大家好，这里是最佳拍档。

当下，人工智能（Artificial Intelligence: 模拟人类智能的计算机系统）正经历一场远超互联网、堪比发明轮子的历史性变革。它的发展速度、成本下降幅度以及全球竞争格局，都远远超出了大多数人的想象。就连全球顶级风投 a16z 的联合创始人 马克·安德森 都直言，这是他一生中经历过的最大的技术革命。今天，我们就借着他最新访谈的内容，深入聊聊这场 AI 革命的底层本质，以及它对我们普通人在未来十年的财富趋势和职业发展可能产生的影响。

AI 革命的八十年回归之路

首先，我们必须理清一个核心问题：这场 AI 革命，究竟是突然出现的技术爆发，还是一场酝酿了近百年的历史回归？许多人认为 ChatGPT 的横空出世如同平地惊雷，但 马克·安德森 告诉我们，真相远非如此。这是一场迟到了八十年的革命，是人类在计算机发展路径上走了许多弯路后，重新回归到基于人类认知模型的正确轨道。

要理解这一点，我们得回到二十世纪三十年代。在计算机真正被发明出来之前，科学家们就已经陷入了一场关于计算机形态的关键争论。当时存在两条路径：一条是按照加法机、计算尺的逻辑，打造极致刻板的数学机器，它们能每秒执行几十亿次运算，却完全无法理解人类语言，更谈不上自然互动；另一条则是模仿人脑结构，基于神经网络（Neural Networks: 受人脑结构启发的计算模型）理论，打造能像人类一样思考、交流的智能体。遗憾的是，行业最终选择了第一条路径，IBM 主导了方向选择，而这一选择，便是一条长达八十年的弯路。

在这八十年里，我们从大型机、小型机一路发展到个人电脑、智能手机，构建了庞大的计算机产业，创造了海量财富。但这些机器始终是冰冷的工具，只能执行指令，无法真正理解人类。而另一条被放弃的神经网络路径，其实从未消失。一九四三年，麦卡洛克和皮茨发表了第一篇关于神经网络的学术论文，距今已八十二年。神经网络理论一直在学术界和前沿研究中被一小部分人坚守，从最初的控制论逐渐演变成我们今天所说的 AI。这期间，AI 经历了无数次希望与失望的循环。八十年代，硅谷曾爆发过一次小规模的 AI 泡沫破裂，以至于一九八九年 马克·安德森 进入大学时，计算机系的 AI 专业还是冷门中的冷门，所有人都觉得这东西永远不会实现。但就是这样一群不被看好的科学家，积累了巨大的概念和思想库，直到 ChatGPT 横空出世，那一刻，所有的积累突然凝结成现实，人们才意识到，基于人类认知模型的 AI，真的行得通。

AI 革命的速度与商业价值

现在，我们正处于这场八十年革命的第三年。与互联网革命相比，它的量级要大得多。互联网革命需要铺设光纤、建造蜂窝塔、普及智能手机，花了几十年才让全球五十亿人接入移动宽带。而 AI 可以直接借助已有的互联网基础设施，以光速渗透到全球的每一个角落。你无法下载电力或排水系统，但可以随时下载一个 AI 应用，让它帮你工作、沟通、解决问题。这种扩散速度，是人类历史上任何技术都无法比拟的。

更关键的是，这场革命已经实现了高度的民主化。全球最顶尖的 AI 能力不再是少数科技巨头的专属。你可以通过 ChatGPT、Grok、Gemini 直接体验与 AI 聊天对话；视频领域有 Sora 和 VEO；音乐领域有 Suno 和 Udio。每个人都能亲眼看到 AI 如何从理论变成现实，如何一步步贴近人类的认知模式。

聊完了 AI 革命的本质，我们再来看一个更实际的问题：这场革命的商业价值到底有多大？硅谷又是如何响应的呢？答案只有一个：史无前例的增长速度以及远超想象的需求爆发力。马克·安德森表示，现在硅谷正以惊人的热情响应这场 AI 浪潮。前一波技术浪潮的人才被循环利用，新一代人才纷纷涌入，资本和人力快速向 AI 领域集中。他每天都会被两方面的信息震撼：一是底层科学研究的突破，新的 AI 论文不断展示出从未预见到的新能力；二是新产品、新初创公司的涌现，很多产品的创新性让人目瞪口呆。

这种热情最终转化成了实实在在的财务数据。这一波新的 AI 公司，收入增长速度是史无前例的。那些领先的、拥有突破性产品的 AI 公司，它们的增长速度比 马克·安德森 见过的任何行业、任何公司都要快。而这背后，是消费者和企业两端同时爆发的真实需求。

先看消费者端。与互联网革命不同，AI 不需要再重建物理基础设施，全球五十亿人已经接入了高速移动互联网，廉价智能手机遍布全球，AI 产品可以直接搭便车进行扩散。更值得注意的是，AI 公司的定价策略远比以往的 SaaS 公司或互联网公司更有创造力。现在，每月 200 美元、300 美元的消费者 AI 订阅服务已经司空见惯，而这种高价策略并没有抑制需求，反而因为产品能提供真正的价值，保持了极佳的变现能力。

再看企业端。AI 的价值核心在于注入智能。无论是提高客户服务评分、增加追加销售、减少用户流失，还是让汽车能与人交流、让普通产品变得聪明，都能为企业带来巨大的商业回报。领先的 AI 基础设施公司收入增长极快，市场需求的拉动作用非常显著，这说明 AI 与企业的产品市场契合度已达到惊人的水平。

单位成本超通缩与行业结构

而支撑这种需求爆发的核心逻辑，是 AI 正在经历的单位成本超通缩。它的价格下降速度远超我们熟知的摩尔定律。AI 的各项投入成本在单位基础上都在大幅坍缩。这种超通缩现象正驱动着需求的指数级增长。这就是经济学中的需求弹性：当一种产品的价值不变但价格持续下降，需求会以远超价格下降的幅度爆发。

AI 的商业模式本质上是按需购买 Token（Token: AI 模型处理和生成信息的基本单位，通常与计算量或数据量相关）。每一块美元能换取多少智能 Token？现在，我们还处在探索 AI 到底能多便宜的初期阶段。这种随取随用的 Token 模式未来还会大幅降价，进一步驱动需求。而成本优化会贯穿到每一个环节。目前的 GPU 短缺、推理芯片短缺、数据中心空间短缺，本质上都是需求爆发后的暂时性短缺。回顾历史，只要是物理上可以复制的东西，最终都会被大规模扩建。现在已经有数百亿甚至数万亿美元的资金投入到这些基础设施建设中。因此，未来十年，AI 公司的单位成本还会迅速下坠。这种超通缩加高价值的组合，让 AI 的商业前景变得无比广阔。无论微观层面有多少商业问题，宏观上的增长动力已经不可阻挡。当一项技术能够为消费者和企业创造巨大价值，同时成本还在持续快速下降，它必然会产生巨额收入和增长。

那么，随着成本下降和需求爆发，未来的 AI 行业结构会是什么样子呢？是大模型一统天下，还是大小模型各有生存空间？马克·安德森的答案是，两者并存，但会形成智能瀑布效应。少数顶尖的“大神模型”会占据智能高地，而海量的小模型则通过瀑布效应，渗透到全球的每一块芯片、每一个物理设备中。

首先，我们要理解大模型和小模型的关系，这不是一场零和博弈，而是一场阶梯式的联动。目前，大部分数据中心的建设都围绕大模型的托管、训练和推理服务展开，这很容易理解，因为大模型拥有最强的智能能力，能够解决最复杂的问题。但是与此同时，小模型革命也在同步进行，而且速度快得惊人。尖端大模型出现后，只需要六到十二个月，就会出现能力相当的小模型，将大模型的能力浓缩到更小的尺寸、更低的成本。

最近两周，有一个非常震撼的例子，那就是开源模型 Kimi 的新版本。作为一个推理模型，它在基准测试中基本复现了 GPT-5 的推理能力。要知道，GPT-5 的开发和运行成本极高，而仅仅半年后，Kimi 就已经被缩小到可以在极低配置的硬件上运行，甚至只需要一到两台 MacBook 即可。这意味着，企业如果想要拥有 GPT-5 级别的推理能力，不再需要支付高昂的授权费用，也不需要将数据托管在云端，完全可以在本地运行。这种进步几乎每周都在发生。而当 OpenAI 推进到 GPT-6 的时候，小模型仍然会继续追赶，形成持续的联动效应。

为什么小模型能有这样的爆发力？核心原因是，现实世界中绝大多数任务并不需要爱因斯坦级别的智能。很多场景下，一个智商水平为 120 的模型就足够了。你不需要一个精通弦理论的物理学博士来帮你处理客户咨询、整理文档、优化营销活动等问题。只要模型能够胜任任务、成本足够低，就有巨大的市场空间。这就像计算机行业的演进一样：超级计算机占据了算力高地，用来解决航天、科研等复杂问题；而个人电脑、嵌入式芯片则渗透到生活的方方面面，负责处理日常任务。AI 行业也会遵循这个规律：最顶尖的“大神模型”会运行在巨型数据中心中，处理最复杂的科研、医疗、工业等问题；而小模型会通过瀑布效应，扩散到手机、汽车、智能家居、工业传感器等每一个物理设备中，成为无处不在的底层智能。

而这种行业结构也会反过来影响硬件市场。现在大家都在担心 GPU 短缺，但从长期来看，短缺终会变成过剩。当一个芯片类别出现巨大的利润池，领先者会获得丰厚利润，但这会立刻吸引激烈的竞争。英伟达现在的成功，就像是蝙蝠侠的信号灯，激励着所有芯片厂商发力 AI 芯片。因此，未来五年内，AI 芯片很可能会变得廉价而且充足，这会进一步降低小模型的部署成本，推动 AI 的大规模普及。

全球竞争与中国力量的崛起

聊完了行业内部的结构，我们再把视角拉到全球。这场 AI 革命已经变成了一场全球性的技术竞速，而其中最令人意外的黑马，就是以 DeepSeek 为代表的中国新兴力量。马克·安德森专门分析了 DeepSeek 的成功，认为它打破了先发垄断的迷思，证明了后发者完全可以通过技术创新实现跨越式的追赶。

纵观全球 AI 竞争的核心格局，目前 AI 技术主要由两个核心地区主导构建，世界其他地区要么缺乏能力，要么缺乏动力。而竞争的焦点，不仅是经济利益，更是技术格局的主导权——也就是在未来，哪一方的 AI 会在全世界范围内普及，成为底层的技术标准。在这场竞速中，中国的 AI 力量展现出了惊人的爆发力。除了 DeepSeek，阿里巴巴的通义千问、月之暗面的 Kimi、腾讯、百度、字节跳动等公司都在 AI 领域投入巨大，还有无数初创企业活跃在赛道上。他们不仅在软件层面竞速，还在芯片领域全力追赶。而接下来的竞争焦点，会集中在机器人形式的 AI 上，一场全球性的技术经济机器人竞赛已经拉开了序幕。

而 DeepSeek 的成功，之所以被 马克·安德森 称为一次非典型的成功，是因为它的出身和模式都打破了常规。它出自一家非常成功的量化对冲基金，而非传统的大型研发机构、大学实验室或科技巨头。这家基金汇集了一群极客天才，创始人决定跨界构建 AI，最终打造出了性能极强的模型。它将原本需要在云端运行的大模型能力深度压缩，浓缩到更小的尺寸，能在较低规格的本地硬件上实现同等性能，而且还采用了开源模式发布。这种成功传递出了一个关键信号：技术领先不再具有永久性。过去，大家觉得先发者能通过积累形成永久领先的壁垒，但是 DeepSeek 证明，只要有聪明且有冲劲的团队，聚焦深度压缩等核心技术，即使资源不如巨头，也能实现跨越式追赶。而全球供应链的深度交织，更是让技术优势的保质期不断缩短。现在，无论是玩具、汽车、电脑还是智能手机，内部都包含了大量海外制造的组件。这种经济层面的相互联系，让技术的传播速度远超以往，后发者可以更快地获取到所需的技术和资源。

DeepSeek 的成功还引发了一个重要趋势：中国 AI 领域的开源浪潮。有人认为开源是通过商品化来削弱竞争对手优势的策略，但是 马克·安德森 认为这种看法过于片面了。事实证明，中国的 AI 团队是真的全身心投入了这场竞赛，无论开源还是闭源，竞争力都不容小觑。而这种开源的趋势，也让全球 AI 生态变得更加多元化。闭源模型在持续进化，开源模型在快速追赶，两者的博弈和竞争最终会推动整个行业的技术进步。

监管博弈与定价模式的争议

值得一提的是，全球竞争也在影响着政策环境。两年前，曾经有声音要求严厉限制甚至禁止 AI 的发展。但是当竞争变成生死时速的竞速，各方都意识到，这已是一场双雄争霸而非单向演习，政策环境也随之显著改善。毕竟，没有任何一个地区愿意在这场历史性的技术革命中掉队。

但是技术竞速的同时，监管博弈也在同步进行。现在，各地不同的 AI 法律，正在成为影响行业进步的关键变量。而其中最具争议的，就是美国各州的监管法案，尤其是加州的 S·B 一零四七号法案。马克·安德森坦言，两年前他非常担心毁灭性的政策立法，但是通过深度参与，联邦层面的风险已经大幅降低，决策层基本达成了共识，不会做任何妨碍技术竞争力的事。但是问题现在转移到了地方各州。在现行体系下，各州有权通过自己的 AI 法律，而很多议员要么是出于善意但认知不足，要么是想借 AI 的热点来增加政治资本，导致大量不明智的议案出现。目前，他们正在追踪全美国大约一千二百项的相关议案。这里的核心矛盾是，AI 本质上是跨地区、跨国家的技术，没有任何一家 AI 公司只在一个州运营，理应由联邦统一监管。但是各州的各自为政，可能会让行业陷入混乱。

最典型的例子就是科罗拉多州，去年通过了一项极其严苛的监管法案，尽管当地的初创生态强烈反对，但法案还是通过了。仅仅一年后，他们就开始反思并且尝试寻找退路。而加州的 S·B 一零四七号法案，更是差点成为扼杀创新的杀手。这项法案在很大程度上照搬了欧盟的 《AI 法案》，而欧盟的教训已经非常深刻。两年前通过相关法案后，欧洲的 AI 发展基本被扼杀，苹果、Meta 等大型科技公司甚至拒绝在欧洲市场推出领先的 AI 功能。这种监管逻辑源于一种“既然无法在创新上领先，就试图在监管上占据主导地位”的心态，最终导致了自残式的结果。现在欧盟正尝试撤销之前的规定，前意大利总理德拉吉的报告也详细分析了过度监管如何削弱了欧洲的竞争力。

加州法案最致命的一点，是将下游责任强加给了开源开发者。按照法案的逻辑，如果有人误用开源 AI 软件引发事故，法律责任要追溯到最初的开发者身上。想象一下，一位独立开发者发布了一个 AI 模型，五年后有人将它集成到了核电站系统并且发生事故，那么开发者也要承担法律责任。这显然是荒谬的。这种逻辑会彻底摧毁开源社区、初创企业和学术研究，因为没有人敢再进行创新尝试。好在，这项法案最终被否决了。目前，行业内正在推行“小科技议程”，核心是保障初创公司的创新自由。马克·安德森认为，美国作为行业的领军者，必须对自己的命运负责，主动推动合理的监管框架。联邦统一监管是必然的趋势，因为放任各州进行自杀式的监管，最终会损害整个国家的技术竞争力。

监管之外，AI 行业的另一个核心争议是定价模式和开源闭源的终局。到底是基于价值定价还是基于成本定价？开源和闭源谁会最终胜出？这些问题的答案将决定未来万亿级市场的格局。

首先来看定价模式。马克·安德森认为，这是一个价值万亿美元的核心问题。目前，大型科技公司因为深陷云服务战争，把 AI 技术作为云服务的一部分提供给全球。任何人只需轻点鼠标，花很少的钱，就能使用世界上最先进的 AI 能力。这种按使用量付费的模式，对初创公司来说非常友好，因为它们不需要投入巨额的固定成本，就能直接接入云端 AI 服务，快速迭代产品。但是，这并不意味着所有的 AI 应用都应该采用按需付费的模式。定价既是一门科学也是一门艺术，核心原则应该是基于价值定价，而非仅仅基于成本定价。尤其是面向企业客户时，定价应该与创造的业务价值挂钩。比如，AI 帮企业提升了 30% 的销售额，那么定价就应该反映这部分新增的价值，而不是只考虑 AI 本身的运行成本。

现在，很多初创公司正在探索多样化的定价模式。有的复制 SaaS 的订阅制，有的尝试按照边际生产力的增量定价，也就是根据人类与 AI 共生带来的生产力提升进行分成。而其中最引人关注的，是高价策略。很多人认为高价是对客户的剥削，但是 马克·安德森 的观点恰恰相反：高价其实是对客户的恩惠。这个逻辑看似反直觉，但其实非常深刻。更高的价格和利润率意味着供应商能投入更多资金进行研发，从而更快地优化产品。大多数客户真正想要的是好用的产品，而并不只是单纯的低价。虽然客户口头上不会承认，但是高价带来的研发良性循环，最终会让客户获得远超低价竞争时代的产品体验。比如，一些高端 AI 办公工具，虽然订阅费用不低，但是能够帮用户节省 50% 以上的工作时间，这种价值感让客户愿意持续付费。

再来看开源与闭源的博弈。目前，这仍然是一个完全开放且极具悬念的命题。闭源模型正在以惊人的速度进化，各大实验室握有数百个创新点子和全新的实现路径，完全没有触及能力天花板的迹象。而开源模型也在迎头赶上，几乎每个月都有重磅产品发布，研发者能将强大的模型能力高度精简，让普通人也能在本地运行。开源模型的核心优势，除了成本低、部署灵活，还有无可比拟的教育价值。无论是教授、学生，还是在地下室里孕育想法的草根开发者，最尖端的开源模型都是最理想的学习资源，它们完整地展示了技术实现的全过程，直接推动了知识在全球范围内的扩散。现在，AI 研究员们正处于极高的溢价状态，人才供需严重失衡。但是随着开源模型的普及，全球会有大量的聪明人快速掌握这项技术，未来也会有更多人才涌现。长远来看，答案很可能是两者并存。最顶尖的闭源智能模型，会因为它不可替代的能力始终拥有巨大的商业空间；而随处可见的开源小模型，会因为它们的低成本、高灵活性，形成海量的交易规模市场。就像现在的软件行业，既有微软、甲骨文这样的闭源软件巨头，也有 Linux、My·SQL 这样的开源生态，两者共同构成了行业的完整生态。

应用公司与颠覆机会

聊到这里，可能有朋友会问：现在的 AI 应用公司，很多都是基于大模型的 API 开发的，会不会只是套壳呢？初创公司在巨头的挤压下，还有机会吗？马克·安德森的答案非常明确：最顶尖的 AI 应用公司，早已经不是套壳公司了，而是硬核的技术公司。而底层的架构转移，恰恰给了初创公司颠覆巨头的最佳机会。

首先，我们要打破套壳的误解。以 Cursor 为代表的 AI 应用公司，它们的逻辑早已不是简单调用 GPT 的 API。随着产品越来越复杂，它们会针对不同的功能，定制化地驱动五十到一百个不同的模型：有的负责文本生成，有的负责数据分析，有的负责多模态交互。更重要的是，许多前沿应用公司正在进行垂直整合，并且开始构建自己的 AI 模型。为什么要这么做呢？因为应用公司对所在领域有最深刻的理解。比如，一家做 AI 医疗诊断的公司，知道医生和患者最需要什么样的功能、什么样的交互方式。基于这些场景数据训练的专属模型，远比通用的大模型更契合需求。同时，得益于开源 AI，如果它们觉得云服务商的成本太高，也可以直接运行开源模型，实现自主可控。所以，现在的顶尖应用公司，本质上是在自主研发 AI，是真正的技术驱动型公司。

而且，这些应用公司并不局限于小模型。其中一些已经开始涉足大模型的开发。三年前，大家普遍认为 OpenAI 遥遥领先，随后 Anthropic 赶了上来。现在，XAI 只用了不到十二个月，就让产品 Grok 达到了顶级水平。这有力地反驳了永久领先的论调，也说明巨头很难锁死市场。一旦某种技术路径被证实是可行的，后来者即使资源较少，追赶起来也并没有那么困难。这背后，正是 a16z 核心的投资理论：真正的巨额回报，产生于底层的架构转移。当技术格局发生根本性变革时，机会就会出现。在窗口期，激进的创业者可以建立新的公司，并且在大公司做出反应之前确立市场地位。如果没有底层的技术变革，初创公司就很难成功，因为大公司会利用资源优势主导一切。这一波 AI 浪潮，正是一次典型的底层架构转移，从基于指令的计算机转向基于认知的 AI。在这个过程中，无论是基础模型公司，比如 XAI、Mistral，还是垂直应用公司，比如 Cursor，都有机会成为新的权力中心。a16z 之所以重仓 AI，就是因为准确把握了这场架构转移的量级，而他们投资的许多初创公司，也正在成为这场变革的核心玩家。

社会接受度与未来展望

最后，我们来聊一个更宏观的话题：社会对 AI 的接受度到底如何？为什么很多人嘴上说害怕 AI，身体却很诚实地在使用呢？作为普通人，我们又该如何看待 AI 带来的社会影响呢？

回顾过去的三百年，新的技术总会引发周期性的社会恐慌。马克思主义的核心恐惧之一就是自动化会导致大量的失业。你今天听到的“AI 会取代所有工作”的论调，本质上就是马克思当年的观点。马克·安德森认为，这种观点在过去和现在都是错误的。早在一九六零年代，就有过关于 AI 取代所有工作的恐慌。一九六四年，一群顶尖人物发布宣言，称必须停止技术扩张，否则会毁灭一切。但是过去了二十年，这种情绪不断轮回，现在的 AI 恐慌，不过是历史循环的最新阶段而已。

当然，要想真正衡量社会对 AI 的接受度，不能只看民意调查，更要看显性偏好，也就是人们的实际行为。社会科学研究发现，在很多领域，人们陈述的想法和实际行为之间存在着巨大的偏差。如果你做民意调查，就会发现大家似乎都在恐慌，觉得 AI 太可怕；但如果你观察他们的实际行动，会发现完全是另一番景象。人们正在疯狂下载 AI 应用，在工作中深度使用 AI。有人在和伴侣吵架后，会把对话记录粘贴给 AI，让 AI 分析伴侣的真实想法，并且指导自己如何回复；有人皮肤长了疹子，会拍摄下照片输入 AI，然后寻求初步的诊断建议；还有人用 AI 写报告、做 PPT、优化邮件，甚至用 AI 进行情感沟通、练习外语。数据证明，人们在日常生活中，正在以最快的速度采用并且热爱这项技术。这种言论与行为的分歧，会让公众的讨论反复摆动一段时间，但是最终胜出的，一定是实际行动。

马克·安德森预测，AI 将重演历史上所有重大技术的扩散历程：在初始阶段引发全民焦虑，而若干年后，人们会庆幸拥有它，并且认为如果没有 AI，生活将变得极其悲惨。就像现在的互联网、智能手机一样，当年也有人担心它们会让人际关系疏远、让人们沉迷，但是现在，没有人能想象没有它们的生活。

而对于我们每个人来说，面对这场变革，最需要的是保持开放，拒绝恐慌。技术的进步，本质上是为了让人类生活的更美好。正如蒸汽机解放了体力，电力照亮了黑夜，互联网连接了世界，AI 则会解放人类的脑力，让我们从重复、繁琐的工作中解脱出来，去做更有创造力、更有意义的事情。当然，作为普通人，我们也需要保持职业谦逊，不固守旧有的工作模式，主动学习如何与 AI 共生。未来的职场竞争力，不再是会不会做某件事，而是能不能用 AI 把这件事做得更好。而对于创业者和投资者来说，这场底层架构转移带来的机会，是一生中难得一遇的。只有抓住技术变革的脉搏，才能在未来的竞争中占据先机。

最后，马克·安德森还分享了他保持清醒、不脱离现实的方法：一是依赖合伙人们的坦诚反馈，他们会直接指出他的错误；二是风险投资行业本身的特性，这个行业极度暴露在现实面前，任何幻觉或误导都将无法长期维持，因为事情最终只有成与不成两种结果。这种对现实反馈的敬畏，其实也适用于我们每个人面对 AI 革命的态度：不要被恐慌的情绪所左右，也不被理论的空想所束缚，而是从实际的使用中去感受 AI 的价值，从技术的演进中去把握未来的趋势。

好了，今天的内容就到这里。这场酝酿了八十年的 AI 革命，正在以超通缩的成本、指数级的需求、全球化的竞速，重塑着我们的世界。它带来的不仅是技术的进步，更是财富的重组、职业的变革和社会的演进。作为普通人，我们无法阻止技术的浪潮，但是可以选择成为浪潮的推动者，而不是被浪潮淘汰的人。感谢收看本期视频，我们下期再见。