第11屆ICAART會議在捷克召開,學術權威解讀人工智慧前沿技術

　　近日,第11屆ICAART(國際智能體與人工智慧會議)在捷克首都布拉格召開,為期三天。

　　自2009年舉辦第一屆以來,ICAART每年都聚集了大批對智能體和人工智慧領域感興趣的科學家、研究員、工程師、和相關從業人員。

　　會議分兩個方向:專注於智能體、多智能體系統和軟體平臺、以及分布式人工智慧;以及側重於人工智慧、知識表示、規劃、學習、調度、感知反應性人工智慧系統、進化計算以及與智能系統和計算智能相關的其他主題。

　　今年的主題演講邀請到了四位來自全球不同地區高等學府的學術權威,演講主題涵蓋人工智慧、仿真技術、進化藝術、手寫識別、計算可持續性等熱門議題。本文挑選了其中三位演講人,對其演講內容了進行高度提煉和概括。

　　此外,今年ICAART大會最佳論文由來自美國BShalem Research的研究員Avi Bleiweiss獲得,他提出了一種基於LSTM(長短期記憶網絡)的神經網絡模型,通過遷移學習的方法,從相對較大的數據集上獲得預訓練模型然後在特定稀疏數據集上進行優化,提高對網絡侮辱性評論進行分類的目標性能。本文將對論文內容進行簡要概述。

　　進化藝術與機器學習

　　

　　首先登臺演講的是來自葡萄牙科英布拉大學的教授Penousal Machado

　　Machado博士目前領導科英布拉大學的認知和媒體系統。他的研究興趣包括進化計算、計算創造力和進化機器學習。除了這些領域的眾多科學論文外,他還獲得過包括歐洲進化計算傑出貢獻獎EvoStar獎、以及葡萄牙人工智慧協會授予的人工智慧卓越獎和優秀獎。 他的作品曾在葡萄牙國家當代藝術博物館和紐約現代藝術博物館(MoMA)中展出。

　　Machado博士的演講主題是「進化藝術(Evolving Art)」。近年來,進化計算技術應用於藝術的多個領域。Machado博士的演講重點是如何使用它們來創建不同類型的創作、領域的主要挑戰、以及過去的開發如何與當前的方法、趨勢和挑戰相關聯。

　　進化藝術的表達和評估

　　進化藝術在國內或許是一個陌生的概念,甚至它的呈現方式解釋起來都不太容易。

　　進化藝術是生成藝術(generative art)的一個分支,這意味著藝術家本身是不參與藝術品的製作,而是讓一個自主系統(比如計算機)進行創作。

　　簡單而言,進化藝術通過進化計算來繪圖,在不斷地迭代後,最終獲得一件藝術作品。舉一個例子,譬如你看到一隻貓的圖片後,想要在貓身上加入一些蝙蝠的元素,程序會根據你的選擇演變出一組新的生物,然後你可以繼續選擇,直到找到他們喜歡的生物形態。這就激發出了無限的創造力,結合進化計算和藝術領域,藝術家可以探索他們從未夢想過的事物

　　回到演講本身,Machado博士首先介紹了一下進化藝術30多年歷史上的一些重要人物,包括首次提出進化藝術概念的Richard Dawkins、Karl Sims、William Latham、和Steven Rooke。

　　進化藝術中有兩個關鍵問題:一是表示方法,二是評估方法。

　　首先是表示方法。Machado博士介紹了進化藝術中的一個基本概念:基於表達式的進化圖像。1991年,進化藝術的開創者Karl Sims提出了遺傳編程,使用基於表達式的方法來實現圖像進化,顯著地提升了進化圖像的複雜度和審美效果。

　　舉個例子:圖像1可以用A*B表示,圖像B可以用C*D表示,通過遺傳編程,他們進化出的子圖像可以是A*B、C*D、A*C、B*D,如果使用隨機模式,那麼他們的可能性還會有更多。

　　通過這種方法,Machado博士認為進化藝術可以進化成任何一種可能性。

　　這裡Machado博士提到兩個重要的進化藝術應用。第一個是進化藝術工具NEVAR,由Machado博士在1997年創建,它的優點在於它允許存儲過去創建的圖像,讓這些圖可以用作新圖像的起點。NEVAR運行在並行進化算法上,這意味著用戶可以同時運行多個實驗。

　　另一個是PICBREEDER,這是一個基於進化藝術概念的協作藝術應用程式,這種技術可以讓圖片像動物一樣繁殖。

　　其次是評估方法。如何讓用戶從進化藝術作品獲得美感,然後將評估出來的好結果建立成相應的適應度函數(fitness functions)加入到進化過程中,以實現不同的審美視覺效果。

　　Machado博士提到了許多方法,比如傳統的美學概念,包括黃金比例、分形維數、拉夫定律等;複雜性是一種美學相關的特徵,視覺上複雜但易於處理的圖像往往有趣;對黑白圖片可以使用分形和JPEG壓縮估計圖像複雜度;不同的適應函數也能合併在一起,比如複雜度、對比色、和顏色漸變。

　　近幾年,Machado博士也開發了和用戶實現互動的交互界面,讓用戶決定自己決定適應函數,進化出符合他們喜好的圖像。

　　2. 機器學習

　　在進化藝術中加入機器學習可以追溯到1994年,當時的研究員提議通過使用人工神經網絡實現自動化圖像進化過程。這項研究主要是用機器學習的方式學習用戶的偏好,並應用這些知識來進化獲得美學上令人愉悅的圖像。

　　研究表明,機器學習取得了一定的效果,和均勻概率的隨機過程相比,人工神經網絡通常能製作出更複雜的圖像。但由於進化圖像數據集本身的質量和收集難度,導致在實際自動化的過程中遇到不少難題。

　　2012年,Machado博士的一項研究取得了令人意想不到的進展—結合機器學習,進化藝術竟能產生具象圖像。研究表明,使用基於通用表達的遺傳編程圖像生成引擎和面部檢測器系統,系統能夠進化出一些看上去像是人臉或者是面具的圖像。

　　隨後的幾年裡,進化藝術和機器學習之間的聯繫越來越多。譬如,2016年的一份研究就表明,使用進化藝術可以生成類似人臉卻無法被識別成人臉的圖像,這可以幫助人臉識別系統增加訓練數據,建立龐大的數據集。

　　近幾年,對抗生成網絡(GAN)將生成藝術的水平又提升了一大截,在2017年的一篇論文中,研究員開發了一個基於GAN的系統,能夠通過觀察藝術和學習風格來創作藝術;通過偏離學習風格,增加藝術的喚醒潛力,從而變得富有創造力。

　　去年,首張基於GAN創作的油畫在佳士得拍賣中心賣出了43萬美元,儘管這在藝術世界裡只是個小數字,但公眾依然難以相信一個機器的畫作能拍賣出這麼高的價格。

　　這也引出了Machado博士在演講中的問題:「這(人工智慧的畫作)是藝術嗎?」

　　3. 藝術不是藝術創作,而是對藝術的熱愛

　　Machado博士隨後避開了這個敏感的問題,提到了另一個問題:「人工智慧是藝術家嗎?」

　　他的答案是:顯然不是。Machado博士認為,人工智慧不是藝術家的原因是「藝術不是藝術創作,而是對藝術的熱愛。」「如果你要造一個人工藝術家,你首先要開發一個系統,在面對一幅藝術作品時,能說』這是一幅好作品』」。如果沒有對藝術的喜愛和鑑賞能力,那麼單純依靠模仿和借鑑的人工智慧就不能被稱為藝術家。

　　手寫識別和深度學習

　　

　　隨後演講的是來自荷蘭格羅寧大學的教授LambertSchomaker

　　Schomaker博士是格羅寧根大學人工智慧教授,並擔任該大學人工智慧研究所所長,同時也是IAPR(國際模式識別協會)成員和IEEE高級成員。他以模擬和手寫識別、字跡識別、文檔分析、以及機器學習研究而聞名,前後一共撰寫了200多本出版物,並參與了許多手寫識別和文檔分析會議的組織工作。

　　Schomaker博士的演講主題是「大規模問題的連續學習—多腳本歷史手寫文檔集的情況。」以卷積神經網絡(CNN)為代表的深度學習技術,其最新進展在許多應用領域中令人印象深刻。這些方法是否也適用於罕見的腳本和手寫識別?如果訓練數據量嚴重受限怎麼辦?如果用戶要求隨著時間的推移不斷變化該怎麼辦?

　　1. 什麼是手寫識別?

　　廣義上,手寫識別問題(handwriting recognition)是研究算法如何將手寫產生的有序軌跡—包括字符、單詞、或更大對象—轉化為計算機可識別的符號代碼或代碼字符串。

　　儘管機器學習模型已經在手寫數字識別數據集MNIST上取得非常驚人的成績,但是整個手寫識別領域的問題還遠沒有被解決。

　　以手寫單詞識別(handwriting text recognition)為例,這項研究是在提供句子或段落圖像時,算法能提供完整的文本假設。這就不單單是符號識別的工作,還需要語言統計學;手寫檢索(handwriting retrieval)則是另一大挑戰,這是當給定單詞或字符圖像的實例時,算法能從收集而來的手稿集合,依照匹配度進行排序。

　　圖像分割也是手寫識別中的重要環節,在識別手寫文字的任務裡,第一步往往是頁分割和行分割。識別率如果沒有令人滿意,一部分原因可以歸咎在分割不準確上。Schomaker博士提到,在需要文字分割的情況下會使用CNN模型;如果不需要分割,則會採用隱形馬爾科夫模型(HMM)或者是LSTM。

　　2. Monk系統

　　作為該領域的權威專家,Schomaker博士介紹了他主導開發的人工智慧系統 — Monk,一個可交互訓練的搜尋引擎和用於歷史手稿的服務系統。

　　Monk系統主要由兩個部分組成: 用於掃描頁面圖像及其部分的存儲和基於網絡注釋的設置;一套(手寫和文本)識別算法以及檢索和搜索方法。

　　該項目於2005年啟動,並在2009年進入自主訓練模式,使用排隊系統解決遠程超算資源,並根據用戶活動開始學習手寫識別的任務,7天24小時自動進行大部分工作。當時的訓練過程從人工標註、到模型調參、再到完成對目標列表檢索的計算,放在十年前還是不多見的。

　　在提升Monk性能上,Schomaker博士採用了舊礦井電梯原理——先用方法A將模型性能提升至最大,然後使用一個正交方法B可以再往上提升些,然後再回到方法A,依次循環,直到達到漸近線。

　　Monk的軟硬體配置如下:

　　？ 高性能Linux e-Science環境:900TB/28核/126GB;

　　？ 多體架構;

　　？ 用戶標記事件觸發專用計算隊列;

　　？ 在多個、遠程的節點上計算,比如(IBM Zurich);

　　？ 峰值存儲:兩年前曾實現單個磁碟系統上保存13億個文件,多為文字圖像。

　　在整個訓練過程中,Monk系統所使用的方法和常規手寫體識別類似,包括:

　　？ 圖像預處理;

　　？ 圖像布局分析和分割(這裡面包括片段、段落、行、詞);

　　？ 模式識別或者形狀分析。目前識別器所使用的模型,除了HMM之外,其他均為深度神經網絡,包括卷積、LSTM、雙向LSTM、MDLSTM、CNN/LSTM。

　　3. 深度學習能將手寫識別一網打盡嗎?

　　如今炙手可熱的CNN,最初的應用便是手寫識別。熟悉CNN歷史的人應該知道,CNN的開山之作便是訓練多層神經網絡用於識別手寫郵政編碼,之後CNN的經典架構LeNet5則用於識別手寫數字。

　　Schomaker博士還提及了一段往事:1990年在加拿大蒙特婁舉辦的「手寫識別國際研討會」上,Schomaker博士第一次聽說了CNN,也在會上遇見了CNN的締造者、人工智慧三駕馬車之一的Yann LeCun。當時苦於沒有高效並行計算的硬體,CNN的效果並不突出,但足以讓Schomaker博士眼前一亮。

　　但是,Schomaker並不迷信深度學習。標準數據集下的基準測試和真正的手寫歷史文檔存在顯著差別,大部分歷史文檔受困於語言繁雜、歷史悠久、縮寫、略寫、文字形狀千奇百怪、不同作者的字跡差異、圖像不清晰等各種問題,會給模型帶來各種意想不到的挑戰。同樣,許多手寫識別模型是用來訪問迄今為止未記載的文本對象,沒有數據集如何訓練?

　　Schomaker博士在演講中提供了一套思路:訓練數據量決定了系統使用什麼算法。

　　？ 若數據量為0,也就是零次學習,那麼使用基於屬性的方法;(例子)

　　？ 若數據量為1,那麼使用K最近鄰的方法(這裡就是1NN);

　　？ 若數據量為少許,那麼使用簡單的模型,比如平均向量(mean vector)或者質心函數(Centroid);

　　？ 若數據量為20,那麼使用支持向量機(SVM);

　　？ 若數據量超過100,那就輪到端到端的深度學習模型派上用場。

　　Schomaker博士提出了自己的觀察:

　　？ 對「深層結果」的比較通常與愚蠢的特徵相比;

　　？ 那些所謂的「深層結果」大多來自數周的計算、數十億的浮點計算、以及小心調試的架構;

　　？ 在大數據的幫襯下,即使模型沒有那麼優秀,結果也還不錯;

　　？ 應該將這麼大的計算量用在隨機變形和圖像的彈性匹配上。

　　Schomaker博士最後做出了如下的總結:

　　？ 深度學習確實提供了喜人的結果,但這種結果是建立在大規模數據集上;

　　？ 有時候可解釋性也是必要的;

　　？ 手寫識別領域真正的作業系統,例如Monk,都是混合模型;

　　？ 性能和可解釋性往往衝突。

　　基於智能體模擬技術的應用願景

　　

　　最後登場的是來自捷克技術大學(CTU)的計算機科學教授Michal Pechoucek

　　Pechoucek博士是CTU人工智慧中心的創始人兼負責人,也是CTU的計算機科學系主任、信息學研究中心主任、卓越中心、以及CTU-FEL研究型計算機科學研究項目開放信息學的創始主任,發表過200多篇論文,並於2015年被列入新歐洲100強。

　　此外,Pechoucek博士還是Cognitive Security的聯合創始人(2013年被CISCO Systems收購)。收購後,Pechoucek建立並指導了CISCO Systems研發中心(至2016年),專門從事網絡安全的機器學習分析。

　　Pechoucek博士的演講主題是「通過基於智能體仿真理解未來技術」。當前世界是由最先進的機器學習研究提供的數據和卓越的分析能力驅動的。假設存在與自主實體之間的相互作用相關的重要預測問題類別,對其進行統計數據分析是不夠的(例如了解城市環境中無人機的未來運行或現有車輛交通中自動車輛的大規模部署)。

　　Pechoucek博士建議使用最先進的程序和分散計算建模方法—基於智能體模擬技術—來補充現代數據分析,並認為基於智能體的模擬可以幫助我們理解和解決近期尚未獲得經驗數據的問題。

　　什麼是基於智能體模擬(ABS)?

　　基於智能體模擬(ABS)是一類軟體程序的計算模型,用於模擬自主智能體之間的動作和交互,評估系統的性能和有效性。

　　目前使用ABS的應用有許多,最廣泛的是遊戲和電影特效模擬,還有對疾病傳播的預測。譬如,在上世紀90年代,科學家利用計算機模型預測H1N1病毒的傳播,其中ABS的效果最好。紐約大學流行病學權威Joshua M.Epstein在他的論文《控制流行病的模型》(Modelling to contain pandemics)中提到,基於智能體的計算模型可以捕捉非理性行為、複雜的社會網絡和全球規模——所有這些都是對抗H1N1病毒的關鍵。

　　ABS技術目前也普遍在自動駕駛訓練中被使用。L3以上,自動駕駛車輛系統複雜程度、使用環境複雜程度都明顯提升,現實世界的測試環境不能保證自動駕駛技術的安全性和穩定性,所以各大自動駕駛公司都在自研仿真測試平臺,來測試無人車的感知、決策、控制能力。

　　鑑於此,我們可以得知發展ABS的目的是保證基於多個智能體的物理系統(Multi-agent physical system)能夠在運行中更加安全和穩定,發展出安全性、穩定性高的基於多智能體的現實應用,比如無人機、自動駕駛、智慧交通等等。

　　使用ABS技術設計多智能體應用時,主要會遇到三個研究&工程上的挑戰:

　　高保真度、高可擴展性、可管理的成本。

　　2. 具體的部署案例

　　Pechoucek博士隨後介紹了其所在的研究小組使用ABS技術的四個代表性應用案例。

　　無人機:多年前,NASA希望Pechoucek博士所在小組研究一個實驗:如何在有限的空間裡加入儘可能多的無人機,在互相不碰撞的情況下依然完成各種任務。

　　這個實驗代表了NASA一直關注的一個問題:由於在共享空域運行的無人機系統數量會在未來迅速增長,保證在對空中管理系統不造成任何負面影響的同時,避免無人機碰撞是一大挑戰。

　　這不只是NASA的問題。譬如軍事、安全、工地等場景下,任務越來越複雜並且所涉及的飛機數量不斷增加,企業趨向於使用自主無人機而非地面控制遙控無人機,這對無人機控制軟體的功能提出了新的要求。

　　為此,Pechoucek博士和研究員在2012年開發了AgentFly模擬系統。這是一個用於自由飛行(Free flight)模擬和靈活避免碰撞的多智能體模擬系統。AgentFly能為企業提供針對不同環境和場景下的防撞技術:基於規則防撞、迭代點對點防撞、多方防撞、以及非合作性防撞。

　　這項技術主要基於CTU於2004年研發的多智能體平臺AGLOBE,AGLOBE的最大優勢之一是與其他智能體平臺相比,它是基於地理信息系統和環境模擬器智能體,因此可以將其用於實際模擬。

　　在實際部署後,Pechoucek博士發現了三個顯著的問題:缺少通訊寬帶,低估了風的影響,以及不精確的飛行軌跡執行。為此。研究小組額外添加了飛行動力學模型(JSBSim)、網絡層模擬(Omnet+)、和天氣模擬器(3D風場模型)。

　　智慧運輸系統:

　　在智慧運輸系統領域,可以使用ABS技術的應用十分廣泛,例如城市交通模擬、運輸需求建模、多模式路線規劃等,研究小組目前正在開發和維護的一個名為AgentPolis的系統,這是一個基於智能體的城市交通微模擬器。該模擬器可用於進行涉及不同交通方式的大規模「假設」模擬研究,如私家車、按需汽車、公共運輸等。同時,Agentpolis特別適用於評估不同的車隊管理策略、需求系統。

　　自主按需運輸(AMoD):

　　研究小組目前正在為捷克城市布拉格和布爾諾的集聚發展交通需求模型。 我們使用基於活動的模型對來自各種來源的數據進行訓練。 由此產生的模型能夠生成覆蓋整個城市群的大量高粒度綜合旅行數據。

　　鑑於大型AMoD系統可能在未來的交通流量中發揮重要作用,研究小組開發路由算法以有效控制車隊的有限道路基礎設施能力,並提出了一種新的無擁塞車隊路線問題的重新制定,能解決以前被認為難以處理的實際尺寸的問題。

　　海盜行為建模:

　　鑑於當代海盜行為對全球航運業構成嚴重威脅,當局政府、航運運營商和海軍指揮官需要新的數據驅動的決策支持工具,以便他們能夠最有效地規劃和執行反海盜行動。

　　研究小組在2013年與海事領域的利益相關者合作開發了AgentC—一種基於數據驅動的基於智能體的海上交通仿真模型,可明確模擬海盜活動和對策。該模型模擬了成千上萬個單獨船隻的行為和相互作用,能夠捕捉受海盜活動威脅的海上運輸系統的複雜動態,並評估一系列海盜對策的潛力。

　　最佳論文:LSTM+遷移學習對抗網絡暴力

　　本屆ICAART大會最佳論文 — LSTM Neural Networks for Transfer Learning in Online Moderation of Abuse Context — 研究了如何用人工智慧有效地審核網絡攻擊性語言和侮辱性言論。

　　自動刪除和標記網絡侮辱性言論仍然是一項艱巨而耗時的任務。論文作者提出了一種基於LSTM的神經網絡模型,模型先基於維基百科裡檢索到的部分人身攻擊評論數據上進行預先訓練,然後在帶注釋的Twitter推文上測試識別仇恨言論。 模型實現了0.77的F1 score,接近域內模型的表現,並且在不參考所提供標籤的情況下超出了域外基準約9個百分點。

　　侮辱性言論是一個非常廣泛的類別,研究人員難以定義,因此定量檢測大規模的仇恨言論仍然是一個尚未解決的問題。在線對話涉及廣泛的受眾規模,從單個參與者到整個社區,分類器缺乏一致的侮辱性信號是檢測任務難度的關鍵。在日益多元文化的信息社會中,正在進行的工作是自動識別和審核那些不良言論,改編自然語言處理(NLP)工具,用於構建和注釋社交媒體語料庫。

　　神經網絡的循環和卷積變體中表達的深度學習模型最近已成為序列文本分類(Sequential Text Classification)的廣泛基礎。最近,CNN模型通過單詞向量來對Twitter上的仇恨言語進行分類,獲得了78.3%的F1得分。2017年的一項研究使用基於LSTM的分類器,用於研究新聞評論的建設性,最高測試準確度達到72.6%。

　　那麼檢測仇恨/侮辱性言論的算法進展的最大障礙在哪兒?依然是數據量匱乏,尤其是大型公開數據集稀缺。目前的開放數據集僅限於Impermium為Kaggle比賽發布的Detecting Insults in Social Commentary、Twitter Hate Speech以及Wikipedia Detox項目的英語語料庫。 Impermium數據集包含超過8,000,注釋為「」或「中性」的注釋,而Twitter集包含超過16,000的推文,每個推文都被標記為「種族主義」、「性別歧視」或「中立」。通過處理大量的維基百科討論頁面,Wikipedia Detox數據注釋包括「人身攻擊」、「攻擊性」和「毒性」,每個類別超過100,000的評論,是迄今為止最大的可用和最好的數據集,可靠地標記侮辱性評論中。

　　論文作者使用的是Wikipedia Detox人身攻擊數據集作為源數據集,Twitter數據集作為目標數據集。

　　訓練過程中,論文作者使用的是帶有分布式字表示的雙向長短期記憶網絡(BiLSTM)。

　　在遷移學習方面,論文作者使用了兩種方法:域適應(domain adaption)和域匹配(domain matching)。在域適應中,訓練分兩個階段進行。網絡權重首先被隨機初始化,然後使用大型源數據集也就是在域外(out-domain)進行訓練。然後,論文作者使用先前學習的權重初始化網絡,在稀疏目標數據集微上調一些權重。

　　另一方面,域匹配同時訓練從源數據集和目標數據集中提取的注釋樣本。在一次性預處

　　

　　理中,對資源較低的域內(in-domain)進行過採樣以匹配資源豐富的域外維度。然後,模型在域之間交替,並從任一域中隨機選擇數據樣本以計算其梯度。論文作者在此過程中微調生成的外向訓練權重,並在域內測試集中用於侮辱性言論分類。

　　測試結果令人驚喜:首先,論文作者在Twitter目標數據集上提供域內基線性能。下圖顯示,作者使用單詞和字符n-gram表示的邏輯回歸分類器與沒有使用遷移學習的BiLSTM網絡進行對比。基於單詞嵌入的神經模型獲得了0.79的F1分數,並且優於基於手動特徵的系統,其中單詞和字符n-gram的F1分別為0.65和0.74。

　　接下來,作者展示了四種使用遷移學習的模型表現(域適應、域匹配、以及兩種方法的交叉共四種)。在表5中,作者顯示了每個場景的原始和微調F1得分。最高分來自域匹配,原始F1得分為0.77,僅略低於域內基線的F1得分(0.79),並且高於2017年基準模型的9個百分點。

　　

　　

　　由此,論文作者得出如下結論:儘管廣大公眾了解在網上遏制侮辱性言論的實際重要性,但在不久的將來依然不太可能進行高成本的語言注釋和資源創建。作者的貢獻旨在改善大型數據集的稀缺性,這些數據集目前阻礙了對早期幹預和遏制的自動化進程。本文首先介紹了遷移學習,以便在評論中進行侮辱性檢測,激勵了多個低資源侮辱性言論語料庫的建立。

　　作者工作也將促進以紀律為中心的多級分類,以實現更細粒度的識別。將模型輸入表示擴展到字符嵌入並更好地處理未編輯和俚語填充的侮辱性評論是提高分類性能的一種合理方法。

　　同時為了減少其他語言在侮辱性言論數據上的不足,作者計劃採用神經網絡翻譯模型,首先將域內數據轉換為英語。基於感知的序列到序列網絡(Seq2seq模型用於語言翻譯)和遷移學習模型的高效集成提供了多語言知識遷移設置中的簡化侮辱性檢測。

　　（免責聲明：中國青年網轉載此文目的在於傳遞更多信息，不代表本網的觀點和立場。文章內容僅供參考，不構成投資建議。投資者據此操作，風險自擔。）