Yoshua Bengio 專(zhuān)欄文章：深度學(xué)習崛起帶來(lái)人工智能的春天

人工智能曾經(jīng)讓人們失望了幾十年，最終，它追趕上了自己的早期承諾，這要感謝強大的深度學(xué)習技術(shù)。

【編者按】本文作者：Yoshua Bengio，由機器之心編譯，參與：陳剛、劉宗堯、吳攀、李超平、孫睿、微胖

人工智能曾經(jīng)讓人們失望了幾十年，最終，它追趕上了自己的早期承諾，這要感謝強大的深度學(xué)習技術(shù)。

20 世紀 50 年代，計算機開(kāi)始在象棋領(lǐng)域戰勝人類(lèi)，證明數學(xué)定理，讓人類(lèi)狂喜不已。60年代，人們越來(lái)越希望，不久以后，科學(xué)家就能用硬件和軟件復制人類(lèi)大腦，「人工智能」可以完成任何任務(wù)，其表現不遜于人類(lèi)。1967年，今年年初逝世的麻省理工學(xué)院教授 Marvin Minsky（MIT 人工智能實(shí)驗室的聯(lián)合創(chuàng )始人，人工智能先驅?zhuān)┬Q(chēng)，十年之內，人們可以解決人工智能這個(gè)難題。

當然，結果表明，當時(shí)就持有那份樂(lè )觀(guān)主義，有些過(guò)早。被設計用來(lái)協(xié)助外科醫生更好診斷病人的軟件，以及模擬人類(lèi)大腦、用來(lái)識別圖片內容的網(wǎng)絡(luò )，都辜負了人工智能發(fā)展初期的那份狂熱。早些年，人工智能算法并不成熟，所需數據也比當時(shí)可以提供的數據還要多。計算機處理過(guò)程也很慢，以至于無(wú)法驅動(dòng)計算機完成接近人類(lèi)思維復雜性的大規模運算。

到了21世紀中期，打造媲美人類(lèi)智能水平的機器之夢(mèng)，幾乎從科學(xué)界消失了。當時(shí)，甚至「人工智能（AI）」這一表達，都不再是嚴肅科學(xué)領(lǐng)域的用語(yǔ)。20世紀70年代到21世紀中期，這段希望破滅時(shí)期，被科學(xué)家和作家們形容為一連串的「人工智能之冬」。

十年能發(fā)生多大的變化啊。2005年初，人工智能的前景發(fā)生了引人注目的改變。當時(shí)，深度學(xué)習，這種靈感源自腦科學(xué)、打造智能機器的方法，開(kāi)始取得成功。近些年來(lái)，深度學(xué)習已經(jīng)成為推動(dòng)人工智能研究向前的奇特（singular）力量?，F在，一些主要的信息技術(shù)公司也正投入數十億美元，發(fā)展深度學(xué)習技術(shù)。

深度學(xué)習，是指模擬神經(jīng)網(wǎng)絡(luò )，自己逐漸「學(xué)會(huì )」識別圖像，理解語(yǔ)音甚至做出決策。這一技術(shù)依賴(lài)的是所謂的人工神經(jīng)網(wǎng)絡(luò )——目前人工智能研究的核心部分。人工神經(jīng)網(wǎng)絡(luò )，并不是精確模擬真實(shí)的神經(jīng)元運作方式。而是以一般數學(xué)原理為基礎，這些數學(xué)原理能夠幫助網(wǎng)絡(luò )從實(shí)例中學(xué)習，識別出圖片中的物體或人，翻譯世界主要語(yǔ)言。

深度學(xué)習技術(shù)，已經(jīng)變革了人工智能研究，重拾對計算機視覺(jué)、語(yǔ)音識別、自然語(yǔ)言處理以及機器人學(xué)的雄心。2012年，首次展示了第一款用于理解語(yǔ)音的人工智能產(chǎn)品——你可能對 Google Now 比較熟悉。緊接著(zhù)，又出現了可以識別圖片內容的應用，這一功能已經(jīng)被吸收到谷歌相冊的搜索引擎中。

任何一個(gè)對繁冗的自動(dòng)手機菜單感到沮喪的人都能體會(huì )，一款更好的智能手機私人助理會(huì )讓操作變得多么便利。有些人記得幾年前，在識別圖片中的物體方面，人工智能的表現有多糟糕——當時(shí)的軟件可能會(huì )把無(wú)生命的物品識別成動(dòng)物——在這些人看來(lái)，計算機視覺(jué)上的進(jìn)步，難以置信：在一定條件下，現在的計算機可以識別出貓、勢頭或者臉部以及人?，F在，人工智能軟件實(shí)際上已經(jīng)成為數百萬(wàn)智能手機用戶(hù)的生活的一部分。就我個(gè)人而言，已經(jīng)很少手動(dòng)鍵入信息，而是直接對手機說(shuō)出命令，有時(shí)候它甚至能給我反饋。

這些進(jìn)步已經(jīng)突然為技術(shù)的進(jìn)一步商業(yè)化打開(kāi)了大門(mén)，而且興奮度也有增無(wú)減。公司的人才爭奪戰也十分激烈，深度學(xué)習領(lǐng)域的博士極度供不應求。許多該領(lǐng)域的大學(xué)教授——據某些統計，是大部分教授——都從學(xué)術(shù)界跳槽到了產(chǎn)業(yè)中，公司為他們配備了齊全的研究設備，還有豐厚的薪資。

解決深度學(xué)習的難題，已經(jīng)帶來(lái)讓人吃驚的成功。神經(jīng)網(wǎng)絡(luò )擊敗頂尖圍棋選手李世石的消息，登上了新聞頭條。相關(guān)應用已經(jīng)延伸到其他人類(lèi)專(zhuān)長(cháng)的領(lǐng)域——而且這還是不是游戲的全部。一項新研發(fā)的深度學(xué)習算法，旨在根據磁共振成像診斷心臟衰竭，就像心臟病專(zhuān)家那樣。

智能、知識和學(xué)習

人工智能，為什么會(huì )在之前的幾十年中遇到了很多阻礙？原因是，我們對世界的絕大部分認知，都并不會(huì )通過(guò)書(shū)面語(yǔ)言清清楚楚地、像一系列任務(wù)一樣描述出來(lái)——而這恰恰是編寫(xiě)計算機程序所必需的步驟。這就是為什么我們還無(wú)法直接讓計算機完成很多人類(lèi)可以輕而易舉完成的事情——不論是理解演講、圖像、語(yǔ)言還是駕駛汽車(chē)。而類(lèi)似的嘗試——在詳盡數據庫中組織事實(shí)集，為計算機注入智能（organizing sets of facts in elaborate databases to imbue computers with a facsimile of intelligence）——也都不太成功。

那正好是深度學(xué)習的用武之地。它是更廣泛的人工智能領(lǐng)域（亦即機器學(xué)習）的一部分。它的基礎是用來(lái)訓練智能計算系統的基本原則，目標是讓機器實(shí)現自學(xué)。這些基本原則之一與人類(lèi)或機器所認為的「好」相關(guān)。對動(dòng)物而言，進(jìn)化論原則決定了它們應該做出優(yōu)化生存、繁衍機會(huì )的決定。對人類(lèi)社會(huì )來(lái)說(shuō)，一個(gè)好的決定可能包括一些能夠帶來(lái)某種幸福表現的社會(huì )活動(dòng)。而對于機器來(lái)說(shuō)，比如無(wú)人駕駛汽車(chē)，決策的質(zhì)量取決于自助車(chē)輛模仿人類(lèi)司機行為的程度。

在特定語(yǔ)境中，是否能將作一個(gè)好決定所需要的知識翻譯成計算機代碼，并不一定顯而易見(jiàn)。例如，一只老鼠了解它所在的環(huán)境，也本能知道往哪里嗅，如何移動(dòng)它的腿，尋找食物或者配偶，躲避捕食者。沒(méi)有程序員能詳細描述這套行動(dòng)指令的每一步，進(jìn)而生成這些行為。但是，這些知識的確被編碼進(jìn)了這些嚙齒類(lèi)動(dòng)物的大腦中。

在創(chuàng )建出可以訓練自己的計算機之前，計算機科學(xué)家需要回答人類(lèi)如何獲取知識等基本問(wèn)題。有些知識是天生的，但大多數是從經(jīng)驗中習得的。我們的知識本來(lái)就無(wú)法轉化為計算機執行的一系列清晰步驟，但是，可以時(shí)常從樣本和實(shí)踐中習得。上世紀五十年代依賴(lài)，研究人員已經(jīng)在尋找并試著(zhù)重新定義一些基本原則，這些基本原則允許動(dòng)物或人——甚至機器——通過(guò)經(jīng)驗獲取知識。機器學(xué)習旨在建立起學(xué)習步驟，也就是所謂的學(xué)習算法，它能讓一臺機器從給定的樣本中學(xué)習。

機器學(xué)習科學(xué)，在很大程度上是實(shí)驗性的，因為不存在通用學(xué)習算法——沒(méi)有能夠讓計算機學(xué)好每項給定任務(wù)的算法。任何知識獲取的算法，都需要根據針對手頭情況的數據和學(xué)習任務(wù)加以測試，是否能夠識別日落，或者將英語(yǔ)翻譯成烏爾都語(yǔ)。我們無(wú)法證明，在任何給定情況下，這個(gè)算法都始終、全面優(yōu)于任何其他算法。

對于這個(gè)原則，人工智能研究人員已經(jīng)有了正式的數學(xué)描述——「沒(méi)有免費午餐」定理——定理證實(shí)，不存在能夠解決每一個(gè)真實(shí)世界學(xué)習情境（learning situation）的算法。然而，人類(lèi)行為顯然與這一定理相悖。我們的大腦看起來(lái)具有相當的學(xué)習能力，能夠讓我們精通大量祖先無(wú)法掌握的技能（因為演化）：下棋、架橋或者做人工智能研究。

這些能力表明，人類(lèi)智能充分利用了關(guān)于世界的一般假設，這種假設可以被用作打造一種通用智能機器的靈感之源。正是出于這一原因，人工神經(jīng)網(wǎng)絡(luò )的開(kāi)發(fā)者們已經(jīng)將大腦作為設計智能系統的粗略模型。

大腦的主要計算單位是神經(jīng)元細胞。每個(gè)神經(jīng)元通過(guò)微小的細胞間隙（(軸突之間的突觸間隙）向其他神經(jīng)元發(fā)出信號。一個(gè)神經(jīng)元傾向發(fā)出一個(gè)可以跨越間隙的信號的特性——以及那個(gè)信號的幅度——被稱(chēng)為一個(gè)突觸強度（synaptic strength）。神經(jīng)元一邊「學(xué)習」，它的突觸強度也在一邊變大，因此，當受到電子脈沖刺激時(shí)，更容易向沿路相鄰神經(jīng)元發(fā)出信息。

腦科學(xué)對使用軟件或硬件打造虛擬神經(jīng)元的人工神經(jīng)網(wǎng)絡(luò )的興起，產(chǎn)生了影響。人工智能子領(lǐng)域中的早期研究人員，以聯(lián)結主義（connectionism）著(zhù)稱(chēng)，認為這是理所當然的：通過(guò)逐漸改變神經(jīng)元之間的鏈接以便神經(jīng)活動(dòng)模式可以捕捉到輸入內容（比如一張圖像或者一段對話(huà)），神經(jīng)網(wǎng)絡(luò )就能學(xué)會(huì )完成復雜任務(wù)。當這些網(wǎng)絡(luò )接收到更加復雜的實(shí)例時(shí)，通過(guò)改變連接神經(jīng)元之間的突觸強度，學(xué)習過(guò)程就能繼續下去，并最終更加準確地表征出內容，比如，日落的圖像。

日落的教訓

當前一代神經(jīng)網(wǎng)絡(luò )是聯(lián)結主義開(kāi)創(chuàng )性工作的延伸。這種神經(jīng)網(wǎng)絡(luò )能逐漸改變每一個(gè)突觸連接的數值，這些數值代表了連接的強度，即一個(gè)神經(jīng)元有多大可能性能將一個(gè)信號傳遞給另一個(gè)神經(jīng)元。深度學(xué)習網(wǎng)絡(luò )所使用的算法，在每次觀(guān)察到新圖像時(shí)都會(huì )輕微改變這些值。每個(gè)這些值都會(huì )逐漸接近能讓該神經(jīng)網(wǎng)絡(luò )更好預測圖像內容的值。

為了達到最好效果，當前的學(xué)習算法需要人類(lèi)的密切參與。這些算法中大部分都使用監督式學(xué)習，其中每一個(gè)樣本都有人類(lèi)制作的關(guān)于其學(xué)習內容的標簽——比如，一張日落的照片會(huì )和「日落」的標題相關(guān)聯(lián)。在這個(gè)例子中，監督式學(xué)習算法的目標是拍攝一張照片作為輸入，然后得出圖像中關(guān)鍵對象名稱(chēng)的輸出。這個(gè)輸入到輸出的數學(xué)轉換過(guò)程被稱(chēng)為函數（function）。得出這一函數的那些數值——比如突觸強度——對應著(zhù)一個(gè)解決該學(xué)習任務(wù)的方案。

通過(guò)死記硬背的學(xué)習方式得到正確答案會(huì )很容易，但卻沒(méi)什么用。我們希望教會(huì )該算法理解「日落」是什么，然后，讓其可以識別任何日落圖像，甚至是那些其從未在訓練中遇到過(guò)的圖像。這種辨別任何日落景象的能力——換句話(huà)說(shuō)，超越特定樣本的概括性學(xué)習的能力——是所有機器學(xué)習算法的主要目標。事實(shí)上，任何網(wǎng)絡(luò )訓練質(zhì)量的評估方式，都是使用其之前從未見(jiàn)過(guò)的樣本對其進(jìn)行測試。對新樣本進(jìn)行正確歸納有很大的難度，因為對應于任何分類(lèi)（如日落）的可能變化的集合都幾乎是無(wú)限的。

為了從眾多被觀(guān)察樣本中進(jìn)行成功歸納，用在深度學(xué)習網(wǎng)絡(luò )中的學(xué)習算法所需的不僅僅是樣本本身，還依賴(lài)于關(guān)于數據的假設以及對于一個(gè)特定問(wèn)題可能的解決方案的假設。一個(gè)構建于軟件中的典型假設可能會(huì )假定：如果特定函數的數據輸入是相似的，那么，輸出也不應該出現徹底的改變——改變一張貓圖像上的幾個(gè)像素不應該將被識別的動(dòng)物變成狗。

一種整合了對圖像的假設的神經(jīng)網(wǎng)絡(luò )被稱(chēng)為卷積神經(jīng)網(wǎng)絡(luò )（convolutional neural network），它已經(jīng)變成了助力人工智能復興的關(guān)鍵技術(shù)。深度學(xué)習所采用的卷積神經(jīng)網(wǎng)絡(luò )，有許多層按某種方式組織起來(lái)的神經(jīng)元，這樣可以降低輸出對變化圖像中的主要對象的敏感度，比如，當其位置輕微移動(dòng)時(shí)——一個(gè)訓練良好的網(wǎng)絡(luò )可能能從不同照片中的不同角度識別一張臉。卷積網(wǎng)絡(luò )的設計靈感來(lái)自多層結構的視覺(jué)皮層——我們大腦中接收眼睛輸入的部分。卷積神經(jīng)網(wǎng)絡(luò )中許多層的虛擬神經(jīng)元是讓網(wǎng)絡(luò )「（具有）深度」的原因，也因此能讓其更好地理解周?chē)氖澜纭?/p>

走向深度

在實(shí)際應用層面上，十年前出現的一些特定創(chuàng )新讓深度學(xué)習成為可能，那時(shí)，人們對人工智能和神經(jīng)網(wǎng)絡(luò )的興趣已經(jīng)降到了數十年來(lái)的最低點(diǎn)。一個(gè)由政府和私人捐助者資助的加拿大組織加拿大高等研究院（CIFAR）通過(guò)贊助一個(gè)由多倫多大學(xué)的 Georey Hinton 領(lǐng)導的項目重新點(diǎn)燃了人們的興趣。該項目成員還包括紐約大學(xué)的 Yann LeCun、斯坦福大學(xué)的吳恩達、加州大學(xué)伯克利分校的 Bruno Olshausen、我和其他一些人。那時(shí)候，人們對這一領(lǐng)域的消極態(tài)度使發(fā)表論文、甚至說(shuō)服研究生從事這方面的研究都很困難，但我們幾個(gè)人強烈地認為向前邁進(jìn)是很重要的。

那時(shí)候，人們對神經(jīng)網(wǎng)絡(luò )持懷疑態(tài)度的部分原因是人們相信訓練它們是毫無(wú)希望的，因為，在優(yōu)化它們的行為方式上存在著(zhù)許多挑戰。優(yōu)化（optimization）是數學(xué)的一個(gè)分支，其作用是嘗試尋找實(shí)現某個(gè)數學(xué)目標的參數配置。在神經(jīng)網(wǎng)絡(luò )中，這些參數被稱(chēng)為突觸權重（synaptic weight），代表了一個(gè)信號被從一個(gè)神經(jīng)元發(fā)送至另一個(gè)神經(jīng)元的強度。

其目的是得出錯誤量最小的預測。當參數和目標之間的關(guān)系足夠簡(jiǎn)單時(shí)——當目標是參數的一個(gè)的凸函數時(shí)，更為精確——參數可以逐步得到調整。然后，持續調整直到得到能產(chǎn)出盡可能好的選擇的參數值；這個(gè)最好的選擇被稱(chēng)為全局極小值（global minimum）——其對應于網(wǎng)絡(luò )做出的最低可能的平均預測誤差。

然而，在一般情況下，訓練神經(jīng)網(wǎng)絡(luò )并非那么簡(jiǎn)單——并且需要所謂的非凸優(yōu)化（nonconvex optimization）。這種類(lèi)型的優(yōu)化帶來(lái)了更大的挑戰——而且許多研究者相信這個(gè)障礙是不可逾越的。學(xué)習算法會(huì )受限于所謂的局部極小值（local minimum），在這種情況中，它不能通過(guò)稍微調整參數來(lái)減少預測誤差。

直到去年，神經(jīng)網(wǎng)絡(luò )因為局部極小值而難以訓練的迷思才被解決。在我們的研究中，我們發(fā)現當一個(gè)神經(jīng)網(wǎng)絡(luò )足夠大時(shí)，局部極小值問(wèn)題會(huì )大大減少。大部分局部極小值實(shí)際上都對應于在某個(gè)水平上學(xué)到的知識——該水平與全局極小值的最優(yōu)值基本上是匹配的。

盡管理論上，優(yōu)化的理論難題可以得到解決，但是，構建超過(guò)兩層或三層的大型網(wǎng)絡(luò )通常以失敗告終。2005 年年初，CIFAR 支持下的努力取得突破，成功克服了這些障礙。2006 年，我們使用一種層上疊層的技術(shù)成功訓練了更深度的神經(jīng)網(wǎng)絡(luò )。

后來(lái)，在 2011 年，我們發(fā)現了一種更好的方法以用于訓練更深度的網(wǎng)絡(luò )——有更多虛擬神經(jīng)元層的方法——通過(guò)修改每個(gè)這些處理單元所進(jìn)行的計算，讓它們更像是生物神經(jīng)元實(shí)際上所進(jìn)行的計算。我們也發(fā)現，在訓練中將隨機噪聲注入神經(jīng)元之間傳遞的信號（類(lèi)似于大腦中的情況）能讓它們更好地學(xué)習正確地識別圖像或聲音。

有兩個(gè)關(guān)鍵技術(shù)幫助實(shí)現了深度學(xué)習技術(shù)的成功。一是最初為視頻游戲設計的圖形處理單元讓計算速度直接提升了 10 倍，這樣，我們就可以在一個(gè)合理時(shí)間內訓練更大網(wǎng)絡(luò )。另一個(gè)助力深度學(xué)習增長(cháng)的因素是可以接觸到大型有標簽數據集，讓學(xué)習算法可以識別正確的答案——比如，當識別貓只是其中一個(gè)元素的圖片時(shí)，就可以識別正確答案 ——「貓」。

深度學(xué)習近來(lái)成功的另一個(gè)原因在于其學(xué)習執行計算序列的能力——這些計算序列一步一步對圖像、聲音或其它數據進(jìn)行構建或分析。網(wǎng)絡(luò )的深度即是這些步驟的數量。人工智能擅長(cháng)的許多視覺(jué)或聽(tīng)覺(jué)識別任務(wù)都需要很多層的深度網(wǎng)絡(luò )。事實(shí)上，在最近的理論和實(shí)驗研究中，我們實(shí)際上已經(jīng)證明，在沒(méi)有足夠深度網(wǎng)絡(luò )的情況下，這些數學(xué)運算中的一部分無(wú)法得以有效執行。

深度神經(jīng)網(wǎng)絡(luò )中的每一層都會(huì )轉換其輸入并生成一個(gè)被發(fā)送到下一層的輸出。該網(wǎng)絡(luò )的更深度層代表了更為抽象的概念[見(jiàn)上述框圖]，這也更遠離最初的原始感官輸入。實(shí)驗表明，網(wǎng)絡(luò )中更深度層中的人工神經(jīng)元往往對應于更抽象的語(yǔ)義概念：比如一個(gè)視覺(jué)物體，如一張桌子。對桌子圖像的識別可能會(huì )從更深層上神經(jīng)元的處理中涌現，即使「桌子」的概念并不位于網(wǎng)絡(luò )接受過(guò)訓練的分類(lèi)標簽中。而且桌子概念本身可能只是創(chuàng )建更抽象概念的一個(gè)中間步驟，這個(gè)更抽象的概念位于可能被網(wǎng)絡(luò )分類(lèi)為「辦公室場(chǎng)景」的這類(lèi)更為深度的層級上。

超越模式識別

直至最近，人工神經(jīng)網(wǎng)絡(luò )的突出表現大部分在于完成這些任務(wù)上，比如識別靜態(tài)圖像的模式。但是，另一類(lèi)神經(jīng)網(wǎng)絡(luò )也正在變得有名——特別是在處理隨著(zhù)時(shí)間展開(kāi)的事件方面。遞歸神經(jīng)網(wǎng)絡(luò )（Recurrent neural networks）已經(jīng)向人們證實(shí)了其有能力正確完成一序列計算（ a sequence of computations），典型地如語(yǔ)音、視頻以及其他數據。序列數據（Sequential data）由單元組成——無(wú)論是一個(gè)音素或一個(gè)完整單詞——一個(gè)單元按順序跟在另一個(gè)單元后。遞歸神經(jīng)網(wǎng)絡(luò )處理輸入的方式類(lèi)似大腦運作方式。當處理感官輸入時(shí)，在神經(jīng)元之間傳遞的信號也會(huì )經(jīng)常發(fā)生變化。在發(fā)出一系列指令讓身體動(dòng)起來(lái)以完成某個(gè)特定任務(wù)之前，這種內部神經(jīng)狀態(tài)的改變方式取決于當前的腦部輸入（這些輸入來(lái)自周?chē)h(huán)境）。

遞歸網(wǎng)絡(luò )可以預測句子中的下一個(gè)單詞，還可將其用于一次性生成新的單詞序列。他們也可以完成更復雜的任務(wù)：在「讀」完一句話(huà)中所有單詞后，網(wǎng)絡(luò )可以猜測整個(gè)句子意思。然后，一個(gè)獨立的遞歸網(wǎng)絡(luò )會(huì )使用第一個(gè)神經(jīng)網(wǎng)絡(luò )的語(yǔ)義分析成果，將這個(gè)句子翻譯成另一種語(yǔ)言。

上世紀九十年代末和21世紀初，遞歸神經(jīng)網(wǎng)絡(luò )研究趨于平靜。我的理論工作表明，在學(xué)會(huì )檢索久遠信息時(shí)，它們遇到了困難——處理這一序列中的最早元素。試想當你讀到一本書(shū)最后一頁(yè)時(shí)，試著(zhù)逐字逐句背誦這本書(shū)的第一句。但是，一些進(jìn)展已經(jīng)減少了一些難題，方法是讓這類(lèi)網(wǎng)絡(luò )學(xué)會(huì )儲存信息以便讓信息持續更長(cháng)的時(shí)間。神經(jīng)網(wǎng)絡(luò )可以使用計算機的臨時(shí)內存來(lái)處理多個(gè)、分散的信息碎片，比如包含在一個(gè)文檔中不同句子里的思想。

經(jīng)歷漫長(cháng)寒冬后，深度神經(jīng)網(wǎng)絡(luò )的強勢復出并不僅僅是技術(shù)上的勝利。它也給科學(xué)社會(huì )學(xué)上了一課。它尤其強調了這樣一種必要性：挑戰技術(shù)現狀，鼓勵多樣化研究組合（a diverse research portfolio ），它會(huì )支持那些暫受冷遇的研究領(lǐng)域。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！