近十年，人工智能技术的发展绝对算得上是一项改变我们日常生活方式的重要工具了。

　　在伊甸园的神话里，人类因为好奇希望得到知识，于是遭到惩罚，被上帝赶出天堂。但在伍尔索普庄园的神话里，不但没人惩罚牛顿，情况还正好相反。多亏他的好奇心，人类才能进一步了解宇宙，变得更加强大，并且离科技的天堂又近了一步。

　　幸运的是，我们目前正处于后者的时代，任何闪闪发光的创意，都将绽放属于它的七彩光芒，而这其中就包括闪闪发光的人工智能技术。

　　众所周知，2016年，谷歌宣布了AlphaGo的横空出世。接着，其便迎来了与李世石的世纪人机大战，历经五局鏖战，最终以4比1的总分获得胜利。这件棋坛盛事，可以说是人工智能在公众视野里的最终一个引爆点了。

　　自此以后，人工智能便成为了一个公众口中热度很高的话题。基于人工智能的发展和应用，也开始陆陆续续地涌现，可谓是遍地开花。

　　包括围棋和象棋等在内的各个棋牌类竞技游戏相继被人工智能攻破；微软搜索开始推出了自己的人工智能产品小冰；百度也开始用码农人肉测试自己的无人车了；Style Transfer技术生成了各种千奇百怪的艺术图片；计算机视觉技术开始进入普通人的生活，同时也接入了如病例分析、医疗影像诊断等医学领域，并且取得了不俗的成果。

　　无论人们接不接受，都不能改变人工智能正在迅速渗透进我们日常生活的这个现实。

　　举个例子，人脸识别，乃至于图像识别技术的广泛引用，对我自己日常生活影响就很大。

　　疫情以后，学校门口开放了闸机，需要扫脸才能打开，而在宿舍门口也实行了扫脸开门的措施（同时提供测温功能），这便是人工智能在我实际生活当中的应用之一，而且很频率，校园里如此之多的同学，进出校门以及宿舍楼都需要刷脸。

　　此外，宿舍门口的无人售货机，扫脸便可实现一键付款，也是AI当中人脸识别技术的应用。杭州所有交通道路上的摄像头都可以识别违法行为的，靠的就是监控摄像头自动拍摄，以及之后的车牌图像识别技术。

　　这两项措施，就不仅仅局限于学校了，扫码付款和识别交通违法行为，在整个杭州乃至全国范围内都处于广泛部署及使用当中。

　　推荐算法的初心是让人看见更大，更感兴趣的世界，试图解决海量信息和人的匹配问题。其更多照顾用户的长期兴趣，以便增加用户的参与度，同时也对推荐内容的多样性，新鲜度有不同程度的要求。因此，相比于随机推送或者是按照热度推送的方式，基于个性化的人工智能推荐算法可能真正做到因材施教，提供具体到个人的推送服务。

　　淘宝的主页推荐，抖音和bilibili的视频，知乎的回答，网易云的每日推荐，都是推荐系统在我们日常生活当中的应用。

　　推荐算法的本质其实就算收集用户的信息、将其投喂给算法并得出预测结果，以此提供未来的喜好和隐性需求。人类是人工智能的设计和创造者，其本意是想通过机器学习和深度学习模型来帮助人类做出更好的决策，例如围棋和象棋的最佳落点，汽车驾驶的最佳路径决策等，其一直被用来寻找最优化或者相对优化解决方案的任务。

　　然而，但随着AI的发展，冷酷无情的模型和功力强大的算法在某些时候成了主宰，本应得以享受的人类却成了算法的奴隶和阶下囚。推荐算法的初心是让人看见更大的世界；而目前推荐算法的表现则是让人踏入更小的信息孤岛。人不再是模型的受益者，反倒被其所压榨，所剥削。

　　以点击率，阅读率，完整播放率等为目标，把每个人都陷入一座座的孤岛危机，造成极其强烈的社交媒体灾难。互联网不再是看到更大世界的平台，而是成为了一座座的信息孤岛制造机。

　　与此同理的是外卖算法，社交媒体靠的是点击率，阅读率、完播率，而外卖算法靠的则是不计其数的外卖小哥的配送数据，不断优化配送路径，缩减配送时间，提高配送效率。社交媒体把人逼到了精神的信息孤岛，而外卖算法把人逼到了物理的生存困境。

　　现如今，社交媒体的筛选算法，很大程度上决定着用户查阅的内容，对人类无穷无尽数据的重复强化反馈，使得AI把人类引向了女拳、南拳、等等的怪圈里，无法自拔，金年会体育也无法自救。

　　算法像是一条流水线一样，每时每刻都捆绑、消耗着我们的经历，得到的不是摄取知识的快乐，只有驴子拉磨的劳累、空虚与寂寞。

　　我的看法是：首先，要限制社交媒体平台的数据，包括用户在平台上留下来的点击率、播放率、阅读率等数据，都做到更好更完善的保护；其次，互联网用户要更擅长利用搜索功能，而非肆意依靠推荐流和完成网上冲浪；接着，要主动输出一部分内容，以此来摆脱信息茧房；最后，要多多拥抱现实世界，减少互联网世界对我们个人时长的占用。

　　接着，便是人工智能的自然语言处理，这也是对人类日常生活影响很大的一方面发展。

　　自2001年Bengio等人提出第一个神经语言模型起，NLP这项工作便在人工智能界开始了一项长足跋涉之旅。2013年的词嵌入、2014年的sequence-to-sequence 模型、2015年的注意力机制等等，一直到2018年10月推出的划时代意义的BERT模型，都表明NLP领域一直在不断地高速前进和蓬勃发展。

　　依然是2018年，在NLP领域大放光彩的Bert模型旁边，还站着另一位陪跑选手，在用自己的努力孤独地坚持着，向着更亮的远方默默前进，它便是OpenAI GPT（Generative Pre-Training）。

　　最开始，GPT只是个12层单向的Transformer，而后，2019年初的GPT-2，提出了meta-learning，用了15亿参数的大模型，将所有的NLP任务输入输出进行了整合，成为当时生成模型界的霸主。

　　2020年，新一步的极限挑战又开始了，45TB的训练数据，1750亿个参数，1200万美元的花费，造就了异常强大的GPT-3模型，GPT-3像之前一样使用单向语言模型训练方式，但其将目光聚焦于更通用的NLP模型之上。

　　通过对大量文本进行预训练，然后对特定任务进行微调，证明了GPT-3在许多NLP任务和基准方面的巨大收获。实验显示，无论是在Zero-shot、One-shot还是Few-shot的情况下，GPT-3都有着很好的表现。

　　据OpenAI的报道，截至目前目前已有超过300个APP开始使用GPT-3，平均每天产出约45亿个词，更甚者，GPT-3目前已经可以扮演虚拟角色，来与我们进行交互行为。有时候，GPT-3的强大会远超我们的想象。

　　长江后浪推前浪，一年更比一年强，今年又有了很多新的进展，如浪潮发布的2457亿参数参数源1.0智能大模型，百度新发布的NLP预训练模型ERNIE等。

　　这些基于人工智能的自然语言处理技术模型，使得许多写文章，翻译，阅读理解以及预测工作量减少，语音助手开始出现并不断智能化，在诸如语音识别等应用场景的工具也越来越多地涌现出来。

　　最后，说点题外话，就答主的专业而言，想简单谈一下人工智能在网络安全领域对目前工作的改变。

　　相比于上述提到的各个行业来说，网络安全是一个较为传统的行业。因此，在很长的一段时间内，网络安全和机器学习技术是分开来演化和发展的，两者并无交集。基于规则和黑白名单以及人工分析等的检测方法已经发展了很久，使用的技术从规则、黑白名单、模型、沙箱，最后终于发展到了机器学习这条路上，实现了两者的成功会面。

　　存储和计算能力的爆发式增长，让我们获得了比以往更全面、实时地获取以及分断数据的潜在能力，但面对产生的海量信息.，如何快速准确地转化为业务需求则需要依赖一些非传统的手段。

　　就安全领域来说，原先依赖于规则的问题解法过于受限于编写规则的安全专家自身知识领域的广度和深度，以及对问题本质的理解能力。但我们都知道，安全漏洞层出不穷，攻击利用的方式多种多样，仅仅依赖于规则进行问题的发现，在现阶段的威胁形势下慢慢就显得不大够用了。依靠极其有限的网络专家总结的经验以及各大厂商之间的样本交换更是如此。

　　网络安全的防护对抗发展到今天，各种技术已经日趋专业和精细化，通过古老的string-match的防御方式越来越不能适应新的攻击环境。纵观安全行业近十余年的攻击方式，从最早的单机小工具发展到如今的分布式、大数据、自动化等攻击方式，防御的方式不得不随之不断升级，而结合机器学习是必须做出的决定。

　　例如，安全监控的建立可能会产生海量的web日志数据，如何通过这些数量巨大的数据来分析发现业务异常和安全问题呢？人工智能显然要比人工更加适合这项任务。

　　从网络安全的角度来看，借助人工智能这项如日中天的工具来解决日益复杂的安全问题是必然的选择；从人工智能的角度来看，网络安全问题或许是人工智能的下一个突破口也说不准。

　　其次，历史上，安全社区一直都是以防御的方式来使用机器学习(ML)的，例如对恶意二进制文件进行分类或发现异常网络流量。但是，在攻击方面，其实也有很多人工智能的参与，并且其效果胜过了人类。这方面不展开讲了，可以看看下面这篇回答：

　　当然了，用机器学习来解决网络安全问题，本身也有很多缺点和不足，详见下面的回答：

　　最后，人工智能问题下面的两极评论：过于狂热，认为人工智能是万能的，寄希望于AI马上达到正常人类的水平，甚至成为科幻作品中那样全知全能的存在；过于悲观，把AI看作的统计学里面的“拟合函数”换了个符号 ，毫无用处。

　　但是，我们应该保持理性的视角来看待人工智能，毕竟人工智能还只是一门年轻的学科。

　　就目前的进展来看，人工智能缺乏一定程度的溯源机制，这对于其跨领域的进行知识表达，以及更高级的“理解”和“全知全能”的实现，实际上是存在问题的，缺乏基本的智能阻碍了其合理性的问题，且人工智能界对溯因推理的关注还很少。

　　但是，我们的世界已经被算法改变的太多太多，知乎回答的推荐模型、视频网站的冷启动、网易音乐和淘宝的首页/每日推荐、Google和Bing的搜索引擎智能问答......

　　首先，不要被目前不断编织的人工智能神话所欺骗，渴望从“摘尽的低矮果实”中立马寻觅出高处的人参果——尽管低处仍然也有好果子，尽管目前也有能承载起人们寻求新突破的希望性研究课题。

　　其次，不要对未来的人工智能发展悲观失望，曾经的理想是一张完整的拼图，接着被外界所打碎，放置在一旁不予理会，之后又重新粘贴了起来，表面上与原来比没什么不同，但内部多了份妥协与自我宽慰。有人因为拼图被打碎而崩溃，放弃，真可惜，他们通过这一道考验后，马上就会进入全新的一个阶段。

　　我希望我的所有家人、爱人，朋友，倘若遇到上述情况，都能够走过这一“打碎”阶段，而不是沉溺其中痛苦不堪，乃至离去——无论是对待人工智能，还是对待生活。

　　十年前就是2012年初，那个时候智能手机还没有完全普及，诺基亚仍是市场关注度最高的品牌，大家对移动互联网对生活将会有多么巨大的改变还没有强烈体感。十年听起来不长，但现在仔细回想起来，确实生活中的每一个环节都发生了很大变化。

　　衣：当年想象过的在智能镜前面试衣服的场景并没有普及，我自己的穿衣服偏好没有太大变化，买的也不算频繁，所以对我个人而言，购置衣物的消费模式是被科技改变最小的。不过我知道移动购物对很多人的消费习惯影响很大，这个看淘宝的成长就知道了。

　　食：现在外出吃饭大家基本都会先在大众点评找餐厅，外卖服务也成了餐厅的标配，各种食品包装技术的发展促成了微波炉意面、自热火锅之类的发明，不同场景的吃饭需求都被深刻改变了。现在已经越来越少人在家里认认真正地做一顿饭了，不知道未来我们会不会像新加坡一样，很多家庭都不配厨房，或者只有简易烹饪设备了。

　　住：房子没什么变化，但是现在各种白电和黑电的智能化程度都很高了。我在安装床边安装了一个人体传感器，半夜上厕所时会自动亮灯，不会破坏睡意。另外激光电视+120寸抗光屏的配置也很让人满意，在家看电影的体验大大提升。

　　行：科技对人们出行的改变就太大了。在城市里面出行，打车软件、导航软件起码让人对一个陌生的地方不再有恐惧感；长途出行也是，2011年底京沪高铁刚开通不久，而现在高铁网络已经完全覆盖全国主要城市了。飞机本身没什么变化，但是如今在线值机、人脸识别等功能都大大提升了安检效率，我现在通常提前1小时到达机场就非常足够了。

　　工作：我们是一个内容公司，在线协作文档的出现对生产模式产生了很大变化。另外视频会议和语言转录文字的的技术也大大提高了沟通效率，对于很多岗位而言，移动、分布式办公也已经成为了现实。

　　现在，你逛个菜市场看着琳琅满目的菜品，第一时间就是刷二维码付款，钱包已经寂寞好多时了。

　　我到现在还记得几十年前的《小学生天地》杂志里记载了那个科幻故事，一块“板砖”大小的电子设备上自带屏幕能储存一个小图书馆容量的书籍。

　　当科技作为第一生产力，以它无比伟大的力量，从自然科学领域，一步步地跨进技术领域，将无数存在科幻故事，甚至是神话故事里产物，突破时间和空间的束缚，以一种全新且合理的产品形态出现在我们的生活中。

　　1968年上映的科幻电影《2001太空漫游》的剧情中，宇航员们都是人手一部可以视频通话“平板电脑”。

　　被苹果CEO乔布斯在2010年发明了“iPad”，用一种功能更强大且更轻薄的平板电脑予以定义，以一种更加美好的产品形态，带给消费者以一种全新的科技生活体验。

　　在1964年纽约举行的世界博览会开幕式上，预言了“机器人三定律”的科幻作家阿西莫夫，曾经这样满怀希望地再次预言了无人驾驶汽车的出现。

　　而现在2022这个时空节点上，谷歌、百度、华为等厂商的无人驾驶汽车成品早已经问世，经过数以千计的无人驾驶产品供应链企业以及全世界各大相关科研院所的共同努力，无人驾驶汽车在未来五年内的普及，走向现实消费者，重新塑造着日常生活的出行方式，已经成为一种必然的时代趋势。

　　再往前追溯，这种科技产品重塑生活方式，是有着其历史学和社会学上的进步意义的。

　　1945年阿瑟·克拉克发布对于通信卫星的科幻设想，1965年“晨鸟”国际通信卫星就发射升空。现如今无论是马斯克的“星链”近地轨道卫星网络，还是国内的5G移动通信网络，都早已实现了通信网络的跃迁和迭代升级。

　　科学技术正在一代一代地改造着传统事物，以一种适应时代潮流的革新的姿态重新问世，并且依靠着科学技术的每一步进步，使其越来越符合事物发展的客观规律和前进趋势、进化为具有强大生命力和远大前途的事物，继续引领和带动精神和文化生活的进步。

　　从竹简时代，再到印刷术时代再到身边随处可见的移动电子阅读设备的“电子信息时代”。

　　比如过去我国的传统茶行业在茶文化营销上过于玄乎其玄，脱离了现代城市生活人群的需求，将茶道吹得神乎其神，让年轻人看了觉得怪力乱神，中老年人看着神晕目眩。

　　1.0茶时代是属于原叶泡茶的，那是东方古典的韵味，但是繁杂的仪式未必适应时代的趋势。

　　3.0茶时代是属于速溶茶粉的，茶叶原本的活性因子流失，有一种明珠蒙尘的遗憾。

　　路就在坚定走从传统农业发展与繁琐的泡茶形式，转为利用科学技术深加工，制茶标准化，饮茶健康化（进一步降低农药残留），喝茶便携方便化的新道路中来。

　　比如八分之三提出的4.0茶时代技术——浓缩茶原液技术，用鲜萃技术还原风味，保留更多活性因子。

　　它比原叶泡茶，更加简便。因为它是浓缩茶液，即拆即用，冷饮热饮甚至是调饮，都能玩出千种花样。

　　它比速溶茶粉更能保留住茶叶本身的活性因子，因为常温仿生浸提工艺无论是茶叶精华还是活性因子，都能通通留住。

　　展开来说，超临界萃取这个科学技术，玩得很灵，用液态CO₂浸泡茶叶，降低加压变成固态以后，再用升温降压化为液态的方法，实现茶汤在最佳状态下，冷萃的效果，充分保留茶香和茶之本味。

　　常温仿生浸提这个技术，一方面是基于对温度、湿度、气压全面精准把控的纯物理方法，创造生物在自然状态下的醇化条件。

　　另一方面研究古籍资料，找到清朝茶制作时的气候、温度、环境，以45°的高山泉水作为介质，再用40°的高温萃取鲜茶汤，以确保最大程度地保存茶汤的营养，确保茶成分的完整性、多样性，保留茶叶的鲜爽清新的口感。

　　除此外，它还攻克了一个茶行业困扰多年的科学技术难题————“头道茶不能完全去农残、洗灰尘、去杂质。”

　　那就是小分子纳米筛选技术，原理是采用膜过滤，以其两侧压力差作为驱动压力，使得膜表面纳米大小的微孔作为过滤器，实现小分子有益成分留下，大分子有害菌去除的目的。

　　最终保证270项农残检测为0的记录，实现去除农残和重金属，确保茶成分的安全性、绿色性、生态性、

　　至于利用分子团切割氟元素，降低氟含量，以及巴氏杀菌和无菌灌装等现代化食品生产高科技工业技术，那是题中应有之义。

　　保留100%保留原茶营养成分和天然香氛，并彻底清除茶叶中的农药残留、重金属等有害物质，实现0香精0添加0农残，并且常温锁鲜360天。

　　失重普洱，1支浓缩茶液= 6 ~ 8杯原叶茶／袋泡茶的活性成分，比一般茶汤更浓醇。

　　茶源是云南澜沧江沿岸的高山茶园，为了让年轻人更好接受普洱茶，创新采用金丝红枣的甜味衬托出普洱熟茶的醇厚茶香，在口感优秀的同时，越喝越美味。

　　月光白茶，选自夜间采摘的7年老白茶，在月光下微发酵制成月光白茶，入口是兰花清甜香气，饮后是淡淡的草本味，回味许久。

　　金萱乌龙，采用极为优秀的冻顶乌龙为原料，生津清爽特别突出，自带奶香，口味尤佳。

　　而且，这三款都可以加牛奶做成无糖奶茶，好喝不怕胖；加气泡水，做元气水，唤醒你一早上元气；加冰块，清凉一夏……

　　放眼过去，中国茶和茶文化在物质结构、制度结构、行为结构以及心态结构更多地停留在传统上，本来就难以适应国内的新生代对于市场的需求，国内存量市场如果连年轻人都把握不了，又如何守住基本盘？更别提在国际市场更难以更进一步和咖啡文化分庭抗礼。

　　另一方面又不愿意让茶行业经过科技生产力的革新，越来越适应现代都市快节奏的生活。

　　我们革新了信息媒介，从纸张书籍一口气跨越到“电子纸”，逐步实现无纸化远程办公的可能。

　　现在从中国传统生活方式——饮茶开始，逐步地用科技革新其产品品质，使它能更好地顺应时代潮流，获得越来越多都市生活的年轻人的信赖。

　　也让更多的现代人，通过方便可靠的八分之三鲜萃茶，获得繁忙生活中难得闲暇与惬意，品味中国茶文化的美好与舒适感。

　　最近十年也就是从2011年到2021年，这十年影响日常生活的最主要技术突破在于以深度学习为代表的人工智能技术的大幅进步和广泛展开。其突破性作品AlexNet出现于2012年[1], 起初仅仅是用来刷榜ImageNet[2](初版发布于2009年). 其基本方法在后续几年中被大幅深化和扩展，随之在工业界产生巨大影响，直接带动英伟达（服务端深度学习计算）的股价起飞。中国人/华人 和 中国工业界也在这轮技术爆发中做出了相当大的贡献。

　　人脸识别技术的广泛引用。深度学习的引入使得人脸识别的FAR(false accept rate)达到了日常可用水平，结合上其他模态的特征LBS，手机号等等），能达到级可用水平。对应地，我们看到人脸识别在 手机等设备的解锁、安防、支付身份确认等场景的广泛使用。因为其FAR达到级可用水平，才有很多政府和银行/服务在手机端能够开展的可能性，这也大大减少了我们跑线下门店的次数，极大地方便了日常生活。

　　推荐系统的广泛应用。推荐系统的广泛应用完全的改变了我们使用互联网产品的形态。在其广泛应用之前，我们看到的网站信息都是层级结构的，我们搜索物品和新闻，要按照大类-小类-具体物品的方式进行查看，效率非常低下，找想要的东西非常复杂。推荐系统广泛引用之后，大幅减少了搜索的使用频率，也改变了网站和手机APP内容呈现的形态。当然，推荐算法的设计有其归纳偏置，不可避免地产生一些负面效果，比如信息茧房等，让用户过于自信甚至自大，对斗争性、耸人听闻的类容给了过大权重。对应地压制了客观讨论性的内容。推荐系统的引入在UGC平台加剧了内容生产者（输出内容用户）之间的竞争，产生了逆向淘汰的效果。正因为如此，如果不加人工介入，内容平台的头部会自然发展为争议性劣质内容输出者。

　　云计算的广泛应用。算力要求在这轮技术演化中快速增加，端侧（典型地，手机）的计算能力增长速度跟不上算力要求的增长，同时，技术开发的需求也大幅增加，SaaS形态的应用必要性越来越强，云服务应运而生。云服务的可扩展性、资源利用率、开发迭代效率、稳定性和容灾能力远超此前状态的产品，让我们日常生活中大量APP和应用成为可能。

　　辅助驾驶技术开始铺开。以计算机视觉、激光雷达和微波雷达为基础技术路线级别）能在好路况下大幅降低人工介入的需要，并且在复杂路况下弥补驾驶者注意力的不足，大幅增加安全性。当然，由于一些激进者和机会主义者的不正当竞争，辅助驾驶技术在此前一段时间有大量的虚假宣传，欺骗了广大消费者，不过这不能否认掉其技术价值。

　　智能家居逐步被接受。通信技术的进步解决了设备长期稳定低功耗在线问题，语音识别、语音合成技术的进步大幅简化了智能家居设备的交互，同时也让设备成本大幅降低。智能家居设备因此越来越多样化，智能场景和应用越来越广，成为家居懒人的福音。

　　Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.

　　Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009, June). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition (pp. 248-255). Ieee.

　　前阵子支付宝支付刷脸的时候，我发现我被刷的脸有那么一点不一样——眼睛贼大、皮肤贼好、好像下巴也变尖了呢。当然这种美貌只限于用户看到的屏幕，真正在数据库里面的还是我真实的老脸。╮(￣▽￣)╭

　　美颜算法恐怖在哪里？最恐怖的地方不是已经改变了小姐姐的拍照方式要用“美颜功能的相机”，而是已经慢慢地悄悄地不知不觉把你“美”一下。

　　美颜算法无处不在，已经深深渗透进我们的生活了。还记得十年前手机根本没有办法拍照，拍出来的照片能看是能看，但是像素糊得一匹，没有办法对焦还有光线什么的。现在就不一样了，一个小小的手机就可以拍出大片。各种摄像头啦，几百万像素啦，对焦想对哪里点哪里，光圈也可以调整，不仅后期可以美颜关键是有的前置摄像头还悄悄自带了一丢丢美颜！你设置改都改不了！（iPhone！说的就是你！）

　　而且这个“美颜”也是千篇一律：大眼睛、白皮肤、尖下巴，慢慢地磨灭人们心中对多元化审美的鉴赏能力和追求。渐渐地大家都活在美颜里，渐渐地大家都觉得我po在社交平台的美颜照片就是我自己的颜，连出去买个东西扫脸支付为了讨好客户给你放个美颜摄像头╮(￣▽￣)╭

　　对美的追求是无止境的，科技也是在迎合大众对美的追求的诉求而改变的，并没说美颜不好怎么样，而是惊叹于美颜已经渗透在世界每个角落。

　　不过，近两年各种平台上可能大家都在追求“返璞归真”了，强调自己是iPhone后置摄像头、发live图片自证清白等等。但是这并不是“返璞归真”，而是“我在后置摄像头没有美颜也这么美说明我是真实的美”，还是一种对美的追求呢。