都能帮助人，不是谷歌什么都知道，是谷歌可以搜索，或了解这些知识。人工智能的下一步就可以帮助人们做决断，帮人做出决定，这是更深层次的逻辑运算。
在人工智能方面最先获得突破的是谷歌、亚马逊这些大公司吗？Michael I.Jordan认为，就2016年来说，研究机构还是最有可能获得突破的，未来如何不好说，但过去30年的经验，人工智能的研究，研究机构一直领先。

文章版权属北京亿欧网盟科技有限公司所有。文章内容系作者个人观点，不代表亿欧对观点赞同或支持。

点击下面立即报名，即可领取《后厂理工学院AI算法工程师培养计划》试听课
后厂理工学院

发表于 2025-4-7 16:17:42

我就从自己的专业角度来简单的说一说。
最近这几年，机器学习的风头无两，统计和计量有的时候都被认为是老学校（Old School）了，并且由此双方还划定了分水岭「计量重解释，机器学习重预测」。
诚然，强大的预测能力是机器学习得以流行的原因，但是只要有一天「解释」和「预测」依然在各自为战，那么「人工智能达到真人的水平」就始终遥不可及。
把真人看做一个无比复杂的，带各种随机效应的反应函数

，其中

是输入，

是输出而

是机制。但是因为输入、输出和机制都不可观测，机器学习的做法是，搜集海量的数据

和

来尽量的代理

和

（因为很多其实是不可观测，比如能力等等），然后从数据中一点一点的拟合出来一个F，所以就是

。尽量让它从目前的数据来看，输入X预测Y的误差最小。
这个问题在于，F完全是数据驱动的，也就是数据说东就是东，数据说西就是西。至于为什么是这样，不知道。数据驱动出来的函数可以高度的非线性，可以在人类无法解释的情况下，捕捉到变量之间的微妙互动和联系——这也是为什么其被称之为黑箱的原因。但是问题在于，数据的驱动局限也在于数据，比如一个人一直不喝酒，我们根据其行为大数据就无法判断她的酒量如何。但是如果我们如果能深入的检测其肝脏酒精分解酶的水平，我们就可以无视其行为而得出更精确的判断。
这也是人工智能的问题，数据体现的只是一个均衡态——「人们这么做只不过因为他当时当地最好的选择是这样」故而仅仅只是人类复杂机制的冰山一角。
计量则是另外一个极端，为了能够创造出「人类能够看懂的因果推断」，大大的牺牲了预测性。但是无论是简约回归的因果推断，还是结构回归的模型拟合，都是在试图探索事物之间的因果关系。
机器学习在短短的几年就在业界取得了对计量的优势，原因也非常显然——对业界来说：我并不太想知道我为什么失业，为什么破产；我需要对未来更精确的预测，来让我赚更多的钱！大多数情况下，预测比解释在实业上更「有用」，而对机制的探究，本身就带有更多的书卷气。这也是为什么说机器学习更「工程化」。
但是研究因果毫无疑问是有价值的，它的价值就是背后的机制和逻辑。当一个前所未有的税制改革要实行的时候，机器学习如何告诉我会有什么影响？没有数据，或者数据有限的时候，机器学习能做的是有限的。但是经济学的模型就可以在这种时候依然提供洞见。让人们理解改革中的种种权衡来提供指导。
@半吊子码农的答案中举得蓝翔的例子就很明显。大多数情况下「挖掘机技术哪家强？」

对应的回答是『山东蓝翔』。但是如果接下来跟着问一句「我说真的呢？我想学」，让电脑能够继续判断这个对话是玩笑还是真的询问，就是需要真正的逻辑思维才能解决的问题了，而不是一个靠堆语料和上下文关联就能够判断的。
一个理想的模型，是应该预测和解释都非常优秀的。一方面能够理清楚里面变量之间的种种影响的渠道，给出逻辑的解释；另一方面因为事无巨细的捕捉到了变量之间的关联渠道，所以能够很好的进行预测。显然，现在的情况是分化依然非常严重，无论是哪一边，都还有很长的路要走。
而如果我们做不到这一点，就很难说自己实现了「人工智能人类」，而只是「在某些情况下不容易被人发现是人工智能的机器」。

发表于 2025-4-7 16:30:35

理论上讲，强人工智能绝对是可以实现的，但绝不会是靠深度学习这种炼丹式的方法来实现，
你可以骑自行车环法一周，但是你绝不可能用自行车破音速，或者用自行车登火星。

要实现真正的人工智能，一条路是仿生学的路，也就是先将智能的机制弄清楚（如果能将意识的机制弄清就更好了），然后在实验室模拟一个智能。
openworm就是这样一个计划，科学家们用计算机来模拟秀丽隐杆线虫，因为这种线虫结构相对简单，却也具有趋利避害、觅食、繁殖等功能，第一阶段他们使用计算机来模拟秀丽隐杆线虫的302个神经元和95个肌肉细胞，最终的目标是希望模拟它的全部959个细胞，但是结果却并不乐观：

These early attempts of simulation have been criticized for not being biologically realistic. Although we have the complete structural connectome, we do not know thesynaptic weightsat each of the known synapses. We do not even know whether the synapses are inhibitory or excitatory. To compensate for this the Hiroshima group used machine learning to find some weights of the synapses which would generate the desired behaviour. It is therefore no surprise that the model displayed the behaviour, and it may not represent true understanding of the system.

虽然模拟了线虫的神经元，却连神经元上的突触是抑制性的还是兴奋性的都搞不清楚，一些突触的权重还是通过机器学习来生成的，以达到想要的效果，结果自然是没有得到什么有价值的结论。可见在智能机制的研究上，我们还处于非常初级的阶段。
第二条路是使用算法来得到结果就行了，不必模拟现有的智慧生命，类似于中文屋。毕竟自然进化而来的机制不一定是最有效的机制，汽车不需要用四条机械臂狂奔，飞机也不需要拍翅膀提供升力，人工智能也不一定需要有几亿个神经元才能开始工作。任何问题都是算法问题，音视频的分析是模式识别，自动驾驶是决策树，扫地机器人是一个寻路和避障的问题。但是现在大量的问题甚至无法被良好定义，一张人脸图片要检测它是男还是女，你如何在数学上定义这个问题呢？没有良好的定义，自然无法建出有效的模型，也无法评估模型的有效性，所以大量依赖于深度学习这种黑箱来解决问题。
现在这个阶段定义最完善的当然是自动驾驶，和棋类，电子竞技类的问题，所以这些相对较早被解决。越是没有完善定义的问题，越是离被解决遥遥无期，比如语义分析和机器翻译，相对而言就要困难得多。
所以不必太兴奋，在人工智能方面我们还是处于前科学的状态，就是那个热素说，以太说大行其道的时代。未来能发生什么谁也不知道，截至2019年，强人工智能的理论基础没有出现，也没有出现的迹象。弱人工智能有一定成效，但是多半也是算力，和数据的堆砌，技术上进展不显著。当前现状是对人工智能越了解的越悲观，越不了解的越乐观。
上次facebook AI跑出bug，媒体记者居然报道称AI发明了人类不懂的语言在自主交流，人工智能可能反噬人类云云，就是一个例子。按照越外行越乐观的规律推断，不久就会有意识上传锅，人工智能算命这种骗局出现了，大爷大妈们肯定信这个。

发表于 2025-4-7 16:44:15

技术总是在短期内被高估，但是在长期又被低估 - 莎士比亚

这句话同样适用于人工智能。16年阿尔法狗爆发之后，大量自媒体“AI”科学家涌入，这些自媒体“AI”科学家，没有看过一篇论文，没有敲过一行代码，靠着胡编乱造各种概念，疯狂吹嘘人工智能。人工智能被无限高估，感觉通用人工智能分分钟就会实现，90%人类的工作都会被人工智能取代而失业，甚至创造出了“无用阶级”这样的概念。
而真正的人工智能从业者们都很清醒这次AI革命的本质来自哪里：
1. 提出了使用深层神经网络来作为特征提取器，突破了之前难以人工构造特征的场景，如语音识别、人脸识别和目标检测等感知智能领域的场景。可以简单理解为我们找到了方法让计算机学会了听和看～
2. 将强化学习与深度学习结合起来，正如第一条说的，我们有了深层神经网络这个特征提取器，可以帮助计算机提取棋盘上的特征，基于这些特征，可以让计算机自我博弈，学会下围棋，当然蒙特卡洛搜索树的贡献也是很巨大的。
所以基于这两个本质突破，我们来看看AI会有什么样的落地：
1. 让机器去看，做人类的眼睛，安防监控，刷脸支付。让机器去听，做人类的耳朵，语音输入。
2. 在限定环境下，让机器自我博弈，学会某种游戏，非常适合游戏AI，所以各种王者荣耀AI、DOTA AI，星际争霸AI遍地开花。
长期看，短短几年，我们真的完全消化了以上突破了吗？已经没有想象空间了吗？
没有！现阶段的落地，还只是最终容易落地的场景。而需要人类眼睛和耳朵的地方太多了，随着技术不断积累和进步，越来越多的场景将成为可能。
所以，还是那句话，我坚信未来二三十年间，人工智能将继续渐近的改变世界，改造社会。二十年后再回首，我们的世界早已沧海桑田。

发表于 2025-4-7 16:55:59

现实很骨感, 带组做过Google Assistant上的一个小功能.
一共加了三句对话，四个人做了两个Quarter。然后？我换组了。
===============
再多说两句吧，也算是总结一下我对人工智能发展的看法。
现在的自然语言处理，机器学学习技术会继续发展，不断的优化人类的传统工作效率。计算机有它的强项，当这些强项运用的特定领域的时候，会对人造成“人工智能”要颠覆一切的假象。人类在一领域内越无能为力，这种感受会来的越强烈。
从直观的感受上来讲，AlphaGo解决围棋问题给当世带来的震撼感，可能和IBM Deep Blue解决国际象棋问题时给当时的人带来的震撼感差不多。现在的科学家们可能会说，国际象棋那一套算什么人工智能，就是堆算法。但也有可能五十年后，未来的人来看着我们今天的技术进步，会说，就是堆数据。
对公众而言，人工智能这个词又被应用的过于宽泛。在科学界和工程界，不同领域要解决的问题和优化的方向非常不一样。当相关领域有任何技术工程突破的时候，都会被媒体引用为“人工智能”的突破。
但现实的讲，这些突破有多少能够复用，我是要打个问号的。就说现在这个阶段，即使用的是一套机器学习的框架，你在自然语言模型的调参的方法可以直接运用到图像识别吗？很难。
一个模型所追求的目标和其使用的业务息息相关，这也需要很多行业的浸淫。图像识别的技术也火了很久了，但其在工业界和医疗界的应用道路还很长。当技术形态一致的时候，行业内的专家知识会对模型有立竿见影的效果。我认为现在的人工智能还是属于提高效率的工具，离真正的General AI还相差很远。
这几年很火的人工智能助手，智能音箱可能是大家认为的最接近人工智能的形态。我开头也说了，做过这类助手开发的人，都不会觉得真正的人工智能会在可见的未来到来。
我说说难点在哪里。我把人工智能助手简化为三个问题。
一是要理解人所说的话。二是要知道根据理解怎么回答人说的话。这两点大多数人以为现在的自然语言处理已经可以做到这件事了，但其实现在技术离理想状态还很远。为什么会有这种假象呢？原因是这些模型都是基于大量语料数据训练出来的纯文字的对话模型。他们所学习的就是基于这段文字输入，应该提供什么文字输出。
这样的模型会显得很会“聊天”，但其实他可能并没有“理解”你在说什么。你问他“国内挖掘机哪家强”，他会回答“山东蓝翔”。因为他所接触的语料都是如此。但你假如问他“我说的是真的，到底哪家强，为什么”，他可能就回答不聊了。还会用”呵呵“之类的无意义对话敷衍过去。
把不同人工智能助手区分开的，就是对于语义”理解“的深度。Google在这一方面有巨大的优势。你可以认为，一个搜索关键词，加上”简化“过的第一条搜索结果就是汇聚了全网智慧的一条训练数据。
第三点，是第一二点的中间层，是最重要也是最花时间的一点，就是根据理解，去完成一件现实世界的任务。我们在开发的时候解决的，就是在这种任务型对话中，满足用户的期望，处理现实中的可能发生的各种复杂状况。
举个例子，”Google,给我买瓶水“，理解这句话不难，但要处理这件事情可能会引发下面一连串问题：什么水，纯净水还是饮料？价位呢，便宜的还是高端的。用你那张卡支付？送到家还是办公室？糟了，Walmart好像缺货了，要不要换一家？(虽然不应该告诉你，但是我这个下单的API不知道怎么的出错了...)。这件事情处理的不好就很容易陷入大家都曾感受过的”电话式智能“：你好，这里是Google买水小帮手，需要纯净水请拨1，需要饮料请拨2...好的，需要便宜的请....
要是你的人工智能助手是这样，你会疯掉吧。所以当去年Google I/O演示那个预约理发的Demo的时候，业界是很沸腾的，应该很多开发者都经历过我上面提到的沮丧感。虽然看到了希望，但我们也知道，那只是个Demo，离落地应用还有很久。
讲这么多，并不是说人工智能都是虚的。只是希望大家认识到现在的人工智能还存在很多瓶颈。但假如场景选择的好，每一点技术进步都是可以带来巨量的效率提升和经济利益。有了这些效益，才会推动更多的技术创新，虽然不知道奇点哪一天到来，但起码是近了一步吧。

有人说「真正的人工智能至少还要几百年才能实现」，真的是这样吗？

本周热门