文｜沈筱

編輯｜王與桐

生成式AI技術正在推動數(shù)據(jù)平臺廠商從“幕后”走到“臺前”,。

無論是Snowflake聯(lián)合英偉達打出的「數(shù)據(jù)+人工智能算法+計算引擎」組合拳，還是Databricks喊出的在一個數(shù)據(jù)平臺內實現(xiàn)「數(shù)據(jù)+模型+應用」三大功能的口號，無一不彰顯了從服務「管數(shù)」向服務「用數(shù)」邁進的野心,。

在變化背后，雙方達成的微妙默契是,，企業(yè)在利用大型語言模型構建和部署人工智能應用時，無須移動數(shù)據(jù),。換句話說,，數(shù)據(jù)是大語言模型應用過程中最難的部分，對他們而言,，最難的部分已經解決好了,，基于數(shù)據(jù)訓練、微調模型,，部署,、運行模型應用都是捎帶手的事。盡管這一捎帶手,，付出的是收購人工智能公司的真金白銀,。

的確，正如Databricks的聯(lián)合創(chuàng)始人Patrick Wendell所言,，在大模型百花齊放,，可獲得性高而成本逐漸降低的當下，建模技術以及建模能力正在迅速商品化,，模型本身是競爭的必要不充分條件,，數(shù)據(jù)才是人工智能戰(zhàn)略的核心。

而在生成式AI浪潮下,，離客戶數(shù)據(jù)最近的數(shù)據(jù)平臺廠商很難按兵不動,。

在近期舉辦的2023用戶大會上，大數(shù)據(jù)分析和指標平臺供應商「Kyligence」也發(fā)布了關于生成式AI的新布局——「工具+指標平臺+引擎」,。但區(qū)別于Snowflake和Databricks提供覆蓋大模型挑選,、訓練、微調到應用部署的全鏈條,，Kyligence更多聚焦于領域特定的生成式AI應用,，即工具層,。

會上，Kyligence 推出了基于?站式指標平臺「Kyligence Zen」的生成式AI新產品「Kyligence Copilot」AI數(shù)智助理（預覽版）,。而支撐上述指標平臺和應用的底層技術則是Kyligence Enterprise OLAP（多維分析）引擎,。

結合?語?模型能?，Kyligence Copilot可以幫助用戶通過?然語?對話獲取指標,，完成圍繞業(yè)務指標的分析和洞察,，例如歸因分析,、目標看板,，并?持?動創(chuàng)建儀表盤。此外,，Kyligence Copilot還可以推送指標到IM群組,、創(chuàng)建任務，整合圍繞指標的?作流程,。

據(jù)介紹,，Kyligence Copilot目前支持SaaS、本地化部署,、嵌入式三類落地形式,。同時，公司開發(fā)了「Byzer-LLM」工具箱,，支持客戶基于通用大語言模型,，利用專有數(shù)據(jù)形成的指標知識庫進行訓練、微調,，生成企業(yè)的指標領域模型,。

伴隨Kyligence Copilot的推出，Kyligence的定位也朝著“用數(shù)”更進一步,。Kyligence聯(lián)合創(chuàng)始人兼CEO韓卿告訴36氪,，生成式AI技術于公司最大的價值是，使Kyligence從一個技術公司,，走向一個真正的管理軟件公司,，以數(shù)據(jù)為基礎，從指標側構建,、輸出企業(yè)經營管理體系,，助力客戶精細化運營。

如Kyligence聯(lián)合創(chuàng)始人兼CTO李揚所言,，Kyligence Enterprise是面向IT專業(yè)人員的數(shù)據(jù)管理工具,，Kyligence Zen是可以面向業(yè)務人員的數(shù)據(jù)分析工具，而Kyligence Copilot填補了公司要實現(xiàn)“人人用數(shù)”目標所缺失的最后一塊拼圖,。

這塊拼圖究竟如何發(fā)揮作用,？從預覽版到真正用起來還有什么挑戰(zhàn),，如何解決？以及,，如何看待生成式AI浪潮下,，大數(shù)據(jù)行業(yè)的發(fā)展趨勢？圍繞上述問題,，在大會期間,，36氪和其他媒體與Kyligence聯(lián)合創(chuàng)始人兼CEO韓卿、聯(lián)合創(chuàng)始人兼CTO李揚進行了深入交流,。

以下是交流實錄,，經36氪編輯：

01 AI數(shù)智助理——「人人用數(shù)」的最后一塊拼圖

Q：在開發(fā)Copilot時，Kyligence主要考慮了哪些關鍵要素,？

韓卿：第一是對行業(yè)特定領域認知的深度,。我們做了這么多年數(shù)據(jù)倉庫、數(shù)據(jù)分析,，其實非常理解這個行業(yè)的痛點在哪,，低效的點在哪，哪些地方用到了大量人力,。從這個角度,，我們就是要基于對行業(yè)痛點的理解，找到可以利用AI技術在哪些點突破,、創(chuàng)新,。

第二是，產品需要一些差異化,。我們在原有專業(yè)領域的積累,，相應的能力，并不是非常general,。讓大模型寫文章,，隨便寫首詩其實沒有差異化。我們今天發(fā)布的產品是建立在本身的積累之上,，比如OLAP引擎和指標平臺,。到今天，我們通過AI的手段把過往積累的能力放大了,。以前可能靠我們慢慢去研發(fā),，也在往用數(shù)的方向走，但現(xiàn)在有生成式AI,，是10倍,、100倍的爆發(fā)。

第三是專注,。AI出來之后所有人都想做一些嘗試和新的東西,。我看到了太多的公司在大模型出來后,，甚至連自己的商業(yè)模式，專注的東西全換掉了,。我們做這么多年企業(yè)服務學到的東西是,，要把專業(yè)服務做好、做深,、做專業(yè),，就得聚焦，不能什么都做,，不能今天什么熱就做什么,。

我內部寫過一篇全員信，有三句話,。第一,，大模型not our game,，它本身不是我們領域,，也不是我們參與的地方；第二,，要be part of the game,，參與進去；最后是define our own game,，要找到自己的游戲賽場,。所以，我們開發(fā)的產品就是在大數(shù)據(jù)這個領域,，基于指標平臺,，把AI能力放進來，產生碰撞,。

Q：怎么找到公司自己的游戲賽場,？構想到開發(fā)出現(xiàn)在的AI Copilot預覽版，這半年時間主要做了哪些工作,，最難的一步是什么,？

李揚：個人理解不一樣，比如做技術的會認為技術層面還好?，F(xiàn)在回頭看比較困難的還是,，技術、產品和業(yè)務的結合,。

大家都知道語言模型是個好東西,，但今時今刻考慮到投資回報，我用它做什么,，不用它做什么,，這個應該想清楚,。比如用它做餐廳的點單系統(tǒng)，回報率和投入比起來明顯就不合適,。

當想清楚用自然語言加上指標體系,，可以讓管理精度有質的提升，以前只能管理到科室,，現(xiàn)在可以管理到每一個業(yè)務人員,。這兒感覺是有商機的，想清楚了投入進去以后,，后面就都還好,。

Q：當時是如何預判到這輪技術趨勢的？

韓卿：我們很難預判,，但有所謂的愿景,，Kylin+intelligence，以AI的技術提升數(shù)據(jù)的使用,、分析能力,。前幾年我們可能更多關注利用機器學習做平臺的優(yōu)化、自動化,，比如說2019年我們就推出了AI增強引擎,，核心在于，凡是消耗人多的地方都用AI替換掉,。

有這個愿景,，當新的AI技術出來的時候，換個詞我們叫“抓住機會”,。我的核心產品和關注的方向并沒有變,。

抓住機會比預測更重要。

Q：公司層面來看,，Copilot這款產品對Kyligence而言,，最大的價值體現(xiàn)在哪？

韓卿：最大的幫助是讓我們從一個技術公司,，走向一個真正的管理軟件公司,。

我以前提供的是工具，今天提供的是平臺,，甚至上面承載了一些管理方法論,。這樣來看，大家的定位就不一樣了,。這是我們的核心,。我們一直想干的事情其實是可以定義行業(yè)標準、行業(yè)未來,，可以引領行業(yè)變化的趨勢,。這個是創(chuàng)業(yè)公司或者在行業(yè)深耕的公司應該做的事情,。

Q：具體來講，Copilot在Kyligence強調“管理方法論”的戰(zhàn)略中扮演什么角色,？

韓卿：我們主張以AI變革組織運營與管理,，分效率、經營,、協(xié)同三個層面,。一是提升數(shù)據(jù)分析的效率，來釋放所有人的潛力,；二是通過AI賦能運營來釋放管理的潛力,；三是通過AI加強協(xié)同，來釋放組織甚至組織與組織之間的潛力,。Copilot是中間很關鍵的一環(huán),。它背后AI技術發(fā)展帶來的人機交互方式的改變，讓我們對這三個問題的解決再上了一個臺階,。

李揚：Luke（韓卿）講的管理方法論,，具體到現(xiàn)階段的實踐上就是“人人用數(shù)”「工具+指標平臺+引擎」框架，即AI助理（零門檻的數(shù)據(jù)工具）+指標體系（零門檻的數(shù)據(jù)語言）+合理成本（為成本優(yōu)化數(shù)據(jù)引擎）,。AI助理是整個拼圖最晚來到的,，但,，是最關鍵的一個部分,，通過自然語言聯(lián)通使用數(shù)據(jù)工具的最后一公里。

完整的拼圖是,，我們有每個人都能觸達的數(shù)據(jù)工具,，可以使用統(tǒng)一的數(shù)據(jù)語言高效溝通，同時成本是低廉可控的,，我的業(yè)務是有價值回報的,。

02 湊齊拼圖，但無縫拼接尚需時日

Q：Kyligence提出的“人人用數(shù)”的「工具+指標平臺+引擎」框架,，落地還有哪些難點,？

李揚：這個框架現(xiàn)在還只是一個從技術或產品邏輯理論上比較通暢的狀態(tài)。從實際落地驗證的角度來說,，還有很大的提升空間,。

我們最終希望能達成的效果是，像ERP到來的時代那樣,，把整個管理水平提升一個臺階,。參考ERP落地，對應到數(shù)據(jù)管理,，應該是先在幾個典型的行業(yè)和頭部客戶里,，建立指標體系的模板,，基于行業(yè)know-how，我應該用什么樣的數(shù)字化方法去管理這個領域,，還能用指標體系的方式沉淀下來,。這份知識就是沉淀，還可以復制,。SAP的各類管理模塊可大規(guī)模復制,，這就是一個成熟的形態(tài)。

今天顯然還在早期,。相比于前一代技術,，可以使能的個體變多了。之前是公司財務部,，或者是運營部的一部分人用電子化系統(tǒng),，現(xiàn)在技術能力提升了，可以管理到末端,，每個業(yè)務端,。這個可能是下一步要做的。缺的一塊東西是,，基于實踐的行業(yè)套路,。

Q：具體地，Kyligence服務的行業(yè)需要發(fā)展到什么樣的狀態(tài),，才能支撐公司實現(xiàn)“人人用數(shù)”的目標,？

李揚：可以用精益化制造打比方。所謂的精益制造,，尤其是以德國企業(yè)為典型,，能把整個從物料管理開始，到庫存再到制造的每一個環(huán)節(jié)很精確地量化,，然后做供應鏈整體優(yōu)化而非局部最優(yōu),。這個可能就是一個成功的樣子。

也就是,，從端到端每個環(huán)節(jié)都可以用數(shù)字化描述,，每個環(huán)節(jié)、每個部門都可以用數(shù)字體系的方法去觀察,，或者考評績效,。

以這個為模板，可以看到,，能做到這兒的行業(yè)其實還不多,。尤其是過去，互聯(lián)網或者是做新行業(yè)的時候，總是先沖再說,，先干再謀求精細化,、高質量發(fā)展。數(shù)字化管理也是最近提出來的,，因為存量做完了,，各種紅利吃完了，現(xiàn)在是要來考管理水平,。

Q：所以從行業(yè)客戶的角度,，客觀來看要用起來，目前困難或挑戰(zhàn)是什么,？

韓卿：第一個困難是模型層面,，國產模型的成熟度還不夠。Open AI的模型沒有辦法給到我們銀行客戶或者大客戶使用,。

第二個困難是,，要看這些想要用的客戶有沒有數(shù)據(jù)的積累，數(shù)據(jù)成熟度到哪段了,。這個決定了能否用起來,。比如，今天我們Copilot做得再好,，但是你的數(shù)據(jù)沒用,，那巧婦難為無米之炊?；蛘邤?shù)據(jù)亂糟糟,，我的AI工具再厲害也回答不出來問題。

所以會發(fā)現(xiàn),，數(shù)據(jù)基礎比較好的企業(yè),，會更快用起來，并且效果比較好,。對我們的挑戰(zhàn)就在于大家都想追齊，這個時候怎么幫助客戶把落地的問題解決好,。

Q：數(shù)據(jù)準備不夠,，國產化的模型成熟度不夠。這樣兩頭難的情況,，怎么解決,？Kyligence也提到了“邊使用、邊治理”的理念,，有沒有想跟一些合作伙伴共同來做,？

韓卿：“邊使用、邊治理”是縱向來看，過去因為數(shù)據(jù)治理成本高,，大量依賴人工,，耗費專家腦力，但現(xiàn)在一是有了云化,，成本降低了,，二是有了AI，比如我們的AI增強引擎,，可以支撐客戶在數(shù)據(jù)使用過程中建立,、迭代模型。所以企業(yè)可以先買服務,，邊使用,、邊治理。

整個行業(yè)的角度來講不是“邊使用,、邊治理”的問題,，客戶是分層的。我們已經有客戶能合規(guī)地使用Open AI,，那我們就跟他合作,，大家往前跑，樣板先打出來,。

整個行業(yè),，國家剛出臺了一個《生成式人工智能服務管理暫行辦法》，我們認為比征求意見稿要寬松得多,，這是好事情,。因為有了這樣的規(guī)則，大家知道邊界在哪里,，有什么問題是行業(yè)要解決的,。

大模型本身這件事情不是我要解決的。我們現(xiàn)在關注的是用了大模型,，怎么把我們的東西做得非常好,。然后隨著不管是行業(yè)、政府,，還是整個賽道的變化,，逐步調整就好。今天所有的客戶到這里,，我也服務不起來,，一點一點來挺好。

Q：模型層的問題不歸Kyligence解決,，那么要落地應用,，如何解決模型幻覺、數(shù)據(jù)安全等實際的問題？

李揚：不準確是大家老擔心的問題,，核心的邏輯是最好不要把關鍵回答問題的那一段交給一個純開放的大語言模型來做,，而是引導到一個確定性的系統(tǒng)，比如我們的指標平臺,。

我們把回答問題的步驟拆解為四步,，包括提問審查、指令理解,、指令執(zhí)行和數(shù)據(jù)解讀,，可以在不同步驟中用幾個相對小的語言模型做特定能力的補償。

比如,，安全問題,。第一關就是審查提問是否合法合規(guī)，是否屬于工作范疇,，如果不是,，模型就不會回答；

第二步指令理解,，需要明白自然語言對應到指標平臺上具體的是什么指令執(zhí)行,；

第三步指令執(zhí)行，根據(jù)指令做出分析決策,，比如歸因分析,，或者把績效最差的銷售挑出來。這是最關鍵的需要解決胡說八道問題的環(huán)節(jié),。這個動作是在指標平臺上面完成的,，不是不確定的大語言模型在回答。

這里我們的做法和其他廠商可能不同,，沒有用NLP to SQL,，而是NLP to DSL（Domain Specific Language），基于指標體系這個統(tǒng)一的數(shù)據(jù)語言,，限定回答的自由度,。

為什么,？to SQL，從自然語言直接映射到數(shù)據(jù)查詢,，長期來看一定是正確的方向，但我們預判SQL的目標空間還是很復雜，靈活度非常大,，要穩(wěn)定收斂，短期里面會有挑戰(zhàn)。

另外,，在數(shù)據(jù)安全方面,，SaaS形態(tài)的方案是最容易和最方便驗證新技術的,，但也是大家最有顧慮的一種落地方式,。我們制定了嚴格的流程管控、審計和監(jiān)控流。網絡和計算與公司的辦公域完全隔離，數(shù)據(jù)存儲,、計算資源也都是按照組織隔離的。同時,，數(shù)據(jù)傳輸過程端到端完整加密,。整個工作流程，我們有 SOC 2 Type Ⅱ 認證,、ISO 9001/27001認證等,。

Q：所以不是to SQL，而是to DSL也是出于快速落地的考量,？

李揚：技術的進步需要有快速的閉環(huán)和迭代來完成,。我們的策略就是先控制自然語言使用的自由度,，把它限制在指標領域的范圍里,，從而實現(xiàn)快速的商業(yè)落地,，這樣企業(yè)就能從中受益,。

通常如果回報周期越短,，越是能快速帶來企業(yè)下一輪投入,。因為有一個好的想法驗證出來果然有用,，而且有可量化的價值,，企業(yè)就會很愿意做新一輪的投入,。

現(xiàn)在美國AI炒得很熱，最近又有一些AI泡沫化這種擔憂出來,。之所以有這樣的擔憂,，一方面當然確實貴,，另外一方面落地的速度不夠快。如果已經落地形成一輪閉環(huán),，有真金白銀的兌現(xiàn)，就談不上泡沫,。

Q：提到投入產出，一分為二,，公司自己的經濟賬怎么算,？對客戶來說考慮ROI是不是也需要有場景篩選的過程？

韓卿：對我們內部來說,，創(chuàng)業(yè)公司永遠是把原來的事情做起來,，以及跟做創(chuàng)新之間找到平衡,。對我們來說投入還好。但目前很難說這筆賬到底怎么樣,。但我只知道一點,，不做就落后,，落后就死掉,。一個創(chuàng)業(yè)公司如果固守成規(guī)，不往前走,，那肯定出事情,。

對客戶來說，是的,。這也是為什么今天出的還是預覽版,。這個技術本身實在太新了，有太多的未知,。第二個事情是,，我們也希望通過預覽版，讓大家看到我有這樣的能力,，找到一些數(shù)字化轉型的先鋒客戶,，一起探索有什么新的或者好的場景。

Q：Kyligence目前用的什么模型,？對指標領域應用而言,，模型的能力差異體現(xiàn)在哪？

李揚：模型的能力差異主要體現(xiàn)在指令理解和數(shù)據(jù)解讀,。我們的 Kyligence Copilot預覽版目前支持可以合規(guī)使用OpenAI模型API的企業(yè),。本地化部署主要是LLaMA和Falcon。我們測試的結果是,，這兩個模型在指令理解能力方面大約是GPT3.5的70%,，具備落地應用的能力。當然我們也在積極測試其他的開源模型,，也希望能夠和國內的大模型廠商開展合作,。

Q：對不是最優(yōu)結果，企業(yè)客戶接受嗎,？

李揚：從企業(yè)接受度來說,，只要比今天的那個人做得好就可以。人也會犯錯,，聽領導的要求,，也會有一定的理解偏差或者理解錯誤。

Q：算力方面，客戶能滿足使用Copilot的需求嗎,？

李揚：出乎意料的好像還行,。這個聊到是企業(yè)私有化部署的IT成本問題。初步應用起來,，給領導管理層,，夠他們用的AI，或者說顯卡,、計算資源,，小幾十萬就夠了。如果要應用到整個公司幾萬人,，可能大概就百萬規(guī)模的IT預算,。

03 生成式AI已來，大數(shù)據(jù)領域競爭邊界模糊

Q：簡單來說,，您認為大模型究竟為大數(shù)據(jù)領域帶來了什么變化,？

韓卿：人機交互模式的變化會帶來使用數(shù)據(jù)的革命性變化，從過去以數(shù)據(jù)為中心做分析的方式變?yōu)橐匀藶橹行摹?/p>

過去使用數(shù)據(jù)需要靠專業(yè)人士,。我作為管理者想要看指標，就要委托一個人幫我做,，可能是專業(yè)的程序員或工程師,。整個交互模式是一層一層轉包的過程。有了Copilot,，就是一個效率放大器,，決策效率會大幅提升。

我們一直在做的事情是把專業(yè)的,、復雜的東西,，逐漸變得平民化、簡單化,。比如,，OLAP引擎是很專業(yè)的工具，只有金融等行業(yè)的大客戶才能用起來,，但是指標平臺大部分客戶是可以接受的,。業(yè)務人員也能理解，當然它還是一個專業(yè)工具,。如果變成Copilot,，幾乎每個人都可以用。

把復雜問題簡單化的過程,，也是我們講的人機交互的革命,。

Q：Kyligence有一些BI的合作伙伴，指標平臺跟BI是什么關系？

李揚：嚴格來說BI是屬于我們認為的數(shù)據(jù)應用層,，不是我們主要發(fā)力的地方,，我們發(fā)力在平臺和引擎，以及圍繞的一些指標的,、有深度的能力方面,。所以從定位來講，BI是我們的合作伙伴,，我們也并沒有打算取代掉BI的這個場景,。

Q：有了大模型，未來Kyligence的Copilot產品和BI廠商發(fā)展的方向會不會越來越趨同,？

李揚：應該會有一定重合,，大家其實在解決同一個問題，只是在不同的層面工作,。但如果問題對應的場景并不復雜,，比如就是簡單看兩張報表，不需要引擎,、平臺,、數(shù)據(jù)這樣的分層，可能會存在競爭,。

但如果我們把蛋糕做大,，把人人用數(shù)的能力放大出來，把行業(yè)指標體系的可復制能力推開,，真的能提高整個行業(yè)數(shù)智管理能力基線,，就不會存在競爭的問題了。做引擎的做引擎,，做內核的做內核,，做行業(yè)應用的做應用。

Q：未來終極的產品形態(tài)有沒有可能就只是人機交互的形式,？

李揚：不會,。并非所有的事光用語言表達就一定是最高效的。舉個例子,，做一個儀表盤,，要把圖畫得好看，字體大一點,，橫軸加一個標注等等,。如果要用語言把這個事說得很清楚，會特別費勁,。反過來還是鼠標點兩下更快,。

所以人機交互不是零或者一的替代關系,，只是多了一種渠道。有時候這種渠道是高效的,，但有時候就不一定是必要的,。

Q：海外的Databricks、Snowflake最近也有一些動作,，Kyligence有何不同,，比如跟Snowflake相比？

李揚：從不同的角度,，答案會不太一樣,。從技術起源的角度很像，大家都是OLAP引擎,。

從產品定位上,，我們已經有一些差異。因為我們現(xiàn)在更多是通過指標平臺能力作為出口,，推廣我們的產品,，更偏向業(yè)務。相當于往業(yè)務和應用層抬了一步,，在產品角度不會直接和它形成對位競爭,。

當然最新動態(tài)很多，Snowflake自己也收購了一些AI的公司,。產品層面也許未來也是趨同,，大家都在進步。

OLAP的引擎能力投入我們也從來沒有停過,。我們看到的是底層架構的東西，尤其是在國內,，要被大家用起來是需要一個出口的,，跟國外的模式不一樣。國外有點像偏科更容易過,，把一件事情做到極致,。國內希望你有一個價值閉環(huán)，說得清的東西,。所以近兩年,，針對國內市場我們做了把能力圈層往外擴的努力。

Q：像 Databricks,、Snowflake這樣收購生成式AI公司的做法,，在國內可行嗎？

韓卿：通過收購快速補齊能力是科技公司常用的方法,，尤其是在技術高速劇變的時候,。我們對國內AI等公司不是很熟悉,，很難給出準確的看法。這類M&A在美國很成熟,，但在國內以收購模式做整合并且做的好的似乎還不多,。從美國市場的實踐看，這應該是一個比較好的模式,，只是可能需要更多的時間和探索,。

Q：和國內友商相比，Kyligence的差異化體現(xiàn)在哪,？

李揚：行業(yè)里其實做指標平臺的并不少,，中肯地說，在指標平臺這個層面,，相似大過于不同,。

我們最大的技術差異點是在OLAP引擎層。配合上每一個人都來用數(shù)的前提,，一是要支撐公司5萬人,、10萬人大家都來用這個數(shù)據(jù)，對引擎本身的性能,，尤其是高并發(fā)下的穩(wěn)定性有較高要求,，同時成本也要合理。這兩個方面Kyligence有一定的優(yōu)勢,。面向成本優(yōu)化,，降低每一次查詢的成本，也是我們對引擎這款產品設定的持續(xù)發(fā)展方向,。

另外,，我們也在持續(xù)推進計算引擎的性能。去年7月我們聯(lián)合Intel在Databricks Summit上發(fā)布了Gluten的新技術,，本質上就是把向量化的執(zhí)行引擎植入到Spark中,。我們的Kyligence Turbo就是一個向量化的Spark引擎技術，目前測試下來比標準版Spark引擎提速2倍以上,。大概在今年10-11月開始,，我們會和一些愿意嘗鮮的頭部客戶，在真實生產環(huán)境中測試它的表現(xiàn)怎么樣,。