嘉賓介紹

*姓首字母排序，不分先后。

我們在聊

? 在學(xué)術(shù)界和工業(yè)界，具身智能方向的共識和非共識是什么？

? 什么是實現(xiàn)具體智能的途徑？

? 模擬器究竟能提供什么價值？將來會不會有一家公司真的會制作一款專門而精確的模擬軟件？

? 一般硬件的形態(tài)會是什么樣子？硬件在具體智能化發(fā)展過程中起著什么作用？

? 解耦是否意味著同一個大腦可以應(yīng)用于不同的機器人形態(tài)？

? 各種形式的機器人，不同場景的數(shù)據(jù)，對訓(xùn)練一般具體智能有什么幫助？

? 對于硬件有深入的積累和了解團隊，在具身智能創(chuàng)業(yè)中能帶來哪些最大的優(yōu)勢？

? 有硬件背景的企業(yè)家是否會受到慣有思維的限制？

精彩觀點

? 學(xué)術(shù)界的“共識”在于數(shù)據(jù)也是機器人。 Scaling Law 來源，而“非共識”在于數(shù)據(jù)的來源

?從宏觀上講，具體智能的實現(xiàn)路徑在任務(wù)上有不同的層次。層次分解是共識，包括 Figure、Tesla Optimus 等等。中層任務(wù)執(zhí)行計劃是每個人研究的核心問題。

? 具體智能何時來，取決于數(shù)據(jù)到底能用得多好，以及獲取數(shù)據(jù)的成本有多低。

? 模擬并非一種 Scalable 在路線上，人們不可能寫無限代碼，這使得它無限接近現(xiàn)實。從模擬器中學(xué)到的知識上限是代碼的長度。

?模擬的關(guān)鍵是抽象到什么程度，或者具體到什么程度。在模擬到實際應(yīng)用實現(xiàn)閉環(huán)之前，沒有人知道模擬環(huán)境應(yīng)該具體到什么程度。

? 軟件加硬件的落地周期比純軟件要長得多，落地的具體形式還是受制于硬件的客觀規(guī)律。

? 適當(dāng)?shù)那闆r與適當(dāng)?shù)臉?gòu)型密切相關(guān)，短期內(nèi)很難有一種通用的形式。

? 智能化和硬件是解耦的

? 所有涉及的實體商品都與生產(chǎn)成本有關(guān)。

? 為了找出真正的需求點和大量的落地概率，我們需要知道當(dāng)前硬件性能的邊界在哪里。

? 硬件性背景創(chuàng)業(yè)路徑慣性包括技術(shù)依賴和商業(yè)思維依賴

綠洲：我們請高老師開個頭，在推進具體智能或通用機器人方向方面，目前學(xué)術(shù)前沿的共識和非共識有哪些？

高陽：我覺得 共識是數(shù)據(jù)和機器人。 Scaling Law 來源，而不是共識在于數(shù)據(jù)的來源。 有些 觀點主張使用模擬生成數(shù)據(jù)，而其他觀點主張收集遠(yuǎn)程控制的數(shù)據(jù)。有人認(rèn)為數(shù)據(jù)應(yīng)該從互聯(lián)網(wǎng)上收集，也有人認(rèn)為機器人應(yīng)該自己生成數(shù)據(jù)...不同的團隊有不同的看法。我更喜歡互聯(lián)網(wǎng)數(shù)據(jù)和遠(yuǎn)程控制收集的數(shù)據(jù)，然后讓機器人通過加強學(xué)習(xí)來收集自己的數(shù)據(jù)。我不是特別相信模擬產(chǎn)生的數(shù)據(jù)。

綠洲：您 Vila（RoboticVision-Language Planning）工作收到了 Figure CEO 點贊，具身智能新框架 CoPa（Robotic Manipulation through Spatial Constraints of Parts）精確的規(guī)劃和操作技巧也令人驚嘆，您認(rèn)為實現(xiàn)具體智能的路徑和解決方案是什么？

高陽：在宏觀上，具身智能的實現(xiàn)路徑，應(yīng)該是在任務(wù)上有不同的層次。比如做漢堡，需要把面包拿出來，做肉餅，放肉餅，加菜十個步驟...這些步驟是第一層，叫做任務(wù)分解；然后是每個任務(wù)的具體執(zhí)行，也就是中級任務(wù)軌跡規(guī)劃，從自然語言的具體指令到機器人末端執(zhí)行器的具體軌跡；底層是一般機器人控制和執(zhí)行軌跡。這一層次分解屬于共識，包括 Figure、Tesla Optimus 等。在這三層中，問題最大的是中間層，到目前為止還沒有特別好的解決方案，也是大家研究的核心問題。

我個人認(rèn)為解決辦法應(yīng)該是使用所有可用的數(shù)據(jù)。第一類是互聯(lián)網(wǎng)數(shù)據(jù):比如人類視頻，視頻量巨大，包括現(xiàn)實中人類可能看到的各種場景。但是這些信息不太好用。畢竟拍攝的目的不是為了智能機器人。

另一種信息來源是針對機器人的遙操作數(shù)據(jù)。最近發(fā)展特別快，比如Mobile ALOHA ，宋舒然老師 通用操作接口 UM I（ 將技能直接從人類演示轉(zhuǎn)移到可以部署的機器人戰(zhàn)略) ，還有李飛飛老師 便攜式手動捕捉系統(tǒng) De xCap，這是一種遙操作技術(shù)。我認(rèn)為這些技術(shù)可能是最近最大的。 game changer。

Mobile ALOHA 通用機器人是由斯坦福符博士領(lǐng)導(dǎo)的中國團隊開發(fā)的。

宋舒然團隊 UMI ，照明環(huán)境發(fā)生劇烈變化，絲毫不受影響。

李飛飛團隊便攜式手動捕捉系統(tǒng) DexCap

第三種信息來源更依賴于后期。當(dāng)機器人已經(jīng)有了更好的能力，在現(xiàn)實環(huán)境中做任務(wù)，擁有自己的數(shù)據(jù)閉環(huán)時，這是最理想的數(shù)據(jù)庫。

什么時候具身智能來，取決于這些信息到底能用得多好，以及獲取數(shù)據(jù)的成本有多低。

綠洲：韓總，站在工業(yè)界的角度，什么是共識與非共識，你如何思考這些問題？

韓峰濤：我認(rèn)為“如何走到終點”是非共識。。從邏輯上講，軟硬件的落地周期比純軟件長很多。說到硬件，說到交互，就很難了。我認(rèn)為你可以簡單地比較一下自動駕駛。你有一個自動駕駛軟件，在模擬環(huán)境中駕駛。不要碰車，沿著車道走。 OK。一上真車，物理環(huán)境一變，落地時間就會很長。在我看來，落地的具體形式仍然受制于硬件的客觀規(guī)律。。

現(xiàn)在的問題是，現(xiàn)在很多數(shù)據(jù)問題只解決了一部分，需要繼續(xù)處理數(shù)據(jù)。假設(shè)通用人工智能是 10 分，在聊天層面剛剛合格，具身方面大概是在聊天方面。 3-4 分?jǐn)?shù)。如果按照純通用的要求來衡量硬件，可能是及格水平，但大家的期望是 10 分，所以只有通過考試的硬件才難以具有完全的實用性，需要分場景。 而且究竟是什么情況，這是非共識。走路、掃地、工廠、服務(wù)？這就回到了依賴路徑的問題。原來腿的研究腿和上臂的研究上臂。之前沒有什么積累，找什么背景的團隊做什么(笑)。

首先，我認(rèn)為第一，適當(dāng)?shù)那闆r與適當(dāng)?shù)臉?gòu)型密切相關(guān)。短期內(nèi)，我認(rèn)為很難有一個通用的形式。，但未來肯定可以。第二，切入原來使用過的機器人場景。。以前的問題是機器人智能不夠，可以使用，但是效果不好。當(dāng)然，如果機器人從來沒有在某個行業(yè)使用過，那不僅僅是技術(shù)問題，還有一系列的問題，比如成本問題，機器人的接受度，環(huán)境是否合適。

劉琪：高老師，為什么你剛才說不信模擬？

高陽：最主要的問題是做模擬本來就很難。比方說模擬瓶蓋扭開的動作，很麻煩。若不設(shè)置合適的材料剛度和摩擦力，則可能無法擰開或蓋子直接飛向外太空。模擬非常微妙，很多任務(wù)都可以在模擬中完成，但是如果專門為“能做到”而建立一個模擬，計算量可能是巨大的。制作模擬環(huán)境 contact reach 不太適合操作。

韓峰濤： 由于機器人需要與物理世界互動，模擬在過去的機器人領(lǐng)域得到了廣泛的應(yīng)用。在 AI 這個領(lǐng)域的模擬反而沒有得到多少。比如在自動駕駛等領(lǐng)域，雖然有點簡單，模擬可以模擬建模精度低的場景，但模擬并不適用于需要高精度模型密集物理交互的場景。從另一個角度來看，建立一個模擬環(huán)境來模擬自動駕駛比建立一個通用的機器人模擬環(huán)境要容易得多，但是為什么現(xiàn)在人們選擇實際跑步而不是模擬自動駕駛呢？所以目前模擬只是一種手段。

高陽：同時，我也看到了一個有趣的觀點。每個人都談?wù)撍?Scaling Law，Scale 是信息，模擬是人類手寫的代碼，從代碼所表現(xiàn)出來的行為中學(xué)習(xí)新的信息，那么這種信息可以嗎？ Scale？人類編寫的代碼的信息量可以增加嗎？這就產(chǎn)生了一種觀點： 模擬并非一種 Scalable 路線，因為人們不能寫無限代碼，使其無限接近現(xiàn)實。從模擬器中學(xué)到的知識上限就是代碼的長度， 這一觀點是相當(dāng)哲學(xué)的。

劉琪：反駁一下，還有一種情況是通過一個簡單的方程來描述整個物理過程？例如，如果你描述液體的流動，那就是一個運動方程。

高陽：我同意這一點， 最后是幾行量子力學(xué)方程。

冷哲：或者看看模擬究竟能提供什么價值？或是讓我們看看現(xiàn)在有什么東西在使用模擬。自動駕駛中最常用的模擬之一是車輛動力學(xué)模擬。它的價值在于這個場景足夠復(fù)雜，無法判斷選擇某個設(shè)計會在這個場景中產(chǎn)生什么效果，所以我們可以嘗試模擬。但這并不能取代實際試驗，因為仿真再好，與實際環(huán)境還是有區(qū)別的。 實驗流體力學(xué)和理論流體力學(xué)有兩個分支。理論流體力學(xué)希望從第一原理出發(fā)，通過一套方程準(zhǔn)確計算流體的運動情況，但現(xiàn)在大多數(shù)情況下根本做不到。這就是為什么實驗流體力學(xué)，它從實驗測量入手，建立一些只適用于特殊條件的類似方程。有時候，這些類似的方程無法用理論來解釋每個參數(shù)的含義或結(jié)構(gòu)，但是它們會告訴你它們會是什么樣子。由于人類對客觀世界的認(rèn)識不夠深入，所以沒有辦法對復(fù)雜的問題進行非常精確的模擬。

目前剛體或固體模擬還不錯。然而，現(xiàn)實世界中的材料，如瓶蓋，施加了不同的力。它的變形不是線性的，而是三維的扭曲。即使考慮到它的內(nèi)部結(jié)構(gòu)，也可能是更高維度的變化。模擬所有這些變化將是一個可怕的工作量。軟件模擬不太可能不抽象。

我的看法是模擬的關(guān)鍵問題是要抽象到什么程度，或者要具體到什么程度？。甚至沒有人知道仿真環(huán)境應(yīng)該具體到什么程度，直到仿真到實際應(yīng)用實現(xiàn)閉環(huán)。將來會不會有一家公司真的會生產(chǎn)出一款專門而精細(xì)的仿真軟件？近來我覺得不現(xiàn)實。好萊塢做頭發(fā)特效，只要頭發(fā)飄起來看起來有點像真實的情況，但是真的是這樣嗎，真的是這樣一個長而粗的頭發(fā)在真實的環(huán)境中運動嗎？不一定。但是為使大量的物品、材料達到“看起來像”的效果，好萊塢已經(jīng)投入了大量的資源，并發(fā)表了無數(shù)的文章。想象一下，從底層做一個專門而精準(zhǔn)的模擬模型，高度貼近真實情況所需的資源，一定是一個更可怕的數(shù)字。

當(dāng)然，創(chuàng)業(yè)公司能讓投資者或市場部分滿意嗎？有可能。如果你在有限的場景下做，比如只操作某一類物品，繞過自己不擅長的東西，是有可能的。

綠洲:剛才大家都在談數(shù)據(jù)，市面上的硬件聲音也不一樣。有的團隊認(rèn)為一出來就應(yīng)該是足夠通用的硬件，比如人型。你覺得通用硬件的形狀怎么樣？

韓峰濤：我認(rèn)為 智能化和硬件是解耦的。健康的人和肢體殘疾人的大腦是一樣的，沒有手臂就不需要這種手臂。 同樣，在生產(chǎn)線上，無論男女，高、矮、胖、瘦，每個人都用手抓住具體的任務(wù)。手的長度和力度可能不會影響任務(wù)的最終完成，只是因為硬件能力不同，執(zhí)行效率不同。

冷哲：任何實體產(chǎn)品都有成本問題。一個足夠通用的產(chǎn)品能適應(yīng)所有的場景，再加上通用智能，能適應(yīng)所有的應(yīng)用嗎？不，任何涉及到實體產(chǎn)品的人，都要考慮生產(chǎn)成本。生產(chǎn)成本最終由客戶支付。我認(rèn)為，無論商品的形狀如何，我們都必須從具體情況入手。首先，服務(wù)機器人應(yīng)該在特定的場景中以特定的設(shè)計著陸，這是關(guān)鍵點。如果你上去做一個通用的設(shè)計，我認(rèn)為結(jié)果可能是無論你把它放在哪里，它都不是很經(jīng)濟。

而且一般設(shè)計的R&D總費用必須高于專用設(shè)計。當(dāng)然，理論上，通用設(shè)計可能不需要太多具體應(yīng)用領(lǐng)域的目的性R&D工作，可以跨越多個應(yīng)用領(lǐng)域，稀釋R&D成本。這些都是專門設(shè)計無法做到的。所以有這樣一種可能，當(dāng)通用設(shè)計真正可以在多個領(lǐng)域使用時，平均分?jǐn)偤蟮腞&D成本反而低于專用設(shè)計。此時，如果一般設(shè)計的R&D成本優(yōu)勢能夠抵消零部件成本的劣勢，那么它可能具有總成本優(yōu)勢。但是我覺得這個條件太理想了，短期內(nèi)沒有企業(yè)能夠做到這一點。

韓峰濤：進行比較，Windows 操作系統(tǒng)非常全面，也分為標(biāo)準(zhǔn)版和企業(yè)版等，但每個人使用計算機的目的不同，商業(yè)用途？玩家？長壽命？輕盈？

孟鵬飛：我們認(rèn)為硬件的最終形式必須是人形的，其他形式可能意義不大。能否完全通用，取決于后續(xù)持續(xù)獲得資金落地的能力。一切都要回歸商業(yè)本質(zhì)。如果你做得很高，你永遠(yuǎn)不會落地。沒有商業(yè)場景，你做不到。類似的事情在歷史上發(fā)生過太多次。

劉琪：盡管我認(rèn)為沒有一種形式可以適用于所有場景，但是我認(rèn)為人的形式將是一種主導(dǎo)和更加普遍的形式。人類機器人能更好地利用人類數(shù)據(jù)，人類能告訴機器如何操作，如何運動，能解決生活中的問題。 90% 的場景。現(xiàn)在硬件也不貴，那為什么不做成人形呢？可有不同的版本，如輪試或足式。假如使用一種形式，可以解決大多數(shù)問題這是最好的，不需要分散精力去做各種適應(yīng)。

韓峰濤：當(dāng)你回答這個問題時，向前看的時間節(jié)點是不同的，可能分為最近和長期。一般需求可能是1.7米的人形。但是如果你想搬磚，你必須更強壯。如果你想在海里釣魚，你需要看起來像魚。

劉琪：我認(rèn)為形式設(shè)計是為了替代人，而不是為了替代機器，應(yīng)該有一些機械設(shè)備。我比較喜歡蘋果手機這樣的方式，不斷優(yōu)化一個形式就好。

綠洲：硬件在具體智能化發(fā)展過程中起著什么作用？

韓峰濤：硬件是大腦的載體。如果硬件不出售，大腦就不會被使用，數(shù)據(jù)也不會被轉(zhuǎn)移。數(shù)據(jù)從哪里來？剛才說數(shù)據(jù)，有些數(shù)據(jù)會從硬件上收集，但是當(dāng)收集到的數(shù)據(jù)被轉(zhuǎn)化為大腦技能的時候，就要和硬件解耦。就像特斯拉一開始賣的。 Model3，但是收集到的數(shù)據(jù)可以用在其它型號上。

綠洲：是否在一般形式上積累的數(shù)據(jù)，將來能更好地進行投射？

高陽：在大多數(shù)情況下，我認(rèn)為是解耦的，比如猴子要喝水，也要拿瓶子，雖然它的關(guān)節(jié)和人類的不同，但是它擰瓶蓋的運動是一樣的。就物體而言，它是一種通用的，與執(zhí)行機構(gòu)關(guān)系不大。所以我認(rèn)為這對物體來說是通用的，但對于一種特定的硬件形式，如何把握會有所不同。即便是非人機器人，它也能積累相當(dāng)多的數(shù)據(jù)，覆蓋未來的全人形，并能有一些抽象的等級，使其能夠共享這些數(shù)據(jù)。

綠洲：不同形式的機器人，不同場景的數(shù)據(jù)，對訓(xùn)練一般具體智能有什么幫助？

高陽：不同形式、不同場景的數(shù)據(jù)可以豐富具體智能訓(xùn)練的數(shù)據(jù)集，最終使具體底座模型更具泛化性和魯棒性。但是我們能得到什么樣的情況和形態(tài)數(shù)據(jù)取決于商業(yè)化的順序。我覺得一定是簡單的形式，簡單的場景會先落地，所以這些信息會先用大模型，然后落地形式和場景會更復(fù)雜的機器人。到那時，這些信息將繼續(xù)被用來訓(xùn)練具身大模型。它將是一個漸進的過程。

我們聽說了綠洲 Physical Intelligence 還在探索不同的身體形態(tài)。 robotics foundation model, 解耦是否意味著同一個大腦可以應(yīng)用于不同的機器人形態(tài)？

注：Physical Intelligence 創(chuàng)立于 2024 年 3 月，由 Sergey Levine 成立，首輪獲得OpenAI、Thrive Capital、Sequoia Capital 等機構(gòu) 7000 投資一萬美元，致力于開發(fā)基本模型和學(xué)習(xí)算法，建立一個通用的機器人系統(tǒng)

高陽：這個問題在學(xué)術(shù)上確實還在探索。但就大多數(shù)情況而言，比如拿一個水杯，我們不在乎底盤是輪試還是雙腳?？赡苡谐汕先f種機器人形式，但核心要解決的事情其實是相似的。最大的區(qū)別可能是二指爪還是五指爪，夾的方式也不一樣。無論二指還是五指，抓住之后，就變成了一個整體的剛體。當(dāng)前學(xué)術(shù)界研究問題的初衷，就是從人類的數(shù)據(jù)中學(xué)到東西，map 去機器人。每個人都發(fā)現(xiàn)，如果能夠更準(zhǔn)確地從人類那里獲取數(shù)據(jù)， map 這個過程并不那么復(fù)雜，特別是假設(shè)你的下游是一個五指，可以做得很好，最大的困難也許就是五指和二指的區(qū)別。

綠洲：對硬件有深入的積累和了解團隊，在具身智能創(chuàng)業(yè)方面有哪些最大的優(yōu)勢？

韓峰濤：為了找到真正的需求點和大量落地的概率，我們需要知道當(dāng)前硬件性能的邊界在哪里。。如果你沒有做過硬件，不知道硬件在做什么，不知道下一步硬件突破的區(qū)域在哪里，你就找不到硬件和實際需求的契合點在哪里。即使做硬件，也很難賣，也很難用好。要么成本高，要么有更好的解決方案。

綠洲：做硬件的人會不會因為有些習(xí)慣性的想法而對創(chuàng)業(yè)產(chǎn)生影響？

韓峰濤：因人而異。但我認(rèn)為最有可能的思維定勢是路徑依賴。比如有些人以前做胳膊的時候不做腿，或者認(rèn)為機器人應(yīng)該是高個子物品，所以他們必須賣個人機器。 50 萬、100 萬，但真正能上量的機器人也許就是 2-3 千元。這一路徑慣性包括技術(shù)依賴和商業(yè)思維依賴。。很多人會覺得學(xué)了這么久這么深的技術(shù)，所以我不會去做掃地機器人。但從商業(yè)角度來看，掃地機器人可能是第一個成功使用的場景。

綠洲：大家認(rèn)為今天的發(fā)展或突破方向是什么，對通往具體智能的道路有很大的幫助？

韓峰濤：事實上，主要的卡點仍然在 AI 上面，或叫通用智能。這波 AI 進步，一是泛化能力增強，通用能力增強；二是智能水平。事實上，每個小模型在垂直領(lǐng)域都取得了較好的效果，現(xiàn)在已經(jīng)成為許多領(lǐng)域中效果還不錯的大模型。機器人是一種很典型的硬件和軟件分步迭代的物品。目前的情況是機器人的硬件水平遠(yuǎn)高于軟件。當(dāng)軟件再次發(fā)展到一個新的階段，發(fā)現(xiàn)硬件的功能不夠，比如觸感、靈活性等。，硬件將進一步迭代。兩者在未來很長一段時間內(nèi)都會發(fā)生變化，能夠找到一個好的契合點就能做好。

冷哲：許多做具身智能的企業(yè)都不太清楚落地場景應(yīng)該是什么樣子，帶來的問題就是不知道硬件應(yīng)該是什么樣子。產(chǎn)品成本常常對產(chǎn)品模塊經(jīng)濟模型產(chǎn)生決定性影響。每個產(chǎn)品的成本，包括軟件、硬件、調(diào)整、數(shù)據(jù)學(xué)習(xí)等，其中實體零件的成本占很大比例。對于這個成本的準(zhǔn)確評估，是我認(rèn)為韓總之前提到硬件出身的團隊的一個關(guān)鍵優(yōu)勢。

現(xiàn)在做機器人的目的是取代人們所做的事，自然有兩種競爭產(chǎn)品——人類、專機(非標(biāo)準(zhǔn)自動化設(shè)備)。 假如產(chǎn)品的成本比人高，或者比專機高，那肯定是落地不了的。所以從一開始就要考慮成本。 AI 系統(tǒng)的成本確實可以稀釋，但如果硬件(機械、電路等)的成本高于“競爭產(chǎn)品”，無論未來如何稀釋，成本都是不可接受的。

韓峰濤：我們的團隊硬件有很大的優(yōu)勢，但客觀來說，這只是一個先發(fā)優(yōu)勢。如果你想做得好，你必須堅強。 AI、強硬件，強落地。假如有一支隊伍，原本是強大的。 AI、雖然沒有硬件，但是通過公司的慢慢發(fā)展，招募一頭牛也是可以的。

高陽：數(shù)據(jù)是我非常關(guān)注的。我們剛才講了各種各樣的數(shù)據(jù)庫。如何完美利用每一個數(shù)據(jù)庫，如何優(yōu)先安排數(shù)據(jù)庫，促進智能模型的滿足？ Scaling Law 需要數(shù)據(jù)。其它大模型，如具身智能，究竟是如何輸入、導(dǎo)出的？到底是一個 RGB 還是 RGB-D，怎樣才能在項目上有更好的選擇，又便宜又快速的能上信息量？近來，我主要關(guān)注這些問題，以及一系列模仿學(xué)習(xí)、加強學(xué)習(xí)的算法。我認(rèn)為有智慧的身體 Scaling Law 本質(zhì)是數(shù)據(jù) Scaling。因此，解決這一問題的核心是如何盡可能地使數(shù)據(jù)更加可能。 Scale。有多個數(shù)據(jù)庫，每個數(shù)據(jù)庫都有不同的特點。在技術(shù)上，有必要確認(rèn)每個數(shù)據(jù)庫的優(yōu)先級，然后按順序?qū)⒚總€數(shù)據(jù)放在技術(shù)上。 Scaling 做好。

(未完待續(xù))

這篇文章來自微信微信官方賬號“歐洲資本” Vitalbridge”（ID:Vitalbridge），作者：參贊生命力，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com