如何评价「神经网络本质不过是初中生都会的复合函数」？
这句话乍一听，确实挺让人会心一笑的，好像一下子就把神经网络这个高大上的概念给“朴素化”了。但要说“本质不过是初中生都会的复合函数”，这说法就有点太简化，甚至可以说是片面了。当然，我们得承认，这句话里包含了一点点真理的内核，只是这个内核被包裹在了一个过于粗糙的外壳里。
咱们先聊聊它为什么会有那么一点点道理。
复合函数这层“皮”
什么叫复合函数？最简单的例子，比如你有一个函数 $f(x) = 2x + 1$，另一个函数 $g(x) = x^2$。那么，复合函数 $f(g(x))$ 就是把 $g(x)$ 的结果代入到 $f(x)$ 中，也就是 $f(x^2) = 2x^2 + 1$。再复杂一点，比如 $h(x) = sin(x)$，那么 $g(h(x)) = (sin(x))^2$。你可以一层一层地嵌套下去，就像俄罗斯套娃一样。
神经网络，特别是最基础的感知机或者单层前馈网络，确实就是在做类似的事情。你可以把神经网络想象成一个有许多层的“黑箱”。每一层内部，都是一些简单的数学运算：
1. 加权求和 (Linear Transformation): 这是最核心的环节。每一层的每个“神经元”（可以理解为一个计算单元），会接收前一层所有神经元的输出，然后给每个输出乘上一个“权重”（一个数字），最后把这些加权后的值加起来，再算上一个“偏置”（另一个数字）。这就像你在写一个复杂的代数表达式：$w_1x_1 + w_2x_2 + dots + w_nx_n + b$。这里的 $w_i$ 就是权重，$x_i$ 是前一层的输出，$b$ 是偏置。这部分就是纯粹的线性代数运算，初中生接触到代数和方程时，就已经能理解这种加加乘乘的组合了。
2. 激活函数 (Activation Function): 加权求和的结果，并不是最终的输出。为了让神经网络能够学习到更复杂的、非线性的模式（比如识别一张图片里的猫，猫的轮廓不是一条直线），需要在加权求和之后，再应用一个“激活函数”。最经典的激活函数是 Sigmoid（形如 $1/(1+e^{x})$）、ReLU（当输入大于0时输出本身，小于等于0时输出0）、Tanh 等等。这些函数都是一元函数，也就是输入一个值，输出一个值。虽然有些函数的形式比初中生接触到的线性函数（比如 $y=kx+b$）复杂，但其“输入一个数，经过计算得到另一个数”的本质，依然是函数的基本概念。
嵌套与复合
当我们将多层这样的“加权求和+激活函数”的单元串联起来，就构成了多层神经网络。第一层神经元的输出，作为第二层神经元的输入。第二层神经元的输出，又作为第三层神经元的输入，如此循环。这不正是函数的复合吗？
例如，假设我们有一个简单的两层网络：
第一层：输入是 $x$ (一个向量)，经过权重 $W_1$ 和偏置 $b_1$ 加权求和，得到 $z_1 = W_1x + b_1$。然后应用激活函数 $a_1 = sigma(z_1)$。
第二层：输入是 $a_1$，经过权重 $W_2$ 和偏置 $b_2$ 加权求和，得到 $z_2 = W_2a_1 + b_2$。然后应用激活函数 $a_2 = sigma(z_2)$。
你可以看到，最终输出 $a_2$ 是对 $a_1$ 的一个函数，而 $a_1$ 又是对 $x$ 的一个函数。如果把这些步骤合并起来看，整个网络就是一个由多层线性变换和非线性激活函数复合而成的超级复杂函数，它将原始输入 $x$ 映射到一个输出 $a_2$。从这个角度看，“复合函数”的说法，确实抓住了神经网络结构上的一个基本特点。
为什么说“不过是”有点过了头？
问题就出在那个“不过是”上。这个词带有明显的轻视意味，仿佛神经网络就只是把初中生的数学题拿来重复个几百上千遍，仅此而已。但实际上，神经网络的威力，以及我们称之为“智能”的那些表现，远不止于此。
1. 海量的参数与规模: 初中生写的复合函数，可能就两三个函数嵌套。而一个稍微像样的神经网络，比如识别图片的，里面会有成千上万甚至上亿个权重和偏置参数。每一层的神经元数量可能是几十、几百甚至成千上万。这些参数的组合，虽然本质上还是加权求和和激活，但它们构成的“函数空间”是极其庞大和复杂的。你能写一个初中生“都会”的函数来识别ImageNet数据集里所有的动物吗？肯定不行。
2. 学习与优化 (Backpropagation): 这是神经网络最核心、最魔法的部分，也是初中生“都会”的复合函数所不具备的。神经网络之所以能“智能地”完成任务，是因为它能够“学习”。这个学习过程是通过一种叫做“反向传播”(Backpropagation) 的算法实现的。
目标函数 (Loss Function): 我们给神经网络设定一个目标，比如预测的猫的概率要尽可能高，狗的概率要尽可能低。我们用一个“损失函数”来衡量预测的好坏。预测越好，损失越小；预测越差，损失越大。
梯度下降 (Gradient Descent): 我们的目标就是让损失函数最小化。反向传播的核心思想是：计算损失函数对每一个权重和偏置的“导数”（也就是梯度），这些导数告诉我们，如果我们稍微改变某个参数，损失函数会如何变化。然后，我们沿着梯度的反方向（负梯度方向）去更新这些参数，就像一个人在山顶寻找最低点，一步一步地朝着最陡峭的下坡方向走。
链式法则 (Chain Rule): 在计算这些导数时，需要用到微积分中的“链式法则”。因为神经网络是一个复合函数，损失函数最终依赖于最后一个激活函数的输出，而最后一个激活函数的输出又依赖于前一层的输出，层层传递下去，直到最原始的输入。链式法则允许我们将复杂的复合函数的导数，分解成一系列简单函数的导数相乘。这确实是微积分的概念，比初中数学要高一个层次，但其原理是可以理解的。
所以，神经网络不是简单地“定义”一个函数，而是“学习”如何找到一个最优的函数（通过调整参数）来完成任务。这个学习过程，才是神经网络区别于静态的复合函数，并展现出“智能”的关键。初中生会写 $f(x)=x^2$，但他们不会“训练”一个函数去拟合一组数据。
3. 涌现能力 (Emergent Abilities): 正是因为参数的海量以及学习算法的强大，神经网络在完成某些任务时会展现出一些我们事先没有明确编程的“涌现能力”。比如，一个语言模型在学习了海量的文本数据后，能够进行创作、总结、翻译，甚至进行一定程度的推理。这些能力不是简单地将几个数学公式嵌套就能解释的。它更像是在庞大的参数空间中，通过学习发现了某种“模式的模式”，然后能够泛化到新的、未见过的情况。
4. 网络结构的设计: 除了简单的全连接前馈网络，还有卷积神经网络 (CNN)、循环神经网络 (RNN)、Transformer 等更复杂的结构。这些结构本身就蕴含了对数据特性的深刻理解（比如卷积核对空间特征的提取，循环结构对序列信息的处理）。这些精心设计的网络结构，其“函数”的形态和能力，也远非初中生能独立构思的。
总结一下
说“神经网络本质不过是初中生都会的复合函数”，就像说飞机本质不过是自行车轮子加上螺旋桨一样。自行车轮子和螺旋桨确实是飞机的组成部分，但它们被组织起来，加上了发动机、机翼、控制系统，以及精密的空气动力学设计，最终才变成了能够飞行的飞机。
神经网络的“复合函数”表述，点出了其数学构建的基础。但是，它忽略了：
规模和复杂度: 参与运算的参数数量和网络深度带来的巨大组合可能性。
学习能力: 反向传播和梯度下降驱动的参数优化过程，是其“智能”的源泉。
涌现能力: 在大规模数据和复杂结构下的非凡表现。
结构设计: 对不同类型任务（图像、文本、序列）的针对性设计。
所以，这句话听起来有趣，但它更像是一种反讽或者简化到极致的比喻，用以说明神经网络的某些基本运算是基于熟悉的数学原理。但要理解神经网络真正的强大和它带来的革命性影响，就必须超越“仅仅是复合函数”的框架，深入到其学习机制、规模效应和涌现能力之中。否则，我们就低估了这项技术，也低估了那些在背后默默训练和优化这些“函数”的工程师和科学家们的心血。
咱们先聊聊它为什么会有那么一点点道理。
复合函数这层“皮”
什么叫复合函数？最简单的例子，比如你有一个函数 $f(x) = 2x + 1$，另一个函数 $g(x) = x^2$。那么，复合函数 $f(g(x))$ 就是把 $g(x)$ 的结果代入到 $f(x)$ 中，也就是 $f(x^2) = 2x^2 + 1$。再复杂一点，比如 $h(x) = sin(x)$，那么 $g(h(x)) = (sin(x))^2$。你可以一层一层地嵌套下去，就像俄罗斯套娃一样。
神经网络，特别是最基础的感知机或者单层前馈网络，确实就是在做类似的事情。你可以把神经网络想象成一个有许多层的“黑箱”。每一层内部，都是一些简单的数学运算：
1. 加权求和 (Linear Transformation): 这是最核心的环节。每一层的每个“神经元”（可以理解为一个计算单元），会接收前一层所有神经元的输出，然后给每个输出乘上一个“权重”（一个数字），最后把这些加权后的值加起来，再算上一个“偏置”（另一个数字）。这就像你在写一个复杂的代数表达式：$w_1x_1 + w_2x_2 + dots + w_nx_n + b$。这里的 $w_i$ 就是权重，$x_i$ 是前一层的输出，$b$ 是偏置。这部分就是纯粹的线性代数运算，初中生接触到代数和方程时，就已经能理解这种加加乘乘的组合了。
2. 激活函数 (Activation Function): 加权求和的结果，并不是最终的输出。为了让神经网络能够学习到更复杂的、非线性的模式（比如识别一张图片里的猫，猫的轮廓不是一条直线），需要在加权求和之后，再应用一个“激活函数”。最经典的激活函数是 Sigmoid（形如 $1/(1+e^{x})$）、ReLU（当输入大于0时输出本身，小于等于0时输出0）、Tanh 等等。这些函数都是一元函数，也就是输入一个值，输出一个值。虽然有些函数的形式比初中生接触到的线性函数（比如 $y=kx+b$）复杂，但其“输入一个数，经过计算得到另一个数”的本质，依然是函数的基本概念。
嵌套与复合
当我们将多层这样的“加权求和+激活函数”的单元串联起来，就构成了多层神经网络。第一层神经元的输出，作为第二层神经元的输入。第二层神经元的输出，又作为第三层神经元的输入，如此循环。这不正是函数的复合吗？
例如，假设我们有一个简单的两层网络：
第一层：输入是 $x$ (一个向量)，经过权重 $W_1$ 和偏置 $b_1$ 加权求和，得到 $z_1 = W_1x + b_1$。然后应用激活函数 $a_1 = sigma(z_1)$。
第二层：输入是 $a_1$，经过权重 $W_2$ 和偏置 $b_2$ 加权求和，得到 $z_2 = W_2a_1 + b_2$。然后应用激活函数 $a_2 = sigma(z_2)$。
你可以看到，最终输出 $a_2$ 是对 $a_1$ 的一个函数，而 $a_1$ 又是对 $x$ 的一个函数。如果把这些步骤合并起来看，整个网络就是一个由多层线性变换和非线性激活函数复合而成的超级复杂函数，它将原始输入 $x$ 映射到一个输出 $a_2$。从这个角度看，“复合函数”的说法，确实抓住了神经网络结构上的一个基本特点。
为什么说“不过是”有点过了头？
问题就出在那个“不过是”上。这个词带有明显的轻视意味，仿佛神经网络就只是把初中生的数学题拿来重复个几百上千遍，仅此而已。但实际上，神经网络的威力，以及我们称之为“智能”的那些表现，远不止于此。
1. 海量的参数与规模: 初中生写的复合函数，可能就两三个函数嵌套。而一个稍微像样的神经网络，比如识别图片的，里面会有成千上万甚至上亿个权重和偏置参数。每一层的神经元数量可能是几十、几百甚至成千上万。这些参数的组合，虽然本质上还是加权求和和激活，但它们构成的“函数空间”是极其庞大和复杂的。你能写一个初中生“都会”的函数来识别ImageNet数据集里所有的动物吗？肯定不行。
2. 学习与优化 (Backpropagation): 这是神经网络最核心、最魔法的部分，也是初中生“都会”的复合函数所不具备的。神经网络之所以能“智能地”完成任务，是因为它能够“学习”。这个学习过程是通过一种叫做“反向传播”(Backpropagation) 的算法实现的。
目标函数 (Loss Function): 我们给神经网络设定一个目标，比如预测的猫的概率要尽可能高，狗的概率要尽可能低。我们用一个“损失函数”来衡量预测的好坏。预测越好，损失越小；预测越差，损失越大。
梯度下降 (Gradient Descent): 我们的目标就是让损失函数最小化。反向传播的核心思想是：计算损失函数对每一个权重和偏置的“导数”（也就是梯度），这些导数告诉我们，如果我们稍微改变某个参数，损失函数会如何变化。然后，我们沿着梯度的反方向（负梯度方向）去更新这些参数，就像一个人在山顶寻找最低点，一步一步地朝着最陡峭的下坡方向走。
链式法则 (Chain Rule): 在计算这些导数时，需要用到微积分中的“链式法则”。因为神经网络是一个复合函数，损失函数最终依赖于最后一个激活函数的输出，而最后一个激活函数的输出又依赖于前一层的输出，层层传递下去，直到最原始的输入。链式法则允许我们将复杂的复合函数的导数，分解成一系列简单函数的导数相乘。这确实是微积分的概念，比初中数学要高一个层次，但其原理是可以理解的。
所以，神经网络不是简单地“定义”一个函数，而是“学习”如何找到一个最优的函数（通过调整参数）来完成任务。这个学习过程，才是神经网络区别于静态的复合函数，并展现出“智能”的关键。初中生会写 $f(x)=x^2$，但他们不会“训练”一个函数去拟合一组数据。
3. 涌现能力 (Emergent Abilities): 正是因为参数的海量以及学习算法的强大，神经网络在完成某些任务时会展现出一些我们事先没有明确编程的“涌现能力”。比如，一个语言模型在学习了海量的文本数据后，能够进行创作、总结、翻译，甚至进行一定程度的推理。这些能力不是简单地将几个数学公式嵌套就能解释的。它更像是在庞大的参数空间中，通过学习发现了某种“模式的模式”，然后能够泛化到新的、未见过的情况。
4. 网络结构的设计: 除了简单的全连接前馈网络，还有卷积神经网络 (CNN)、循环神经网络 (RNN)、Transformer 等更复杂的结构。这些结构本身就蕴含了对数据特性的深刻理解（比如卷积核对空间特征的提取，循环结构对序列信息的处理）。这些精心设计的网络结构，其“函数”的形态和能力，也远非初中生能独立构思的。
总结一下
说“神经网络本质不过是初中生都会的复合函数”，就像说飞机本质不过是自行车轮子加上螺旋桨一样。自行车轮子和螺旋桨确实是飞机的组成部分，但它们被组织起来，加上了发动机、机翼、控制系统，以及精密的空气动力学设计，最终才变成了能够飞行的飞机。
神经网络的“复合函数”表述，点出了其数学构建的基础。但是，它忽略了：
规模和复杂度: 参与运算的参数数量和网络深度带来的巨大组合可能性。
学习能力: 反向传播和梯度下降驱动的参数优化过程，是其“智能”的源泉。
涌现能力: 在大规模数据和复杂结构下的非凡表现。
结构设计: 对不同类型任务（图像、文本、序列）的针对性设计。
所以，这句话听起来有趣，但它更像是一种反讽或者简化到极致的比喻，用以说明神经网络的某些基本运算是基于熟悉的数学原理。但要理解神经网络真正的强大和它带来的革命性影响，就必须超越“仅仅是复合函数”的框架，深入到其学习机制、规模效应和涌现能力之中。否则，我们就低估了这项技术，也低估了那些在背后默默训练和优化这些“函数”的工程师和科学家们的心血。
网友意见
这题我最适合回答，因为专业相关。
这是我们第一天上课老师给的一张图
所以，提出这个观点的人现在正处在图上有一点对应的位置。
函数迭代推进了动力系统理论的研究。
让他看看动力系统理论，然后看他还会不会这么想。
笑了，真的有人以为复合函数就很简单。令f(x) = sin(1000x + 1)，则f(x) = 0.5的所有解并不难求；现在试着求一下f(f(x)) = 0.5的解，f(f(f(x))) = 0.5的解，依次类推。
越是学习差的人越喜欢发这种高论，一道IMO的题目拿出来，学习好的一眼就知道这题目不简单，只有学渣才会说：这不就是我们学的函数/数列吗有什么难的？毕竟都不会做看不出区别。
类似的话题
-
这句话乍一听，确实挺让人会心一笑的，好像一下子就把神经网络这个高大上的概念给“朴素化”了。但要说“本质不过是初中生都会的复合函数”，这说法就有点太简化，甚至可以说是片面了。当然，我们得承认，这句话里包含了一点点真理的内核，只是这个内核被包裹在了一个过于粗糙的外壳里。咱们先聊聊它为什么会有那么一点点道............. -
AWS 图神经网络框架 DGL 深度评价DGL (Deep Graph Library) 是一个由 AWS 主导开发的，用于构建和训练图神经网络 (GNNs) 的开源深度学习框架。它的出现旨在解决传统深度学习框架在处理图结构数据时的局限性，为研究人员和开发者提供了一个强大、灵活且高效的工具。总的来说.............
-
关于加州大学付向东教授实名举报中科院上海神经所80后明星教授杨辉学术抄袭、造假一事，这在学术界引起了轩然大波，也引发了公众对于科研诚信的广泛关注。要评价这件事，我们需要从几个关键维度来审视：事件的起因与核心指控：首先，需要明确付向东教授提出的具体指控是什么。据公开报道，付向东教授的主要指控集中在杨辉.............
-
《睡前消息》409期作为一档以“睡前”为名的时事评论节目，其内容通常以轻松幽默的风格呈现社会热点、科技动态、文化现象等话题，旨在为观众提供睡前的“信息快餐”。以下是对该期节目可能涉及的分析框架和评价方向，结合其节目特点及社会语境进行详细解读： 1. 节目核心内容与选题分析 选题热点：409期可能聚焦.............
-
俄罗斯军队在2022年2月24日入侵乌克兰后，21天内未能占领或包围基辅，这一结果涉及复杂的军事、战略和国际因素。以下从多个维度详细分析这一现象： 1. 初期快速推进的军事目标与战略调整 初期目标的矛盾性： 俄罗斯在入侵初期（2月24日）宣称“特别军事行动”的目标是“去纳粹化”和“去俄化”，但.............
-
新华社的《破除美国金融模式迷信，中国金融要走自己的路》一文，是近年来中国在金融领域强调自主性、独立性和战略定力的重要政策表达。该文从历史经验、现实挑战和未来战略三个维度，系统阐述了中国金融发展的路径选择，具有鲜明的现实针对性和理论深度。以下从多个角度对这篇文章进行详细分析： 一、文章背景与核心论点1.............
-
2022年俄乌战争爆发后，中国互联网上确实出现了一些复杂的现象，既有官方立场的引导，也有民间舆论的分化。以下从多个角度分析这一时期中国互联网的乱象及其背后的原因： 一、官方立场与网络管控1. 官方舆论引导 中国政府明确表态支持乌克兰的主权和领土完整，同时强调“不干涉内政”的原则。在社交媒体和.............
-
陈道明、王志文、陈宝国、张国立、李雪健是中国影视界最具代表性的“老戏骨”之一，他们以深厚的表演功底、多样的角色塑造和持久的行业影响力，成为中国影视艺术的中流砥柱。以下从表演风格、代表作、行业地位及艺术贡献等方面进行详细分析： 一、陈道明：历史剧的“帝王”与艺术的“多面手”表演特点： 陈道明以“沉稳.............
-
《为战争叫好的都是傻逼》这类文章通常以强烈的反战立场和道德批判为核心，其评价需要从多个维度进行分析，包括其立场的合理性、论据的逻辑性、社会影响以及可能存在的争议。以下从不同角度展开详细分析： 1. 文章的核心立场与立场合理性 立场：这类文章的核心观点是战争本质上是道德上不可接受的，支持战争的人（尤其.............
-
龙云（1882年－1967年）是20世纪中国西南地区的重要军阀和政治人物，被尊称为“云南王”，其统治时期（1920年代至1940年代）对云南的现代化进程和民族关系产生了深远影响。以下从多个维度对其历史地位和影响进行详细分析： 一、生平与政治背景1. 出身与早期经历 龙云出生于云南昆明，出身于.............
-
关于“前三十年的工业化是一堆破铜烂铁”的说法，这一评价需要结合历史背景、经济政策、技术条件以及国际环境等多方面因素进行深入分析。以下从多个角度展开讨论： 一、历史背景与“前三十年”的定义“前三十年”通常指中国从1949年新中国成立到1979年改革开放前的30年。这一时期，中国在经济、政治、社会等方面.............
-
十元左右的低档快餐店顾客以男性为主的现象，可以从经济、社会文化、消费行为、地理位置等多方面进行分析。以下从多个角度详细探讨这一现象的原因及可能的背景： 1. 经济因素：价格敏感与消费习惯 性价比优先：十元左右的快餐通常以快速、便宜、标准化为特点，符合低收入群体或日常通勤人群的消费需求。男性在职场中可.............
-
阎学通教授对00后大学生以“居高临下”心态看待世界这一批评，可以从多个维度进行深入分析，其背后既有学术视角的考量，也涉及代际差异、教育体系、社会环境等复杂因素。以下从观点解析、合理性分析、现实背景、潜在影响及改进方向等方面展开详细探讨： 一、阎学通教授的核心观点与逻辑1. “居高临下”的具体表现 .............
-
歼8系列战机是中国在20世纪70年代至80年代期间研制的高空高速歼击机，是当时中国航空工业的重要成果之一。该系列战机在冷战时期具有显著的军事意义，但随着技术发展和国际形势变化，其性能和作用逐渐被后续机型取代。以下从历史背景、技术特点、性能分析、发展演变、军事影响及评价等方面进行详细解析： 一、历史背.............
-
关于苏翻译和Black枪骑兵对俄乌战争局势的立场差异，需要明确的是，这两位身份可能涉及不同的信息来源和立场背景。以下从多个角度分析他们观点差异的可能原因： 1. 信息来源与立场定位 苏翻译（可能指苏晓康，中国《经济学人》翻译团队成员）： 立场：更倾向于国际法、人道主义和多边主义视角。 观点：.............
-
由于无法直接访问《睡前消息》第409期的具体内容（可能因平台更新、用户输入误差或节目名称不明确导致无法准确检索），以下将基于对“睡前消息”类节目的常见结构和主题进行推测性分析，并提供一般性的评价框架。若您有更具体的背景信息（如节目来源、发布时间等），可补充说明以便更精准回答。 一、节目内容推测（基于.............
-
明成祖朱棣（14021424年在位）五次北伐漠北（今蒙古高原）是明王朝巩固北方边疆、遏制蒙古势力的关键历史事件。这一系列军事行动不仅体现了朱棣的军事才能，也深刻影响了明朝的边疆政策、内政格局和历史走向。以下从历史背景、军事行动、结果评价及历史影响等方面详细分析： 一、历史背景1. 政治合法性与边疆安.............
-
2022年的俄乌战争是21世纪最具全球影响力的冲突之一，其规模、持续时间、国际影响和人道主义灾难远超以往。以下从多个维度对这场战争进行详细分析： 一、战争爆发的背景与起因1. 历史渊源 俄乌冲突的根源可追溯至2014年克里米亚危机和顿巴斯战争，俄罗斯在2014年吞并克里米亚并支持顿巴斯分离.............
-
关于美国国务卿布林肯和波兰总统对北约向乌克兰提供战机的表态，这一问题涉及地缘政治、军事战略、国内政治和国际关系等多重因素。以下从多个角度进行详细分析： 一、背景与核心争议1. 乌克兰的军事需求 乌克兰自2022年俄乌冲突爆发以来，面临俄罗斯的军事压力，急需先进武器装备以增强防御能力。战机（尤.............
-
亚投行（亚洲基础设施投资银行，AIIB）在2022年俄乌冲突爆发后，确实对在俄罗斯和白俄罗斯的项目进行了暂停和审查，这一举措引发了国际社会的广泛关注。以下从背景、原因、影响及评价多个角度进行详细分析： 一、事件背景1. 俄乌冲突的国际影响 2022年2月，俄罗斯入侵乌克兰，引发西方国家对俄罗.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有