谷歌大牛Jeff Dean撰文:深度学习研究的黄金十年

从Jeff Dean工程遗产看分布式系统与AI基础设施的核心设计思想 分布式系统是现代互联网与云计算的技术基石,其核心在于通过分片、复制和一致性协议,解决大规模数据存储与计算问题。从MapReduce到GFS,这些技术通过抽象复杂分布式逻辑,极大提升了开发效率与系统可扩展性。在人工智能领域,TensorFlow等框架将计算图抽象与异构硬件支持相结合,推动了机器学习从研究到生产的工程化落地。这些由Jeff Dean等先驱定义的工程实践,如面向规模的设计哲学、基础设施长期主义,深刻影响了大数据处理、云原生架构和AI平台的发展。理解Bigtable的LSM-Tree、Spanner 阅读详情

 深度学习 

转自:机器之心

Jeff Dean 亲自撰文,探讨 2010 年代的十年时间里,促进深度学习快速发展的原因有哪些?他还对未来的 AI 发展做出了自己的展望。

自从计算机诞生之初,人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上,约翰 · 麦卡锡提出人工智能这个概念,一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现存的各种问题,当时研讨会参与者乐观地认为,在几个月的时间里这些问题能取得真正的进展。

人工智能是由约翰麦卡锡于 1956 年在达特茅斯学院组织的一个研讨会上创立的,一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象和概念、解决现在保留的各种问题,当时研讨会参与者乐观地认为,几个月的集中努力将在这些问题上取得真正的进展。

d6ee7abc7e1238e784787193443dc92c.png

1956 年达特茅斯人工智能会议的参与者:马文 · 明斯基、克劳德 · 香农 、雷 · 所罗门诺夫和其他科学家。摄自:Margaret Minsky

事实证明,预留几个月的时间安排过于乐观。在接下来的 50 年里,创建人工智能系统的各种方法开始流行,但后来又遭遇过时,包括基于逻辑的系统、基于规则的专家系统和神经网络。

直到 2011 年左右,人工智能才开始进入发展关键阶段,取得了巨大的进步,这得益于深度学习中神经网络的复兴,这些技术的进步有助于提高计算机看、听和理解周围世界的能力,使得人工智能在科学以及人类探索的其他领域取得巨大进步。这其中有哪些原因呢?

近日,谷歌大牛 Jeff Dean 发表了一篇文章《 A Golden Decade of Deep Learning: Computing Systems & Applications 》,文章探索了深度学习在这黄金十年里,计算系统以及应用进步的原因都有哪些?本文重点关注三个方面:促成这一进步的计算硬件和软件系统;过去十年在机器学习领域一些令人兴奋的应用示例;如何创建更强大的机器学习系统,以真正实现创建智能机器的目标。

Jeff Dean 的这篇文章发表在了美国文理学会会刊 Dædalus 的 AI 与社会(AI & Society)特刊上。

54a083da02c74a5ca89095806fb2240d.png

文章地址:https://www.amacad.org/sites/default/files/publication/downloads/Daedalus_Sp22_04_Dean.pdf

深度学习的黄金十年

人工智能硬件和软件的进步

人工智能的硬件和软件:深度学习通过组合不同的线性代数(例如矩阵乘法、向量点积以及类似操作)进行运算,但这种运算方式会受到限制,因此我们可以构建专用计算机或加速器芯片来进行处理,相比于通用 CPU,这种专业化的加速器芯片能带来新的计算效率和设计选择。

专为支持此类计算而定制的计算机或加速器芯片。相对于必须运行更广泛种类的算法的通用 CPU,这种专业化实现了新的效率和设计选择。

早在 2000 年代初期,就有少数研究者开始探索使用 GPU 来实现深度学习算法。之后到了 2004 年,计算机科学家 Kyoung-Su Oh 和 Keechul Jung 展示了使用 GPU 对神经网络算法近 20 倍的速度提 sheng。2008 年,计算机科学家 Rajat Raina 及其同事演示了在某些非监督学习算法中,使用 GPU 与使用基于 CPU 的最佳实现相比,GPU 速度提升可达 72.6 倍。

随着计算硬件的改进,深度学习开始在图像识别、语音识别、语言理解等方面取得显著进步。深度学习算法有两个非常好的特性可以构建专门的硬件:首先,它们对精度的降低非常宽容;其次,深度学习的计算方式,其由密集矩阵或向量上的不同线性代数运算序列组成。

为了使深度学习和计算变得更容易,研究人员开发了开源软件框架,如今,开源框架帮助大量的研究人员、工程师等推进深度学习研究,并将深度学习应用到更广泛的领域。

早期的一些框架包括 Torch、Theano、DistBelief 、Caffe 等,还有谷歌在 2015 年开发、开源的 TensorFlow,它是一个允许表达机器学习计算的框架,并结合了 Theano 和 DistBelief 等早期框架的想法。到目前为止,TensorFlow 已被下载超过 5000 万次,是世界上最受欢迎的开源软件包之一。

TensorFlow 发布的一年后,PyTorch 于 2016 年发布,它使用 Python 可以轻松表达各种研究思想而受到研究人员的欢迎。JAX 于 2018 年发布,这是一个流行的面向 Python 的开源库,结合了复杂的自动微分和底层 XLA 编译器,TensorFlow 也使用它来有效地将机器学习计算映射到各种不同类型的硬件上。

TensorFlow 和 PyTorch 等开源机器学习库和工具的重要性怎么强调都不为过,它们允许研究人员可以快速尝试想法。随着世界各地的研究人员和工程师更轻松地在彼此的工作基础上进行构建,整个领域的进展速度将加快!

研究成果激增

研究不断取得进步、面向 ML 硬件(GPU、TPU 等)的计算能力不断增强、开源机器学习工具(Tensor­Flow、PyTorch 等)被广泛采用,这一系列进展使得机器学习及其应用领域的研究成果急剧增加。其中一个强有力的指标是发布到 arXiv 上关于机器学习领域的论文数量,arXiv 是一个广受欢迎的论文预印本托管服务,2018 年发布的论文预印本数量是 2009 年的 32 倍以上(每两年增长一倍以上)。通过与气候科学和医疗保健等关键领域的专家合作,机器学习研究人员正在帮助解决对社会有益、促进人类进步的重要问题。可以说我们生活在一个激动人心的时代。

科学和工程应用激增

计算能力的变革性增长、机器学习软硬件的进步以及机器学习研究成果的激增,都使得机器学习应用在科学和工程领域的激增。通过与气候科学和医疗健康等关键领域的合作,机器学习研究人员正在帮助解决对社会有益并促进人类发展的重要问题。这些科学和工程领域包括如下:

  • 神经科学

  • 分子生物学

  • 医疗健康

  • 天气、环境和气候挑战

  • 机器人

  • 可访问性

  • 个性化学习

  • 计算机辅助的创造性

  • 重要的构建块

  • Transformers

  • 计算机系统的 ML

每个细分的详细内容请参考原文。

机器学习的未来

ML 研究社区正在出现一些有趣的研究方向,如果将它们结合起来可能会更加有趣。

首先,研究稀疏激活模型,比如稀疏门控专家混合模型(Sparsely-Gated MoE),展示了如何构建非常大容量的模型,其中对于任何给定的实例(如 2048 个专家中的两至三个),只有一部分模型被「激活」。

其次,研究自动化机器学习(AutoML),其中神经架构搜索(NAS)或进化架构搜索(EAS)等技术可以自动学习 ML 模型或组件的高效结构或其他方面以对给定任务的准确率进行优化。AutoML 通常涉及运行很多自动化实验,每个实验都可能包含巨量计算。

最后,以几个到几十个相关任务的适当规模进行多任务训练,或者从针对相关任务的大量数据训练的模型中迁移学习然后针对新任务在少量数据上进行微调,这些方式已被证明在解决各类问题时都非常有效。

一个非常有趣的研究方向是把以上三个趋势结合起来,其中在大规模 ML 加速器硬件上运行一个系统。目标是训练一个可以执行数千乃至数百个任务的单一模型。这种模型可能由很多不同结构的组件组成,实例(example)之间的数据流在逐实例的基础上是相对动态的。模型可能会使用稀疏门控专家混合和学习路由等技术以生成一个非常大容量的模型,但其中一个任务或实例仅稀疏激活系统中总组件的一小部分。

下图 1 描述了一个多任务、稀疏激活的机器学习模型。

0eb59e314f9ea0e3b1f5166ffc952266.png

每个组件本身可能正在运行一些类 AutoML 的架构搜索,以使组件的结构适应路由到它的数据类型。新的任务可以利用在其他任务上训练的组件,只要它有用就行。Jeff Dean 希望通过非常大规模的多任务学习、共享组件和学习路由,模型可以迅速地以高准确率来完成新任务,即使每个新任务的新实例相对较少。原因在于模型能够利用它在完成其他相关任务时已经获得的专业知识和内部表示。

构建一个能够处理数百万任务并学习自动完成新任务的单一机器学习是人工智能和计算机系统工程领域真正面临的巨大挑战。这需要机器学习算法、负责任的 AI(如公平性和可解释性)、分布式系统和计算机架构等很多领域的专业知识,从而通过构建一个能够泛化以在机器学习所有应用领域中独立解决新任务的系统,来推动人工智能领域的发展。

负责任的 AI 开发

虽然 AI 有能力在人们日常生活的方方面面提供帮助,但所有研究人员和从业人员应确保以负责任的方式开发相关方法,仔细审查偏见、公平性、隐私问题以及其他关于 AI 工具如何运作并影响他人的社会因素,并努力以适当的方式解决所有这些问题。

制定一套明确的原则来指导负责任的 AI 发展也很重要。2018 年,谷歌发布了一套 AI 准则,用于指导企业与 AI 相关的工作和使用。这套 AI 准则列出了需要考虑的重要领域,包括机器学习系统中的偏见、安全、公平、问责、透明性和隐私。近年来,其他机构和政府也纷纷效仿这一模式,发布了自己的 AI 使用准则。Jeff Dean 希望这种趋势能够延续下去,直到它不再是一种趋势,而成为所有机器学习研究和开发中遵循的标准。

Jeff Dean 对未来的展望

2010 年代的确是深度学习研究和取得进展的黄金十年。1956 年达特茅斯人工智能研讨会上提出的一些最困难的问题在这十年取得了长足进步。机器能够以早期研究人员希望的方式看到、听到和理解语言。核心领域的成功促使很多科学领域迎来重大进展,不仅智能手机更加智能,而且随着人们继续创建更复杂、更强大且对日常生活有帮助的深度学习模型,未来有了更多的可能性。得益于强大机器学习系统提供的帮助,人们将在未来变得更有创造力和拥有更强的能力。

原文链接:https://www.amacad.org/publication/golden-decade-deep-learning-computing-systems-applications

觉得还不错就给我一个小小的鼓励吧!
【光子 AI】《Jeff Dean 传记:Google 工程师的传奇人生》 “伟大的软件来自于对问题的深刻理解和对简洁的执着追求。” —— Jeff Dean 阅读详情

相关推荐

医疗领域BGE-M3模型微调全流程:从数据准备到效果评估

本文详细介绍了医疗领域BGE-M3模型的微调全流程,从数据准备到效果评估。通过医疗数据微调,BGE-M3模型在临床问答、病历检索等场景中表现显著提升,能够准确理解医学术语之间的细微差别。文章还提供了实战练习代码和效果评估指标,帮助开发者快速掌握医疗文本嵌入模型的应用技巧。

weixin_29098367的博客 283

人工智能发展简史6:深度学习的产业应用爆发(2010 年代)

2010年代深度学习迎来产业应用爆发期,"深度学习三巨头"Hinton、LeCun和Bengio的突破性贡献获得2018年图灵奖。AlexNet(2012)和ResNet(2015)推动计算机视觉发展,GAN(2014)为AIGC奠定基础,TensorFlow/PyTorch等框架降低开发门槛。AlphaGo(2016)战胜李世石成为公众关注里程碑,展示了深度学习在复杂决策中的能力。这些突破推动深度学习在CV、NLP、语音识别和自动驾驶等领域的广泛应用。

AI新兵博客 1643

20个闭环渗透测试项目:从漏洞发现到简历突围

渗透测试不仅是工具使用,更是对系统设计缺陷与实现偏差的深度推演。理解OWASP Top 10、Burp Suite等基础能力只是起点,真正具备工程价值的是能复现、可验证、可协作的完整攻击链。本文聚焦真实业务场景下的SSRF协议绕过、JWT签名机制缺陷、Redis未授权利用、Kong网关配置风险及etcd存储结构分析等核心热词,揭示漏洞本质在于架构决策与配置偏差的叠加态。适用于红队实战、甲方安全建设与乙方渗透审计等多类岗位,帮助从业者将技术动作升维为技术叙事。

weixin_32234493的博客 417

神经网络的发展历史

论文中提出了人工神经网络的概念,并给出了人工神经元的数学模型,从而开创了人工神经网络研究的时代。

qq_45387772的博客 9899

EDA虚拟机分享2020版本(Synopsys2020)

EDA虚拟机分享

亦安的数字小站 9200

BMW Standard Tools 宝马FSC工具套装下载

这是一款非常专业的一套宝马编码工具,懂行的人自然知道他的用处,不懂行的人,我解释再多也不会明白的,需要的拿去吧。软件名:BMW Standard Tools包含工具:BMW Coding Tool v2.50、change Language、CIC Mafia、Dr.Gini B021、EasyConnect、EDIABAS Konfigurator v1.1、EDIABAS Konfigurator v2.0.0、FSC-Tools_2.18、FSTool_v2_CarServer、INPA、ITool

Zj_arrow的博客 7014

IT趣事 | 谷歌大神Jeff·Dean(杰夫·迪恩)的爆笑段子

Jeff Dean,谷歌的传奇程序员,1999年加入谷歌(第20号员工),是谷歌早期核心系统的奠基人之一

集成显卡的开源主页 https://github.com/0604hx 2364

芒果YOLOv7改进48:主干篇:独家首发改进:目标检测新范式骨干PPHGNetv2改进版,充分融合信息特征,提升YOLOv7检测能力

YOLOv7代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构

包括YOLOv5、YOLOv7、YOLOv8等模型改进 1851

AI 名人堂:Jeff Dean

Jeff Dean于1968年7月出生于夏威夷,父亲是热带疾病研究员,母亲是医学人类学家。他从小就展现出对计算机的浓厚兴趣,甚至在高中时就开始为流行病学家编写数据收集程序。1990年,他以最优等成绩从明尼苏达大学计算机与经济学系取得学士学位。1996年,他在华盛顿大学获得计算机科学博士学位,之后加入了DEC公司的Western Research Lab工作。1999年8月,Jeff Dean加入了谷歌,成为早期第20号员工。Jeff Dean在谷歌的25年里,见证了谷歌从小公司成长为科技巨头的过程。

xinzhaobuxuan的博客 1492

【AI智能体】Codex 插件从使用到项目开发实战操作详解

Codex 插件从使用到项目开发实战操作详解

congge 7653

全桥 LLC 谐振变换器详细解析:结构 + 控制 + 工作原理全搞懂!

在现代高效率电源系统中,LLC 谐振变换器🔥早已成为降损利器。尤其是全桥 LLC 拓扑结构,由于其在、副边整流管的 ZCS(零电流关断),再加上优秀的效率表现,已经成为服务器电源、电动汽车 OBC、光伏逆变等场景的首选。那么,全桥 LLC 到底长啥样?它的控制方式是怎么回事?具体工作波形又是如何呢?今天我们就来一篇讲清楚、讲透彻的文章!🚗💨。

weixin_43199439的博客 3534

关于谷哥传奇工程师Jeff Dean的笑话

关于Jeff Dean: Google Research Scientists and Engineers: Jeffrey Dean,简单来说,这货是Google牛逼的源泉之一。因为此人实在太牛了,于是出现了关于他有多牛的几个笑话,直接笑翻,和大家共享下。1. During his own Google interview, Jeff Dean was asked the implications if P=NP were true. He said, "P = 0 or N = 1." Then,

神棍之路 3896

操作系统实验一到实验九合集(哈工大李治军)

操作系统实验一到实验九合集(哈工大李治军) 有详细代码及注释,程序已在本地测试,均能跑通

leoabcd12的博客 5万+

谷歌大牛Jeff Dean亲自撰文:深度学习研究的黄金十年

来源:机器之心Jeff Dean 亲自撰文,探讨 2010 年代的十年时间里,促进深度学习快速发展的原因有哪些?他还对未来的 AI 发展做出了自己的展望。自从计算机诞生之初,人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上,约翰 · 麦卡锡提出人工智能这个概念,一群数学家和科学家聚集在一起寻找如何让机器使用语言、形成抽象理解和概念、以解决现...

深度学习技术前沿 328

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

谷歌大牛Jeff Dean单一作者撰文:深度学习研究的黄金十年

来源:机器之心 本文约3400字,建议阅读6分钟 本文探讨 2010 年代的十年时间里,促进深度学习快速发展的原因。Jeff Dean 亲自撰文,探讨 2010 年代的十年时间里,促进深度学习快速发展的原因有哪些?他还对未来的 AI 发展做出了自己的展望。自从计算机诞生之初,人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上,约翰 · 麦卡锡...

数据派THU 296

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

谷歌大牛Jeff Dean撰文:深度学习研究的黄金十年!

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达作者:Jeff Dean转载自:机器之心 |编辑:杜伟、陈萍Jeff Dean 亲自撰文,探讨 2010 年代的十年时间里,促进深度学习快速发展的原因有哪些?他还对未来的 AI 发展做出了自己的展望。自从计算机诞生之初,人类就梦想着能够创造出会思考的机器。1956 年在达特茅斯学院组织的一个研讨会上...

阿木寺的博客 299

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Jeff Dean:深度学习的黄金十年

文章重点关注三个方面:促成AI进步的计算硬件和软件系统;过去十年在机器学习领域一些令人兴奋的应用示例;如何创建更强大的机器学习系统,以真正实现创建智能机器的目标。

OneFlow深度学习框架 1652

谷歌首席科学家Jeff Dean与 Transformer 发明人 Noam Shazeer师徒对话

近日,Dwarkesh Podcast 发布的一场重磅节目引发了科技界的广泛关注,节目中 Jeff Dean 与 Noam Shazeer 展开了一场深度对话,在单 X 平台上播放量迅速逼近 50 万次。这两位科技大咖不仅在各自领域成就斐然,其深厚的师徒关系也为这场对话增添了别样色彩。Jeff Dean,作为谷歌的首席科学家,堪称现代计算领域的传奇人物。在谷歌的 25 年里,他深度参与了众多变革性...

人工智能学家 934

谷歌“地基元老“Jeff Dean离职创业:他一走,股价先跌了5

1999年,Jeff Dean 加入谷歌的时候,这家公司还只有20个人,办公室挤在 Palo Alto 一家手机店楼上。27年后,他成了谷歌首席科学家,背后站着 MapReduce、Bigtable、TensorFlow、TPU、Gemini——可以说,谷歌能运转到今天,处处都有他的名字。8月5日,Jeff Dean 宣布离开谷歌,和老搭档们一起创立了一家新公司。消息公布当天,Alphabet 股价跌了大约5%。市场的反应很诚实:走的不是一个普通高管,是一根承重柱。

老猿AI洞察的专栏 223

谷歌传奇 Jeff Dean 离职,曾凭一己之力搭建互联网底层技术栈!

2012 年 12 月,Hinton 打算出售创业公司,百度、谷歌、微软等都参与竞标,最终 Hinton 选择了谷歌,这得益于 Jeff Dean 和谷歌高管带 Hinton 吃饭劝说。2008 年,互联网流行编名人段子,谷歌工程师 Kenton Varda 受启发,和同事在谷歌内网上搭匿名网站收集 Jeff Dean 神迹,并在 4 月 1 日愚人节上线。不过,他没有生气,认为这是谷歌工程师文化和氛围。他提到明天是在谷歌工作的最后一天,在这里工作了 27 年,见证了谷歌从 25 人发展到 19 万多人。

safetybug的博客 28

从Jeff Dean工程遗产看分布式系统演进与开发者深度能力构建

分布式系统作为现代计算架构的核心,通过将计算任务分解到多台计算机协同处理,解决了海量数据与高并发访问的挑战。其原理基于一致性协议、容错机制和水平扩展设计,实现了系统的高可用与弹性伸缩。这一技术价值在于支撑了互联网服务的全球规模,从搜索引擎到社交平台都依赖其底层架构。在云原生与AI驱动的应用场景下,开发者面临技术栈商品化的新挑战。本文以MapReduce、Bigtable等经典系统为例,探讨在云服务普及的时代,如何通过理解第一性原理和掌握深度调试工具链,构建不可替代的技术竞争力,避免陷入对开源组件和云服务的表

weixin_34174105的博客 434

从MapReduce到云原生:后Jeff Dean时代的工程范式转型与实战

分布式系统与大规模数据处理是当代软件工程的核心基石。其基本原理在于通过分而治之的思想,将复杂任务拆解为可并行处理的单元,从而有效应对海量数据与高并发挑战。这一技术价值体现在它支撑了从搜索引擎到社交网络、从实时分析到人工智能训练等众多关键业务场景。随着云计算技术的成熟,工程范式正从“建造通天塔”式的底层系统创新,转向“运营城市”式的云服务集成与组合。在这一背景下,开发者需要掌握云原生架构和Serverless计算等现代技术,以事件驱动、无状态设计为原则,高效构建智能应用。本文通过一个新闻摘要与情感分析服务的完

weixin_30932215的博客 398

AI智能体驱动科学发现:从Jeff Dean创业看下一代AI技术栈实战

人工智能正从处理已知模式向探索未知领域演进,其核心在于构建能够自主完成“假设生成-实验验证-知识更新”闭环的智能系统。这一转变的技术基础是AI智能体架构,它通过规划、推理、工具调用等模块,将领域知识、科学计算与机器学习深度融合。其技术价值在于突破传统科研瓶颈,实现高效、自动化的复杂问题求解,在材料科学、药物研发、能源发现等场景具有广阔前景。本文以Jeff Dean的Discovery Loop为引,通过一个材料筛选智能体的实战案例,具体展示了如何利用LangChain框架、向量知识库与专业工具集成,构建一个

weixin_42524308的博客 297

Jeff Dean创办DiscoLoop AI:下一代AI工程化平台与复杂系统开发范式

在人工智能技术栈快速演进的当下,分布式计算与系统抽象已成为解决大规模AI应用工程化挑战的核心。从MapReduce到TensorFlow,技术发展的主线始终围绕如何通过软件抽象简化复杂计算任务的开发与部署。随着大模型与Agent工作流的普及,AI应用正从单一模型转向由多组件构成的复合系统,这带来了动态交互、分布式资源协调、可观测性等一系列新的工程难题。这些挑战催生了对于统一框架与平台的需求,以管理复杂AI系统的全生命周期。Jeff Dean创办的DiscoLoop AI,正是瞄准了这一前沿领域,旨在为分布式

aaa1231722的博客 344
上一篇: 机器学习入门必看!使用 scikit-learn 构建模型的万能模板
下一篇: 只有0.7M?超超超轻量SOTA目标检测模型揭秘!
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值