广东省智能院研究员冯圣中：超越GPU，类脑计算有机会吗？丨AI源创50人

“要大力，更要好力。”

作者丨郭思

编辑丨包永刚

冯圣中可能是中国追赶“计算”最快的那批人之一。

2000年，他加入曙光系列超级计算机的研发；2009年，作为“零号员工”筹建国家超级计算深圳中心；现在，进入国内外首家成建制、成体系、全链条研究类脑智能的科研机构之后，又开始了类脑计算之旅。

前后二十多年，他都在做同一件事：让计算机算得更快、更大。

算得更快和算得更大，都很重要。但是，他反复念叨，其实很不一样，前者更难。

如今，这位超算老兵反复强调的，还有一句反常识的话：大不一定意味好，大数据也未必优于小数据，大数据可能意味着消耗更多的能量。

在和雷峰网左林右狸频道交流中，他用了一个极具生活气息的现象来解释这个观点。

小猫出生不久，走路还不稳，就已经会在排泄后用猫砂把痕迹埋起来。

这个技能不是猫妈妈教的，也没有人训练过它。

人也一样。

一个五岁的孩子，接触英语的时间远少于成年人，却往往比成年人学得更自然。

为什么会这样？

冯圣中说：“因为智能并不是靠简单烧电，更需要巧劲而不是靠暴力堆砌算力。”

2023年底，进入广东省智能科学与技术研究院，国内外首家成建制、成体系、全链条研究类脑智能的科研机构之后，开始自己的类脑计算之旅。对于这个问题，他有了自己的答案。

更为重要的是，当AI真正进入物理世界，这个问题也从一个关于智能本质的思考，变成了一个现实的工程问题。

在数据中心里，一项任务慢一些，很多时候只是效率问题；但在机器人、自动驾驶、无人机等物理场景里，算力不能无限增加，功耗受到严格限制，更重要的是，当遇到一些十分紧急和危险的突发情况时，真实世界的时钟，从来不会等待算力的延迟。

也正是在这里，冯圣中反复提到类脑计算的一项潜能——“超实时”。

相比事情发生之后再尽快作出反应，它试图让机器在感知事件的同时完成计算，甚至提前一步完成预判。

在冯圣中看来，这种“感知-预判-行动”的能力，也正在成为物理AI走向真实世界的必由之路。

以下是雷峰网左林右狸频道，不改变原意整编的对话：

01

大模型+GPU还不够

物理AI要的不是更大的算力集群

雷峰网：高性能计算和AI的融合，这两年从趋势判断变成了实打实的产业动作，超算也成了持续生产大模型Token的”工厂”。您作为我国为数不多的，参与过超算研制、超算中心建设和运营的科技工作者，我们想先听您判断，这种融合走到哪一步了？

冯圣中：融合是肯定的。美国甚至没有融合的问题。美国的超算和大训推算力平台，现在几乎都是X86 CPU + GPU。一开始就是“融合”的。

所谓超算和智算的融合，可以说是中国独有的问题。在当前国际环境下，我们必须自研AI芯片，其生态就是一大挑战。因此，就从特定领域（智算）做起，逐步覆盖更多领域，演化为通用计算。

冯圣中在深圳超算中心进行技术讲解

雷峰网：你能给我们举个简单的例子吗？

冯圣中：英伟达GPU最开始是针对图形的，大量应用于游戏等场景，后续是因为它在并行计算的架构优势，才顺势切入高性能计算领域，再后来，发现它这种架构，非常适合AI计算，包括训练、推理，它也进一步强化AI计算性能。因此，整体技术路线是连贯统一的的，不存在融合的问题。

雷峰网：硅谷传奇创业者Naveen Rao（前Databricks AI负责人，曾执掌英特尔的AI产品线），他提过一个尖锐的说法，我们正处于AI实验的死胡同里，因为我们试图用一种已经过时了80年的物理手段去模拟智能，你研究类脑这么久，对这个观点怎么看？

冯圣中：如果是“模拟”智能，Naveen Rao的观点有其合理性。不过，现在的大语言模型，并不是“模拟”智能，本质上都是基于语言统计的概率预测机制，通过海量数据的计算来推演“下一个词元”。这能解决很多问题。当然，本质上，智能并不一定能被简化为这种概率推演。

我常常和学生讲一个反直觉的观点：在很多情况下，大不一定意味好，大数据未必优于小数据。

雷峰网：有什么场景直接反映这一现象吗？

冯圣中：比如，出生没几天的小猫，排便之后，会利用猫砂将排泄物掩埋覆盖。这个技能，显然不是它学习得到的。

我们学英语学几十年，大数据反复“训练”，但是五岁的小孩子学英语，可能比我们好得多。

类似的例子是非常普遍的，这其实对算力、算法，都提出新的要求。

雷峰网：北大朱松纯老师也提过不要进行数据崇拜，你是否也认同他的观点？

冯圣中：是的，他做得很好。我也认同他的“为机器立心”的观点，大语言模型本质是对海量文本数据的统计拟合，缺乏对物理世界和因果关系的真实理解。单纯堆砌数据无法让机器产生真正的通用智能，不能替代对智能本质的探索。

雷峰网：当AI走进物理世界，依靠大规模算力的路线还走得通吗？

冯圣中：“大力出奇迹”这一观点有一定的合理性。在大模型训练领域，通过扩大算力规模与数据规模，确实能够带来模型性能的提升，就是所谓智能涌现。

但是这个问题不是绝对的，在算力方面，计算效率、降低能耗都很关键；在数据方面，可以进一步提高数据质量；在算法层面，可以提升收敛速度。

雷峰网：但是现在，各家厂商都确实在追求更大的算力规模。

冯圣中：从推理阶段来看，降低单位Token的成本同样具有极高的核心价值。因此，我们绝不能将“大力出奇迹”的理念绝对化，更不能陷入单纯依赖盲目堆砌算力的误区。仅仅通过无限制地增加算力规模，并不能从根本上解决问题。

就拿DeepSeek来说，虽然海外有些评价他缺乏颠覆性创新，但DeepSeek通过深入细致的优化实现了效率的大幅提升，让推理成本即单位Token的服务成本做到了竞品的十分之一以下。这种在工程与算法层面的极致优化所带来的显著成效，其实就是非常有价值的突破。

02

瓶颈不只是算力

实时性与能效才是真正的门槛

雷峰网：摩尔定律已经接近极限，这是否给了其他线路创新的机会？

冯圣中：现在新技术发展很迅速，大家关注度也很高。应该说技术发展到了一个新的阶段，2018年，John L. Hennessy & David A. Patterson（图灵奖得主）提出《A New Golden Age for Computer Architecture》，其中就说到体系结构创新的黄金时代又来了。

现在来看，我认为他们的判断非常正确。

John L. Hennessy & David A. Patterson

雷峰网：是成本还是制程极限，导致依靠制程工艺路径无法继续？

冯圣中：成本和物理极限，都是问题。芯片制程工艺演进路线，是大家熟知的 7nm、5nm、3nm、2nm，一代工艺落地，再向更小制程迭代。但这条路径正在逼近极限。物理制造本身存在极限，越先进的工艺，研发、建厂、流片成本都会成倍攀升，工艺红利逐步收窄，单纯依靠缩小晶体管来换取性能提升已经越来越难。

雷峰网：还有更有前景的线路吗？

冯圣中：体系结构创新，就是John L. Hennessy & David A. Patterson他们的核心观点。不再单纯依赖晶体管尺寸缩小，而是从处理器架构、封装结构、底层器件等多维度做系统性创新。我现在做的类脑计算，实际上是体系架构的创新。传统处理器采用冯·诺依曼架构，存在存储与计算分离的固有瓶颈，数据搬运功耗高、效率低。而类脑计算借鉴大脑结构和工作机制，设计存算一体的非冯架构，还有事件驱动、海量并行等技术，通过体系架构创新，从根本上打破数据搬运的瓶颈，大幅降低功耗、提升算力效率。类脑计算这个方向，前景是非常好的。

雷峰网：在你看来，类脑计算到底是什么？

冯圣中：类脑计算，本质上是借鉴大脑的结构和工作机制，来设计处理器架构、设计算法等，使之具有更高效能，不是造一个大脑出来，造出来的还是计算机。我经常跟学生们打比方，类脑研究就类似小鸟跟飞机。人们会通过观察小鸟的飞行来设计飞机，但是飞机不是小鸟的仿生，小鸟的翅膀是会动的，但是飞机是不会扇动的，这是仿生和借鉴的区别。

雷峰网：类脑计算和人脑的效能对比差距大吗？

冯圣中：人脑和计算机相比，有很多有意思的现象：如果拿最底层的基本单元对比，人脑最小的单元是神经元细胞，而人工智能硬件最底层的单元是晶体管开关，与或逻辑门。人脑的神经单元运作效能，是远不如人造的晶体管开关的。前者比后者高出好几个数量级。

但是如果到宏观层面，人脑的效能却比超级计算的效能高出好几个数量级。比如“跑脑网络”，大脑可能20瓦就够了，但是超级计算机，能耗要到达20兆瓦以上，超算上跑的还是简化后的脑网络。这个脑网络的认知功能或认知效率，可能还远不如人脑。

雷峰网：为什么会出现这种情况？

冯圣中：这其中本质上的差异就是结构和工作机制导致的。

从结构上来说，我们的大脑是存算一体的，没有一个专门的区域负责算，也不会有一个专门的区域负责存。这样就减少了一部分数据的搬运。

第二，大脑拥有超高的功能单元规模。人脑神经元数量可达千亿级别；反观当前人造芯片，核心数量通常只有千万量级，距离千亿级别的大规模单元阵列还有很大差距。

第三个就是事件驱动的因素，芯片的时钟从头到尾在走，这一拍有没有有用的数据，电也一直在烧。而大脑是分区的，不用的分区，能耗极低，能量花在了刀刃上。

第四个就是精度的问题，我们人脑是一种混合精度模式，任务不同，所需要的精度也灵活变化，不会对所有信息都追求高精度计算。

比如说我们要去认识一个人，没必要调用人脑里的所有像素。人脑可能晃一下，我就知道这是张三了。

计算机是从头到尾这么来弄一遍，效能对比，高下立现。

雷峰网：我们过去会不会过于关注“算力”，而忽略了能效这个关键指标？

冯圣中：学术界在低功耗和高能效计算方面，其实一直都在持续探索。早在上世纪四五十年代电子管计算机刚起步时，这就已经是一个重要的研究课题。因为能耗直接关系到硬件的可靠性：如果能耗太高，机器发热严重，不仅器件老化快，可靠性也会降低；反之，如果能耗控制得好，温度就容易管理，设备可靠性更高，使用寿命也会更长。所以在底层技术层面，大家一直都很重视这个问题。

当然计算实时性也非常关键。

03

超实时性

物理AI破局的另一种可能

雷峰网：类脑对物理AI以及具身智能的场景落地有没有加持作用？

冯圣中：类脑计算有着非常广泛的应用价值。以具身智能、物理AI领域为例，这些场景下对系统提出的已经不只是实时性要求，很可能还是超实时性。

首先我们需要区分实时性和超实时性的概念。举一个驾驶场景里很典型的案例：你在开车途中，遇到了”鬼探头“，行人突然横穿道路，车辆必须在极短时间内完成决策，这时候你大概率是反应不过来的，因为你的反应是行人横穿道路这个行为之后，你只能做出实时反应或者延时反应。

但有些自动驾驶车辆，可以更好地处理“鬼探头”问题，我们人类最快反应时间可能还需要0.1秒，车机可能更短时间内，比如0.01秒内就做出决策并控制车辆运动，注意，这是比我们人类还要好的。

这就是所谓计算、决策、控制的超实时性。系统提前一步推算出物体下一时刻的位置，才能为后续控制系统预留出充足的反应余量，完成刹车、变道或是其它应急操作。

不止自动驾驶，很多领域都有强烈的超实时需求。自动驾驶只是这类需求当中一个十分典型的代表。类脑计算具有支持实现超实时性的潜力。

所以，类脑计算这种潜力，可能是具身智能、物理AI真正大规模落地的重要保障。

雷峰网：类脑计算为什么能把“预判”跑到事件前头？

冯圣中：类脑计算有些特点，存算一体、事件驱动、海量并行等。

例如，传统的计算处理视频数据，得先把一帧帧数据采集完，存进缓存，再搬去运算单元，做处理。这会导致大量延迟。类脑计算的架构不一样，事件驱动、存算一体，如果再加上异步并行，整个处理时间就会大大缩短。

这一切还发生在很低的功耗下。感知到决策这条路走得快、烧电少，自动驾驶、低空飞行器、机器人这些高动态的场景正需要它，环境变得快，容错又小，慢半拍就可能出事。

雷峰网：怎么做到信号一到就开始算？

冯圣中：还是感知-处理-控制，整个的时间，能否压缩？脉冲信号本身带着时间信息，数据采集就是事件驱动的，采集到的数据传到处理器，处理器处理完，控制系统给出控制信号，每个环节时间都做到最短。传统系统数据采集可能就慢了，计算也慢，后面的控制就来不及了。类脑算力有机会把预判跑到事件前头，抢出一段反应时间。

雷峰网：这样会不会能耗很高？

冯圣中：这一切发生在很低的功耗下。感知到决策这条路走得快、烧电少，自动驾驶、低空飞行器、机器人这些高动态的场景正需要它，环境变得快，容错又小，慢半拍就可能出事。

04

智能闭环演化机制

下一代智能新疆域

雷峰网：你团队的现在的主要工作？

冯圣中：我们主要是在算法和算力两个方面都做些技术性创新工作。

雷峰网：2024年，你有一篇类脑相关的论文，基于神威加速器的脉冲神经网络高效分布式模拟器SWsnn，以提升模拟性能、支持更小时间步长和更大规模网络计算的具体目标，高精度SNN模拟如何反哺人工智能算法的演进？

冯圣中：这个问题问得非常好。实际上，这正是我们目前正在推进的核心工作。

首先需要明确一点，虽然都叫“网络”，但“脑网络”或者说“生物神经网络”和“人工神经网络”其实是两个很不一样的东西。脑网络是生物大脑中的神经元连接结构，我们做脑网络模拟，就是去模拟这种生物大脑的计算过程。而我们现在常说的深度学习等人工神经网络，则是科学家人为构造出的一种模型，并非真实大脑网络。这两者在网络结构和运行机制上都有着本质的区别。

我们现在两方面的工作都在推进，希望从真实大脑模拟中，探索感知、认知的规律，启发我们构造更好的人工神经网络。

雷峰网：能举个简单的例子吗？

冯圣中：例如，当你感知到外界环境温度降低时，你的大脑会指挥身体增加衣物来保暖御寒，这就形成了一个闭环。

相比之下，我们过去的传统神经网络模型往往缺乏这种闭环机制。现在我们希望通过构建闭环系统，深入探究大脑在认知和决策过程中的运作规律，最终能为人工神经网络的结构设计提供指导和启发。

目前这项工作还在持续进行中。

雷峰网：除了潜在计算性能提升外，类脑计算还有什么机制对物理AI落地很有加持作用？

冯圣中：人脑结构和工作机制，有很多值得我们深入探索和借鉴的地方。比如人脑处理视觉信息，是一个从局部到整体、从低级到高级的分级处理过程。我们是否可以借鉴呢？

雷峰网：怎么理解这一现象？

冯圣中：以自动驾驶中的逆光场景为例。当强光源导致传感器出现局部饱和，造成静态背景细节丢失时，类脑计算系统是否可以借鉴这种生物机制，主动抑制对静止过曝信息的计算，转而将算力集中在捕捉画面中具有高时空梯度的运动目标上。

通过这种基于时空显著性的特征提取策略，系统能够在极端视觉条件下，依然保证对关键动态目标的精准感知。

05

离产业化还有多远

生态、关注度与绕不开的现实约束

雷峰网：主流做类脑芯片的，有哪些？

冯圣中：目前类脑芯片主要有两大方向。一是做小芯片，像时识科技，还有类似的一些公司，他们发展得比较快，目前这个市场发展得挺好。

一是高性能的大芯片，像美国的Cerebras，今年刚在纳斯达克上市了，走得比较快。总体来说，大芯片这块还在一个起步阶段。当然，Cerebras可能更接近我们常见的AI芯片。

雷峰网：类脑大芯片的发展到了哪样的阶段？

冯圣中：类脑计算在国内还在实验室向市场转化阶段，产业界认识到这个问题的人还不是很多。海外节奏更快一些，美国Cerebras已经上市；德国SpiNNcloud商业化上线快一年，用户规模已经逾千个。

在国内，也有做得很好的团队，施路平老师带领的清华类脑计算研究中心，还有浙江大学潘纲教授等。我们智能院张旭院士带领下，也在做一些探索。

雷峰网：国内的类脑计算研究，现在主要还是高校课题组在做？你课题组现在的规模如何？

冯圣中：国内现在已经有不少高等院校做相关研究工作了，包括清华、北大、浙大、中科大、复旦等等，科研院所也有很多。

当然大部分都是课题组规模。我们课题组主要做类脑计算生态这块，以及和我们智能院邓老师课题组配合，做算法-硬件协同设计，更大幅度提升邓老师牵头做类脑CPU性能。

总体上讲，类脑计算是创新的热土，还有大量创新性工作要做，我们欢迎富有创造力的青年学生报考，也欢迎优秀博士毕业生来做博士后。横琴的人才政策非常好，尤其是博士后支持政策，应该是全世界最好的。

雷峰网：你能简单讲讲类脑计算向市场普及具体的应用场景吗？

冯圣中：从理论层面来看，类脑计算本身具备通用性，迈向通用不存在障碍。以我们目前邓老师牵头正在研发的类脑CPU为例，其定位正是通用型处理器。因此，如果将类脑计算的应用场景局限于“仅用于人脸识别”等特定任务，这种认知是片面且不准确的。

不过，从技术实现的路径来看，发展必然存在先后顺序，通常会遵循“由易到难”的演进策略。例如，在混合精度或低精度计算等对精度要求不高的场景中，类脑计算或许能够率先展现出其性能优势；随后，再逐步向高精度计算领域拓展并发挥其价值。

雷峰网：它的性能还是会比普通芯片更高吧？

冯圣中：更高的效能，这是完全可能的。具体能实现多大的性能提升，则取决于各家的技术实力。例如，在每瓦算力这一指标上，有的声称高出10倍，有的达到20倍，甚至有的宣称高达100倍，这最终还是要看各家的实际技术本领。

雷峰网：推向市场之后，类脑芯片会存在像生态这块的问题吗？

冯圣中：从理论上来讲它是通用的。但具体到某款产品，肯定会有应用面较窄到广泛应用这么一个发展过程。

06

时刻Encourage

慢一点，远一点

雷峰网：最后想聊聊你个人的成长。你是怎么一步步走到超算，又从超算走到类脑的？

冯圣中：我中学在湖北省天门中学。那时候的天门中学非常好，老师非常强。我大学全国各地的同学，差不多都做过我们天门中学的高考模拟题。

我们的数学老师李德发，这个人很厉害。1966年，他本来应该上清华的，结果高考取消了，后来成了民办老师，十多年后恢复高考才上的大学。我至今还记得，一个月光明亮的夜晚，李老师把我们几位成绩较好的同学叫到一起，在教学楼附近的一个角落，跟我们讲，哥本哈根学派，讲波尔带领一群科学家搞量子力学。鼓励我们，“你们是有机会在科学上有所建树，建立中国学派的。”

那时候我十六七岁，这些话对我影响非常大。

冯圣中作为代表校友回访天门中学

后面我就去了中科大，科大非常重视数理基础教育，我们大学五年，数学、物理都是要学三年的，四、五年级才上专业课。一般数学系要学习的数学课程，我们都要学，包括复变函数等。一般物理系要学的物理课程，我们也要学。当时觉得学的挺累，工作后，发现打好数理基础，受用一辈子。大家看看现在AI创业者中，中科大的毕业生是非常重要的一支力量，其中相当一部分，并非计算机系毕业的。这可能就是因为，科大毕业生，基础好，学什么都快。

进到中科院计算所，具体一点说，我当时所在的部门叫“国家智能计算机研究开发中心”，这个中心是专门负责研制“曙光”系列高性能计算机的。我当时在高性能计算组，有很多大机器，所有国家智能中心毕业博士的学位论文都在其中，涉及高性能计算的方方面面。我近水楼台先得月，花了几个月，把这些论文都啃了一遍。每周孙凝晖老师，召集我们开组会，有时还有专题会，讨论一些技术前沿，这些方式，让自己学习很快。这些都让我受用终身。

雷峰网：从做超算到做类脑有哪样的契机？

冯圣中：在方法层面，包括算法设计和芯片设计，这些基本层面上，超算和类脑计算，其实是完全相通的。

另外，其实我对脑科学、认知这些领域一直都非常感兴趣。大学阶段，看薛定谔的《生命是什么》，很着迷。薛定谔是物理学家，他从物理学的角度，来推测生命现象后面的结构，其中思想非常深刻。

早在二十多年前，我就在做生物信息学方面的工作。2008年前后，安排博士生、博士后做大规模网络（脑网络）并行处理相关工作。

到横琴工作之前，横琴可能是深圳南山、福田之外，来的比较多的地方了。2008年第一次来，以后每年几次。我还参加了横琴智算的第一次专家论证会。所以到横琴感觉很自然。

当然，更重要的是碰到张旭院士，中国神经科学会理事长、国际知名的神经科学家，智能院院长。智能院做脑科学与类脑智能研究，这太有意思了。

所以，做类脑计算相关工作，对我个人来说，是机缘巧合，也是兴趣所在。

雷峰网：在科研的过程中，你有比较迷茫或者是说需要去坚持的一个阶段吗？

冯圣中：这种时候不是很多。我博士阶段做算法。博士生第一阶段，很乐观，觉得这也可以改改，那也可以改改。结果发现，人家那么设计，或者是有他道理的，改了反而不好；或者是已经有文献发表了。第二阶段，就是迷茫阶段。这个阶段持续了差不多一年左右，当时还是有些压力的，现在看不是个事。第三阶段，就是比较自如的阶段，每天可能都有些想法，优化一下，结果好一点。

怎么度过迷茫阶段呢？还是要更深入地学习，沉下心去学。

一般的小聪明，跟科研没有那么密切关系。当然，理解力、学习力，这个很重要，这个角度去理解，聪明很重要。上北大、清华、科大这种学校的人，都不会笨。真正决定成败的，是你能不能够持之以恒地抓一个问题不放，或者说有没有能力去找对问题来做。这种能力，对科研的成败影响比较大。

而更为稀缺的就是一种对大方向的把握能力。这种能力跟普通的聪明不在一个层次，我们可能把它叫作“战略决策能力”，也就是把握大方向的能力。这对于一个人能做成什么事来说，也非常重要。

雷峰网：你怎么看现在经常被讨论的“Discourage”现象？

冯圣中：中国过去传统文化里，确实存在一种习惯性打压。家长介绍自己的孩子，经常会说“我这孩子不行”“比较内向”“很一般”，好像谦虚才是正确的教育方式。

但我更相信Encourage。

小孩子也好，年轻的科研人员也好，很多时候越得到鼓励，越敢去尝试，潜力反而更容易被激发出来。一个人不一定一开始就知道自己擅长什么，很多能力都是在不断尝试、被肯定之后慢慢长出来的。

所以我现在经常跟学生说：不用因为自己一开始没那么快就怀疑自己。

慢一点没关系，重要的是找对问题，然后一直做下去。

要经常性地自我激励。

07

类脑计算的出发点，不是复刻一颗大脑，而是读懂大脑怎样工作。就像小鸟和飞机——人类是看着飞鸟造出飞机的，但飞机不是鸟的仿生品。

这条逻辑，同样贯穿中国算力数十年发展。表面看我们一直在追赶运算速度，但驱动行业前行的核心命题始终没变：智能究竟如何产生。

回望历程，里程碑清晰可见。

1983年，银河 - I 实现每秒亿次运算，中国拥有自主巨型机；1993年，曙光一号问世，国产高性能计算机走出实验室，成为可落地的商用设备；近年，国内科研力量进一步探索，抵达类脑计算前沿。四十年，从有没有，到用不用得起，再到换一种想法去算——台阶只有几级，每一级都走了很久。

冯圣中也在这条路上走了很久。从天门中学里启迪他走向科学探索的老师们，到注重基础训练的中科大，再到计算所参与曙光超算的研发，他的一路始终伴随着科研的慢、坚持与钻研。

亲历中国算力演进，让他跳出单纯堆叠算力的思路，转向借鉴人脑：存算一体、事件驱动、异步并行。人脑仅二十瓦功耗，就能完成如今数据中心量级的任务。当下，他们正研究类脑计算反哺AI —— 更高效能计算、更智能的AI。

中国算力产业的进步，从来不是少数人的灵光一现。代代科研人传递的，不只是设备与技术，更是同一个追问：人类智能的本质是什么。

这个问题没有终点，也没有捷径。只要有人沉下心，持续探寻“鸟为什么能飞”，这条路就会不断向前。我们就会飞得更快、更远、更好。

（欢迎添加作者微信交流：lionceau2046 ）