在 DeepSeek 眾多的核心技術(shù)中，蒸餾技術(shù)無(wú)疑是最為關(guān)鍵的一環(huán)。它就像是一把神奇的鑰匙，為 DeepSeek 開(kāi)啟了通往高效、精準(zhǔn) AI 模型的大門。那么，蒸餾技術(shù)究竟有著怎樣的魔力？它又是如何助力 DeepSeek 在 AI 領(lǐng)域大放異彩的呢？接下來(lái)，就讓我們一同深入探索 DeepSeek 蒸餾技術(shù)的奧秘。

蒸餾技術(shù)的基本原理 知識(shí)傳遞的奧秘

蒸餾技術(shù)的核心在于知識(shí)的傳遞與遷移，它巧妙地模仿教師模型（通常是參數(shù)眾多、性能強(qiáng)大的大模型）的輸出，以此來(lái)訓(xùn)練學(xué)生模型（相對(duì)參數(shù)較少、更為輕量級(jí)的小模型）。在這個(gè)過(guò)程中，教師模型就像是一位經(jīng)驗(yàn)豐富的導(dǎo)師，已經(jīng)在大量的數(shù)據(jù)中學(xué)習(xí)到了豐富的知識(shí)，這些知識(shí)不僅僅體現(xiàn)在對(duì)正確答案的判斷上，更體現(xiàn)在對(duì)各類數(shù)據(jù)特征和關(guān)系的理解中。

以圖像分類任務(wù)為例，教師模型在判斷一張圖片是貓還是狗時(shí)，其輸出不僅僅是簡(jiǎn)單的 “貓” 或 “狗” 的標(biāo)簽，而是一個(gè)概率分布，比如它可能認(rèn)為這張圖片有 90% 的概率是貓，10% 的概率是狗。這個(gè)概率分布中就蘊(yùn)含了教師模型對(duì)圖像特征的理解，以及對(duì)貓和狗這兩個(gè)類別之間相似性和差異性的認(rèn)知。學(xué)生模型則通過(guò)學(xué)習(xí)教師模型的這種輸出，來(lái)獲取這些知識(shí)，實(shí)現(xiàn)知識(shí)從大模型到小模型的遷移。

關(guān)鍵步驟全解析

1. 訓(xùn)練教師模型

   ：這是蒸餾技術(shù)的第一步，需要使用大量的數(shù)據(jù)對(duì)教師模型進(jìn)行充分的訓(xùn)練，使其能夠準(zhǔn)確地捕捉到數(shù)據(jù)中的復(fù)雜模式和特征。例如在自然語(yǔ)言處理任務(wù)中，使用海量的文本數(shù)據(jù)來(lái)訓(xùn)練教師模型，讓它學(xué)習(xí)到語(yǔ)言的語(yǔ)法、語(yǔ)義和語(yǔ)用等多方面的知識(shí)，從而在各類語(yǔ)言任務(wù)中都能表現(xiàn)出優(yōu)異的性能。

1. 生成軟標(biāo)簽

   ：訓(xùn)練好教師模型后，使用它對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到的結(jié)果不再是傳統(tǒng)的硬標(biāo)簽（如在分類任務(wù)中，簡(jiǎn)單地標(biāo)記為某一個(gè)類別），而是軟標(biāo)簽。軟標(biāo)簽是一個(gè)概率分布，它包含了教師模型對(duì)每個(gè)類別可能性的判斷，保留了數(shù)據(jù)中類別之間的相似性信息。比如在情感分析任務(wù)中，對(duì)于一句話 “這部電影真的太棒了！”，教師模型生成的軟標(biāo)簽可能是正面情感的概率為 0.9，中性情感的概率為 0.08，負(fù)面情感的概率為 0.02，這些概率信息能讓學(xué)生模型更好地理解教師模型的決策依據(jù)。

1. 學(xué)生模型學(xué)習(xí)

   ：在這一步，學(xué)生模型以教師模型生成的軟標(biāo)簽以及原始的真實(shí)標(biāo)簽為指導(dǎo)進(jìn)行訓(xùn)練。通過(guò)最小化自己的輸出與軟標(biāo)簽之間的差異，學(xué)生模型逐漸學(xué)習(xí)到教師模型的知識(shí)和決策邏輯。通常會(huì)使用一些損失函數(shù)，如 Kullback-Leibler（KL）散度等，來(lái)衡量學(xué)生模型輸出與軟標(biāo)簽之間的差距，并通過(guò)反向傳播算法不斷調(diào)整學(xué)生模型的參數(shù)，使其輸出盡可能接近軟標(biāo)簽。

1. 獲得輕量級(jí)模型

   ：經(jīng)過(guò)一段時(shí)間的訓(xùn)練，當(dāng)學(xué)生模型在各項(xiàng)任務(wù)指標(biāo)上達(dá)到滿意的程度時(shí)，就得到了一個(gè)輕量級(jí)的模型。這個(gè)模型雖然參數(shù)比教師模型少很多，但由于學(xué)習(xí)了教師模型的知識(shí)，在性能上能夠接近甚至在某些情況下超越同規(guī)模的未經(jīng)過(guò)蒸餾訓(xùn)練的模型。例如在移動(dòng)端的圖像識(shí)別應(yīng)用中，使用蒸餾后的輕量級(jí)模型，既能滿足實(shí)時(shí)識(shí)別的速度要求，又能保證較高的識(shí)別準(zhǔn)確率 。

DeepSeek 的蒸餾技術(shù)之所以能在眾多模型中脫穎而出，關(guān)鍵在于它開(kāi)創(chuàng)性地將數(shù)據(jù)蒸餾與模型蒸餾有機(jī)結(jié)合。在數(shù)據(jù)蒸餾方面，DeepSeek 充分發(fā)揮強(qiáng)大教師模型的能力，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行深度優(yōu)化。通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)，如對(duì)圖像數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、裁剪、縮放等操作，生成大量多樣化的訓(xùn)練樣本，讓學(xué)生模型能夠?qū)W習(xí)到更廣泛的數(shù)據(jù)特征，提升其對(duì)不同場(chǎng)景的適應(yīng)性。在自然語(yǔ)言處理中，對(duì)文本進(jìn)行同義詞替換、句子結(jié)構(gòu)變換等，豐富文本的表達(dá)方式，使學(xué)生模型更好地理解語(yǔ)言的多樣性。

DeepSeek 還利用教師模型生成偽標(biāo)簽，為無(wú)標(biāo)簽數(shù)據(jù)賦予可靠的標(biāo)簽信息，從而擴(kuò)大了有監(jiān)督訓(xùn)練數(shù)據(jù)的規(guī)模。這對(duì)于那些標(biāo)注成本高昂的任務(wù)來(lái)說(shuō)，無(wú)疑是一個(gè)巨大的突破。在醫(yī)療圖像診斷領(lǐng)域，獲取大量標(biāo)注好的醫(yī)學(xué)圖像非常困難，DeepSeek 的偽標(biāo)簽生成技術(shù)可以利用教師模型對(duì)未標(biāo)注的醫(yī)學(xué)圖像進(jìn)行分析，生成偽標(biāo)簽，讓學(xué)生模型能夠基于這些數(shù)據(jù)進(jìn)行訓(xùn)練，提高診斷模型的性能。

在模型蒸餾環(huán)節(jié)，DeepSeek 采用監(jiān)督微調(diào)（SFT）的方式，使用教師模型生成的 800,000 個(gè)推理數(shù)據(jù)樣本對(duì)較小的基礎(chǔ)模型（如 Qwen 和 Llama 系列）進(jìn)行微調(diào)。這種方式避免了傳統(tǒng)強(qiáng)化學(xué)習(xí)階段的復(fù)雜和耗時(shí)，大大提高了蒸餾效率。通過(guò)這種數(shù)據(jù)與模型蒸餾的雙管齊下，DeepSeek 的蒸餾模型在推理基準(zhǔn)測(cè)試中取得了令人矚目的成績(jī)。DeepSeek-R1-Distill-Qwen-7B 在 AIME 2024 上實(shí)現(xiàn)了 55.5% 的 Pass@1，超越了 QwQ-32B-Preview 這一先進(jìn)的開(kāi)源模型 ，充分展示了這種結(jié)合方式在提升模型性能和降低計(jì)算成本方面的巨大優(yōu)勢(shì)。

高效知識(shí)遷移策略

DeepSeek 在知識(shí)遷移策略上也進(jìn)行了大膽創(chuàng)新，采用了基于特征的蒸餾和特定任務(wù)蒸餾等多種策略?；谔卣鞯恼麴s，就像是讓學(xué)生模型學(xué)習(xí)教師模型的 “思考方式”。教師模型在處理數(shù)據(jù)時(shí)，中間層會(huì)生成豐富的特征表示，這些特征蘊(yùn)含了數(shù)據(jù)的本質(zhì)信息。DeepSeek 通過(guò)巧妙的技術(shù)手段，將教師模型中間層的特征信息傳遞給學(xué)生模型，幫助學(xué)生模型更好地捕捉數(shù)據(jù)的本質(zhì)特征。在圖像識(shí)別任務(wù)中，教師模型的中間層可能提取出圖像中物體的邊緣、紋理、形狀等關(guān)鍵特征，學(xué)生模型通過(guò)學(xué)習(xí)這些特征信息，能夠更準(zhǔn)確地識(shí)別圖像中的物體，即使面對(duì)一些模糊或變形的圖像，也能有較好的表現(xiàn)。

特定任務(wù)蒸餾則是 DeepSeek 針對(duì)不同具體任務(wù)的特點(diǎn)，對(duì)蒸餾過(guò)程進(jìn)行定制化優(yōu)化。在自然語(yǔ)言處理中的機(jī)器翻譯任務(wù)，不同語(yǔ)言之間的語(yǔ)法結(jié)構(gòu)、詞匯用法差異巨大，DeepSeek 會(huì)根據(jù)這些特點(diǎn)，調(diào)整蒸餾過(guò)程中的參數(shù)和訓(xùn)練方式，使學(xué)生模型能夠更好地學(xué)習(xí)到機(jī)器翻譯所需的知識(shí)和技能。對(duì)于文本生成任務(wù)，如文章寫作、故事創(chuàng)作等，注重訓(xùn)練學(xué)生模型對(duì)語(yǔ)言流暢性、邏輯性和創(chuàng)造性的把握，通過(guò)特定任務(wù)蒸餾，讓學(xué)生模型在這些任務(wù)上表現(xiàn)得更加出色。這些高效的知識(shí)遷移策略，使得 DeepSeek 的蒸餾模型在多個(gè)基準(zhǔn)測(cè)試中表現(xiàn)卓越。DeepSeek-R1-Distill-Qwen-32B 在 AIME 2024 上實(shí)現(xiàn)了 72.6% 的 Pass@1，在 MATH-500 上實(shí)現(xiàn)了 94.3% 的 Pass@1，充分證明了這些策略在實(shí)現(xiàn)高效知識(shí)傳遞和模型優(yōu)化方面的有效性。

DeepSeek 蒸餾模型的卓越性能 超越開(kāi)源模型的表現(xiàn)

DeepSeek 蒸餾模型在眾多基準(zhǔn)測(cè)試中展現(xiàn)出了驚人的實(shí)力，成績(jī)斐然，超越了許多同類型的開(kāi)源模型。在 AIME 2024 這一極具挑戰(zhàn)性的數(shù)學(xué)競(jìng)賽基準(zhǔn)測(cè)試中，DeepSeek-R1-Distill-Qwen-7B 模型實(shí)現(xiàn)了 55.5% 的 Pass@1，成功超越了 QwQ-32B-Preview 這一先進(jìn)的開(kāi)源模型 。而 DeepSeek-R1-Distill-Qwen-32B 更是表現(xiàn)卓越，在 AIME 2024 上的 Pass@1 達(dá)到了 72.6%，在 MATH - 500 基準(zhǔn)測(cè)試中，Pass@1 也高達(dá) 94.3%。這些數(shù)據(jù)直觀地表明，DeepSeek 蒸餾模型在數(shù)學(xué)推理能力上已經(jīng)達(dá)到了非常高的水平，能夠準(zhǔn)確地解決復(fù)雜的數(shù)學(xué)問(wèn)題，在眾多開(kāi)源模型中脫穎而出。

推理能力的提升

蒸餾模型的推理能力得到了顯著提升，能夠在復(fù)雜的任務(wù)中展現(xiàn)出強(qiáng)大的實(shí)力。在面對(duì)需要多步驟推理和邏輯分析的問(wèn)題時(shí)，DeepSeek 蒸餾模型能夠有條不紊地進(jìn)行分析，給出合理的答案和清晰的推理過(guò)程。在解決一道復(fù)雜的物理問(wèn)題時(shí)，它不僅能夠準(zhǔn)確地運(yùn)用物理公式進(jìn)行計(jì)算，還能詳細(xì)地闡述每一步的推理依據(jù)，從已知條件到最終結(jié)論的推導(dǎo)過(guò)程清晰明了，就像一位經(jīng)驗(yàn)豐富的學(xué)者在進(jìn)行講解。這種強(qiáng)大的推理能力，使得 DeepSeek 蒸餾模型在面對(duì)各種復(fù)雜任務(wù)時(shí)都能應(yīng)對(duì)自如，其表現(xiàn)甚至可以媲美一些大型模型，為用戶提供了高質(zhì)量的解決方案 。

應(yīng)用場(chǎng)景大揭秘 移動(dòng)與邊緣計(jì)算的新寵

在移動(dòng)設(shè)備和邊緣計(jì)算領(lǐng)域，DeepSeek 蒸餾模型憑借其獨(dú)特的優(yōu)勢(shì)，成為了當(dāng)之無(wú)愧的新寵。如今，智能手機(jī)、智能手表、智能攝像頭等移動(dòng)設(shè)備和邊緣設(shè)備已經(jīng)深入到我們生活的方方面面，它們對(duì)實(shí)時(shí)性和低功耗有著極高的要求。然而，傳統(tǒng)的大型深度學(xué)習(xí)模型由于計(jì)算量巨大、參數(shù)眾多，很難在這些資源受限的設(shè)備上高效運(yùn)行。

DeepSeek 蒸餾模型的出現(xiàn)，完美地解決了這一難題。以智能攝像頭為例，它需要在本地實(shí)時(shí)對(duì)視頻流中的目標(biāo)進(jìn)行檢測(cè)和識(shí)別，如果使用大型模型，不僅會(huì)導(dǎo)致設(shè)備的計(jì)算負(fù)擔(dān)過(guò)重，發(fā)熱嚴(yán)重，而且還可能出現(xiàn)明顯的延遲，無(wú)法滿足實(shí)時(shí)監(jiān)控的需求。而 DeepSeek 蒸餾模型體積小巧，計(jì)算效率高，能夠在智能攝像頭有限的硬件資源下快速運(yùn)行，實(shí)現(xiàn)對(duì)行人、車輛等目標(biāo)的實(shí)時(shí)檢測(cè)和識(shí)別，為用戶提供及時(shí)準(zhǔn)確的監(jiān)控信息。在智能手表中，蒸餾模型可以實(shí)現(xiàn)實(shí)時(shí)的健康數(shù)據(jù)監(jiān)測(cè)和分析，如心率、睡眠監(jiān)測(cè)等，通過(guò)對(duì)用戶的生理數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，為用戶提供個(gè)性化的健康建議和預(yù)警 。

在線推理服務(wù)的變革

在電商推薦和智能問(wèn)答系統(tǒng)等在線推理服務(wù)中，DeepSeek 蒸餾模型帶來(lái)了前所未有的變革。在電商領(lǐng)域，用戶在瀏覽商品時(shí)，希望能夠快速得到精準(zhǔn)的商品推薦，以節(jié)省購(gòu)物時(shí)間。傳統(tǒng)的推薦模型由于計(jì)算復(fù)雜，響應(yīng)速度較慢，往往無(wú)法滿足用戶的即時(shí)需求。而 DeepSeek 蒸餾模型的應(yīng)用，使得電商推薦系統(tǒng)的響應(yīng)速度得到了大幅提升。它能夠快速分析用戶的瀏覽歷史、購(gòu)買記錄等數(shù)據(jù)，結(jié)合商品的特征和其他用戶的行為信息，在瞬間為用戶推薦出符合其興趣和需求的商品，大大提高了用戶的購(gòu)物體驗(yàn)和購(gòu)買轉(zhuǎn)化率。

在智能問(wèn)答系統(tǒng)中，蒸餾模型的優(yōu)勢(shì)同樣顯著。無(wú)論是在智能客服中解答用戶的問(wèn)題，還是在智能助手如語(yǔ)音助手、智能搜索中為用戶提供準(zhǔn)確的答案，DeepSeek 蒸餾模型都能夠快速理解用戶的問(wèn)題，從海量的知識(shí)中提取相關(guān)信息，并生成準(zhǔn)確、清晰的回答。當(dāng)用戶在智能客服中詢問(wèn)關(guān)于某款電子產(chǎn)品的性能參數(shù)、使用方法等問(wèn)題時(shí)，蒸餾模型能夠迅速給出詳細(xì)的解答，就像一位專業(yè)的客服人員隨時(shí)在用戶身邊，為用戶提供高效、便捷的服務(wù) 。

爭(zhēng)議與挑戰(zhàn)并存 開(kāi)源與知識(shí)產(chǎn)權(quán)的博弈

隨著 DeepSeek 在 AI 領(lǐng)域的迅速崛起，其使用開(kāi)源模型進(jìn)行蒸餾的做法引發(fā)了一場(chǎng)關(guān)于開(kāi)源與知識(shí)產(chǎn)權(quán)保護(hù)的激烈爭(zhēng)議。開(kāi)源模型的出現(xiàn)，為 AI 研究和開(kāi)發(fā)提供了豐富的資源和廣闊的平臺(tái)，眾多開(kāi)發(fā)者可以基于這些開(kāi)源模型進(jìn)行二次開(kāi)發(fā)和創(chuàng)新，極大地推動(dòng)了 AI 技術(shù)的發(fā)展和普及。DeepSeek 利用開(kāi)源模型如 Qwen 和 Llama 系列進(jìn)行蒸餾，通過(guò)巧妙的技術(shù)手段，將這些開(kāi)源模型的知識(shí)和能力遷移到自己的模型中，從而實(shí)現(xiàn)了模型性能的提升和成本的降低。

然而，這種做法也引發(fā)了一些質(zhì)疑和擔(dān)憂。一些人認(rèn)為，雖然開(kāi)源模型允許開(kāi)發(fā)者進(jìn)行使用和改進(jìn)，但在使用過(guò)程中應(yīng)該遵循一定的規(guī)則和道德準(zhǔn)則，確保知識(shí)產(chǎn)權(quán)得到合理的保護(hù)。如果過(guò)度依賴開(kāi)源模型進(jìn)行蒸餾，可能會(huì)削弱對(duì)原創(chuàng)模型研發(fā)的投入和動(dòng)力，影響整個(gè) AI 行業(yè)的創(chuàng)新生態(tài)。OpenAI 就曾暗示 DeepSeek 可能使用其專有模型來(lái)訓(xùn)練自己的開(kāi)源模型，這一指控雖未得到確鑿證據(jù)的支持，但也引發(fā)了人們對(duì) AI 領(lǐng)域知識(shí)產(chǎn)權(quán)保護(hù)的關(guān)注。如果類似的爭(zhēng)議得不到妥善解決，可能會(huì)導(dǎo)致開(kāi)源社區(qū)的信任危機(jī)，阻礙 AI 技術(shù)的共享和創(chuàng)新。

技術(shù)局限性的探討

盡管蒸餾技術(shù)為 AI 模型的優(yōu)化帶來(lái)了諸多好處，但它也并非完美無(wú)缺，存在著一些技術(shù)局限性。蒸餾技術(shù)存在所謂的 “隱性天花板”，即通過(guò)蒸餾開(kāi)發(fā)的模型在能力上往往難以超越基礎(chǔ)模型。無(wú)論蒸餾過(guò)程多么復(fù)雜，學(xué)生模型總是受到教師模型能力的限制，這在需要將模型能力擴(kuò)展到新領(lǐng)域或應(yīng)對(duì)以前從未見(jiàn)過(guò)的挑戰(zhàn)時(shí)，表現(xiàn)得尤為明顯。當(dāng)面對(duì)一些全新的、復(fù)雜的任務(wù)時(shí)，蒸餾模型可能無(wú)法像基礎(chǔ)模型那樣靈活地應(yīng)對(duì)，因?yàn)樗鶎W(xué)到的知識(shí)主要是基于教師模型的經(jīng)驗(yàn)和模式，缺乏對(duì)未知領(lǐng)域的自主探索和創(chuàng)新能力。

在多模態(tài)數(shù)據(jù)處理方面，蒸餾技術(shù)的效果也不盡如人意。隨著 AI 應(yīng)用場(chǎng)景的不斷拓展，對(duì)圖像、語(yǔ)音、文本等多模態(tài)數(shù)據(jù)的融合處理需求日益增長(zhǎng)。然而，目前的蒸餾技術(shù)在處理多模態(tài)數(shù)據(jù)時(shí)，還存在著信息融合不充分、特征提取不準(zhǔn)確等問(wèn)題，導(dǎo)致模型在多模態(tài)任務(wù)中的性能表現(xiàn)不如預(yù)期。在一個(gè)需要同時(shí)處理圖像和文本信息的任務(wù)中，蒸餾模型可能無(wú)法有效地將圖像中的視覺(jué)特征和文本中的語(yǔ)義特征進(jìn)行融合，從而影響對(duì)任務(wù)的理解和執(zhí)行。這些技術(shù)局限性的存在，也為 DeepSeek 和整個(gè) AI 領(lǐng)域提出了新的挑戰(zhàn)，需要進(jìn)一步的研究和創(chuàng)新來(lái)突破。

未來(lái)展望

DeepSeek 蒸餾技術(shù)以其獨(dú)特的創(chuàng)新和卓越的性能，在 AI 領(lǐng)域掀起了一場(chǎng)技術(shù)變革。它的出現(xiàn)，不僅為模型優(yōu)化提供了新的思路和方法，也為 AI 技術(shù)的廣泛應(yīng)用開(kāi)辟了更廣闊的道路。

展望未來(lái)，隨著研究的不斷深入和技術(shù)的持續(xù)創(chuàng)新，DeepSeek 有望進(jìn)一步突破蒸餾技術(shù)的局限性。在模型性能提升方面，或許能夠找到更有效的方法，打破 “隱性天花板” 的限制，使蒸餾模型在能力上實(shí)現(xiàn)更大的突破，超越基礎(chǔ)模型的能力邊界，在全新的、復(fù)雜的任務(wù)中展現(xiàn)出更強(qiáng)的適應(yīng)性和創(chuàng)新性。

在多模態(tài)數(shù)據(jù)處理方面，DeepSeek 也可能會(huì)取得新的進(jìn)展，開(kāi)發(fā)出更有效的信息融合和特征提取方法，提升蒸餾模型在多模態(tài)任務(wù)中的性能，實(shí)現(xiàn)圖像、語(yǔ)音、文本等多模態(tài)數(shù)據(jù)的深度融合和協(xié)同處理。

在應(yīng)用領(lǐng)域，DeepSeek 蒸餾模型將繼續(xù)在移動(dòng)與邊緣計(jì)算、在線推理服務(wù)等領(lǐng)域發(fā)揮重要作用，并不斷拓展新的應(yīng)用場(chǎng)景。在醫(yī)療領(lǐng)域，幫助醫(yī)生更快速、準(zhǔn)確地進(jìn)行疾病診斷；在金融領(lǐng)域，實(shí)現(xiàn)更精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估和投資決策；在教育領(lǐng)域，提供個(gè)性化的學(xué)習(xí)輔助和智能輔導(dǎo)。

隨著 AI 技術(shù)的不斷發(fā)展，開(kāi)源與知識(shí)產(chǎn)權(quán)的爭(zhēng)議也將逐漸得到妥善解決，建立起更加公平、合理、有序的開(kāi)源生態(tài)和知識(shí)產(chǎn)權(quán)保護(hù)體系。DeepSeek 將在這樣的環(huán)境中，繼續(xù)發(fā)揮技術(shù)優(yōu)勢(shì)，與全球的研究人員和開(kāi)發(fā)者共同推動(dòng) AI 技術(shù)的進(jìn)步，為人類社會(huì)的發(fā)展做出更大的貢獻(xiàn)。相信在不久的將來(lái)，DeepSeek 蒸餾技術(shù)將成為 AI 領(lǐng)域不可或缺的關(guān)鍵技術(shù)，引領(lǐng) AI 技術(shù)邁向新的高度。