YouTube AI - 2026-05-16¶
1. 人们在讨论什么¶
1.1 AI 可信度如今要靠证据站住脚，而不是靠精修演示 🡕¶
今天这组内容里，最尖锐的一条主线是：模型可信度如今不再主要取决于演示做得多漂亮，而要看这些宣称能否扛得住审计。四条不同内容从四个方向把这点推到台前：基准测试操纵指控、对当前系统是否真的会“推理”的怀疑、把形式化验证当作替代路径，以及围绕 AI 安全的直接政治施压。
Coding with Lewis 把 Meta 变成了一个信任崩塌案例，播放量 44,565。描述里链接的报道摘要称，Yann LeCun 把 Llama 4 的基准测试结果形容为“稍微修饰了一点”；而 Meta 自己的发布文章仍把 Scout 和 Maverick 宣传为同类最佳的多模态模型，并强调其基准测试胜利。于是，来源和基准测试本身都成了产品的一部分，而不再只是发布周的配套评论 (视频, The Decoder, Meta).
World Science Festival 把同样的不信任扩展到了单一公司之外。Gary Marcus 在一场长谈里主张，当前系统也许只是营造出“会推理”的可信印象，却并没有以人的方式真正推理，这让“只要继续扩展规模就行”的故事，看起来远没有前沿营销说得那么确定 (视频).
Ksenia | Turing Post 给出了最具体的技术替代路径。视频把能量模型框定为约束满足，而不是下一个 token 预测；链接的文章则表示，Aleph 面向可扩展的、经过验证的代码生成：证明要么闭合，要么彻底失败。这把讨论从“更好的演示”转向“部署前就能证明正确性”的系统 (视频, Logical Intelligence).
Roman Yampolskiy 显示，信任危机既是技术问题，也是政治问题。描述把观众直接导向 ControlAI 的立法者行动页面，人们对超级智能的怀疑因此不再只是研究论战，而是已经开始组织成公众压力 (视频, ControlAI).
讨论要点：信任问题如今横跨发布宣称、推理理论、验证架构和治理。共同的诉求不只是“更强的 AI”，而是“宣称可以被检查的 AI”。
与前日对比：在 2026-05-15，信任已经围绕基准测试表演和可证明系统展开。到了 2026-05-16，同一主题进一步扩展成对“推理”叙事本身的更广泛攻击，以及更明确的公众倡议回应。
1.2 本地/开放 AI 正从编程扩散到 3D 和视频工作流 🡕¶
昨天那条本地优先智能体叙事还在延续，但覆盖范围明显更广了。这组内容里的本地/开放信号，已经不只是在讲编程智能体。它现在还包括图像转 3D 生成、本地模型并排评测，以及面向创作者的本地视频流水线，这让“本地化”看起来更像一种通用产品方向，而不是小众的隐私功能。
Stefan 3D AI 给出了媒体侧最清楚的例子，播放量 33,835。视频称 Pixal3D 可能已经超过一些付费闭源系统；项目页则说，它用像素反投影条件化来建立从像素到 3D 的一一映射、提升保真度，并自然扩展到多视角生成。这让开放权重的本地 3D 看起来像是构建者可用的实际选项，而不再是玩具演示 (视频, Pixal3D).
STARTUP HAKK 把同样的逻辑讲成了一套本地编程智能体命题。视频追问：如果开放的本地模型已经逼近前沿订阅服务，开发者到底还在为什么付费？OpenMonoAgent.ai 用一个终端原生的本地智能体、无限 token、Docker 沙箱隔离、感知 Roslyn 的代码智能，以及 20 个工具加 MCP，把答案具体化了。这里的构建模式是“拥有”——跑在自己手里的基础设施，而不是向别人租能力 (视频, OpenMonoAgent.ai, 仓库).
AI Stack Engineer 展示了这种本地转向如今有多实用。视频没有抽象地为开放模型站台，而是把 Gemma 4 和 Qwen 3.6 的基准测试数据、硬件要求、许可证和真实应用摆在一起比较——这已经是一个默认本地部署可行的市场行为了 (视频).
AI Research 把这条线延伸到了创作者视频。它的卖点是一套不依赖 ComfyUI 的本地、无审查 LTX 2.3 工作流，这很关键，因为它把本地执行包装成获得灵活性和控制权的最简单路径，而不是高级爱好者的折腾路线 (视频).
讨论要点：“本地”如今早已不只是私密聊天。在这组内容里，它覆盖的是编程智能体、稠密模型选择、图像转 3D 流水线，以及创作者视频工作流。
与前日对比：在 2026-05-15，本地优先的热度主要集中在智能体式编程和私有运行时控制。到了 2026-05-16，同一股趋势已经扩散到 3D 资产、本地模型基准测试，以及本地视频生成。
1.3 AI 竞赛仍被讲成一套“芯片、中国与资本配置”的故事 🡒¶
基础设施故事仍然是这组内容里最大的主题之一，而量级最大的条目依旧谈的是半导体产能，而不是某个新模型发布。今天变化的是金融层：除了地缘政治和供应链之外，数据集里还出现了更明确的选股与验证讨论，围绕“谁能真正吃到 AI 基建扩张的红利”展开。
Bloomberg Originals 以 602,008 次播放锚定整个数据集。它的章节列表把 ASML 光刻、AMD 设计、TSMC 的供应链、中国推动制造回流的努力，以及美国新晶圆厂都放在中心位置，因此在变成软件故事之前，AI 竞赛首先还是一个工业产能问题 (视频).
ABC News 补上了国家部署这一层。报道称，中国政府已经在广泛拥抱 AI，而且学校里正在强制推行 AI 教育，这让竞争故事更像制度推进和劳动力准备，而不只是私营部门的试验 (视频).
Options With Ryan 显示，这套工业叙事会多快被翻译成资本配置。整条内容本质上是在押注哪些 Nvidia 邻近的基础设施标的能承接这轮扩张，而这组里其他聚焦股票的视频也不断回到同一个问题：AI 供应链的哪些部分已有真实验证，哪些还只是叙事 (视频).
讨论要点：基础设施这条线已经不只是瓶颈问题。它现在同时还是一个市场筛选问题：创作者们试图判断，哪些芯片、光学和数据中心故事足够扎实，值得押上资本。
与前日对比：在 2026-05-15，“中国 + 芯片”的故事已经很强。到了 2026-05-16，这条线依然稳固，但市场和选股这一层变得更明确了。
1.4 AI 正被包装成垂直工作流软件和付费上手服务 🡕¶
另一个清晰模式是，AI 的采用越来越以引导式工作流、领域辅助助手或正式培训路径的形式被售卖。与其说是一个模型承诺包打天下，不如说今天的证据把 AI 打包进创作者软件、受监督的医疗支持、结构化课程，以及 RAG 这类具体落地模式里。
TheAIGRID 给出了最强的垂直案例。视频解释了 DeepMind 的 AI co-clinician，而 DeepMind 自己的文章称，这套系统旨在医生主导下的“三方照护”，在 98 个逼真的初级保健查询里有 97 个没有出现任何关键错误，并采用 planner/talker 架构来保障面向患者场景的安全。它的价值主张是在特定领域里做谨慎增强，而不是走向通用自治 (视频, DeepMind).
Malva AI 展示了同一种动作在创作者软件上的版本。视频把 Qwen 的创作者工作流导向 Higgsfield Marketing Studio，而 Higgsfield 把 SUPERCOMPUTER 宣传成一个具备技能、记忆和 24/7 自动化能力的智能体，同时还出售现成广告模板。这已经是包裹在 AI 外面的工作流软件，而不只是裸生成能力 (视频, Higgsfield).
Simplilearn 则把同样的需求包装成教育产品。这门 22 小时课程还链接到付费项目，模块列表覆盖 AI 素养、高级生成式 AI、带模型上下文与工具协议的智能体框架、图像生成、治理和结课项目。这说明“学 AI”本身也正在变成一个结构化产品类别 (视频).
codebasics 则补上了落地层。创作者说，RAG 是 GenAI 招聘信息里的常见技能，而链接的 RAG Basics 资源页表明，这套材料正被打包成可复用的构建者资产，而不只是一次性科普 (视频, RAG Basics).
讨论要点：商业化 AI 这一层正在变得更清晰可见。在这组内容里，采用不是只靠前沿模型奇观推动，而是通过辅助助手边界、创作者工作流软件、付费课程和实用落地方法进入市场。
与前日对比：在 2026-05-15，产品包装主要出现在本地工作台和岗位地图里。到了 2026-05-16，它更明确地变得垂直化、可变现：医疗支持、创作者自动化、正式培训，以及可复用的落地技能。
2. 令人困扰的问题¶
当 AI 宣称无法验证时，信任就会崩塌¶
这是高严重度，因为几条高信号内容从不同方向都在攻击同一个缺口。Coding with Lewis 把围绕 Llama 4 的基准测试可信度变成了一个公共信任问题，Gary Marcus 认为有说服力的输出不等于推理，而 Ksenia 对 Aleph 的报道则认为，正确性必须能够被证明，而不能只是“看起来可信” (视频, The Decoder, 视频, 视频, Logical Intelligence)。Roman Yampolskiy 又显示，这种挫败感已经跨进了直接面向立法者的施压 (视频, ControlAI)。眼下看得见的应对方式，是验证层、替代架构和公众施压行动，而不是对默认模型宣称抱有更高信任。这一点非常值得构建。
本地 AI 很有吸引力，但硬件和配置仍然是产品的一部分¶
这是高严重度，因为最强的本地优先视频，花了真时间去讨论模型选择、硬件约束和工作流简化，而不是把本地 AI 讲成开箱即用。Stefan 3D AI 把 Pixal3D 的一部分卖点放在“可以开放运行”上，AI Stack Engineer 按硬件和许可证取舍比较 Gemma 4 与 Qwen 3.6，STARTUP HAKK 强调自己掌握本地推理的经济账，而 AI Research 则把 LTX 2.3 明确包装成一条不依赖 ComfyUI、更简单的本地视频路径 (视频, 视频, 视频, 视频, OpenMonoAgent.ai)。当前的应对方式是封装层、硬件自动检测，以及预设更强的一体化本地栈。这一点非常值得构建。
AI 基础设施仍然取决于芯片、地缘政治和真实需求的证明¶
这是高严重度，因为最大的基础设施条目依然全是约束故事。Bloomberg 把光刻、TSMC、制造回流和晶圆厂放在中心，ABC 把 AI 讲成国家部署和学校政策，而股票市场内容则不断追问，哪些 AI 基础设施标的有真实验证，哪些还只是投机叙事 (视频, 视频, 视频, 视频)。当前的应对方式是更多投资、更强选择性和更多工业规划，而不是问题已经解决。这一点值得构建，但大部分价值更贴近基础设施运营方和企业买家。
只有在人类仍清楚掌舵时，垂直 AI 才能赢得信任¶
这是高严重度，因为这组里最可信的垂直 AI 条目，对边界非常谨慎，而不是高调宣称替代。DeepMind 把 AI co-clinician 框定为医生主导下的“三方照护”，在 98 个逼真的初级保健查询里有 97 个没有出现关键错误，而且仍明确表示这项工作现阶段并不用于诊断或治疗 (视频, DeepMind)。连 CBS 的旅游报道，也把 AI 框定为传统行业内部的运营整合，而不是自治式的全面改造 (视频)。当前的应对方式是边界清楚、有人监督的窄幅增强，因此这一点非常值得构建。
因为 AI 学习面太宽，人们仍然愿意为结构化内容付费¶
这是中等严重度，因为这个信号更多表现为市场行为，而不是直接抱怨，但它非常一致。Simplilearn 把 AI 打包成 22 小时课程和付费项目，codebasics 把 RAG 做成可下载的构建者技能，而 AI Master 卖的是一步一步的智能体培训，而不是假设人们能靠零散视频自行拼出整套栈 (视频, 视频, 视频, RAG Basics)。这是真实需求，但市场已经很拥挤。
3. 人们期望的功能¶
来源清晰、验证优先的 AI¶
这组内容里最强的实际需求，是那种能展示“测了什么、有什么证据支撑某项宣称，以及输出在被依赖前是否满足硬约束”的系统。Lewis 关于 Meta 的故事展示了基准测试信任会多快崩塌，那场长谈质疑当前系统是否一开始就真的在推理，而 Ksenia 对 Aleph 的报道则把形式化验证指向为更可信的答案 (视频, 视频, 视频, Logical Intelligence)。这是一个紧迫的实际需求。机会：直接。
面向开发者和创作者的本地优先工作台¶
人们显然想要那种离用户更近、搭起来后成本更低、又更少把代码或媒体泄露给外部提供商的 AI 栈。Pixal3D、OpenMonoAgent、Gemma 对 Qwen 的本地比较，以及 LTX 2.3，都指向同一个产品愿望：一个连贯的本地环境，把编程、媒体生成和模型编排放在一起，而不再依赖按量计费的云 (视频, 视频, 视频, 视频, OpenMonoAgent.ai)。这是一个既实际又紧迫的需求，因为当前的权宜方案仍然太吃配置。机会：直接。
基础设施准备度与部署情报¶
基础设施这一簇内容暗示，人们需要一种软件，能跟踪哪些 AI 扩张故事是真的、哪些供应商才是瓶颈，以及部署已经在哪些国家级或企业级场景中发生。Bloomberg 处理的是晶圆厂和供应链，ABC 讲的是学校政策与国家采用，而股票分析创作者则试图把已验证的基础设施故事和投机叙事区分开来 (视频, 视频, 视频, 视频)。这是企业级的实际需求，而不是消费者愿望。机会：直接。
带明确升级路径的受监督领域辅助助手¶
医疗和旅游这两条内容都表明，人们想要的是能嵌入真实运营、却不假装人类专家会消失的窄幅 AI 系统。DeepMind 的 AI co-clinician 之所以最强，恰恰因为它把医生权威放在中心；CBS 对旅游行业的描述，则把 AI 视为现有产业栈里的运营支持，而不是一个完全自治的服务层 (视频, DeepMind, 视频)。这是一个信任取决于交接与边界的紧迫实际需求。机会：直接。
给构建者和学习者的清晰落地地图¶
学习和教程类内容显示，人们持续需要这样的产品：告诉他们该先学什么、该用哪套栈，以及智能体、RAG 和垂直 AI 这些模块之间到底如何拼起来。Simplilearn、codebasics 和 AI Master 都在用不同方式售卖这种结构，这说明需求是真实的，即使市场已经拥挤 (视频, 视频, 视频)。这部分既是实用需求，也带有安抚性质。机会：竞争。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| Pixal3D | 3D 生成模型 | (+) | 像素对齐的图像转 3D 生成，保真度高，并可扩展到多视角 | 对大多数团队来说仍然较专门，也很吃算力 |
| OpenMonoAgent.ai | 本地编程智能体 | (+) | 完全离线、Docker 沙箱隔离、单命令安装、感知 Roslyn、支持 MCP | 仍处早期 Beta，效果也依赖本地硬件质量 |
| Qwen 3.6 / Gemma 4 本地工作流 | 本地开放模型栈 | (+/-) | 让构建者在不向云端交租的前提下，对本地编程和推理有了真实选择 | 硬件、许可证和模型选择仍需主动权衡 |
| LTX 2.3 本地工作流 | 本地视频生成 | (+/-) | 承诺无需 ComfyUI 的复杂度，就能本地、无审查生成视频 | 质量、稳定性和生产就绪度仍不清楚 |
| Higgsfield Marketing Studio / SUPERCOMPUTER | 创作者工作流平台 | (+) | 把技能、记忆、自动化和现成广告工作流打包在一起 | 在本已碎片化的创作者栈上又叠加了一层专有平台 |
| RAG | 检索方法 | (+) | 在真实 GenAI 项目和岗位里仍是核心实用模式 | 需要数据准备、索引和领域调优才能跑好 |
| AI co-clinician | 临床 AI 辅助助手 | (+/-) | 证据综合能力强、多模态支持完善，并有明确的安全架构 | 只有在临床医生监督下才有用，且现阶段还不能直接用于医疗服务 |
| Aleph / Kona | 验证优先推理 | (+) | 关注形式化证明和经过验证的代码生成，而不是“看起来合理”的输出 | 比通用助手工作流更窄，也更早期 |
| ARR + OODA loops / prompt contracts | 智能体设计方法 | (+) | 把角色、审查循环和任务边界明确化，便于开展智能体工作 | 它暴露的是薄弱目标和糟糕底层流程，而不是把它们修好 |
这组内容里，评价最好的条目都是那些增加了控制力、本地性或可证明性的工具。Pixal3D、OpenMonoAgent、RAG、AI co-clinician 和 Aleph，各自都是靠把某个关键维度变得更可靠来赢：保真度、隐私、落地依据、监督，或正确性 (视频, 视频, 视频, 视频, 视频)。
只要运行依赖本地硬件、创作者平台蔓延，或上游宣称的信任开始摇晃，评价马上就会变得复杂。Gemma 对 Qwen 的比较、本地视频工作流，以及创作者自动化平台，都承诺了更多掌控权，但它们仍要求用户投入配置、判断和切换成本 (视频, 视频, 视频)。
最清晰的迁移模式，是从按量计费的云工具转向本地/开放栈，从通用聊天转向 RAG 和结构化智能体，以及从基于基准测试的信任转向证明、监督和可审计性。
5. 人们在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Pixal3D | Pixal3D 作者团队 | 像素对齐的图像转 3D 生成器，可输出更高保真结果并扩展到多视角 | 缩小开放图像转 3D 工作流里的保真度差距 | 像素反投影条件化、稀疏潜变量 VAE、3D 特征体 | Alpha | 项目, 视频 |
| OpenMonoAgent.ai | StartupHakk | 运行在本地 LLM 上、带 Docker 沙箱隔离的终端原生编程智能体 | 降低编程智能体的订阅成本和隐私泄露风险 | C#/.NET、本地 Qwen 模型、Roslyn 智能、Docker、MCP | Beta | 网站, 仓库, 视频 |
| AI co-clinician | Google DeepMind | 在医生监督下负责证据综合和远程医疗支持的 AI 队友 | 在不移除医生控制权的前提下改进照护支持 | Gemini、Project Astra、双智能体 planner/talker、检索与引用检查 | Alpha | DeepMind, 视频 |
| Higgsfield SUPERCOMPUTER / Marketing Studio | Higgsfield | 面向创作者的智能体、记忆、自动化和广告创作工作流 | 把创作者与营销工作压缩到同一个引导式 AI 界面里 | 技能、记忆、自动化、广告模板、创作者工作流 | 已上线 | 网站, 视频 |
| Aleph / Kona | Logical Intelligence | 面向定理证明和代码生成的验证优先推理系统 | 为高风险用户提供一条可证明正确性的路径 | 基于能量的推理、形式化验证、带基准测试的定理证明 | Alpha | 文章, 视频 |
Pixal3D 值得注意，因为它不只是又一个生成媒体演示。项目页对“如何提升保真度”的说明异常具体，而对比部分还直接把它摆到了 TRELLIS 2 和 HY3D V3.1 面前。在一个讨论常被闭源工具主导的类别里，这让它成了一个有分量的开放权重构建信号。
OpenMonoAgent.ai 是这组内容里最清晰的“拥有整套栈”式构建。它的差异化不在某个新的前沿模型，而在一层本地运营能力：本地推理、Docker 沙箱隔离、感知 Roslyn 的工具链，以及 MCP 支持。围绕它出现的几条最强本地模型视频都在暗示，这个方向正在从意识形态小众选择，变成严肃的产品类别。
DeepMind 和 Logical Intelligence 指向了两种截然不同的建信任方式。AI co-clinician 靠在医疗里保持窄边界、强监督和重证据来建立优势，而 Aleph 则试图用形式化验证替代“看起来可信”。纵观整张表，反复出现的构建模式是围绕 AI 加控制层，而不是追逐原始模型新奇性。
6. 新动态与亮点¶
当天上传的内容分成了“信任怀疑”和“本地/开放媒体工具”两簇¶
七条视频（共 22 条）是在 2026-05-15 上传的，而信号最强的新内容大致分成两簇。Coding with Lewis、World Science Festival 和 Ksenia 都在用不同方式质疑前沿 AI 的可信度；与此同时，Stefan 3D AI、Curious Refuge 和 Brain Project 则继续推动开放或更低成本的媒体工作流。最新鲜的内容，讨论的不是某一个新模型，而是当前 AI 究竟能不能被信任、能不能被真正掌握。
AI 基础设施如今被讲成了“投资者如何选标的”的问题¶
Bloomberg 仍然掌握着最大的基础设施故事，但新的变化在于，创作者正在把同一轮扩张翻译成选股逻辑。Options With Ryan 和 Rick Orford 都把重点放在：哪些 AI 基础设施标的背后有真实证明。这比昨天更宽泛的地缘政治框架，释放出了更强的金融化信号 (视频, 视频, 视频)。
DeepMind 仍然讲出了最清晰的“受监督高风险 AI”故事¶
AI co-clinician 值得注意的地方，不在于它宣称自治，而在于 DeepMind 是靠医生偏好、量化错误分析、多模态模拟工作和明确的架构护栏来立论。在一组充满宏大 AI 宣称的内容里，它反而是靠收窄承诺而显得突出 (视频, DeepMind)。
RAG、智能体和整套课程内容，仍在把 AI 实操知识做成产品化培训¶
Simplilearn、codebasics 和 AI Master 都认为，AI 采用必须用结构化课程、可下载资产或付费分步指导来教会用户。这让“如何使用 AI”本身也成了一个持续存在的商业类别，而不只是暂时性的入门层 (视频, 视频, 视频)。
7. 机会在哪里¶
[+++] 面向 AI 输出的验证与来源层 - 这是这组内容里最强的直接机会。Lewis、Gary Marcus、Ksenia 和 Roman Yampolskiy 从不同角度汇聚到同一个缺口：人们需要一种系统，能在信任之前先检查宣称、基准测试和输出。
[+++] 面向开发者和创作者的本地优先工作台 - Pixal3D、OpenMonoAgent、Gemma 对 Qwen 的比较，以及 LTX 2.3 都在指向一种需求：用户想要的是自己能运行、能检查、也能自己做预算的 AI 栈，而不是把能力一 token 一 token 地从云端租回来。
[++] 基础设施准备度情报 - Bloomberg、ABC 和股票分析视频表明，市场里有空间容纳这样一种软件：跟踪瓶颈、供应商验证、部署里程碑，以及 AI 扩张究竟在哪些地方真的从投机变成了持久建设。
[++] 受监督的垂直辅助助手 - DeepMind 和 CBS 一起指向的是窄幅 AI 系统：它们靠嵌入现有专业工作流、提供明确交接并保留人类权威来获胜，而不是靠承诺替代人类。
[+] 结构化 AI 落地与培训系统 - Simplilearn、codebasics 和 AI Master 显示，市场对“告诉团队该学什么、该部署什么，以及如何把智能体和 RAG 运营起来”的产品有稳定需求。需求是真实的，但这个空间已经拥挤，也很容易被模仿。
8. 要点总结¶
- AI 可信度如今看的是可审计性，而不只是性能宣称。 Lewis、Gary Marcus 和 Ksenia 都在指向同一个变化：当人们开始怀疑底层推理或来源时，基准测试胜利和精修演示的重要性就会下降。 (来源, 来源, 来源)
- 本地/开放 AI 正从编程扩展到创作者基础设施。 Pixal3D、OpenMonoAgent、Gemma 对 Qwen 的比较，以及 LTX 2.3 表明，本地化如今覆盖的是 3D、编程智能体、模型选择和视频生成，而不只是注重隐私的聊天。 (来源, 来源, 来源, 来源)
- AI 竞赛在变成消费品故事之前，仍更像工业和地缘政治故事。 Bloomberg 和 ABC 继续把晶圆厂、供应链和国家部署放在故事中心，而选股视频则表明，市场已经开始把这种框架货币化。 (来源, 来源, 来源)
- 这组内容里最可信的高风险 AI 叙事，是受监督的，而不是自治的。 DeepMind 的 AI co-clinician 之所以突出，是因为它强调医生权威、可量化的错误分析和安全架构，而不是承诺取代临床医生。 (来源, 来源)
- AI 落地知识如今本身就成了一个产品类别。 Simplilearn、codebasics 和 AI Master 都在把结构化内容变现，这说明人们仍然需要帮助，才能把模型能力转成真正的工作流和可就业技能。 (来源, 来源, 来源)
- 这组内容里最强的构建者，竞争的是围绕 AI 的控制层，而不是原始前沿规模。 Pixal3D 比的是保真度，OpenMonoAgent 比的是拥有权和沙箱隔离，Higgsfield 比的是工作流编排，而 Aleph 比的是验证。 (来源, 来源, 来源, 来源)