大厂裁员 14000 人背后真相:AI 干不了你的活,却先砸了你的饭碗

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

算力市场,用不用AI都要被裁。


180 亿美元的利润,换来14000 封解雇信。

这是亚马逊正在上演的修罗场。这家科技巨头的股价逼近历史高点,裁员的大刀却悄无声息地落下了。

而且,这仅仅是个开始——最终被裁人数可能高达 30000 人,占员工总数的近 10%。

亚马逊游戏工作室圣地亚哥分部,99% 的员工被裁

有人还在毛里求斯的海滩上晒太阳,手机突然弹出一条通知:你被解雇了。

被裁的当事人意外,看客更意外。

最近一个季度,亚马逊公司运营表现良好,为什么突然要进行如此残酷的裁员?

最近在裁员的企业,包括微软、宝洁、雀巢、英特尔等

官方给出的理由,和过去这段时间以来裁员的公司一样,因为 AI。

亚马逊的人力资源主管 Beth Galetti,在给全体员工的备忘录中写着,「AI 是自互联网以来,我们所见过的最具变革性的技术」。

她解释说,正因为 AI 能让公司更快地创新,所以亚马逊需要「更精简的组织、更少的层级」。

听着又是熟悉的话术,用 AI 能降本增效,更少的层级。可亚马逊这次裁员,背后的目的,可不仅仅是因为 AI 能替代这些员工。

像世界上最大的初创公司一样运营

过去十几年来,一个大公司的标志,大概就是人很多,产出也很多,每个部门都有一个,甚至多个自己的产品。

但 AI 时代的逻辑,直接变成了,更多算力、更少人。像 OpenAI 一样,估值快要来到万亿美元,公司总人数才从 2023 年的几百人,到现在大约四千人。

在亚马逊,这种转变更是从上到下、明码标价。CEO 安迪.贾西(Andy Jassy)就在系统性地构建一个「AI 改变一切」的叙事。

Jassy 的核心理念是,他希望「亚马逊像世界上最大的初创公司一样运营」。他要不惜一切代价地精简、减少官僚主义和消除层级;在官方的裁员公告里,也完美的呼应了这一点。

这套「AI 精简叙事」并非空穴来风,它甚至精准地打击了特定的人群:中层管理者。

根据商业内幕获取的内部数据,在第一批美国裁员中,超过 78% 的被裁员工是 L5 到 L7 级别的经理。

涉及的部门包括 HR(People Experience & Technology)约 15% 的职位;设备与服务部门(Echo、Fire、Kindle团队);Audible 音频部门;以及部分 AWS 企业支持团队。

根据 Levels.fyi 的数据,2025 年一个 L5 的总薪酬约为 12 万美元,L6 约为 21 万美元,而 L7 约为 28 万美元

这些中层管理者,他们的日常工作,概括性地说,大部分是协调跨部门沟通、汇总信息、撰写状态报告、起草备忘录。

听起来,这不就是当前生成式 AI 最擅长的任务。亚马逊似乎在用行动证明,AI 正在掏空企业的中间层。

裁员重灾区之一的设备部门(负责 Kindle、Echo 等产品),其副总裁 Tapas Roy 在裁员后的内部信中,直白地要求留下的员工要拥抱 AI(lean in on AI)来提高效率。

表面上看,这是一个「AI 提升生产力,导致人类白领失业」的标准故事。但这个剧本,亚马逊自己人可能都不全信。

AI 是真凶,还是背锅侠

这场裁员最大的疑点在于:AI 真的已经强大到,可以立刻取代 3 万名白领了吗?

答案很可能是否定的。

最具讽刺意味的是,根据 CNN 的报道,一位亚马逊发言人私下承认,AI 并不是周二宣布的 14000 名裁员中「绝大多数」的原因。

这个说法也得到了多位管理学专家的支持。他们提到,整个科技行业目前都存在一种「AI 漂洗」(AI-washing)的趋势,大概意思就是把任何东西,都要包装成 AI。

2024 年 7 月至 2025 年 6 月,人工智能相关职位招聘信息中最常用的 15 个关键词,AI 占主要地位,而不是某项具体 AI 技能,如计算机视觉、自然语言处理等

「很少有公司现在真的在用 AI 取代人」高管咨询公司 Culture Partners 的首席战略官 Jessica Kriegel 告诉 CNN。她认为,我们现在看到的更像是一种「预防性裁员」(preemptive layoffs)。

换言之,亚马逊裁员,不是因为 AI 已经准备好接管人类的工作,而是因为高管们希望腾出「财务跑道」去探索 AI 的可能性。

毕竟,就目前而言,AI带来的除了效率,还有大量的「workslop」,workslop 指的是那些由聊天机器人产生的、看似像回事但实则毫无价值、甚至充满错误的「工作垃圾」。

AI 生成的工作废料,像是幻灯片、摘要、代码等,需要人类花更多的时间和精力去处理。有调查发现,AI 参与后有 40% 都是工作垃圾,每一份垃圾要浪费员工两个小时,186 美元。

前段时间,MIT 也发布了一项研究,提到95% 的企业 AI 投资目前回报为零。

从试点到实际应用,对于具体任务的 AI(浅蓝色)引入下降明显,成功实施仅有 5%

虽然 AI 有能力处理简单的记录任务,但对于工作中一些细节性、准确性要求比较的内容,AI 还是没有办法。

亚马逊自己也承认,公司还在继续招聘,并且会为大多数受影响的员工提供 90 天的时间,在公司内部寻找新职位。

如果 AI 真的已经能系统性地取代这些岗位,为什么还要费力进行内部转岗。显然,AI「取代」人类的故事,说服力还不够。那么,真正的动机是什么?

AI 军备竞赛,太烧钱了

如果 AI 不是直接凶手,那它很可能就是动机。这场裁员的第一个真正原因,可能和 AI 有关,但不是因为用 AI 更便宜,而是因为 AI 太贵。

亚马逊正处在一场耗资万亿、赢家通吃的 AI 战争中。在这场战争中,它必须要拼命地追赶对手。

2025 年,亚马逊云服务 AWS 市场份额占据领先地位

亚马逊的核心利润来源,AWS(云服务),其增长速度已经落后于微软的 Azure 和谷歌云。亚马逊需要快速释放大量现金,来招聘昂贵的 AI 专家和建造数据中心。

这笔开销正以前所未有的速度上升。2024年,他们在服务器与数据中心建设上的支出,就已经突破 850 亿美元。2025 年预计将再增加 40%,达到 1200 亿。

每削掉 1% 的白领薪酬预算,就意味着公司能多买几千块 H100 GPU。

分析师们一针见血地指出,「亚马逊短期内面临着压力,需要抵消在建设 AI 基础设施方面的长期投资」。

我们使用的 ChatGPT、Claude 都强烈依赖于这些云服务;Claude 主要依赖 AWS,Gemini 则是自家的 Google Claude,OpenAI 则主要有微软 Azure 提供支持。不过 anthropic 在前几天也宣布和 Google 达成合作,使用他们的 TPU;OpenAI 也有使用 AWS 的云服务。

现在,裁员的逻辑清晰了,亚马逊正在砍掉成熟业务(如零售)中的臃肿管理层,以及 HR 、设备 等非核心盈利部门的员工,将他们数以亿计的工资,转化成支持 AI 军备竞赛的「弹药」。

这些被裁的 L5-L7 经理们,他们不是被 AI 取代了,他们是被 AI 的成本给「挤兑」了。

这是一个残酷,但大势所趋的商业决策:用今天的人,换明天的算力。

能被挤兑,只怪疫情期间招了太多

如果说为 AI 凑钱是面向未来的战略考量,那么这场裁员还有另一个更尴尬、更着眼于过去的真实原因,就是纠正疫情期间,亚马逊的过度招聘。

耶鲁大学的经济学家 Ernie Tedeschi 直接说,「我认为这主要是对疫情期间动态的纠正,而不是像 AI 这样的新事物在冲击这些公司。」

数据是不会撒谎的。

在 2020 年和 2021 年的疫情电商热潮中,亚马逊过度招聘,雇佣了数十万员工 。其全球员工总数(包括仓库和企业员工)从 2017 年到 2024 年几乎翻了三倍 ,一度超过 160 万。

现在,电商需求增长放缓 ,经济进入不确定期,亚马逊发现自己养了太多「多余」的企业员工。这家公司开始要为当年的疯狂买单,进行成本优化了。

毕竟,它一边裁掉的是疫情期间膨胀最快的白领和经理职位,同时又在大规模招聘 25 万名季节性仓库工人。刚刚还投资 10 亿美元,将仓库工人的平均时薪提高到 30 美元以上。

一边是给蓝领加薪招人,一边是裁掉白领经理。AI 所引发的生产力替代浪潮,并没有想象中来得那么快,但它的潜在影响,已经开始让这些大型企业如履薄冰,不能再走错一步路。

把裁员归咎于 AI,对公司来说是一举多得。它把过去这些走错的路(一个传统的、因管理不善、过度招聘导致的成本削减行为),包装成了一个具有前瞻性的、面向未来的技术转型。

图片来源: https://x.com/KobeissiLetter/status/1983209896721236139

虽然和传统叙事里面那套,因为 AI 的高效率,所以要裁员不同,但其实他们讨论的都是一件事情。

亚马逊、微软 、Meta 和 Google 为首的这些科技巨头,正处在一场关乎生死的 AI 军备竞赛中。竞赛的入场券,就是构建数据中心、采购天价的 GPU、研发基础模型。

而亚马逊的裁员,也正是因为,他需要腾出这 3 万人的薪资预算,去支付建设 AI 基础设施的巨额账单。

Meta 要建一个和曼哈顿岛一样大的数据中心

另一批也在裁员的公司,UPS(联合包裹服务公司)、塔吉特 (Target,美国零售业巨头) 、乃至汉莎航空 (Lufthansa) ,它们裁员,恰恰是因为 AI 已经在起作用了。

这些公司不需要自己承担天价的研发成本,它们只需要从亚马逊 (AWS)、微软 (Azure) 这样的平台,租用成熟的 AI 解决方案,像是自动化客服、供应链优化 、精简管理层级。

这两种裁员动机,一个为未来买 AI,一个因现在用 AI,它们都在喂养同一只经济巨兽——算力。

很明显,AI 正在创造财富,这些财富以前所未有的速度流向了算力,而不是劳动力。

半导体公司,像是英伟达就坐在这条价值链的顶端,向所有人收租。

全球首个市值突破 5 万亿美元的公司,英伟达,7 月份才刚刚突破 4 万亿

对于被裁的员工来说,无论理由是什么,结果都是一样的。

本文来自微信公众号“APPSO”,作者:发现明日产品的APPSO。

原文:大厂裁员 14000 人背后真相:AI 干不了你的活,却先砸了你的饭碗-36氪

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1334

AI当背锅侠:大厂裁1.4万人背后的三重骗局:AI时代的效率游戏与需求陷阱

亚马逊裁员14000人,管理层说"AI提升效率",但这个叙事对内对外有不同版本。AI确实能提效,但工作没有消失——只是转为外包、模块化。真正的风险在于:企业用AI叙事降成本→短期利润飙升→资本高位套现→结构性失业积累→需求萎缩传导——当这个时间差窗口关闭时,可能引发系统性风险。这不是预言,而是一种需要警惕的可能路径。

开源AI 专属 UI——papyrai-ui。《千界明彻录》(故事形式构建元思维)——胡说小说。更多思辨内容在公众号。 1414

基于STM32的RS485土壤氮磷钾与PH传感器数据采集与OLED显示实战(附完整代码)

本文详细介绍了基于STM32单片机通过RS485协议采集土壤氮磷钾与PH传感器数据的实战项目。涵盖硬件选型、连接方法、Modbus-RTU通信协议解析、STM32程序实现及OLED显示,提供完整代码和调试技巧,适用于农业物联网环境监测系统。

kotlin6android的博客 341

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 272

EndNoteX9完整详细安装教程

EndNoteX9完整详细安装教程

rothschild666的博客 10万+

实测对比:DECIMER、Img2Mol、MolScribe,哪个化学结构识别工具更靠谱?

化学结构识别(CSR)工具的核心任务是将分子结构图像转换为SMILES(Simplified Molecular Input Line Entry System)表示。这一过程需要克服图像质量差异、绘制风格变化以及特殊基团识别等挑战。三款工具采用不同的技术路线:DECIMER:基于EfficientNetV2+Transformer架构,优势在于处理标准期刊文献中的分子图示Img2Mol。

weixin_32576389的博客 350

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 362

Pytorch学习笔记(III)——提取特征

目录一、引言二、具体步骤1、参数模型2、网络结构3、参数载入4、特征提取器5、读取图片三、完整代码 一、引言   深度学习在许多任务中主要充当着特征学习的作用,而学习完的特征才是后续应用的一个关键。本文将主要介绍,如何提取任意目标层的特征图。   本文以输入数据为图片为例。 二、具体步骤 1、参数模型 博主使用了ResNet50训练了一个人脸识别的网络   训练完成的深度学习模型,我们会保存一...

lockonlxf的博客 2645

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 303

Protege新手入门:5分钟搞定本体建模基础(附实战案例)

本文为Protege本体建模新手提供了一份快速入门指南。通过构建一个关于“披萨”的实战案例,详细讲解了从环境准备、定义核心类(Classes)、建立对象属性(Object Properties)到设置数据属性(Data Properties)和创建个体的完整流程。文章旨在帮助读者绕过复杂理论,在5分钟内直观掌握本体建模的基础操作,快速建立知识图谱构建的信心。

weixin_28335283的博客 287

uv pip install时出现error: Request failed after 3 retries 解决方案

本文主要介绍了uv pip install时出现error: Request failed after 3 retries解决方案,希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 方法一 2.2 方法二

weixin_43178406的博客 12万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 624

华为OD新系统机试真题 - 配置操作失败数量统计

华为OD机试新系统 4月8号【配置操作失败数量统计】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【配置操作失败数量统计】。

qq_45776114的博客 1169

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 215

UMI——斯坦福刷盘机器人:通过手持夹爪革新数据收集方式,且使用视觉SLAM和Diffusion Policy预测动作

没想到今年年初的斯坦福mobilealoha的热度刚过,而到今年2月的下旬,斯坦福另一个团队又推出了UMI刷盘机器人,且这两个团队还互相认识、还在一块共同切磋(顺带小小感叹一下,斯坦福的氛围是真好而且真高产)斯坦福UMI刷盘机器人其与mobile aloha(以及AirExo: Low-Cost Exoskeletons for Learning Whole-Arm Manipulation in the Wild)最大的不同在于其收集数据处理的非真实的机器人,而是一个手持夹持器(从而大幅降低成本)

u013250861的博客 1357

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 348

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 293

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 365

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 90

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 164

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 521

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 627

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

413

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 404

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5193

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 585
上一篇: Cursor 2.0来了,多agent并行,自研模型30秒跑完多数任务,MXFP8训练
下一篇: OpenAI首个GPT-5找Bug智能体:全自动读代码找漏洞写修复
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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