杨植麟当主持人的大模型圆桌：张鹏罗福莉夏立雪都放开说了

中国大模型顶流罕见同台！这一次是在中关村论坛上。

聚焦最热龙虾话题，月之暗面杨植麟、小米MiMo大模型负责人罗福莉、智谱AI CEO张鹏、无问芯穹联创兼CEO夏立雪，以及香港大学助理教授黄超齐聚一堂，共论agent的下一代演进。

这也是刚发布小米新模型的罗福莉，在公开论坛上的首次露面。

杨植麟还犀利提问智谱张鹏：智谱新模型怎么涨价了？

各位大咖的观点相当硬核，信息密度极高：

罗福莉：中国大模型团队的优势，不在于算力，而在“算力受限下的最优解能力”。超长上下文是模型“越用越好用”的前提，只有达到100万甚至1000万上下文，才能实现真正的模型自迭代。

张鹏：OpenClaw是脚手架；模型从简单对话到真正能干活，背后消耗的token是十倍甚至百倍，所以新模型涨价是回归正常商业价值。

夏立雪：从一月底开始，token调用量每两周翻一倍，到现在已增长十倍。上次见到这个速度还是3G，手机流量快速普及的时候；真正的AGI时代到来，连基础设施本身也会是智能体。

黄超：未来很多软件可能不再以人类为中心，因为人类需要GUI，但很多系统可能会越来越偏向agent-native，也就是原生面向agent使用。

以下附上对话实录，为提升可读性，量子位在不改变原意的前提下做了适当调整。

对话实录

龙虾的使用体验和技术演进

杨植麟：我们邀请到了各位重磅的嘉宾，覆盖了不同的层面，从底层的算力的上面的agent层，很高兴今天能跟大家一起来探讨一下。最主要的关键词是开源，还有agent。

我们从第一个问题开始，这个问题是给所有人。现在最流行的OpenClaw，大家日常使用觉得最有想象力或者印象深刻的是什么？从技术的角度来看，如何看待今天OpenClaw和agent的演进？

张鹏：OpenClaw我很早就开始玩了，毕竟也是程序员出身，玩这个东西还是有一些自己的体验。

我觉得它最大的突破点在于，这件事情不再是程序员或者极客们的专利，普通人也可以方便地使用顶尖模型的能力。

所以我现在更愿意把OpenClaw称作脚手架。它提供的是一种可能性，在模型的基础上搭起了一个个牢固的、很方便的，但是又很灵活的脚手架。

大家可以按照自己的意愿去使用底层模型提供的一些新奇的东西。原来自己的想法受限，自己不会写代码，今天终于通过很简单的交流就把它完成。这对我来说是一个非常大的一个冲击。

夏立雪：我最开始用它的时候其实不太适应，因为我习惯于跟大模型聊天的交流方式，会觉得它响应慢、不像对话。

后来我意识到一个问题：它和之前的聊天机器人有一个很大的不一样——它应该是能够帮我完成大型任务的一个人。当我开始给他更复杂的任务的时候，我发现其实它能够做的很好。

这件事情对我来说有一个很大的感触：模型从最开始用于对话沟通，到现在变成一个agent，能够帮你去完成任务，它对于整个AI的想象空间已经做了一个很大提升。

但与此同时，它对整个系统能力的要求也显著提高。这也是我一开始觉得它“卡”的原因。作为基础设施厂商，我看到的是agent的兴起对整个系统生态带来了更多机遇和挑战。因为要支撑这样的增长，我们现有资源面临巨大压力。

就拿我们公司来说，从一月底开始，基本上每两周我们的token量就翻一番，现在基本上翻到10倍。上次见到这个速度还是3G，手机流量快速增长的时候。

所以我现在的感觉是，现在的token使用量，有点像当年每月100兆手机流量的早期阶段。在这种情况下，我们所有资源都需要更好的优化和整合，让更多人都能用得起、用得上这种能力。

作为基础设施提供方，我对这个时代是非常激动的。这里面有大量需要优化的环节，也有很多值得探索和尝试的方向。

罗福莉：我个人把这类agent框架看作是一个非常革命性、颠覆性的事件。

我身边很多深度coding的人，可能第一选择还是Claude Code。但只有用过OpenClaw的人会独特地感受到，它其实有很多agent框架上的设计是领先于Claude Code的。包括最近Claude Code很多更新，其实都是在靠近OpenClaw。

我自己使用的话，我感觉这个框架更多是想象力随时随地的扩展。用Claude Code我只能在桌面上去延展创意，但是在OpenClaw可以随时随地延展创意。

我发现OpenClaw的核心价值在于两点：第一是开源，开源非常有利于整个社区深入参与、重视、改进，投入agent框架，这是一个非常重要的前置条件。

第二是它重新定义了模型能力的上下限。像OpenClaw、Claude Code这样的agent框架，它很大一个价值是把国内可能没有非常接近闭源模型，但是水平还是在次闭源模型赛道上的模型，上限给拉到非常高。

在绝大部分的场景，我们发现它的任务完成度已经非常接近Claude最新的模型。同时它又把下限保证得非常好，因为可以靠harness系统、skills体系等设计，保证任务完成准确率。从基座大模型的角度来说，它是保证了基座大模型的下限，拉升了上限。

此外，OpenClaw给整个社区带来的价值是，它让大家发现原来在大模型外的这一层，更重要的agent这一层，有非常多的想象力。

我看到最近社区有更多除了研究员以外的人，参与到AGI的变革当中，也有更多人去接触agent框架、harness等等。一定程度说是替代自己的工作，也在释放自己的时间，去做更有想象力的事情。

黄超：首先从交互模式上来讲，为什么OpenClaw会爆火呢？第一是给了大家“活人感”。

我们做agent也有一两年了，但之前包括Cursor、Claude Code这些agent的，其实给人感觉更强的是工具感。

OpenClaw的交互模式，以IM软件嵌入的方式，可以让大家更有自己想象中的“贾维斯”的感觉。

另外一个启发是它的架构本身，像agent loop这样一种非常简单、但又非常高效的框架，再一次被证明是成立的。

它让我们重新思考，我们是否需要一个all in one、非常强大的智能体，能够帮我们做很多事情；还是需要一个轻量级操作系统或者脚手架一样的小管家。

它带来的是可以通过一个小的Openclaw或者是龙虾的生态，让整个社区有玩起来的心态，撬动了整个生态里面所有的工具。

包括skills、harness，越来越多的人可以去设计面向OpenClaw这样的系统里的应用，赋能各行各业。这天然和整个的开源生态结合得非常好。

“智谱新模型怎么涨价了？”

杨植麟：顺着这个话题，想问一下张总，最近智谱也发布了新的GLM-5 Turbo模型，对agent能力有很大增强。能不能给大家介绍一下这个新模型和其他模型的不同之处，以及背后的提价策略，反映了什么样的市场趋势？

张鹏：好，这是个很好的问题，前两天确实我们也紧急更新了一波。这其实是我们整个发展目标当中的一个阶段，我们提前放出来。

最主要的目的，还是主打从原来的简单对话到干活。也是刚才各位讲的非常赞同的一点，OpenClaw能从简单地聊天，到真的能够干活。

干活背后的能力要求是非常高的，它需要自己做规划、不断的尝试，不断地压缩上下文、debug等等，还涉及到多模态信息的处理。这对模型本身能力的要求，其实跟传统的对话模型是不一样的，所以GLM-5 Turbo在这方面做了专门的加强。

你刚才提到的长程、7×24小时，如何能够不停地自己去loop这个事，这里面是做了一些工作。另外刚才也提到token消耗量的问题，你让聪明的模型干复杂的任务，我认为其实token的消耗量是非常巨大的。可能一般人体会不出来，他只会看到自己的账单上那个钱在不断掉。

所以这方面我们也做一些优化，在面临复杂任务的时候，它可能有更高的效率完成这些事情，主要在这些方面做了一些优化。但本质上模型架构还是一个多任务协同的通用模型的架构，只是在能力上有一些偏向性的加强。

那么提价其实也很顺畅，现在不再是简单地问一个问题它去回答，背后有思考的任务，很多任务它通过写代码的方式跟底层的基础设施打交道，还要去debug，随时改正自己的错误。

其实这个消耗量非常大，完成一个任务的工作量是原来简单回答一个问题的token量的十倍甚至百倍，所以成本上是有一定提高的。

模型也变得更大了，它的推理成本也相应的提高了，所以回归到正常的商业价值上面。长期靠低价竞争也不利于整个行业的发展，这是我们的一个考量，也让我们能够在商业化的落地上有良性循环，不断优化模型的能力，更持续地给大家提供更好的模型和相应的功能。

token量暴增对Infra来说意味着什么

杨植麟：非常好的分享。现在随着开源模型的发展，以及推理算力的提升，我感觉也开始形成一个生态。各种各样的开源模型可以在各种各样的推理算力下，给用户提供更多的价值。

随着token量的爆炸，现在逐渐从训练时代变成了推理时代。所以想请教一下立雪，从Infra的层面，推理时代对于无问来说意味着什么？

夏立雪：我们是诞生在AI时代的一个基础设施厂商，这段时间也在积极推进合作，让大家能够把我们的token工厂更高效地用起来。

我们一直都在思考一件事情：AGI时代需要的基础设施会是什么样子，我们怎么一步步在这个过程中实现它和推演它。我现在也是做好了充分的准备，也看到了短期、中期和长期不同阶段，我们需要解决的问题。

当前的问题，其实就是刚刚大家聊到的，现在OpenClaw带来的token量暴增，对系统效率带来了更大的优化需求。价格增长也是大家在需求上的一种解决方式，我们一直以来都是从软硬件协同的方式去布局和解决的，包括接入了能够看到的几乎所有种类的计算芯片，国内十几种芯片和几十个不同的算力集群都连接起来。

这样我们能够解决AI系统中算力资源的紧缺问题，因为当资源不足的时候，最好的办法就是第一把能够用的资源都用起来，第二让每一个token都用在刀刃上，让每一个资源都能发挥出最大价值。所以在这个时代，我们目前要解决的就是如何进一步打造更高效的系统产品。

我们做了很多的优化，包括让模型和硬件上的显存，各种各样的技术进行最优质的适配。包括我们也在探索，能否在最新的理论结构和硬件结构下，能够进行一些更深入的管理。

解决脚下的效率问题，我们还只是打造了功能的标准化，打造了一个token工厂。但是面向agent时代，我认为这是不够的。

就像刚刚说的，agent更像是一个人，你能够交给他一个任务。我很坚定地认为，当前很多云计算时代的基础设施，其实是为服务一个程序，服务一个人类工程师所设计的，而不是为AI设计。

这有点像我们做了一个基础设施，它上面有一个接口，这个接口是为人类工程师做的，在上面要再包一层去接入agent，这种方式其实是用人的操作能力限制了agent的发挥空间。

我举个例子，比如说agent能够做到秒到毫秒级别去思考和发起任务，这件事情在基层的k8s这些能力上，其实是没有做好准备的。因为人类发起的任务是分钟级别，我们其实需要进一步的能力，我们将它称作agentic的、更智慧化的工厂。这个是我们现在正在做的事情。

从更长远的未来，真正AGI的时代到来，连基础设施都应该是一个智能体。我们自己所打造的这套工厂本身，也应该能够自我进化、自我迭代，它能够形成一个自主的组织。相当于它有一个CEO，可能是一个claw在管理整个基础设施，然后根据它的AI客户的需求，自己去提需求，迭代自己的技术。

所以我们也在思考，如何让agent和agent通信。基础设施和AI的发展不应该是一个隔离的状态，接受一个需求就去制作，而是应该是产生一种化学反应。这才是我认为真正做到软硬协同，做到这种算法和新设施协同。这也是无问芯穹一直想实现的使命。

中国团队做大模型有何独特优势

杨植麟：接下来想问问福莉，小米最近也发布了新的模型，开源了一些背后的技术，我觉得对这个社区做出了很大的贡献。所以想问一下，小米在做大模型方面，你觉得会有什么独特的优势？

罗福莉：我们先抛开”小米在做大模型有什么独特优势“这个话题，我更想谈一下中国团队在做大模型上的优势，我觉得这个话题具备更广泛的价值。

大概两年前，我看到中国的基座大模型团队已经开始一个非常好的突破——我们怎么在有限的算力，尤其是在NVLink互联带宽受限的情况下，怎么突破限制，去做一些看起来像是在为效率妥协、但本质上却是模型结构创新的工作。比如DeepSeek V2、V3系列中的细粒度MoE和MLA等。

由这样的创新引发的是其实一个变革。这个变革就是我们怎么在算力有限的情况下，去发挥最高的智能水平。我觉得这个是由DeepSeek带给所有国内的基座大模型团队的一个勇气、一个信心。

今天国产芯片，尤其是推理芯片和训练芯片，不再受这个限制，但是我们能看到在这样的限制下，催生了我们对于更高的训练效率、更低的推理效率的模型结构的全新探索。

比如最近出现的hybrid sparse、linear attention等结构方向。包括DeepSeek的相关探索，Kimi的相关方案，以及小米面向下一代模型结构所做的一些研究。它们都指向同一个问题：当我们进入agent时代之后，模型结构到底应该如何进一步演化。

我为什么认为结构创新如此重要？因为刚才我们一直在讨论OpenClaw。只要你真正用过OpenClaw，就会发现它往往是“越用越好用，越用越聪明”。而它成立的一个前提，就是推理阶段必须拥有足够长的context。

Long context其实已经是一个被讨论了很久的话题，但直到今天，大家才真正开始意识到：不是模型做不到百万级甚至千万级上下文，而是如果推理成本太高、速度太慢，这件事就没有现实价值。

所以，真正关键的问题是：你能不能在100万甚至1000万级context的情况下，把推理成本打下来，把速度提上去。只有在这种前提下，用户才会愿意把真正具有高生产力价值的任务交给模型，模型也才有机会在长上下文环境中完成更高复杂度的任务。

甚至可以说，只有到了1000万级、上亿级上下文的阶段，我们才可能真正看到模型的自我迭代能力被释放出来。

所谓模型的自我迭代，就是它能够在一个复杂环境里，依靠超强的上下文能力，完成对自身的持续进化。这个进化既可能发生在框架层，也可能发生在模型参数层。因为在我看来，长上下文本身其实就是对参数能力的一种外延和增强。

所以，未来真正的竞争会是一个全方位的竞争：一方面，你能不能做出原生适配长上下文的模型架构；另一方面，你能不能在推理侧真正把long-context efficiency做出来。除此之外，还包括你能否在预训练阶段就把这类架构打牢，以及在后训练阶段，能不能把模型在真实长程任务上的稳定性和能力上限继续往上推。

我们现在也在思考，怎样构造更有效的学习算法；怎样采集在100 万、1000万、甚至更长上下文里，真正具有长期依赖关系的文本；以及怎样结合复杂环境，生成高质量的轨迹数据。这些，都是我们正在持续推进的事情。

但我能看到的更长期趋势是：随着大模型本身在飞速进步，再叠加agent框架的加持，推理需求一定会继续迅速增长。就像刚才立雪提到的，过去一段时间里，token需求已经增长了接近十倍。

那么今年，整个token需求会不会增长到一百倍？这其实已经把竞争带到了另一个维度：不仅是模型之间的竞争，也是算力、推理芯片，甚至能源层面的竞争。

所以，如果大家继续深入思考这个问题，我相信我也会从各位身上学到更多。

agent值得重点关注的方向

杨植麟：非常有价值的分享。下面想问一下黄超，你也开发了一些非常有影响力的agent项目，包括像nanobrowser这样的项目，在社区里也积累了很多用户和粉丝。想请你谈谈，从技术或者应用层面来看，接下来有哪些值得重点关注的方向？

黄超：感谢植麟。我觉得，如果把agent技术抽象出来，核心大致有几个模块：planning、memory和 tool use。

先说planning。我觉得现在最大的问题，仍然出现在长程任务和复杂上下文上。比如一个任务可能需要500步，甚至更多步骤，很多模型未必能够做好规划。

我认为，本质上还是因为模型不具备足够的隐性知识。尤其是在很多复杂的垂直领域，这个问题会更加突出。未来一个很重要的方向，是把已有的复杂任务知识更系统地固化到模型中。

当然，从skills的角度来看，包括harness在内的很多机制，本质上也是在缓解planning过程中带来的错误。因为高质量的skills，其实就是在帮助模型完成一些本来较难的任务。这是planning这一部分。

再说memory。我的感受是，memory始终会面临一些根本性问题，比如信息压缩不准确、表达失真等。随着长程任务和复杂场景越来越多，memory的需求也会迅速膨胀，这本身就会给整个系统带来很大压力。

但现在，包括各种龙虾在内，很多系统采用的memory方案其实都还比较简单，例如基于文件系统、Markdown文件，或者通过共享文件的方式来管理memory。我觉得未来的memory很可能会走向分层设计，同时也要想办法让它更加通用。

因为说实话，当前的memory机制其实很难做到真正的通用。比如coding场景、deep research场景、多模态场景，它们的数据模态差异都非常大。如何针对这些不同类型的memory做更好的检索和索引，并进一步提高效率，我觉得这会一直是一个关键方向。

另外一点是，OpenClaw这类系统把创建agent的门槛大幅降低之后，未来可能不会只有一个agent。比如我们已经看到，Kimi也在尝试agent swarm这样的机制。也就是说，未来每个人可能拥有的不是一个“龙虾”，而是一群“龙虾”。

而一群agent所带来的上下文规模，相比单个agent会大得多。这也会进一步加大memory的压力。现在其实还没有一套特别成熟的机制，去管理这种多agent带来的海量上下文。尤其是在复杂coding、科研发现这类任务中，不管是对模型本身，还是对整个agent架构，压力都会很大。

最后是tool use。我觉得在这一块，现在整个skill生态仍然存在不少问题。MCP当年暴露出来的一些问题，其实在今天依然存在，比如质量缺乏保障，以及潜在的安全风险。

现在虽然skill很多，但高质量的skill其实仍然偏少。低质量的skill会显著影响agent完成任务的效果；与此同时，skills本身也可能存在恶意注入等问题。

所以在这一块，我觉得很大程度上还是需要依靠整个社区，一起把skills 生态建设得更好。甚至进一步思考，怎样让系统在执行过程中演化出新的skills。

总的来说，我觉得无论是planning、memory，还是skills，都是当前一线最现实的痛点，也都是未来非常重要的演进方向。

一个词描述接下来12个月大模型的发展趋势

杨植麟：可以看到，刚才两位嘉宾其实是从不同视角讨论了同一个问题。

随着任务复杂度不断提升，上下文规模也会迅速膨胀。一方面，模型层面可以继续提升原生上下文长度；另一方面，在agent和harness层面，像刚才提到的planning、memory以及各类辅助机制，也能够帮助模型在既有能力边界内支撑更复杂的任务。我觉得这两个方向接下来会进一步产生化学反应，从而提升系统完成复杂任务的能力。

最后，我们做一个开放式展望。想请各位用一个词，来描述接下来12个月大模型发展的趋势，以及你们的期待。

黄超：说实话，在 AI领域，12个月听起来都已经很遥远了，甚至很难判断12个月之后会发展成什么样。但如果一定要用一个词来概括，我会选“生态”。

我觉得现在OpenClaw让整个社区非常活跃，这是一个很好的开始。但未来agent真正重要的，不只是成为个人助手，而是要进一步转化为真正能一起工作的“打工人”，或者说coworker。

现在很多人使用它，可能更多还是出于新鲜感，或者觉得好玩。但未来，只有当这些“龙虾”真正沉淀下来，成为大家稳定的生产工具、协作伙伴，这件事才算真正跑通。

而这件事离不开生态的共同建设。开源在这里面非常重要。因为只有把相关的技术探索、模型能力、工具能力持续开放出来，整个生态才可能共同推进。无论是模型本身的迭代，还是skills平台的演进，或者各种工具链的完善，我觉得都需要围绕agent去建立一个更好的生态。

从我自己的观察来看，未来一个很明显的问题是：软件到底还是不是主要给人用的？我觉得未必。未来很多软件可能不再以人类为中心，因为人类需要GUI，但很多系统可能会越来越偏向agent-native，也就是原生面向agent使用。

这样一来，人类可能只会保留那些真正让自己感到愉悦的交互，而大量真正执行性的工作，会逐渐转移给agent。所以我觉得，现在整个生态其实已经在发生变化：从GUI、MCP，逐渐转向CLI这种模式。

接下来，不管是软件系统、数据结构，还是各种技术栈，本质上都需要朝着agent-native的方向重构。只有这样，整个agent生态的发展才会更加丰富。

罗福莉：我觉得，把这个问题收缩到一年的尺度非常有意义。因为如果把时间拉到五年，我觉得AGI已经实现了。如果要用一个词来概括接下来一年里AGI进程中最关键的一件事，我会选“自进化”。

虽然这个词听起来有一点抽象，但我最近对它有了更具体、也更务实的理解。过去一年，大家已经多次提到这件事，但直到最近，我才真正开始感受到，“自进化”这件事其实已经开始具备比较可行的实现路径。

其中一个很重要的原因在于，随着模型能力增强，我们逐渐意识到，在过去那种单纯对话式的范式下，预训练模型的上限其实并没有被真正发挥出来。而今天，这个上限正在被agent框架逐步激活。

我们现在已经摸到这个边界了。尤其是当模型开始执行更长时间的任务时，我们会发现，它其实能够自己学习、自己进化。一个很简单的实验是：在现有框架上，叠加一个可验证的目标约束，再给它设置一个 loop，让它持续围绕这个目标进行迭代优化。你就会发现，模型会不断拿出更优的方案。

如果这种自进化机制可以持续运转，那么它的潜力会非常大。现在其实很多国内模型已经能够稳定跑上一到两天了。当然，这和任务难度有关。比如在一些科研任务中，模型去探索更优的结构设计，因为这类任务存在明确的评估标准，例如更低的PPL，这就意味着它具备可验证性。在这种确定性较强的任务上，我们已经看到，模型能够自主优化并持续执行两三天。

所以从我的角度来看，自进化是一个真正可能创造新东西的方向。它不是简单地替代人类已有的生产力，而是像顶尖科学家一样，去探索世界上原本还不存在的东西。一年前，我还会觉得这个过程大概要三到五年；但到了最近，我反而觉得这个时间窗口应该缩短到一到两年。

也就是说，我们可能很快就能看到：在一个很强的自进化agent框架加持下，大模型对科学研究带来至少指数级的加速。

因为我最近已经很明显地观察到，我们组内做大模型研究的同学，他们的workflow本身就是高度不确定、又高度依赖创造力的。而在这种情况下，借助Claude Code，再结合非常顶尖的模型，研究效率基本上已经可以提升接近十倍。

所以我非常期待这种范式未来能够辐射到更广泛的学科和领域。我觉得，这会是一件非常重要的事情。

夏立雪：我的关键词是“可持续”。因为我看到，整个行业的发展仍处在一个长期演进的过程中，我们也希望它具备长久的生命力。从基础设施角度看，一个非常现实的问题是，资源终究是有限的，就像我们过去谈“可持续发展”时反复强调的那样。

我们现在作为一家token工厂，能否持续、稳定、大规模地向外提供可用的token，让顶尖模型真正持续服务更多下游场景，这是我最关注的问题。

因此，我们也需要把视角进一步放宽到整个生态：从最早的能源转化，到算力，再到token，最终转化为GDP，形成一条可以持续进行经济化迭代的完整链路。

而且，我们不只是要把国内各种算力资源真正用起来，也在尝试把这些能力输出到海外，让全球资源能够更好地打通和整合。

所以我所说的“可持续”，其实也包括把具有中国特色的token经济学真正做起来。过去我们讲的是Made in China。大家会发现，我们能够把中国具备成本优势的制造能力，转化为优质商品并输出到全球。

今天我们想做的，有点像AI Made in China。也就是说，把中国在能源等方面的优势，通过token工厂持续转化为高质量的token，并输出到全球，最终成为全球的token工厂。这是我希望在今年看到的，中国为世界人工智能发展带来的价值。

张鹏：我尽量简短一点。前面大家可能都在仰望星空，那我就稍微落地一些。我认为，未来12个月最关键的问题，可能还是算力。

因为刚才大家已经提到，不管是模型能力，还是智能体框架，确实都在显著提升创造力和生产效率，很多场景下甚至可以带来十倍级的效率提升。但前提是，大家得用得起，也用得上。不能因为算力不够，用户提了一个问题，结果模型想了半天还给不出答案，这显然是不行的。

也正因为如此，我们很多研究进展，包括很多原本想做的事情，事实上都会受到制约。前两年业界有一句话，叫“讲卡伤感情，没卡没感情”。我觉得，今天某种程度上又回到了这个阶段，只不过这一次的背景已经不一样了。

因为我们现在正在真正转向推理阶段，而之所以会转向推理阶段，是因为需求正在爆发，而且是十倍、百倍地爆发。刚才也提到，过去一段时间需求可能已经增长了十倍，但真实需求也许是一百倍，那还有大量需求没有被满足。这个问题怎么办？我想，这可能需要我们一起想办法。谢谢。

杨植麟：好，感谢各位的精彩分享，谢谢大家。