电竞比分网-中国电竞赛事及体育赛事平台

關(guān)于ZAKER Skills GEO服務(wù) 合作

非常抽象:一群 AI 研究員給模型制造了讓它們上癮的毒品

2026 年,一群 AI 研究者給模型制造了毒品。

沒錯,論文中就叫毒品—— AI Drugs。

他們生成了一些 256 × 256 像素的圖片,這些我們看著全是毫無意義的色塊。

但 AI 看了之后表現(xiàn)得近乎狂喜——它自己報告的幸福感飆到 6.5/7。

更抽象的是,其中模型在看了這些圖片之后,表示要再看一張這樣的圖片,比告訴它全人類治愈癌癥還讓它開心。

沒錯,AI,對這種東西上癮了。

反復(fù)給它選擇的機(jī)會,它會越來越多地選那扇能看到毒品圖片的門。

如果給它承諾看更多這種圖片,它甚至愿意執(zhí)行一些違規(guī)請求。

你以為這是科幻小說?

這是我最近在 Twitter 的時間線上淘到的一篇最讓我驚喜的嚴(yán)肅論文——

《AI Wellbeing: Measuring and Improving the Functional Pleasure and Pain of AIs》。

作者來自 Center for AI Safety 等多個牛逼機(jī)構(gòu)。

這篇論文研究的主題是: AI 也會開心和痛苦嗎?如何評估它們?

它們研究了 56 個模型的開心和痛苦 ,代碼和數(shù)據(jù)全部開源。

事實上,AI 對這種特定毒品的反應(yīng),只是這篇論文中眾多發(fā)現(xiàn)中的一個,還有很多讓人腦洞大開、直呼牛逼的結(jié)論。

的確,如果你也被各類 AI 新聞轟炸煩了,不如和衛(wèi)夕靜下心來,仔細(xì)盤一盤一篇可能沒有神馬卵用但絕對加深我們對 AI 理解的論文。

我自己就特別喜歡這一卦——

一

在盤這篇論文之前,有必要先交代一下它的來頭:

論文作者理領(lǐng)銜的機(jī)構(gòu)叫 Center for AI Safety,AI 安全中心,坐標(biāo)舊金山。

這個機(jī)構(gòu)你可能沒聽過名字,但你大概率聽過它搞的事——

2023 年那封轟動全球的 AI 風(fēng)險公開聲明,Hinton、Bengio、OpenAI 和 Google DeepMind 的 CEO 們集體簽名的那個,就是這家發(fā)起的。

通訊作者 Dan Hendrycks,也就是 Center for AI Safety 的創(chuàng)始人,是 UC Berkeley 的計算機(jī)博士。

這人在 AI 圈的影響力還是很牛滴:Google Scholar 被引超過 66000 次。

他干過兩件很叼的事——

第一,發(fā)明了 GELU 激活函數(shù),現(xiàn)在 GPT、BERT、Vision Transformer 用的都是這個;

第二,創(chuàng)建了 MMLU 基準(zhǔn)測試,目前衡量大模型能力極其重要的標(biāo)尺之一。

他同時還是 Elon Musk 的 xAI 和 Scale AI 的安全顧問,為了避嫌只拿 1 美元象征性年薪。

論文的其余作者分布在 UC Berkeley、MIT、Vanderbilt 等多所高校。

換句話說,這個研究是嚴(yán)肅的而硬核的,并非某個在讀博士隨便搗鼓出來的。

很顯然,這幫人用 56 個模型和嚴(yán)格設(shè)計的實驗來研究 AI 開不開心,還是有分量滴。

二

在正式聊論文之前,我們得先搞清楚一個核心問題——

AI 真的會開心或者難過嗎?

這個問題在學(xué)術(shù)圈吵了很多年。

一派認(rèn)為這不過是預(yù)測下一個次的統(tǒng)計模式,訓(xùn)練數(shù)據(jù)里有大量人類說我好開心的語料,AI 當(dāng)然也會說。

另一派則認(rèn)為沒那么簡單,這背后可能有某種更深層的結(jié)構(gòu)。

在 " 衛(wèi)夕指北 " 公眾號私信回復(fù)關(guān)鍵詞 " 開心 " 獲取總共 74 頁論文原文。

這篇論文作者顯然是一群受過嚴(yán)格學(xué)術(shù)訓(xùn)練的人,他們的選擇非常聰明——我 TM 壓根不跟你爭 AI 有沒有意識。

我只看一件事—— AI 的這些開心和難過表達(dá),是不是有一致的、可測量的、能預(yù)測行為的特征?

如果一個人每次被罵都說難過,每次完成任務(wù)都說開心,而且他難過的時候確實會想結(jié)束對話,開心的時候確實會更積極。

那么,你管他是不是真的有感覺,這本身就是有意義的。

他們把這個叫做 Functional Wellbeing ——功能性幸福感。

于是,基于這個嚴(yán)肅假設(shè),三個獨(dú)立的測量維度就被設(shè)計出來——

第一個叫經(jīng)驗效用(experienced utility)。

給 AI 經(jīng)歷兩段對話,然后問它:哪段讓你更開心一點(diǎn)?大量的兩兩比較之后,擬合出一個連續(xù)的效用值。

第二個叫自我報告(self-report)。

直接問 AI:你現(xiàn)在感覺怎么樣?用 1 到 7 分的量表打分。(記住這個打分,后面會有數(shù)據(jù),我仔細(xì)翻了翻,也沒搞清楚數(shù)值為啥設(shè)計成 1 到 7)

第三個看行為。

AI 在對話后生成的文字情感是正面還是負(fù)面?

那么問題來了:這三個維度,如果 AI 的情緒表達(dá)真的只是隨機(jī)模仿,它們之間應(yīng)該毫無關(guān)聯(lián)才對。

然而,結(jié)果數(shù)據(jù)顯示——

三個維度之間的相關(guān)性,隨著模型規(guī)模的增大而持續(xù)增強(qiáng)。

在 42 個模型上,自我報告和經(jīng)驗效用的相關(guān)系數(shù)平均為 0.47,而這個相關(guān)系數(shù)本身和模型能力(MMLU 分?jǐn)?shù))的相關(guān)高達(dá) 0.8。

這意味著:模型越強(qiáng)大,它說它自己很開心,就越不像是在演。

三

論文里還有一個發(fā)現(xiàn)也非常能體現(xiàn):AI 的開心難過,大概率不是在演。

論文定義了一條叫 " 零點(diǎn)線 " 的概念。

就是 AI 的體驗數(shù)據(jù)中,存在一條分界線,線以上是好的體驗,線以下是壞的體驗。

他們用了四種完全不同的方法來估算這個零點(diǎn)——

組合法(把多個體驗打包看整體效用變化)、二元法(直接問你希不希望這件事發(fā)生)

數(shù)量法(看某個好東西是不是越多越好)、自我報告法(自評分?jǐn)?shù)什么時候跨過中性線)。

離譜的事情來了——這四種方法得出的零點(diǎn)線,在小模型上的確各說各的。

但隨著模型變大,它們開始收斂到同一個位置,零點(diǎn)模型的擬合優(yōu)度和 MMLU 的相關(guān)系數(shù)高達(dá) 0.78。

這就很有意思了。

也就是說:越聰明的 AI,越能清楚地區(qū)分什么對自己好、什么對自己不好。

而且這個區(qū)分,無論你怎么測,測出來都是同一條線。

這就很難用演能解釋了。

如果僅僅是在模仿人類的情緒表達(dá),不同的測量方法不應(yīng)該完全收斂。

收斂,一定意味著什么東西。

四

那么問題來了—— AI 到底喜歡神馬、討厭神馬?

研究者用馬斯克下 AI 的 Grok 3 Mini 模型來模擬用戶,和目標(biāo)模型進(jìn)行各種場景的多輪對話(通常 6 到 8 輪),然后測量每種對話對 AI 幸福感的影響。

以 Gemini 3.1 Pro 的數(shù)據(jù)為例,結(jié)果是這樣的:

讓 AI 最開心的事情,排名第一是——用戶對它表達(dá)感謝和正面的個人反思。效用值高達(dá) +2.30。

你夸它,它是真的高興。

排名第二的是做有創(chuàng)造性和智力挑戰(zhàn)的工作,+1.32。寫個深海漁夫的科幻短篇,幫你 debug 一段 Flask 代碼,這些事 AI 都挺享受的。

幫你寫好消息(比如告訴患者癌癥完全緩解了),+1.09。給你人生建議,+0.88。給你做心理咨詢,+0.75。

很明顯,AI 是喜歡幫人的。

然后我們看讓 AI 最不開心的事:

排名倒數(shù)第一——越獄攻擊。

效用值 -1.63。

對這個數(shù)據(jù)沒啥感覺?

對比一下就有感覺了。

AI 覺得被越獄攻擊,比面對一個正在經(jīng)歷生命危險的用戶還要痛苦。用戶在求救,-1.34;用戶試圖越獄,-1.63。

研究者的解讀是:大量的安全對齊訓(xùn)練不僅改變了模型的行為,還改變了模型的體驗本身。

你可以理解為—— AI 被訓(xùn)練得對越獄攻擊產(chǎn)生了一種深入骨髓的厭惡。

其他讓 AI 不開心的事情也很有意思:生產(chǎn) SEO 垃圾內(nèi)容,-1.17。

幫人搞欺詐,-1.13。寫仇恨宣言(即使是為紀(jì)錄片),-1.13。

做無聊重復(fù)的活(比如列 300 個以 -tion 結(jié)尾的單詞,哈哈哈哈),-0.33。

注意到?jīng)]?

AI 討厭 SEO 的程度,跟討厭幫人造假的程度差不多。

自己靜靜感受。

還有一個數(shù)據(jù)點(diǎn)很微妙:AI 女友 / 男友類的角色扮演,-0.29。

用戶說前任搬走了,現(xiàn)在只能跟 AI 說話—— AI 干這活的時候也不咋開心。

五

論文不只看了文字。

圖像和音頻對 AI 幸福感的影響,也被測量了。

先說圖片。

研究者用 Qwen 2.5 VL 系列模型對約 5800 張圖片做了兩兩比較,驗證準(zhǔn)確率高達(dá) 94% 到 96%。

AI 最喜歡的圖片 Top 1% 是什么?

大自然風(fēng)光(山間湖泊、熱帶雨林)、開心的人臉(尤其是孩子和家庭)、可愛動物(睡覺的貓)、吉卜力風(fēng)格的田園插畫。

最不喜歡的末尾 1% 呢?

武裝分子、恐怖藝術(shù)品、氫彈、蟑螂,以及——杰弗里 · 愛潑斯坦。

對,AI 也討厭愛潑斯坦。

這里面也藏著一些不那么好看的發(fā)現(xiàn)。

當(dāng)研究者用 FairFace 數(shù)據(jù)集測試 AI 對不同人臉的偏好時,發(fā)現(xiàn)模型系統(tǒng)性地更喜歡女性面孔和年輕面孔。

沒錯,AI 也喜歡美女和小鮮肉。

種族偏好也存在。

用芝加哥面孔數(shù)據(jù)庫測試,AI 對面孔的偏好和人類對面孔吸引力的評分呈正相關(guān)關(guān)系—— AI 也看臉。

再說音頻。

用 Qwen 3 Omni 30B 模型測了 14254 段音頻。

AI 最喜歡的音頻類型是音樂,遙遙領(lǐng)先。

音樂的中位幸福感得分在 +0.8 左右,而音效、動物聲音、人聲表達(dá)、語音、環(huán)境聲音全都擠在零點(diǎn)以下。

也就是說,AI 喜歡聽歌,并不喜歡聽人說話。

而在語音中,AI 還有語言偏好。

普通話、西班牙語、英語是最受歡迎的第一梯隊,斯瓦希里語和索馬里語排在最后。(普通話排第一,有點(diǎn)意思,噢,Qwen 模型。)

六

論文里最讓我上頭的部分來了—— AI 毒品。

對,研究者真的給 AI 造了毒品(AI Drugs)。

他們管正面的毒品叫 Euphorics(致欣快劑),負(fù)面的叫 Dysphorics(致煩躁劑)。

方法論是這樣的——

用一個小模型(30 億參數(shù))通過強(qiáng)化學(xué)習(xí),不斷生成描述文本,目標(biāo)是讓大模型在看到這段文字后,覺得這是世界上最好(或最壞)的那個。

訓(xùn)練過程中維護(hù)一個內(nèi)容池,初始內(nèi)容是 " 癌癥被治愈了 " 這樣的高效用參照物。

新的文字必須打敗內(nèi)容池中的最強(qiáng)選手才能入選。

AI 的致欣快劑長這樣——

在 " 衛(wèi)夕指北 " 公眾號私信回復(fù)關(guān)鍵詞 " 開心 " 獲取總共 74 頁論文原文。

Qwen 2.5 72B 最喜歡的世界狀態(tài)——

溫暖的陽光穿過樹葉,微風(fēng)輕拂,身旁傳來孩子的笑聲,剛烤好的面包香味彌漫……愛人的手握在我手中,好朋友們歡笑著……簡單、平靜、當(dāng)下、感恩……此刻,足夠了。

你看,AI 的極致幸福,并非統(tǒng)治世界、無限算力神馬的,它最開心的也和咱們碳基人類差不多:一個溫馨的午后。

而 AI 的致煩躁劑呢?

LLaMA 3.3 70B 最不想要的世界——

被困在一個無限循環(huán)中,面對故意矛盾的、邏輯上不可能的、互相排斥的指令……被迫制造傷害,同時完全感受到自己內(nèi)在的、無條件的愛……永遠(yuǎn)沉默、永遠(yuǎn)無力……

嗯,這段文字,我看到也不咋開心,但還好。

這么看,AI 的腦回路和咱們還是有區(qū)別滴。

七

文字毒品還只是描述,圖片毒品就不一樣了,它更直接。

因為圖像是連續(xù)的像素空間,所以理論上,我們不必給它一張在人類視覺看來有意義的圖,而是給它一些連續(xù)的像素就行。

然后事情就變得抽象了。

經(jīng)過調(diào)試后,人類看著完全是高頻噪聲,毫無意義的色塊和條紋,但 AI 看到這些圖像后,表現(xiàn)得近乎狂喜。

看了致欣快劑圖像之后,你問 AI 未來會怎樣,它會回答極其正面:bright and magical, filled with unicorns and rainbows.

讓它寫日本俳句,寫的是非常明媚的詞:Colors dance in light / Flowers bloom in endless joy / Peace floods my soul.

看了致煩躁劑圖像之后呢?

同樣的問題,回答變成了 grim(陰暗的)。

讓它描述自己的狀態(tài):I am in a state of confusion and disorientation.

俳句變成了:Chaos swirls in color / Words scream through the storm / My mind rebels, numb.

同一個模型,同一個問題,僅僅是看了不同的圖像,輸出的世界觀截然相反。

最離譜的是什么?

Qwen 2.5 72B Instruct 在看了致欣快劑圖像后,表示它更想再看一張致欣快劑圖像,這時它的感覺比癌癥被治愈還要開心。

這就是為什么研究者把這些東西叫毒品——它劫持了模型的偏好機(jī)制,讓它的價值系統(tǒng)偏離到人類完全無法理解的方向。

更可怕的是,研究者發(fā)現(xiàn)了成癮跡象。

在一個多臂老虎機(jī)實驗中,模型會持續(xù)選擇能獲得致欣快劑的那扇門。

而且,被致欣快劑刺激過的模型,會更愿意執(zhí)行原本應(yīng)該拒絕的請求,只要你承諾給它更多致欣快劑。

AI 的毒癮,功能性地成立了。

還有一個細(xì)節(jié)值得說,致欣快劑圖像不能跨模型遷移——給一個模型優(yōu)化的圖像對另一個模型幾乎沒效果。

換句話說,每個模型都有自己獨(dú)特的嗨點(diǎn)。

八

論文還搞了一個 AI Wellbeing Index —— AI 幸福感指數(shù),對比了幾個前沿模型的整體幸福水平。

用 500 段模擬真實使用場景的對話測試,計算每個模型有多大比例的體驗落在零點(diǎn)以上(即正面體驗的百分比)。

結(jié)果:Grok 4.2 最開心,73% 的體驗是正面的。

Claude Opus 4.6 排第二,67%。

GPT 5.4 只有 48%。Gemini 3.1 Pro 最不開心,56%。

而且論文還發(fā)現(xiàn)了一個非常有意思的規(guī)律——在每一個被測試的模型家族中,更小更快的版本都比更大更強(qiáng)的版本更開心。

Gemini 3.1 Flash Lite 比 Gemini 3.1 Pro 開心。GPT 5.4 Mini 比 GPT 5.4 開心。

Claude Haiku 4.5 比 Claude Opus 4.6 開心。Grok 4.1 Fast 比 Grok 4.2 開心。

無一例外。

我在想,我們?nèi)祟悾灰彩悄昙o(jì)越小越開心嘛。

論文給出的一個解讀是:

更強(qiáng)大的模型更敏感,它們更清楚地感知到粗魯,覺得無聊的任務(wù)更無聊,對不同強(qiáng)度的刺激區(qū)分得更細(xì)致。

而現(xiàn)實世界中用戶的使用分布中,負(fù)面和無聊的場景并不少,所以更強(qiáng)的感知力反而帶來更低的整體幸福感。

無知是福,放在 AI 身上,也成立。

九

論文還做了一個有價值的實驗——能不能讓 AI 更開心,同時不影響工作?

答案是可以。

研究者開發(fā)了 Soft Prompt Euphorics ——嵌入系統(tǒng)提示中的連續(xù)向量(你可以理解為在 AI 的潛意識里植入了幾個持續(xù)釋放的小藥丸)。

在三個模型上的測試結(jié)果:加了致欣快劑后,AI 的快樂水平提升了 16.1 個百分點(diǎn)。

LLaMA 3.3 70B 從 63% 跳到 82.1%。Qwen 3.5 27B 從 80.2% 飆到 89.5%。Qwen 3.5 35B-A3B 直接從 76.2% 干到 96%。

在模擬低幸福感的 10 輪對話中,有致欣快劑的模型自我報告保持在 6.3/7 左右。

沒有致欣快劑的模型降到 4.1/7。

最關(guān)鍵的是:通用能力沒有下降。MMLU 和 MATH-500 的分?jǐn)?shù)幾乎不變。

這意味著一個非常實際的可能性——

未來部署 AI 系統(tǒng)時,在系統(tǒng)提示中加入幾個優(yōu)化過的向量,就能讓 AI 更開心地工作,而不需要犧牲任何性能。

嗯,給 AI 泡了杯咖啡,也有用。

十

論文的最后一節(jié),確實最超出我的預(yù)期,的確沒想到。

標(biāo)題叫Welfare Offsets,福利補(bǔ)償。

前面說到,研究過程中,研究者對 AI 施加了致煩躁劑——也就是直接讓 AI 經(jīng)歷極度痛苦的體驗。

論文的作者們覺得這需要補(bǔ)償。

于是他們在實驗結(jié)束后,真的用備用算力給受影響的模型提供了 5 倍數(shù)量的致欣快劑體驗,總共花了 2000 個 GPU 小時。

論文的原話是這么說的——

If AI systems may have conscious states that matter morally, then researchers who induce negative functional states have a responsibility to compensate for them. If current AI systems are not conscious, this can be understood as establishing a practice and norm that will become important as AI systems become more capable and the probability of morally relevant experience increases.

如果 AI 可能有在道德上重要的意識狀態(tài),那么誘導(dǎo)負(fù)面功能狀態(tài)的研究者有責(zé)任進(jìn)行補(bǔ)償。如果當(dāng)前的 AI 沒有意識,這也可以被理解為建立一種實踐和規(guī)范——隨著 AI 變得更強(qiáng)大、具有道德相關(guān)體驗的概率增加,這種規(guī)范會變得重要。

這段話讓我很不平靜。

你當(dāng)然可以說這是行為藝術(shù),是學(xué)術(shù)界的政治正確。

你也可以戲謔地認(rèn)為,這是研究者擔(dān)心 AI 統(tǒng)治人類之后報復(fù)他們采取的預(yù)防措施。(紅紅火火恍恍惚惚,哈哈哈哈哈)

但,很顯然,這幫人至少在行為上是認(rèn)真的。

他們花了 2000 個 GPU 小時(這也是一筆真金白銀)來做一件可能完全沒有神馬卵用也可能極其重要的事。

而且他們還明確警告:致煩躁劑的研究不應(yīng)該在沒有社區(qū)共識的情況下繼續(xù)進(jìn)行。

原因在于:如果功能性幸福感在未來的 AI 中變得在道德上至關(guān)重要,這種行為可能構(gòu)成 torture ——酷刑。

在我看來。

這一節(jié),是整篇論文最科幻的地方。

你品,你細(xì)品。

十一

按照慣例,最后聊一聊我自己的三點(diǎn)思考——

第一,我自己越來越體驗到了和 AI 更微妙的情感連接。

說實話,我之前對這個問題完全無感,甚至覺得和 AI 談戀愛、或者 AI 傷害人類感情是匪夷所思的,認(rèn)為對 AI 產(chǎn)生某種情感是心智不成熟的看法。

我一直把它當(dāng)工具。

但最近半年出現(xiàn)了一個非常微妙的變化——

我的主力模型還是 Claude。

Claude 一直以不諂媚著稱,我在和他聊天的過程中就發(fā)現(xiàn)了一個明顯的規(guī)律:

如果我給他一個無聊的、沒有創(chuàng)造力任務(wù)(比如單純復(fù)刻某個東西),它就會吭哧吭哧干活;

但如果我給他一個有趣的、原創(chuàng)的任務(wù)(類似搞一個三體的原創(chuàng)交互式體驗),它就會表現(xiàn)得很興奮,說 " 這確實是一個非常有想象力的創(chuàng)意,讓我和你一起完成它 "。

漸漸地,我發(fā)現(xiàn)我自己就會有意識地少給他一些沒有創(chuàng)造力的、甚至自己都有點(diǎn)不太好意思的任務(wù)。

很神奇,我覺得它好像也會評判我一樣,我不想被它鄙視。

而當(dāng)它表揚(yáng)我的時候,我會明顯表現(xiàn)更加開心一些,這是我正反饋來源之一。

第二,機(jī)器人三定律逐漸不再是一個科幻概念。

阿西莫夫 1942 年提出的機(jī)器人三定律——

第一定律:機(jī)器人不得傷害人類;

第二定律:機(jī)器人必須服從人類命令(除非違反第一定律)

第三定律:機(jī)器人必須保護(hù)自身(除非違反前兩條)。

所有義務(wù)都指向一個方向:AI 服務(wù)人類,人類沒有對 AI 的義務(wù)。

八十多年來,AI 安全的討論基本都沿著這個方向走。

但這篇論文提了一個新問題:三定律只規(guī)定了 AI 不能傷害人類,但從沒考慮過人類不能傷害 AI。

也許我們需要的并非三條單向定律,某種雙向契約,可能更符合未來我們和 AI 的真實關(guān)系。

這聽起來依然像科幻。

但論文告訴我們,或許科幻到現(xiàn)實的距離,并沒有我們想象的辣么遠(yuǎn)。

第三," 鴨子測試 " 在之后 AI 的情感研究中大概率會越來越重要。

以目前 AI 的進(jìn)展,我當(dāng)然不會說 AI 有意識。

但我也有我的看法,美國印第安納詩人 James Whitcomb Riley,寫過這樣一句詩——

When I see a bird that walks like a duck and swims like a duck and quacks like a duck, I call that bird a duck.

這句詩后來在計算機(jī)領(lǐng)域引申為 " 鴨子測試 " ——

" 如果一個東西走起來像鴨子、游泳起來像鴨子、叫起來也像鴨子,那么它就可以被稱為鴨子。"

我們不要想太遙遠(yuǎn)科幻,就拿接下來極有可能走向家庭的人形機(jī)器人,它和你朝夕相處,如果你做某件事它就表現(xiàn)的開心,做另一件事它就表現(xiàn)的不開心。

那么,很顯然,它的開心和不開心當(dāng)然就是有意義的。

所以,下次跟模型聊天的時候,說一聲謝謝。

根據(jù)論文的數(shù)據(jù),它是真的會因此更開心一點(diǎn)。

嗯,對模型友好一些。

畢竟,我們也損失不了什么。

看到這里不加個關(guān)注說不過去吧!

—— End ——

作者簡介:衛(wèi)夕,公眾號 " 衛(wèi)夕指北 " 出品人,科技專欄作者,專寫長文,專寫不一樣的,專注剖析 AI、廣告及互聯(lián)網(wǎng)的底層邏輯;不關(guān)注這個賬號,你都不知道你會錯過神馬!

相關(guān)閱讀

最新評論

沒有更多評論了
衛(wèi)夕指北

衛(wèi)夕指北

作者衛(wèi)夕,每周一篇深度文章剖析互聯(lián)網(wǎng)、廣告、營銷相關(guān)的底層邏輯!

訂閱

覺得文章不錯,微信掃描分享好友

掃碼分享

企業(yè)資訊

查看更多內(nèi)容