原文整理： 瓜哥AI新知
本文内容整理自 Demis Hassabis在Sequoia Capital频道的专访 ，公开发表于2026年04月29日。
Google DeepMind联合创始人兼CEO、凭借 AlphaFold 荣获2024年诺贝尔化学奖的得主 Demis Hassabis ，与红杉资本合伙人 Konstantine Buhler 在 AI Ascent 2026 峰会上进行了一场极具广度与深度的对话，共同探讨了通向AGI之路以及AGI之后的未来图景。
在对谈中，他解释了为何他坚信到2030年有望实现AGI，为何新药研发的漫长周期可能会从十年坍缩至短短几天，以及为何我们应该将“信息”而非物质或能量，视为宇宙中最核心、最基础的本质。此外，他还探讨了爱因斯坦如果仍在世，会对当今AI模型的局限性作出怎样的评价，以及为何未来的一两年将成为决定人类命运的关键节点。
主持人： Demis，非常感谢你能来。
德米斯·哈萨比斯： 很高兴来到这里。感谢大家的到来，能在这里与大家交流太棒了。
主持人： 非常荣幸能邀请你来到我们的巧克力工厂。
德米斯·哈萨比斯： 我刚听说这事。很期待一会儿能尝尝巧克力。
主持人： 太棒了。Demis，我们直接进入正题。今天我们请到了一位真正的行业老炮（OG）：他兼具原创思想家、创始人、远见者等多重身份，是 AI 一切领域的先驱。Demis 是一位纯粹的信仰者，也是一位纯粹的科学家。
我们今天的对谈将从 DeepMind 创立的早期故事开始，随后深入探讨科学技术，最后是观众提问环节。那我们就直接开始吧。
Demis，你曾是国际象棋神童、游戏公司创始人，也是一名神经科学家。你是 DeepMind 的创始人，如今更是领导着一家规模庞大、举足轻重的企业。这些身份看似风马牛不相及，但你说过其中有一条贯穿始终的内在主线。能跟我们分享一下吗？
德米斯·哈萨比斯： 的确有一条主线，当然，这或许有一点事后归因（post hoc reasoning）的成分。但我渴望投身 AI 领域由来已久。我很早就认定，这是我毕生能从事的最重要、也最有趣的事业。 从 15、16 岁起，我所选择的每一个学习方向、所做的每一件事，都是为了有朝一日能建立像 DeepMind 这样的公司。
我曾“曲线救国”进入游戏行业，因为在 90 年代，最前沿的技术都在那里孕育。不仅是 AI，还包括图形渲染和硬件技术。我们今天都在使用的 GPU 最初就是为图形引擎设计的，而我在 90 年代末就已经用上了最早期的 GPU。我参与开发的所有游戏，无论是为 Bullfrog（牛蛙工作室）还是我自己的公司 Elixir Studios 开发的，都将 AI 作为核心的玩法机制。
我最知名的作品是大概 17 岁时开发的《主题公园》（Theme Park）。这是一款游乐园模拟游戏，成千上万的小人涌入公园，游玩各种设施，并决定在商店买什么。在游戏表象之下，运行着一套完整的经济 AI 模型。与 《模拟城市》 （SimCity）一样，它是同类游戏中的开山之作。当我看到它卖出超过 1000 万份，并亲眼目睹玩家在与 AI 交互时是多么乐在其中时，更加坚定了我将毕生精力投入到 AI 领域的决心。
后来，我转向了神经科学，希望能从大脑的工作机制中汲取灵感，推导出不一样的算法思路。当创立 DeepMind 的最佳时机终于到来时，将所有这些积累融会贯通，一切都感觉水到渠成。自然而然地，我们后来也将游戏作为验证 AI 构想的早期训练场。
主持人： 今天现场坐满了创业者，你一定深有共鸣，因为你不仅创办过一家公司，而是两次创业的过来人。让我们回到你的第一次创业，也就是 Elixir Studios。那是怎样的一段经历？虽然它不是你最被人熟知的公司，但你也借此取得了巨大的成功。你是如何领导那家公司的？这段经历在“如何打造一家公司”方面教会了你什么？
德米斯·哈萨比斯： 是这样的，我大学一毕业就创办了 Elixir Studios。我很幸运之前能在 Bullfrog Productions 工作。了解游戏的人都知道，那是行业早期极具传奇色彩的工作室，可能也是当时英国乃至欧洲最顶尖的游戏工作室。
我当时想做一些能拓宽 AI 边界的事情。实际上，在那个年代，我是通过开发游戏这种“曲线救国”的方式来为 AI 研发提供资金，不断挑战技术的前沿，并将其与极致的创造力结合起来。我认为，这种理念对于我们今天开展的探索性研究（Blue-sky Research）依然适用。
我学到的最深刻的一课或许是：你要领先时代 5 年，而不是 50 年。 在 Elixir Studios 时，我们曾试图开发一款名为《共和国》（Republic）的游戏，旨在模拟一个完整的国家。游戏的设定是，玩家可以通过各种不同的方式推翻统治国家的独 裁者，而我们在游戏里逼真地模拟了一个个鲜活、会呼吸的城市。
要知道，那可是 90 年代末，电脑用的还是奔腾（Pentium）处理器。我们必须在当时的家用电脑上，跑通一百万人的所有图形渲染和 AI 逻辑。这实在是野心太大了——甚至有点好高骛远——并由此引发了一系列问题。
我牢牢记住了这个教训： 你要走在时代前面，但如果超前了 50 年，你大概率会一败涂地。当然，当一个想法对所有人都显而易见时，入局又太晚了。所以，关键在于找到那个微妙的平衡点。
主持人： 好的，说到不要过于超前时代，时间来到 2009 年，你笃定通用人工智能（AGI）必将实现。那一次，也许只领先了时代 10 年，总比领先 50 年强。跟我们在座的创业者们聊聊 2009 年吧。你是如何说服最初那批顶尖天才的？因为你确实招揽了一批极高水准的员工和早期团队成员。在当时，AGI 听起来完全像科幻小说，你是怎么让他们相信这一切的？
德米斯·哈萨比斯： 当时我们敏锐地捕捉到了一些有趣的线索。我们本以为自己只领先了 5 年，但实际上可能领先了 10 年。深度学习（Deep Learning）刚刚由 Jeff Hinton 和他的学术界同事们发明出来，但几乎没人意识到这有何等分量。而我们在强化学习（Reinforcement Learning）方面积累深厚，我们觉得，如果把这两种技术结合起来，将会取得突破性的进展。在此之前，它们几乎从未被结合使用过——即便有，也仅限于学术界的“玩具问题”（toy problems）。在 AI 领域，它们完全是两个各自为战的孤岛。
此外，我们看到了算力（Compute）的前景；当时的 GPU 将大放异彩。当然，我们现在用的是 TPU，但在当时，加速计算行业将成为巨大的推力。同时，在我博士和博士后生涯的尾声，由于我集结的一些伙伴是 计算神经科学家 ，我们从大脑机制中提取了足够多有价值的思想和法则，其中就包括一个核心信念： 强化学习最终可以通过规模扩张（Scale）通向 AGI。
我们觉得已经集齐了这些核心要素。 我们甚至觉得自己像是某个惊天秘密的守护者，因为无论在学术界还是工业界，根本没人相信 AI 能取得任何重大突破。 事实上，当我们提出要致力于研发 AGI——或者当时有时被称为“强人工智能”（Strong AI）——时，许多学术界人士会毫不客气地对我们翻白眼。在他们看来，这明明是一条死路；毕竟 90 年代大家早就试过且撞了南墙。
我在麻省理工学院（MIT）做博士后，那里是专家系统（Expert Systems）和一阶逻辑语言系统（First-order Logic Language Systems）的重镇。现在回想起来觉得不可思议，但在当时，我就已经觉得那种方法太古板老旧了。然而，无论是在英国剑桥，还是在 MIT 这些传统 AI 研究的大本营，大家仍然在沿用那套老办法。这反而让我更加确信我们找对了方向。 至少，如果我们注定要失败，我们也会以一种全新的姿态倒下，而不是重蹈 90 年代人们研发 AGI 失败的覆辙。 这让我觉得无论如何都值得一试；即使这只是一项前途未卜的研究， 就算最终失败了，我们至少也失败得颇具原创性。
主持人： 你们早期的信念有没有遇到过什么普遍的阻力？为了让早期的追随者加入，你是否需要向自己或他们证明些什么？
德米斯·哈萨比斯： 无论境遇如何，我都会将毕生精力倾注于人工智能。事实证明，它的发展远超我们最乐观的预期。不过，这依然在我们 2010 年的预测范围之内——当时我们认为这是一项长达 20 年的征程。
我认为，作为该领域的一员，我们的进度完全符合预期，而我们也显然在其中发挥了应有的作用。
退一步讲，即使事情没有如此发展，AI 至今仍是个小众学科，我依然会坚持这条路，因为它是我心中有史以来最重要的技术。我的目标非常明确，DeepMind 最初的使命陈述就是： 第一步，破解智能，即构建通用人工智能(AGI)；第二步，用它来解决其他一切问题。 我始终认为，这是人类可能发明的最重要、也是最迷人的技术。
它既是科学探索的工具，其本身也是一件迷人的造物，更是我们理解人类自身心智（如意识、梦境、创造力的本质）的最佳途径之一。作为一名神经科学家，我过去在思考这些问题时，常感到缺失了一种像 AI 这样的分析工具。它提供了一种对比机制，让我们能像做对照实验那样，对两个不同的系统进行深入研究与比对。
主持人： 对不同系统进行比对。我们来谈谈“AI 助力科学”(AI for Science) 吧。你很早就涉足该领域，是一名坚定的信徒，也是一个纯粹的理想主义者。这是驱动你们的核心使命。你在创立 DeepMind 时建立的模式和文化，是如何让它始终屹立于“AI 助力科学”最前沿的？
德米斯·哈萨比斯： 这正是我们的终极目标。对我个人而言，最根本的驱动力就是构建 AI，以此来推动科学、医学以及我们对世界的认知。这就是我践行使命的方式——通过一种“元方法”(Meta Way)，先打造出终极工具，等它成熟后，再利用它去实现科学上的突破。我们已经取得了像 AlphaFold 这样的成就，我相信未来还会涌现出更多。
DeepMind 始终将这一目标作为重中之重。事实上，我们有一个由 Pushmeet Kohli 领导的“AI 助力科学”部门，成立至今已有近十年。我们在首尔打完 AlphaGo 比赛归来后，几乎立刻就正式启动了这项工作，满打满算刚好过去十年。
之前我一直在蛰伏，等待算法变得足够强大、理念变得足够通用。对我而言，攻克围棋就是一个历史性的转折点；那一刻我们意识到，时机已到，是时候将这些理念应用于现实世界的重要问题了，我们要从这些重大的科学挑战开始着手。
我们一直深信，这是 AI 最具福祉的归宿。还有什么比用它来治愈疾病、延长人类健康寿命、辅助医疗事业更美好的事呢？紧随其后的必然是材料科学、环境和能源等关键领域。我相信，AI 在未来几年内将在这些领域大放异彩。
主持人： AI 是如何在生物学领域取得突破的？你深度参与了 Isomorphic Labs 的工作，这是一个让你倾注热情的领域。从一开始，你就坚定不移地相信 AI 治愈疾病的潜力。在生物学领域，我们什么时候才能迎来像语言和编程领域那样的“高光时刻”？
德米斯·哈萨比斯： 我认为，AlphaFold 的诞生已经让我们迎来了属于生物学的“高光时刻”。蛋白质折叠及其三维结构是一个长达 50 年的科学难题。如果你想设计药物或破译生物学的基础密码，攻克这一难题至关重要。当然，这只是药物发现过程的一环，它极为关键，但也只是其中一环。
我们最新拆分出的公司 Isomorphic Labs（我自己也非常享受管理这家公司的过程），正致力于在生物化学和化学领域构建相关的核心技术。这些技术能自动设计出与蛋白质特定部位完美嵌合的化合物。既然我们已经掌握了蛋白质的形状及其表面结构，就等于锁定了靶点。接下来，我们必须制造出能与该靶点强效结合的对口化合物，同时理想情况下，还要避免任何可能引发毒副作用的脱靶反应。
我们的终极梦想是：将占据目前研发 99% 工作量和时间的探索过程，全部转移到计算机模拟(In Sili co)中完成，只将实体湿实验(Wet Lab)留给最后的验证阶段。如果能做到这一点——我也坚信未来几年内定能实现——我们就能将平均长达 10 年的药物发现周期缩短至几个月、几周，未来甚至只需几天。
我相信，一旦跨越这个临界点，攻克所有疾病都将变得触手可及。像个性化医疗（例如针对患者个体定制的药物变体）这类概念也将化为现实。我认为，整个医疗和药物研发的版图将在未来几年内被彻底重塑。
主持人： 太精彩了。你多次提到了“AI 助力科学”。你认为在未来的某个节点，AI 会孕育出全新的科学体系吗？就像工业革命催生了热力学那样。我们的教育体系中是否会出现本质上全新的学科？如果有，它会是什么样子？
德米斯·哈萨比斯： 关于这一点，我认为将会发生以下几件事。
首先，对 AI 系统本身的理解和剖析，将演变成为一门完整的学科——一种工程科学(Engineering Science)。我们正在构建的这些造物无比迷人，同时也极其复杂。最终，它们的复杂度将比肩人类的心智与大脑。因此，我们必须对它们进行深入研究，以彻底弄清这些系统的工作原理，这远不是我们今天的认知水平所能企及的。我相信一个全新的领域必将崛起；机制可解释性(Mechanistic Interpretability)只是其中的冰山一角，我们在解析这些系统上还有广阔的探索空间。
其次，我也相信 AI 本身将开启全新的科学大门。其中最让我兴奋的是“AI 助力模拟”(AI for Simulations)。我痴迷于模拟；我写过的所有游戏不仅包含 AI，其本质也都是模拟器。我认为，模拟器是我们破解诸如经济学等社会科学及其他人文学科难题的终极路径。
这些学科的棘手之处在于，它们和生物学一样，属于涌现系统(Emergent Systems)，极难进行可重复的受控实验。假设你要将利率上调 0.5%，你只能在真实世界里硬着头皮操作，然后观察后果；你可以有一套套理论，却无法把这个实验重复成千上万次。然而，如果我们能精准地模拟这些复杂系统，那么基于高度精准的模拟器进行严谨的抽样推演，或许就能确立一门全新的科学。我相信，这将赋予我们在那些目前充满高度不确定性的领域中，做出更优决策的能力。
主持人： 要实现这些极其精准的模拟，我们需要具备哪些条件？比如世界模型(World Models)，我们需要什么样的科学和工程突破才能抵达这一步？
德米斯·哈萨比斯： 我一直在深入思考这个问题。在我们的工作中，我们大量使用学习型模拟器(Learning Simulators)。这些模拟器应用在那些我们要么对数学原理了解不足，要么系统过于复杂的领域。我们无法仅仅通过编写针对特定情况的直接模拟程序来解决问题，因为那种方式不够精确，也无法涵盖所有的变量。
我们已经在天气预测上实践了这一点。我们拥有世界上最精确的天气模拟器“WeatherNext”，它的运行速度远超气象学家目前使用的工具。我不确定我们是否能洞悉一切，也不确定那是否是个好主意，但第一步是更好地理解这些复杂系统。
即便是生物学领域，我们也正在研究所谓的“虚拟细胞(Virtual Cell)”——这是一个极其动态的涌现系统(Emergent System)。 正如数学是物理学的完美描述语言，机器学习也将成为生物学的完美描述语言 。 在生物学和许多自然系统中，充斥着大量微弱的信号、弱相关性以及海量的数据，这远远超出了人类大脑的分析能力。然而，在这些海量数据之中，确实存在着内在的联系、相关性以及引人深思的因果关系。
机器学习是描述这类系统的完美工具。直到今天，数学都还无法做到这一点，原因要么是系统过于复杂，即使是顶级数学家也难以驾驭；要么是数学的表现力不足以理解这些高度涌现的动态系统——部分原因是它们极其杂乱且具有随机性(Stochastic Nature)。
最终，一旦你掌握了这些模拟器，或许就能衍生出一门新的科学分支。你可以尝试从这些隐式或直觉式的模拟器中提取出显式方程(Explicit Equations)。既然你可以随心所欲地对模拟器进行无数次采样，或许终有一天，你能发现像麦克斯韦方程组那样基础的科学定律。
也许吧。我不知道对于这样的涌现系统是否存在这类定律，但如果它们真的存在，我看不出有什么理由让我们无法通过这种方法去发现它们。
主持人： 那将非常了不起。你曾谈到过一个理论，即宇宙中万物的基本构成单元(Building Block)可能类似于信息，这属于更加理论化的层面。你是如何看待这一点的？这对传统的经典图灵计算机又意味着什么？
德米斯·哈萨比斯： 当然，你可以引用著名的 E=mc² 以及爱因斯坦的所有研究成果，说明能量和物质本质上是等价的。但我实际上认为，信息也具有某种等价性。你可以将物质和结构的组织方式——特别是像生物这样能够抵抗熵增(Resisting Entropy)的系统——从本质上视为信息处理系统。因此，我认为可以将这三者相互转化。
然而，我有一种感觉，信息才是最基础的。这与20世纪20年代经典物理学家的观点恰好相反，那时人们认为能量和物质是首要的。 我其实认为，把宇宙首先看作是由信息构成的，是理解这个世界的更好方式。
如果这一点成立——我认为目前有很多证据支持这一点——那么人工智能的意义就比我们想象的还要深远。它之所以已经意义非凡，是因为它的核心就是组织信息、理解信息并构建信息客体(Informational Objects)。
在我看来，人工智能的核心就是信息处理。如果你把信息处理作为理解世界的首要方式，就会发现这些截然不同的领域之间，其实存在着极深的内在联系。
主持人： 那你认为经典的图灵机能够计算一切吗？
德米斯·哈萨比斯： 有时我会思考我们的工作，并自视为“图灵的捍卫者”，因为艾伦·图灵是我一生中最崇敬的科学英雄之一。我相信他所做的工作不仅为计算机和计算机科学奠定了基础，也为人工智能打下了地基。图灵机的理论是史上最深远的成果之一：任何可计算的事物，都可以被一台描述起来相对简单的机器所计算。因此，我认为我们的大脑很可能也是一种近似的图灵机(Approximate Turing Machines)。
思考图灵机与量子系统之间的联系非常有趣。然而，我们通过 AlphaGo 和特别是 AlphaFold 等系统所展示的是，披着现代神经网络外衣的经典图灵机，可以对那些此前被认为需要量子力学才能解决的问题进行建模。例如，蛋白质折叠在某种意义上是一个涉及极微小粒子的量子系统，人们可能认为必须考虑氢键(Hydrogen Bonds)的所有量子效应以及其他复杂的相互作用。
然而事实证明，利用经典系统就可以得出一个近似最优的解。因此，我们可能会发现，许多我们曾以为必须依赖量子系统才能模拟或运行的事物，只要方法得当，实际上在经典系统上也是可以建模的。
主持人： 你一直将人工智能视为一种工具，就像过去几个世纪里的望远镜、显微镜或星盘(Astrolabe)一样。但是，当你面对一台几乎能够模拟万物的机器——比如正如你所说，它甚至能模拟量子系统——它在何时会超越工具的范畴？这一天真的会到来吗？
德米斯·哈萨比斯： 我非常强烈地感觉到，在构建通用人工智能(AGI)的使命和征途中，我们这些同行者——包括在座的许多人——都认为最好的方式是先构建一个工具：一个极其智能、实用且精准的工具，然后再跨越下一个门槛。这本身的意义已经足够深远了。当然，这个工具可能会变得越来越自主，越来越具有智能体的特征，这正是我们目前所目睹的。我们正处于这样一个智能体时代(Agent Era)的浪潮之中。
然而，还有更进一步的追问：它是否具备能动性(Agency)？它是否有意识？这些都是我们将不得不去面对的问题。但我建议我们将此作为第二步，或许可以使用第一步构建出的工具，来帮助我们探索这些深奥的问题。
理想情况下，通过这个过程，我们也能更好地理解我们自己的大脑和思维，并能比今天更精确地定义“意识”等概念。
主持人： 对于意识的未来定义，你有什么大致的预判吗？
德米斯·哈萨比斯： 没有，除了几千年来哲学界已经探讨过的内容外，我没有太多能补充的。但对我来说很明确的是，某些组件显然是必需的。它们可能是必要但不充分条件(Necessary but not sufficient)。诸如自我意识、自我与他者的概念，以及某种时间上的连续性，对于任何看起来像是有意识的实体来说，显然都是必需的。
不过，关于完整的定义究竟是什么，这仍然是一个悬而未决的问题(Open Question)。我曾与许多伟大的哲学家讨论过这一点。几年前，我与不久前不幸离世的丹尼尔·丹尼特(Daniel Dennett)就此话题进行过深入交流。核心问题之一是系统的行为表现：它表现得像一个有意识的系统吗？你可以认为，随着某些人工智能系统越来越接近 AGI，它们最终可能会做到这一点。
但随之而来的问题是：为什么我们认为彼此是有意识的？原因之一在于我们的行为方式，我们的表现像是有意识的生命体。但另一个因素是，我们都在相同的底层基质(Substrate)上运行。
因此我认为，如果这两点都成立，那么假设你和我的体验是相同的，这在逻辑上最符合简约原则(Parsimonious)，这就是为什么我们平时通常不会去争论对方是否有意识。但显而易见，我们永远无法在人工系统上实现同样的基质等同性(Substrate Equivalence)。所以我认为，要彻底消除这一鸿沟是非常困难的。你可以从行为层面(Behaviorally)去审视，但在体验层面(Experientially)呢？在实现 AGI 之后，或许会有一些方法来处理这个问题，但那可能超出了今天的讨论范围，哪怕是在“AI与科学”的探讨中也是如此。
主持人： 太棒了。我们马上就开放观众提问环节，请大家准备好问题。你刚才提到了哲学家，特别是康德(Kant)和斯宾诺莎(Spinoza)，说他们是你最喜欢的两位哲学家。康德是一位典型的义务论(Deontological)哲学家，极度强调责任观念；而斯宾诺莎则持有一种近乎宿命论(Deterministic)的宇宙观。你是如何将这两种截然不同的理念联系起来的？你对世界运作方式的根本认知又是怎样的？
德米斯·哈萨比斯： 我之所以喜欢这两位哲学家，并且对他们印象深刻，是因为康德曾提出过一个观点——我在攻读神经科学博士学位时就深有体会——即“心智创造了现实(The mind creates reality)”，我认为这基本是正确的。这为我们研究心智和大脑的运作机制提供了另一个绝佳理由。既然我最终探寻的是现实的本质，我们就必须先理解心智是如何诠释现实的。这就是我从康德那里获得的启示。
至于斯宾诺莎，则更多关乎精神维度。如果你试图将科学作为工具去理解宇宙，你就已经开始触及宇宙运转方式背后的深层奥秘。
这正是我对我们当下事业的感悟。当我投身科学研究、深耕人工智能并构建这些工具时，我感觉我们仿佛在以某种方式， 阅读着宇宙的语言 。
主持人： 真美。这是对你日常工作的最美诠释：德米斯(Demis)，你集科学家、演说家和哲学家于一身。在结束之前，我们来进行几个快问快答。他之前完全没看过这些问题。预测一下实现通用人工智能(AGI)的年份，是早于还是晚于预期？或者你可以拒绝回答这个问题。
德米斯·哈萨比斯： 我选2030年。在这个预测上我一直很坚定。
主持人： 好的，2030年。那么，当我们实现通用人工智能(AGI)时，你推荐必读的书籍、诗歌或论文是什么？
德米斯·哈萨比斯： 对于实现通用人工智能(AGI)之后的世界，我最喜欢的书是戴维·多伊奇(David Deutsch)的《真实世界的脉络》(The Fabric of Reality)。我认为这本书的思想依然适用。我希望届时能借助通用人工智能(AGI)来解答那本书中提出的深刻问题，那也将是我在AGI时代的后续工作重心。
主持人： 太棒了。迄今为止你在DeepMind最自豪的时刻是什么？
德米斯·哈萨比斯： 我们很幸运地经历过许多巅峰时刻。我想，最自豪的应该是AlphaFold的诞生。
主持人： 好的，最后是几个关于游戏的问题。如果你正在参与一场高风险的回合制策略游戏，比如 《文明》 (Civ)、《低模之战》(Polytopia)这类硬核游戏，并且可以从历史上挑选一位科学家作为队友，比如爱因斯坦(Einstein)、图灵(Turing)或牛顿(Newton)，你会选择谁加入你的战队？
德米斯·哈萨比斯： 我想我会选冯·诺依曼(von Neumann)。毕竟在这种局势下你需要一位博弈论(Game Theory)专家，而我认为他是最顶尖的。
主持人： 那绝对是一位神级队友。德米斯(Demis)，你真是个全才。非常感谢你今天做客我们的节目。请大家和我一起掌声感谢德米斯(Demis)的精彩分享。非常感谢。
