万字复盘 2026 WAIC 开幕式：AI 靠什么长大，能做什么，不能做什么

大数据文摘出品

7月17日，上海，2026世界人工智能大会。本届大会的主题，是“智能伙伴，共创未来”。

伙伴这个词很有意思。它意味着AI不再是工具，已经成为某种和人类并肩的存在。

而整个开幕式，三个篇章：伙伴基石、伙伴征程、伙伴边界，其实就在回答三个问题：AI靠什么长大，AI能做什么，以及，AI不能做什么。

以下是完整复盘。

一、先把数据亮出来

主论坛的第一个环节是致辞。

两位致辞人给出了两个层面的数据，

一是国家：人工智能核心产业规模突破1.2万亿元，企业超过6200家，人形机器人整机企业超过140家、产品超过400款，规上工业企业的AI应用普及率超过30%。还有600亿元的国家人工智能产业投资基金，和近200项关键技术标准。

二是上海：全市算力规模17万P，人工智能产业规模6400亿元，多款开源基座模型能力跻身全球前列。

二、五座奖杯，颁给了“基石”

接下来是SAIL奖，卓越人工智能引领者奖，世界人工智能大会的最高荣誉。

今年颁给了五个项目：

华为昇腾950超节点，1024颗NPU高速互联，单卡每秒2TB带宽，3微秒时延，256GB统一内存。大会期间，它的真机首次公开亮相。

中国电信人工智能研究院的智传网，把信息传输从比特流推向资源流。

SharpaWave的触觉AI灵巧手，已经和清华、斯坦福、英伟达开展联合研究。

上海东方算芯的DF1000，基于3D近存计算架构，由全国产供应链打造的AI加速卡。

还有上海交通大学陈一彤团队的全光大规模生成式AI芯片，用光而不是电来做生成式运算，系统级算力能效提升两个数量级，成果发在《科学》（Science）正刊。

颁奖嘉宾，是中国工程院院士、之江实验室主任、阿里云创始人王坚。五座奖杯，三座和算力直接相关。

三、一位图灵奖得主的忠告：评价指标决定你收获什么

第一位主旨演讲嘉宾，是图灵奖得主、康奈尔大学荣休教授约翰·霍普克罗夫特（John Hopcroft），题目是《构建Next AI的人才基石》。

老爷子一上来就把AI放进了两百年的尺度：工业革命瓦解了小农经济，把无数个体卷进大企业，带来剧烈阵痛。信息革命的影响会更深远，各国都需要战略去驾驭它。问题在于AI还在剧烈变化，战略必须有适应变化的韧性。什么战略最有韧性？他的答案是：培养能应对全新方向的人才。

他反复讲一个故事。2012年之前，AI只是学术界的小众分支，主流是用逻辑方法研究阈值单元网络。是辛顿（Hinton）赢下那年的ImageNet竞赛，证明模式识别远比逻辑方法重要，AI才从小众理论变成影响各国经济、创造数百万就业的产业。辛顿后来同时拿了图灵奖和诺贝尔奖。

这个例子想说明什么？霍普克罗夫特说，他问过好几位诺奖得主成功的秘诀，答案无一例外：他们只是单纯在探索自己热爱的事物。要求科研人员只做特定的应用研究，也许能解决具体问题，但很难开出新的学科方向。

他还谈到了评价体系。很多高校重视国际排名，排名的指标是经费、论文、获奖，全都容易量化，但提升不了教育质量。

有一句话他重复了好几遍：评价指标很重要，评价指标决定了你会收获何种结果。

过去，黄金、石油和农业铸就国家的强盛；未来，人才才是核心竞争力。

四、苏昊的六层阶梯：把人，还给人

主旨演讲环节的重头戏，来自苏昊。

他是复旦大学浩清特聘教授、通用物理智能研究院首任院长，今年4月刚刚宣布加入复旦。讲的题目是《物理智能：从幻觉到现实》。

他说：对物理智能，我是坚定的乐观派。看清幻觉，是为了让现实来得更快。

为什么最聪明的大模型也难免幻觉？他的解释很形象：语言是世界的投影。人类在物理世界里摸爬滚打，才把经验压缩成语言。模型学的一直是这道影子，却从没见过投下影子的实体。换句话说：它能流利地描写杯子掉在地上会碎，却从没机会感受一只杯子的重量。

要走出幻觉，必须亲身体验，把自己交给物理世界去裁判：做出预测，采取行动，被现实修正。这个古老的过程，叫实验。

然后，他搭了一道六层的知识阶梯。下三层属于客观世界，有没有"我"，它都在那里：

第一层，物体的知识：世界由独立持存的物体组成，球滚到沙发底下看不见了，但它还在。

第二层，状态的知识：这些东西此刻是什么样子，多重，是软是硬。

第三层，动力学的知识：世界自己会怎么变，球会滚，水会流，松手的东西往下掉。

上三层，因"我"而生。

第四层，功能的知识：这东西对我有什么用，把手是用来握的，杯子是用来盛的，同一把椅子对人可坐、对蚂蚁不是。

第五层，目标的知识：我要世界变成什么样。

第六层，行为的知识：知道要做什么，和手真能做到，是两回事。端一杯水穿过房间不洒，是分寸；系鞋带、用筷子，是巧劲。

每个婴儿的头两年，就是沿着这道阶梯一层层爬上来的，皮亚杰称之为感知运动阶段。而模型没有这样的童年。

更麻烦的是，这六层知识散落在互不相通的载体里：互联网视频最海量，却只停在阶梯下端；教科书方程最精确，却只描写理想世界；真机数据直抵上端，却少得可怜。

波兰尼说，我们知道的远多于我们能说出的。阶梯的上半截，至今没有被成体系地记录下来。所以聚合，是这一代人要完成的科学工程。

为什么非爬这道阶梯不可？他的回答不在技术里：今天的AI会写诗、会写代码、会做PPT，但它帮不了一位老人翻身。老龄化时代，需要照顾的人越来越多，能投入照顾的人手越来越少。物理智能不是人的替代者，而是人的协作者。把翻身搬运的体力活交给机器，把照顾者的时间还给陪伴与关怀。"物理智能的使命，是把人还给人。"

他留了三个判断：

第一，突破口不在模型架构，在知识的聚合，这件事注定超出任何一家机构的边界；当这些知识真正融进同一个模型，物理世界会迎来自己的互联网时刻，所谓的GPT时刻只是副产品。

第二，行业重心将从"演示做得多惊艳"转向"运行得多可靠"。工程上有个说法叫攒"9"，从99%到99.9%，每多一个9，难度指数级上升。通用性是终点，可靠性才是起点。

第三，物理智能会把AI从科学的读者变成知识的创造者。今天的AI读遍了人类几乎所有论文，却几乎没亲手做过一次实验，而新知识恰恰诞生于实验室。

演讲的最后一句：物理世界是智能最古老的老师，最诚实的考官，也是智能最终的基石。我们选择把答卷交给它了。

五、四个年轻人，和三次"反共识"

第三场是青年圆桌，"新青年与新一代AI"。主持的是上海人工智能实验室青年领军科学家陈恺，对谈三位：清华大学助理教授、KAN网络发明者刘子鸣；Sand AI创始人、Swin Transformer作者曹越；Recursive创始成员、MetaGPT核心作者诸葛鸣晨。

陈恺的第一个问题就很好：你进AI领域时，有没有做过当时不被看好、后来却被证明的选择？

刘子鸣说，KAN网络2021年就开始构思，2024年才打通。一开始导师Max Tegmark并不赞成，直接甩给他一篇1989年的论文，说人家三十年前就说过这条路不work。他闷头做了两周，把训练动力学和可视化做了出来，Tegmark看完视频改了主意：我们似乎能看见黑盒内部发生了什么。他们一直的追求是，不只是scale能力，还要scale understanding。

曹越讲的是视频模型的路线之争。两年前Sand AI刚成立时，市场上几乎所有团队都在用扩散模型，连Sora都在给这条路背书。但他们判断，视频数据的信息是顺序存储的，自回归才贴合数据本质，还能解锁实时互动的能力。当时有朋友当面质疑：你们为什么不直接跟OpenAI的方案？两年后，越来越多团队转向自回归，图灵奖得主杨立昆（Yann LeCun）新公司AMI的团队也在用类似方法，还非常关注他们一年前发布的MAGI-1。那位朋友再见到他说：看来你们当时还挺有远见的。

诸葛鸣晨的故事最个人。五年前他已经拿到国内大厂的offer，临近毕业却放弃了，觉得研究还没做够。申博时拿到过不止一个QS前十的offer，最后选了沙特的阿卜杜拉国王科技大学（KAUST），理由只有一个：导师比排名重要。他的导师，是被称为"LSTM之父"的Jürgen Schmidhuber。

三个人的答案其实是一件事：所有后来成为共识的路线，最初都是反共识的。

聊到AI时代的青年优势，刘子鸣的答案有点出人意料：最大的优势，是知道怎么偷懒。他要求学生一条条肉眼过原始数据，结果有个学生用AI从海量数据里直接抽出了一个新现象，他这个当老师的，反过来成了求学者。曹越的观察是，用得最深的人有个共性：敢于相信AI。放下人类的ego，把重要任务交出去。这通常要经历一个aha moment：在你自己最擅长的事情上，发现AI比你做得更好。

六、光的生意，和万卡集群的笨功夫

青年之后是算力。基石对话的主题是"新型计算架构与全栈生态协同突破"，思朗科技董事长查浩主持，台上是曦智科技创始人沈亦晨、基流科技创始人胡效赫、艾捷科芯首席科学家薛继龙。

沈亦晨把光电融合的落地拆成三步：

第一步，卡内融合，光芯片和电芯片在一块板卡上共存。这不是何时发生，而是正在发生，他们的光跃超节点去年就已经数千卡、接近万卡落地。

第二步，封装内融合，两颗芯片进同一个封装，英伟达、博通、台积电的路径都已明确，他判断2到4年内大规模上量。

第三步，芯片内融合，光电3D堆叠在一颗芯片上，他们的"天枢"光计算产品已经做到，并且在商业化场景里稳定高频运行，不是实验室数据。

他还给了一个判断：3到5年内，数据中心里30%以上的芯片，会是光芯片。

胡效赫讲的是万卡、十万卡集群的苦活。大规模集群说到底是一套超大规模分布式系统，决定算力表现的只有两件事：效率和稳定性。千卡时单卡利用率能做到50%，到万卡还能不能保持96%甚至98%的线性度？几万十几万个组件，每一个的不稳定都会被指数级放大。

他说了一个反直觉的发现：大家以为集群性能瓶颈在通信传输，其实真正复杂的是数据准备阶段，GPU和CPU的调度、显存内存网卡之间的搬运，全在里面。通信的AI原生，功夫要下在通信库上。

薛继龙则看到了软件系统的机会：过去硬件形态统一，软件腾挪空间很小；现在训练和推理开始异构分化，高吞吐和低延迟推理在分化，甚至有人给attention和FFN定制不同的芯片。每个环节都可以做深度的软硬协同。

问到杀手级应用，胡效赫的回答很明确：coding。他说今年跟模型公司交流有个强烈感受，所有模型公司其实都在做同一件事，就是coding。从第一性原理看，coding就像移动互联网时代的短视频，能催生出字节、快手级别的大场景。沈亦晨补充说，光电融合的低延迟特性，恰好适合低延迟的coding，还有具身智能的端侧，甚至太空算力。

七、当美妆走上主论坛

伙伴征程篇的开头，是个不太常见的身影：欧莱雅。

这家百年美妆集团的全球首席人工智能官安迪雅（Andreea Lachapelle）博士，把美妆的话题带上了WAIC主论坛。

她分享了一个微妙的变化：超过80%的消费者希望减少搜索和购买的时间，但人们和AI的单次对话平均时长是11分钟，每次购买前的对话还多了四轮。省时间的是搜索，花时间的却是聊天。

她给出的应对是三个词：生成式引擎优化，让品牌出现在AI的对话里；个性化对话，让每个人都觉得这是为自己准备的；智能体商务，让AI帮人完成更好的购买。听上去是消费行业的私房话，但背后是一个所有行业都绕不开的问题：当消费者开始和AI聊天，而不是和搜索引擎聊天，品牌该怎么办？

八、王坚：让科学数据成为大模型的原住民

王坚的演讲，是他一贯的节奏，慢，但信息密度很高。

他先调侃英伟达：我在很多场合都说，英伟达不是一家对人工智能有信仰的公司，它只是对算力有信仰。但是，算力等到了人工智能来的那一天。

然后抛出正题：今天，数据要重新让我们认识人工智能是什么。目标一句话，让科学数据成为基础模型的原住民。

他讲了一个例子。2024年11月，美国的天文学顶刊发了一篇只有一个作者的论文，这在今天已经很少见了。这位唯一作者，用一颗退役卫星的数据，发现了近150万个从未被编目的太空物体。那颗卫星本来是用来监测近地小行星的，收集数据根本不是为这个发现准备的。而这个唯一作者，是个18岁的中学生。

库恩在《科学革命的结构》里讲范式变革：你能从旧数据里发现新问题，这几乎是科学变革的基本逻辑。伽利略用的数据，都是第谷帮他找好的。

王坚接着把话拉回大模型。Foundation Model这个词，2021年才由斯坦福的一份报告明确提出。而大语言模型，是建在文本上的基础模型。他顺手讲了个冷知识：中国古代没有标点符号，古拉丁文也没有空格，人不把句子念出声都很难阅读。给文本加空格加标点，和今天做的tokenization，逻辑上是一回事。大语言模型把人类对文本的处理带到了前所未有的高度。

但科学数据的处境完全不同。12年前就有地球科学家对AI提过三个朴素要求：拿到所有科学数据，拿到相关论文，有一个公共基础设施。

今天回头看，第一条远远没有满足，目前几乎所有的努力还停留在论文文本上。地学领域70%以上的信息根本不在文本里。他的原话是：我们常说一张图胜过千言万语，但一段光谱，可能胜过千万张图。

所以之江实验室定义了科学基础模型，建在科学数据上，而不是科学论文上。他们和南京大学合作的地球科学模型GEO GPT，7月1日在第五届地层学大会上，把10万种生物、两万多个地层剖面的数据放进了一条统一的时间轴，这是目前世界上最完整、最精确的一条。目标是把地质时间的精度从百万年级提高到一万年级。就在上周，GEO GPT入选了联合国"科学促进可持续发展十年"的认可清单。

王坚说，跟地球科学家打交道后他明白了一件事：人类最基本的目标，是能够比恐龙在这个地球上生活得更长久一点。

结尾那句：人工智能到了一个转折点，它会变得跟数学一样基础。数学在人类科学史上起过什么作用，人工智能就会在未来50年对科学研究起什么作用。

九、一颗药，和一场对衰老的战争

英矽智能创始人亚历克斯·扎沃隆科夫（Alex Zhavoronkov）讲的，是AI制药。

他说：一款新药从确认靶点到获批，传统上要12年；进入候选物开发前，要完成约1200个任务；从零到候选物，平均4.5年。而在中国，依靠本地研发体系，这个过程能比平均值快两年；再叠加AI，可以压缩到9到12个月。他管这叫"AI加中国式架构"创造的奇迹。

英矽自己的成绩单：2019年那篇论文，用生成式AI设计新分子，46天完成实验室验证；针对特发性肺纤维化的候选药，从靶点假设到临床端到端由AI深度参与，二期结果积极，已在中国进入三期。另一个方向是抗衰老，以用力肺活量（FVC）为核心指标，在65岁以上患者身上看到了剂量依赖性的改善。换句话说，这款药瞄准的不只是一个病，还有衰老本身。

他最后还推荐了上海：如果你想在世界上找个地方建研发中心，我推荐金桥。那个"在共同体里生活、学习、治病"的梦想，在浦东已经变成现实。

十、世界模型：预测下一个动作，而不是下一帧画面

征程篇的压轴，是世界模型圆桌。复旦大学副校长姜育刚主持，智元机器人合伙人姚卯青、它石智航创始人陈亦伦、亮源新创创始人姜旭对谈。

世界模型今年很热，但三个人的定义高度一致：它不是更会生成视频的模型。

姚卯青：世界模型要理解物理世界的运行规律，最重要的功能是预测世界的下一个状态，而不是渲染下一帧画面。它需要多模态理解、物理规律、因果推理，还要能长程推演不崩坏。

陈亦伦：世界模型理解世界，物理AI改变世界。VLA只告诉机器人下一个动作是什么，世界模型还要回答，做了这个动作世界会怎样、这个变化是不是我们想要的。神经网络不应该只给出一个动作，它应该给出动作背后的东西。

姜旭：状态应该被感知，动作应该被预测。人在物理世界里行动时，并不会花很多时间预测世界的下一个状态，都是直觉的、下意识的。

瓶颈在哪？三个人异口同声：数据。

陈亦伦说：单纯看一段视频，你是发现不了牛顿第二定律的。视频能让你看到位置、算出加速度，但质量和力，视频里没有。机器人操作是接触系统，训练数据必须模态齐全，除了视频还要有力、有触觉；必须是高交互强度，不断用动作改变世界；必须来自真实场景真实任务。自动驾驶做到工业级可用，大概要100万小时纯视频数据；更复杂的具身操作，他判断要1000万小时。

姚卯青补了一个量级更大的参照：国际领先大模型的预训练语料到了100万亿token，等效正常语速说100亿小时。语言是信息密度高、噪声低的数据，尚且如此；物理世界冗余巨大，可能需要一亿小时以上的真实数据。而且互联网视频很多是娱乐性甚至反物理规律的，人也可以飞起来，大家爱看这个。但机器人需要的是推拉拧拽、柔性物体、摩擦力、流体，这些互联网上没有，物理引擎也仿不出来。

落地场景呢？三个人的票都投给了制造业：高频刚需、环境可控、确定性强、有容错空间。

姚卯青给了实测数据：上个月智元做了六天全网直播，机器人编队在产线上每天干十几个小时，完成六万多件操作，成功率99.99%，节拍接近人类。陈亦伦的理由更体系化：制造业数据浓度高、任务完成有明确标准、有大量人类示范数据，而且中国是全世界制造业最集中的地方。他的原话是：如果数字世界是由coding组成的，那物理世界就是由制造组成的，coding AI和制造领域的物理AI，某种程度上可以画等号。

姜旭的判断相对谨慎：光靠世界模型，无法实现通用具身智能。每个智能大爆发的领域都要经历三次范式突破：可规模化的预训练、可规模化的对齐、可规模化的商业部署，具身智能也不会例外。他2019年就加入OpenAI，亲历过那三次突破，所以他的建议很现实：保持开放心态，做广泛的场景探索，先在高容错率的场景里落地。就像当年的ChatGPT，幻觉严重，但它定位是助手，不负责交付。

十一、徐立的"超级个体"

第三篇章，伙伴边界。商汤科技董事长徐立先上台，题目是《无界创新与有界守护》。

他先盘点了已经跑通的三类应用：

软件开发，从copilot到vibe coding再到智能体长程任务，代码被藏到了任务背后；

内容生成，从文生图、文生视频到完整可交付的系统；

具身智能，从单一机械臂到VLA再到自主完成长程任务。

三条线的共同点：原来属于专业人士的能力边界，被拓宽到了普通人。这个过程里发生了"使用者的迁徙"，新客户不再是你原来的目标客户，而是真正从需求出发的人。

他举了几个商汤"小浣熊办公"的真实用户。一位园林审图师，原本没法用AI干自己的活，能力边界一突破，他搭出了"总工之眼"；一个历史爱好者，做出一张覆盖数百人的故事地图，想了解任何历史人物，都能从不同维度切片探索；还有一位视障人士，全程用语音和模型交互，做出一套面向中国1700万视障人士的教育材料，因为他最懂视障人士需要什么。

在徐立看来，这可能就是AI普惠的样子：不说替代，应该说增强。好的AI产品不是让你依赖它，而是让你获得成长。他打了个比方：现在流行穿越短剧，你穿越回古代，没有现代产品，依旧强得可怕，为什么？因为能力已经内化了。

他还给了两个判断：

一个是算账方式的改变：行业的计量单位正在从token转向task，用户不关心烧了多少token，只关心完成这个任务的价格。

另一个关于就业：世界经济论坛预测到2030年会减少9000万个岗位，同时创造1.7亿个新岗位。流程化的岗位会被自动化，但边界拓宽带来的新职业会更多。

结尾他引了《道德经》：有之以为利，无之以为用。模型的发展、参数的变化、应用的突破，是"有"；背后的治理和框架，是"无"。有无并行，才能做到能用、好用、敢用。

十二、AI可以替人行动，但不能替人负责

最后的环节，是治理。

先是一段视频。图灵奖得主约书亚·本吉奥（Yoshua Bengio）对着镜头说了一段不太轻松的话：我们正在一条轨道上，造出比人更聪明的机器。AI在推理、数学、编程和智能体能力上指数级进步，智能体能规划的任务复杂度，每几个月翻一倍。而智能体按定义就必须自主，没人监督的自主，是个危险的组合。大规模滥用、操纵舆论、生化风险，还有失控。他说，我们已经有证据表明，这些系统不想被关闭。

他的处方三条：系统上线前必须先被验证是安全的；风险管理不能只由每家公司各自决定，必须反映全球公众的福祉；AI创造的财富必须在全球共享，否则会制造新的分裂和不稳定。

随后，上海人工智能实验室主任周伯文、清华大学教授薛澜、纽约科学院院长尼古拉斯·德克斯（Nicholas Dirks）、伯克利人类兼容AI中心执行主任马克·尼茨伯格（Mark Nitzberg），围绕"智能行为边界"展开压轴对话。

周伯文说，委托代理是个古老的问题，但这次不同：替你办事的，不再是人。

薛澜拆得很细：传统委托代理里的信息不对称、道德风险、目标不一致，在AI身上全都还在。但授权的逻辑变了，人类授权基于信任和历史表现，对AI，你要知道它的技术边界在哪。问责也变了，机器没法承担责任，你惩罚不了它，只能去查整个执行链条哪个环节出了问题。有些机制要重新发明，比如无人驾驶出事后的追责太难，可以用保险这样的社会制度兜底。

尼茨伯格从工程角度接过来：人类代理背后有权利、责任、问责的法律框架，没订好机票的代理商是可以被追责的。但AI智能体是个黑盒，没有工程学上的保证。要补上缺口，系统必须扎实、可用、可管，一边用一边能调整。他反复强调一个原则：要在建造的过程中验证安全，而不是建完再想怎么补。就像桥梁，安全是设计师在设计里承诺的，不是建完了测出来的。

主持人问了一个很直接的问题：有什么决策，是人类永远不能让AI做的？

尼茨伯格：任何和生死相关、且无法挽回的决策。修不好的，都不该交给AI。

薛澜：涉及价值判断的问题，不能交。

德克斯在效率问题上也表了态：你委托给智能体的东西越多，交出去的不只是任务，而是一整套原则。效率，不是人类唯一的目标。

周伯文还讲了个小故事。辛顿几年前说，AI会取代放射科医生，学四年放射学有什么意义？上个月他承认这句话说错了。不是技术上错了，是经济学上错了。技术的可行，不等于岗位的消失，这中间的落差，恰恰是治理要处理的地带。

怎么把共识变成长效机制？薛澜给了三条：划定坚决不能越过的红线；建立监测机制，接近风险时发出预警，比如模型出现欺骗人类的行为；让全社会更理解AI，安全研究的投入现在严重不足。尼茨伯格建议向航空业学习：各国制度不同，但航空安全标准全球一致，认证互认，事故数据共享。AI安全也应该成为全球共享的科学、全球的公共产品。他还透露，一个全球性的行为红线协议，可能就在今年年底。

最后的总结，周伯文只说了两句话：

AI可以代表人行动，但不能代表人负责。每一次人类对AI的授权都应该可以撤回，每一个行动都应该可以被追责，让渡代理权的速度，永远不应该超过我们验证AI能力的速度。

这条边界，不是技术的终点，是人类自我认识的起点。

回看整场主论坛，三个篇章串成了一条完整的线：基石篇回答AI靠什么长大，人才、物理智能、算力；征程篇回答AI要去哪，科学、制药、制造，走进物理世界；边界篇回答AI不能做什么，授权可撤回，行动可追责。

一个明显的共同点是：这一天里几乎没人谈"炸裂"，没人谈颠覆。苏昊谈的是攒"9"的笨功夫，胡效赫谈的是通信库的苦活，姚卯青谈的是六天直播里的六万件操作，连图灵奖得主们谈的，都是教育和安全。

行业好像过了那个靠叙事亢奋的阶段，开始回答具体问题了。

大会主题叫"智能伙伴，共创未来"。

现在回头看，伙伴这个词起得不错。伙伴不是主人，也不是工具。伙伴意味着能力要对等，信任要挣取，边界要谈清楚。

而这场主论坛呈现的AI，正在学两件事。

一件是把手弄脏，走进物理世界。

另一件，是在人类的注视下，负责任地做事。

点「赞」的人都变好看了哦！