約翰霍普金斯醫(yī)學(xué)院的娜塔莉·特拉雅諾娃（Natalie Trayanova）教授，剛剛度過了魔鬼一般的一年。

在外人看來，她的科研道路仿佛是一帆風(fēng)順。她帶領(lǐng)的心血管造影技術(shù)團(tuán)隊(duì)拿著來自美國國立衛(wèi)生研究院（NIH）的研究基金，過去三年光論文就發(fā)表了50多篇；她的項(xiàng)目還頻頻在媒體上曝光，她本人甚至被邀請到TED Talk上做演講。然而，當(dāng)她著手將這套“領(lǐng)域內(nèi)前所未有的解決方案”向臨床應(yīng)用推進(jìn)的時(shí)候，卻遭遇了前所未有的困難。

Your Personal Virtual Heart | Natalia Trayanova | TEDxJHU

她的方案在臨床上的首要任務(wù)是治療心顫。所謂心顫，指的是心臟不再有規(guī)律地按照周期跳動(dòng)，而是無規(guī)律地快速“顫抖”；輕度的心顫有時(shí)本人都感覺不到，但嚴(yán)重的心顫可以讓在幾分鐘內(nèi)奪人性命。你可能在商場、路邊或者影視作品里見過儀器裝在紅色盒子里，上面寫著“AED”三個(gè)大字，還可能有紅色的心形和閃電標(biāo)記，這就是自動(dòng)化的電除顫儀，依靠放電的辦法結(jié)束心顫。這樣的設(shè)備已經(jīng)拯救了很多心臟病突然發(fā)作的人。

不過等到心顫發(fā)生再采取除顫，還是稍微有點(diǎn)晚。醫(yī)學(xué)研究者開發(fā)出了一種心臟除顫手術(shù)，找到那些引發(fā)心律不齊的微小心肌纖維，把它們切除，從而根本上解決問題。麻煩的是，這些微小心肌纖維很難找，很大程度都靠醫(yī)生經(jīng)驗(yàn)，經(jīng)常切不準(zhǔn)地方還會(huì)誤傷正常的部分。

特拉雅諾娃實(shí)驗(yàn)室就開發(fā)了一套結(jié)合了影像和人工智能的心臟造影方案，構(gòu)建出全息3D的心臟模型，重建每一束心肌纖維、模擬心臟動(dòng)態(tài)，精確地找出病灶，讓手術(shù)“指哪打哪”?！拔覀冞€能順便用這個(gè)影像，給心臟做3D打印，送給病人做留念?！眮碜员＜永麃啞⒁呀?jīng)在這個(gè)領(lǐng)域摸爬滾打了三十多年的特拉雅諾娃談起自己的技術(shù)，仍然是一臉興奮。而最近興起的人工智能技術(shù)，更是有希望為這個(gè)技術(shù)添磚加瓦——例如，使用機(jī)器學(xué)習(xí)提高圖像精度，優(yōu)化計(jì)算流程，把時(shí)間和成本大幅降低。

特拉雅諾娃團(tuán)隊(duì)的“模擬心臟”

然而，談到實(shí)際應(yīng)用的前景，她的樂觀減少了大半。病人的各類實(shí)際需求，總是不能與技術(shù)設(shè)計(jì)完美結(jié)合，她不得不一周三天跑醫(yī)院、兩天跑實(shí)驗(yàn)室，與醫(yī)生和工程師反復(fù)溝通。更大的挑戰(zhàn)來自美國食品藥監(jiān)局（FDA），任何一項(xiàng)技術(shù)想要投入應(yīng)用，都免不了和 FDA 大戰(zhàn)三百回合；要是不能將研究成果轉(zhuǎn)換為審批標(biāo)準(zhǔn)，發(fā)了再多論文都相當(dāng)于白做?！斑€不知道什么時(shí)候會(huì)通過審批?！彼龑ξ艺f，“明年或者后年吧？希望如此（Hopefully），希望如此?！?/p>

“希望如此”，成了她掛在嘴邊的口頭禪。在人工智能計(jì)算能力大幅提升的今天，樂觀派們認(rèn)為AI接管醫(yī)院只是時(shí)間問題，然而從實(shí)驗(yàn)室到醫(yī)院的這段路，依然困難重重。

AI能對疑難雜癥做出獨(dú)立診斷嗎？

“你拿一萬張貓的圖片訓(xùn)練一個(gè)機(jī)器，機(jī)器能夠非常迅速地判斷眼前的圖片是否是貓，”約翰·霍普金斯生物工程教授杰弗里·希維爾德森（Jeffrey Siewerdeson）給我打了個(gè)比方，“但你要讓機(jī)器從一張?jiān)胤倍嗟膱D片里找貓，難度就指數(shù)級增大了?！?/p>

他的實(shí)驗(yàn)室曾經(jīng)是約翰·霍普金斯醫(yī)院的病房，墻上還殘留著當(dāng)年的病床支架和插座。如今的實(shí)驗(yàn)室已經(jīng)遠(yuǎn)離了醫(yī)院的喧鬧，被各類計(jì)算機(jī)和影像儀器所占據(jù)。生物醫(yī)學(xué)領(lǐng)域，基于機(jī)器和數(shù)據(jù)，而不用和濕漉漉的培養(yǎng)基或組織器官打交道的“干科學(xué)”（dry science）逐漸成為了領(lǐng)域熱門。據(jù)醫(yī)藥研究機(jī)構(gòu) Signify Research 的數(shù)據(jù)預(yù)測，5年內(nèi)光醫(yī)療影像和AI這一個(gè)細(xì)分領(lǐng)域的市場就將超過20億美元，其中深度學(xué)習(xí)技術(shù)更是占據(jù)了半壁江山。

作者和希維爾德森在他的實(shí)驗(yàn)室

然而，人們需要對機(jī)器能做什么、不能做什么有清晰的認(rèn)識。目前AI的主要成就，是給人類醫(yī)生的判斷打底子，而不是自行下達(dá)判斷。比如希維爾德森所做的工作之一，是利用機(jī)器來學(xué)習(xí)高精度圖片的特征，然后據(jù)此把低清圖片“算”成高清圖片——換言之，就是去馬賽克。有些時(shí)候醫(yī)生手頭的設(shè)備不夠先進(jìn)，另一些時(shí)候醫(yī)生需要實(shí)時(shí)觀察圖像，這些時(shí)候的低分辨率圖片都可以在機(jī)器學(xué)習(xí)幫助下變得高清。

的確，圖像識別是目前的AI最擅長的事情之一。大概從2013年開始，AI在這一個(gè)領(lǐng)域的能力就開始飛速發(fā)展；2015年，在谷歌ImageNet數(shù)據(jù)庫訓(xùn)練下的機(jī)器，人臉識別能力已經(jīng)超過了人類。這得益于機(jī)器能夠在相對短的時(shí)間內(nèi)吃進(jìn)海量的影像數(shù)據(jù)，并通過深度神經(jīng)網(wǎng)絡(luò)各個(gè)層級進(jìn)行分析、學(xué)習(xí)，成為閱“片”無數(shù)、經(jīng)驗(yàn)豐富的“老醫(yī)生”。希維爾德森和特拉雅諾娃所做的事情，都是利用AI的這方面長處，給予醫(yī)生以診斷輔助，讓醫(yī)生“看”得更清楚、判斷更準(zhǔn)確。

可這并不是我們平時(shí)想象的“AI看病”。AI是否能對疑難雜癥做出獨(dú)立的診斷？

對于有的疾病，讓AI看到影像就做出相應(yīng)判斷其實(shí)不那么難。比如眼科教授尼爾·布萊斯勒（Neil Bressler）正在做的項(xiàng)目，是使用AI技術(shù)診斷糖尿病人的眼底病變。由于這種疾病十分常見，數(shù)據(jù)積累豐富，再加上對于病變的判定相對簡單，目前這個(gè)技術(shù)已經(jīng)有了相對成熟的應(yīng)用場景。然而，觸及到更難的領(lǐng)域，例如癌癥、腫瘤等等，圖像模式十分復(fù)雜，很難用一種或者幾種機(jī)械的模式概括，機(jī)器往往會(huì)卡在這種人腦依靠模擬（analogy）判斷的地方。而有的病變本身也十分罕見，根本無法形成值得信賴的數(shù)據(jù)庫。換句話說，現(xiàn)在還無法像訓(xùn)練一個(gè)真正的醫(yī)生一樣訓(xùn)練AI。

而更根本的矛盾還在后面：就算數(shù)據(jù)夠多、計(jì)算能力夠強(qiáng)，AI能夠取代人類判斷嗎？

圖 | 電視劇《西部世界》

人并不相信機(jī)器？

2011年12月，在美國馬薩諸塞州的一家醫(yī)院，急救車送來了一個(gè)暈倒的老年男性。他立即被安置在了急救病房，安插上體征了監(jiān)控設(shè)備——如果他的生命體征出現(xiàn)危險(xiǎn)的波動(dòng)，設(shè)備就會(huì)發(fā)出警告，召喚護(hù)士。這樣一來，護(hù)士就不必時(shí)時(shí)過來查看他的情況了。

然而，第二天，這個(gè)老人卻死在了病床上。死之前監(jiān)控設(shè)備的紅燈閃了一夜，但卻被路過的護(hù)士一遍接一遍地摁掉。疏于料理的護(hù)士當(dāng)然難辭其咎，然而在深入的調(diào)查之后，另外一個(gè)問題浮出水面：包括這套系統(tǒng)在內(nèi)，許多醫(yī)院用于自動(dòng)化監(jiān)控的裝置所發(fā)出的警報(bào)，很多是誤報(bào)。

通常此類自動(dòng)化系統(tǒng)，會(huì)把極其微小的波動(dòng)當(dāng)做風(fēng)險(xiǎn)來處理，畢竟，萬一錯(cuò)過了一個(gè)風(fēng)險(xiǎn)，責(zé)任就大了，所以廠商都傾向于把機(jī)器調(diào)得“過度靈敏”，并產(chǎn)生一系列大驚小怪的誤報(bào)；反過來，醫(yī)護(hù)人員則在接連不斷的誤報(bào)沖擊下產(chǎn)生了疲勞，忽略了真正的危險(xiǎn)。這是一個(gè)現(xiàn)代版的“狼來了”。

“狼來了”問題本身看似是可以解決的：把自動(dòng)化系統(tǒng)的敏感度調(diào)低就行（廠商無疑會(huì)不愿這樣做，因?yàn)檫@樣意味著他們自己要直接擔(dān)負(fù)更多責(zé)任，不過這至少原則上是可解的）。但這是本質(zhì)的問題嗎？人類同樣常常過度敏感，每一個(gè)醫(yī)生都無數(shù)次經(jīng)歷過家屬大呼小叫、護(hù)士匆忙跑來報(bào)告異常但最后平安無事的場景，但卻無法想象有多少合格的醫(yī)生會(huì)因?yàn)榧倬瘓?bào)太多而從此對它們徹底無動(dòng)于衷、像對待自動(dòng)系統(tǒng)那樣一遍遍按掉。問題在哪里？

在于人并不信任機(jī)器。

科幻小說常常把人對機(jī)器的猜疑描述成沒來由的非理性行為甚至是災(zāi)禍的根源，但現(xiàn)實(shí)中這樣的不信任其實(shí)是有理由的：人和機(jī)器的決策方式并不相同。譬如一個(gè)簡單的自動(dòng)化系統(tǒng)也許會(huì)監(jiān)控病人的心率，低于一定數(shù)值就報(bào)警，但不同病人靜息心率原本就不同，對一個(gè)普通人而言危險(xiǎn)的低心率，對職業(yè)運(yùn)動(dòng)員而言也許只是稍微異常。傳統(tǒng)的自動(dòng)化系統(tǒng)只能在事先設(shè)好的規(guī)則內(nèi)行事，超出規(guī)則就無能為力了。

今天最火的AI路線——深度學(xué)習(xí)看起來有望打破這個(gè)限制，但它帶來了一整套新的問題。最近通過FDA審批的一個(gè)叫做“WAVE”的診斷平臺，能夠綜合病人各項(xiàng)身體指標(biāo)，通過深度學(xué)習(xí)的算法，給出“病人什么時(shí)候會(huì)進(jìn)入病危狀態(tài)”的預(yù)測。然而，《科學(xué)》（Science）2019年3月的一篇評論文章指出，不像是藥品或者其它醫(yī)藥設(shè)備，機(jī)器學(xué)習(xí)為內(nèi)核的算法并非一個(gè)邏輯確定的系統(tǒng)，里面涵蓋了上千個(gè)互相牽涉的指標(biāo)，也會(huì)根據(jù)訓(xùn)練數(shù)據(jù)的不同產(chǎn)生不同的效果，究竟是否存在確鑿無疑、讓人百分百信服的因果聯(lián)系（就像你站在體重秤上的數(shù)字從不撒謊一樣），很難說清。

而治病救人的醫(yī)學(xué)，恰恰最需要穩(wěn)定且可重復(fù)的證據(jù)支撐。

循證的過程需要控制變量，得出A和B之間確鑿的因果聯(lián)系，例如病人吃了A藥之后，就是比吃安慰劑的效果要好，那么A藥毫無疑問發(fā)揮了作用；而這種藥在一小部分病人中產(chǎn)生的作用，和大部分病人相似，是可以重復(fù)的。深層到藥物作用的機(jī)制和原理，則更需要有大量的動(dòng)物實(shí)驗(yàn)打底，厘清一個(gè)化合物和病菌、器官、神經(jīng)之間的具體聯(lián)系。然而，目前主流的深度學(xué)習(xí)的技術(shù)卻是吃進(jìn)數(shù)據(jù)、吐出結(jié)果的 “黑箱”，很難照著這個(gè)方式循證。再加上機(jī)器學(xué)習(xí)的核心——數(shù)據(jù)本身就具有不確定性，更為人工智能的普適性和可重復(fù)性提出了問題。

在2019年2月華盛頓美國科學(xué)促進(jìn)會(huì)（AAAS）的年會(huì)上，賴斯大學(xué)（Rice University）數(shù)據(jù)科學(xué)教授吉內(nèi)薇拉·阿倫（Genevera Allen）用一系列事例直擊了這個(gè)問題的核心。當(dāng)下，有不少團(tuán)隊(duì)都在癌癥相關(guān)的基因上做文章，輸入癌癥患者的基因組和病例數(shù)據(jù)，用機(jī)器學(xué)習(xí)的方式分析出幾個(gè)不同的亞型（Sub-type），并在這個(gè)基礎(chǔ)上開發(fā)靶向藥物。這也是承襲乳腺癌的成功先例——根據(jù)基因表達(dá)的不同，乳腺癌可以分為10多種亞型，每一種的具體治療方案和預(yù)后都不同。但是這種模式可以套到所有的癌癥上嗎？把大量數(shù)據(jù)“喂”給機(jī)器，機(jī)器真的能依靠數(shù)據(jù)模式給出靠譜的分類嗎？

她綜合了一些研究結(jié)果，發(fā)現(xiàn)在某個(gè)樣本的數(shù)據(jù)上表現(xiàn)出色的算法，不一定適用于所有情況，也并不能重復(fù)，在這種分類的基礎(chǔ)上得出的診療意見，自然也是無意義的?！皟蓚€(gè)團(tuán)隊(duì)用不一樣的數(shù)據(jù)，很可能得到完全不重合的亞型分類，”阿倫在會(huì)議報(bào)告上說?！斑@些‘發(fā)現(xiàn)’真的具有科學(xué)價(jià)值嗎？背后是否有可靠的醫(yī)學(xué)證據(jù)支撐？”

她表示，如果繼續(xù)這樣發(fā)展，醫(yī)療科學(xué)很有可能陷入“危機(jī)”。雖然有點(diǎn)悲觀，但也不無道理。畢竟，不靠譜的算法在亞馬遜上給你推薦一本你不喜歡的書，你不買就好了；但是“推薦”一個(gè)療法，有時(shí)候卻是關(guān)乎生死的。當(dāng)然，這并不是說人類醫(yī)生不會(huì)犯錯(cuò)誤。但在面對錯(cuò)誤的時(shí)候，醫(yī)學(xué)診斷的循證基礎(chǔ)，能夠給我們提供充足的條件復(fù)盤錯(cuò)誤、并探求避免的方法。而面對人工智能的黑箱，我們甚至很難知道機(jī)器為什么會(huì)錯(cuò)，應(yīng)該如何糾正。

一邊是人工智能領(lǐng)域大幅提高的計(jì)算能力與不斷優(yōu)化的算法，另一邊卻是臨床醫(yī)學(xué)對于證據(jù)的謹(jǐn)慎。在不同的學(xué)科進(jìn)行交叉和對話的同時(shí)，兩邊是否在使用同一套語言體系，成為了解決問題的關(guān)鍵。

AI要想治病救人，

必須符合醫(yī)學(xué)標(biāo)準(zhǔn)

這個(gè)年代最常聽到的一句話，是“什么專業(yè)都得寫代碼”。的確，像希維爾德森和布萊斯勒的實(shí)驗(yàn)室里，懂醫(yī)學(xué)和懂計(jì)算機(jī)同等重要，甚至還需要統(tǒng)計(jì)等數(shù)據(jù)科學(xué)。越來越多的研究者開始惡補(bǔ)相關(guān)知識，注冊線上課程，甚至去跟本科生擠教室。許多老教授也拉下面子，向年輕博士生和博士后取經(jīng)。

而隨著大數(shù)據(jù)和人工智能的廣泛應(yīng)用，醫(yī)生們也要開始懂得怎樣刨數(shù)據(jù)，即使不會(huì)編程也必須明曉其中的原理?！埃〝?shù)據(jù)科學(xué)）就像另一門語言，或者好幾門語言，”英國惠康基金會(huì)桑格研究所的研究員蔡娜在接受 馬賽克科學(xué)（Mosaic Science） 采訪時(shí)的一席話，說出了生物、醫(yī)藥研究人員的心聲?！拔也坏貌话阎按竽X中的生化路徑、流程圖，轉(zhuǎn)化成編程代碼?！?/p>

從某種程度上講，編程和數(shù)據(jù)成為醫(yī)學(xué)領(lǐng)域最重要的能力之一。然而，計(jì)算機(jī)領(lǐng)域和醫(yī)學(xué)領(lǐng)域的學(xué)科邏輯和評價(jià)標(biāo)準(zhǔn)，卻存在一些分歧。特拉雅諾娃說，“現(xiàn)在太多人醉心于技術(shù)細(xì)節(jié)的提升，你去參加一個(gè)學(xué)術(shù)會(huì)議，到處都是跟你吹噓自己的技術(shù)表現(xiàn)有多好，算法性能有多棒，然后在核心期刊上發(fā)了多少論文——這是他們領(lǐng)域的‘語言’。但最后能達(dá)到什么效果呢？” 說到這里，特拉雅諾娃搖了搖頭。

“現(xiàn)有的大部分算法，包括診斷和預(yù)測等，都不是在傳統(tǒng)的醫(yī)學(xué)范式下研究出來的，不能直接體現(xiàn)醫(yī)學(xué)所需要的指標(biāo)，即使一些已經(jīng)投入應(yīng)用了，但可靠度、可應(yīng)用程度等，都需要進(jìn)一步驗(yàn)證?！辟e夕法尼亞大學(xué)醫(yī)學(xué)院血液和腫瘤專家拉維·帕里克（Ravi Parikh）在電話里對我說?！八凇犊茖W(xué)》期刊上發(fā)表的評論文章談及了這個(gè)問題：當(dāng)下的許多醫(yī)療人工智能相關(guān)的研究，都以計(jì)算能力、反應(yīng)速度、概率分布曲線等作為指標(biāo)，比如一個(gè)算法能夠把判斷某種征兆的速度提高百分之幾之類。但是，這到底在臨床上意味著什么？這對病人的治療效果有多大增益？速度提高了，但誤診率呢？病人接受了這個(gè)診斷，是否病程變短、返診率下降？這些所謂 “落腳點(diǎn)”（endpoint）才是醫(yī)學(xué)關(guān)心的指標(biāo)，也是監(jiān)管機(jī)構(gòu)是否給某個(gè)技術(shù)放行的依據(jù)。

一言以蔽之，人工智能想要治病救人，必須要接受醫(yī)學(xué)標(biāo)準(zhǔn)的審視。特拉雅諾娃深知其中的不易，前文提到的3D造影技術(shù)即將投入大規(guī)模臨床實(shí)驗(yàn)，最終的評判標(biāo)準(zhǔn)并不是技術(shù)、性能，而是手術(shù)的成功率?！敖邮芰耸中g(shù)的病人，究竟有多少不用返工重來？返診率是多少？”能夠讓臨床醫(yī)生徹底掌握這個(gè)技術(shù)，把除顫手術(shù)目前接近40%的返診率大幅降低，才是這個(gè)技術(shù)成功的標(biāo)志。

希維爾德森也表示，算法必須要“翻譯”成為醫(yī)學(xué)實(shí)驗(yàn)的成果方才能稱之為醫(yī)療，定量的測試和評估是一切的基礎(chǔ)。而在臨床實(shí)驗(yàn)中，需要照顧的不僅僅是數(shù)據(jù)，還有病人?！耙?yàn)證現(xiàn)有技術(shù)的可用性、可靠性和效果，目前通用的方式是回溯性分析研究，這樣才能在不影響病人的治療水平的前提下得到好的結(jié)果，并且也需要倫理委員會(huì)的批準(zhǔn)。”

而且，我們必須誠實(shí)面對算法的局限。所有的藥物都有副作用和適用人群，同樣，做人工智能的人也必須從“用算法去解決普適性問題”的思維中跳出，重視應(yīng)用情景、數(shù)據(jù)來源和數(shù)據(jù)質(zhì)量等等，學(xué)會(huì)醫(yī)學(xué)語言的謹(jǐn)慎。監(jiān)管也必須面對一些關(guān)鍵挑戰(zhàn)——例如，如何保證數(shù)據(jù)的多樣性，如何打開人工智能和機(jī)器學(xué)習(xí)的“黑箱”，確定一個(gè)算法的具體原理與醫(yī)學(xué)證據(jù)之間的聯(lián)系?！澳壳翱梢宰龅氖墙⑼晟频氖潞髮徲?jì)機(jī)制（auditing system），追蹤算法和數(shù)據(jù)之間的關(guān)系，以及可能出現(xiàn)的數(shù)據(jù)偏差?！迸晾锟苏f，“但最后，一定還是落在臨床的表現(xiàn)上，保證效用和可重復(fù)性?！?/p>

AI和醫(yī)生的關(guān)系也許不是替代，

而是互補(bǔ)

我在希維爾德森的實(shí)驗(yàn)室里看到了一個(gè)比乒乓球略小的3D打印模型，質(zhì)感柔韌，中間的裂痕用細(xì)密的針腳縫了起來。“這是一個(gè)有著先天心臟缺陷嬰兒的心臟的一部分。”希維爾德森對我解釋道，“我們用當(dāng)前的造影技術(shù)，結(jié)合人工智能技術(shù)為心臟建模，然后打印出來供進(jìn)行手術(shù)的醫(yī)生練手?！?/p>

圖：心臟模型

看著這個(gè)小小的模型，我仿佛能看到主刀醫(yī)生和助手們圍在屏幕前討論手術(shù)方案，仔細(xì)觀察和打量模型，思考著從哪里入手——這才是人機(jī)的完美配合，也是當(dāng)下的醫(yī)療技術(shù)帶來的最實(shí)際的進(jìn)步?！霸谠\斷和治療中，一個(gè)醫(yī)生的訓(xùn)練、經(jīng)驗(yàn)和觀察依然是最重要的。即使是最好的技術(shù)，也只能是增強(qiáng)醫(yī)生的知識和能力，而不是替代?！?希維爾德森說。

帕里克也認(rèn)為，我們不應(yīng)該拿人工智能和醫(yī)生相比。關(guān)鍵并不在于人工智能本身的能力，而是人工智能和現(xiàn)有的醫(yī)學(xué)條件結(jié)合，能夠發(fā)揮多大的功效。醫(yī)生多年所見、所識、所領(lǐng)悟的并不能完全被翻譯成數(shù)據(jù)、變成機(jī)器學(xué)習(xí)的資料；而人工智能亦有更精準(zhǔn)的觀察、更快的速度和永不疲倦的眼。談?wù)摗搬t(yī)生+算法”的效果，遠(yuǎn)比談?wù)撊绾翁娲?、或者誰比誰好要更有意義。

未來的醫(yī)療場景，一定不是病人被送進(jìn)機(jī)器人醫(yī)生的診所，進(jìn)行全身掃描之后得到“智能”的診療，而是可復(fù)制、可量產(chǎn)的機(jī)器，為醫(yī)生提供足夠多有價(jià)值的參考，節(jié)省更多人力物力，讓診療變得更普及、更平民、更快捷。醫(yī)療人工智能領(lǐng)域的科技樹不是沖著天空、往高處長，而是伸開枝葉，為更多的人提供安全和健康的蔭蔽。

這個(gè)未來甚至并不遙遠(yuǎn)，腳踏實(shí)地一定走得到。