Pada tahun 1860-an, apabila enjin wap dicipta, kebanyakan orang tidak menyedari bahawa "revolusi perindustrian" akan datang
Apabila ENIAC keluar pada tahun 1946, orang juga tidak menyedari bahawa komputer akan Separuh; seabad kemudian, ia telah menjadi infrastruktur yang menyokong operasi sosial dan inovasi teknologi
Malah pada tahun 2005, orang tidak dapat membayangkan bahawa hampir semua keperluan untuk makanan, pakaian, perumahan dan pengangkutan dapat diselesaikan dengan hanya telefon bimbit; telefon tanpa wang tunai; tanpa Kamera berasingan juga boleh merakam segala-galanya di sekeliling anda pada bila-bila masa dan di mana-mana sahaja.
Setiap kali teknologi yang mengganggu dilahirkan, orang sentiasa memandang rendah kesannya terhadap ekonomi sosial Hanya apabila sejarah diringkaskan beberapa dekad kemudian, nilainya akan ditentukan.
Seperti kata Bill Gates: Kami sentiasa melebihkan apa yang boleh kami lakukan dalam satu tahun dan meremehkan apa yang boleh kami lakukan dalam tempoh lima atau sepuluh tahun.
Kini, protagonis ialah "kecerdasan buatan".
Pada tahun 2022, rantaian industri AI pada mulanya akan dipertingkatkan, dan permintaan daripada pelbagai industri akan terus muncul Para pengamal memegang sepanduk "AI memasuki ribuan industri" untuk mengembangkan pasaran, dan beberapa perintis telah berjaya IPO.
Pengurangan kos dan peningkatan kecekapan, transformasi digital, ekonomi digital... telah menjadi kata-kata hangat yang berkaitan dengan perindustrian AI semasa. Memimpin revolusi perindustrian keempat dan lelaran produktiviti, nilai AI ini diiktiraf oleh banyak pihak.
Tetapi tiada siapa yang dapat menerangkan dengan jelas landskap AI 10 tahun dari sekarang atau 50 tahun dari sekarang. Sama ada pembangunan AI akan menjadi seperti yang kami ramalkan dan takrifkan hari ini -
Dengan visi semasa kami, kami tidak dapat memberikan jawapan yang tepat.
Berdepan dengan lautan bintang dan bintang AI, kita baru sahaja meninggalkan permukaan bumi.
Dalam pusaran perubahan industri, mungkin sukar untuk melihat penghujung AI, tetapi "skala ultra-besar" dan "pemurnian" algoritma AI adalah sekurang-kurangnya satu-satunya cara untuk mencapai matlamat ini.
Skala yang dipanggil ultra-besar bermakna algoritma AI ada di mana-mana -
Bilangan algoritma Seperti bilangan APP, ia akan berkembang dengan pesat, menembusi ke dalam setiap butiran pengeluaran, kerja dan kehidupan, serta menjadi aset penting untuk pengurusan bandar dan pembangunan perusahaan.
Sama seperti terdapat berjuta-juta jenis APP dalam kedai aplikasi telefon pintar hari ini, algoritma merangkumi hampir semua keperluan semua jenis orang dan semua lapisan masyarakat. Ramai daripada mereka telah menjadi sebahagian daripada kehidupan seharian kita.
Apa yang dipanggil penghalusan bermakna bahawa fungsi algoritma AI tunggal akan menjadi lebih dan lebih dibahagikan, dan algoritma AI kecil yang tidak terkira banyaknya akan digabungkan menjadi sistem yang sangat kompleks berdasarkan keperluan penggunaan industri yang berbeza, senario yang berbeza , dan aplikasi AI Tinggi yang berbeza.
Di bawah aliran ini, tidak lama lagi setiap aplikasi AI yang kami anggap remeh mungkin menjadi ejen pintar yang kompleks yang terdiri daripada ratusan atau ribuan algoritma.
Pemurnian juga akan membawa senarioisasi AI Dalam erti kata lain, adalah perlu untuk melatih algoritma AI yang sesuai untuk senario menegak dan bersegmen yang berbeza berdasarkan situasi sebenar dan ciri permintaan pelanggan.
Walau bagaimanapun, apabila senario terus diterokai, bilangan permintaan tersuai daripada pelanggan juga akan meningkat dengan cepat, yang akan membawa lebih banyak cabaran kepada pelaksanaan AI Penyesuaian khas untuk setiap permintaan bukan sahaja akan meningkatkan kos, tetapi juga Perlahankan kitaran pendaratan.
Hanya melihat kepada bidang pengurusan komuniti, keperluan algoritma merangkumi sejumlah besar keperluan terperinci seperti limpahan sampah, objek ketinggian tinggi yang dibuang, pengesanan topeng, pengenalan tempat letak kenderaan secara haram, kenderaan elektrik memasuki lif, penduduk jatuh , dan orang yang terperangkap dalam lif. Begitu juga dengan bidang pembuatan, tenaga dan lain-lain.
Model yang sama mempunyai kebolehgunaan yang berbeza dalam senario yang berbeza.
Ambil pengecaman asap api sebagai contoh Jika diletakkan di jalan komuniti, jika ada orang menyalakan rokok, pastinya tidak perlu menghubungi polis Jika diletakkan di tapak pembinaan, di sana tidak perlu berwaspada jika percikan api adalah sebesar kimpalan elektrik Namun, di stesen minyak, permintaan menjadi sedikit pun.
Walaupun senario ini membawa banyak permintaan long-tail yang berpecah-belah kepada algoritma, ia masih merupakan bahagian penting dalam pengurusan komuniti pintar.
Walau bagaimanapun, senario ekor panjang jenis ini mempunyai ciri penting, iaitu, data sampel adalah terhad, dan set data berkualiti tinggi yang boleh digunakan untuk latihan adalah lebih mewah.
Oleh itu, semasa proses pembangunan, selalunya perlu untuk mengumpul data di tapak untuk latihan awal, dan terus berulang selepas algoritma dilancarkan. Hanya jurutera algoritma yang berpengalaman boleh melatih algoritma dengan ketepatan yang baik di bawah jumlah data yang terhad.
Di bawah trend "skala ultra-besar" dan "pemurnian", penyesuaian penggunaan terminal algoritma AI telah menjadi satu lagi titik kesakitan tersembunyi dalam pelaksanaan AI.
Jika algoritma ingin digunakan dengan berkesan, penyesuaian cip adalah proses yang perlu.
Kerja ini diperluaskan untuk memasukkan kit alat pembangunan menulis untuk rantai alat yang berbeza untuk cip yang berbeza, dan pelarasan kuantitatif pada prestasi cip terminal untuk memaksimumkan penggunaan cip.
Pada masa ini, kebanyakan syarikat AI dalam pasaran hanya menyesuaikan diri dengan jenama arus perdana seperti NVIDIA dan Qualcomm dan cip yang dibangunkan sendiri Jika cip yang digunakan oleh pengguna tidak berada dalam julat penyesuaian, ia akan menelan kos sekurang-kurangnya 2 hingga 3 bulan tambahan. Masa diperlukan untuk penyesuaian berasingan Walaupun begitu, kadar penggunaan cip mungkin masih kurang daripada 10%, mengakibatkan pembaziran sumber yang besar.
Dalam model pembangunan tradisional, daripada definisi masalah perniagaan, pengumpulan dan pelabelan data, reka bentuk model algoritma, pelarasan parameter, latihan dan penalaan, kepada penyesuaian cip model dan penilaian prestasi——
keseluruhan rantaian bukan sahaja rumit dan memakan masa, tetapi juga memerlukan banyak penyertaan manual Keseluruhan proses biasanya mengambil masa beberapa bulan. Ketidakpastian penggunaan algoritma akan meningkatkan kos kuasa pengkomputeran.
Semangat ketukangan jenis ini yang "mesti buatan untuk menjadi pintar" tidak akan dapat menampung permintaan besar-besaran pada masa hadapan.
Mustahil meninggalkan permukaan bumi dengan mendayung perahu dengan tangan. Semua orang menjangkakan AI akan membawa revolusi perindustrian keempat dan membebaskan lebih banyak pekerjaan berintensif buruh, tetapi AI sendiri telah menjadi industri intensif buruh. Siapakah yang akan membebaskan kerja berulang sebilangan besar institut penyelidikan dan jurutera?
Selain itu, untuk memperdalam pelaksanaan industri, anda juga perlu membuat pilihan antara penyeragaman dan penyesuaian.
Sebelum ini, perkhidmatan SDK dan SaaS algoritma adalah popular, dan banyak syarikat berharap untuk menyeragamkan produk mereka secara beransur-ansur dan mencapai pembangunan skala. Ternyata bahawa semakin mendalam AI menembusi industri, semakin berpecah-belah dan tidak standard permintaan menjadi bergantung pada satu model untuk menyelesaikan semua masalah secara universal adalah model perniagaan yang tidak boleh dilaksanakan.
Penyelesaian tersuai dan projek penyepaduan kontrak am akan jatuh ke dalam dilema kos tinggi, keuntungan rendah dan tiada wang, menjadikannya satu kerja yang sukar yang syarikat AI tidak mahu pikul.
Jurang besar antara penawaran dan permintaan perindustrian AI dan kekangan model perniagaan memerlukan pembinaan semula hubungan produktiviti dan pengeluaran. AI sendiri juga memerlukan revolusi perindustrian.
Malah, pemain canggih telah menyedari tanda ini sangat awal dan mula menyelesaikannya.
Sesetengah orang menghantar tenaga kerja tambahan untuk mendalami industri, membangunkan algoritma baharu satu demi satu, menyertai permainan dan mengikat industri dengan kuat, dan berhasrat membina pasaran pendidikan penyelesaian yang lengkap pada peringkat awal, tetapi akhirnya melakukan banyak kerja integrasi.
Sesetengah orang juga telah menyediakan pusat pengkomputeran super untuk membina model besar dan peranti besar, dengan harapan dapat menyelesaikan semua masalah sekaligus.
Terdapat juga cara baharu, yang bukan sahaja mencapai "pengurangan kos dan peningkatan kecekapan" pembangunan AI, tetapi juga merendahkan ambang penggunaan dan mempopularkannya dalam industri -
Menggunakan AI untuk menyelesaikan keperluan AI, yang teknologi asasnya berasal daripada AutoML, memfokuskan pada dua perkataan: kecekapan tinggi.
Seperti namanya, AutoML merujuk kepada mengurangkan penyertaan manual dalam setiap peringkat pembelajaran mesin, menukar "buatan tangan oleh tukang" kepada "operasi barisan pemasangan automatik."
Daripada reka bentuk struktur model kepada pelarasan hiperparameter, daripada latihan kepada penyelarasan dan pemampatan model, serta penyesuaian dan penggunaan cip... Penyelesaian automasi diterima pakai pada peringkat yang berbeza untuk membolehkan mesin menggantikan buruh manual dalam menyelesaikan pelarasan parameter dan pemprosesan data.
Konsep teras ialah menggunakan AI untuk melatih AI.
Oleh kerana AutoML akan membentuk semula rangka kerja asas asal dan model kerjasama, sesetengah orang dalam memanggilnya: tanda peringkat kecerdasan buatan 2.0.
Sebagai pencadang dan pengguna awal AutoML, Google telah membuat pengaturan yang berkaitan dengan pantas, dan beberapa syarikat permulaan juga secara aktif melaksanakan inovasi AutoML dan menjadi pengamal dalam industri AI yang memperkasakan pelbagai industri.
Sejauh manakah AutoML cekap apabila ditunjukkan dalam aplikasi industri sebenar?
Berdasarkan platform latihan automatik syarikat, dua pengurus produk daripada syarikat permulaan Shenzhen "Gongda Di" dengan cepat melatih lebih daripada 100 algoritma dalam masa 2 hingga 3 minggu sahaja, meliputi pengesanan dan penjejakan sasaran, Lima kategori utama algoritma visual, termasuk klasifikasi imej, pembahagian semantik, pengesanan postur dan pengesanan 3D, meliputi 80+ senario aplikasi berpecah-belah dan 70+ cip AI.
Dalam penukaran mudah, ia pada asalnya mengambil masa sekurang-kurangnya setengah tahun daripada pembangunan algoritma kepada penggunaan, tetapi kini ia boleh disiapkan dalam masa setengah hari melalui automasi, dan kecekapan telah meningkat dengan pesat.
Namun, untuk membawa AutoML sepenuhnya ke pasaran komersial, kami perlu bermula dari perspektif nilai pelanggan, membantu pelanggan bermula dengan cepat pada kos yang lebih rendah dan mencipta inovasi dalam produktiviti pada masa yang sama, pautan industri huluan dan hiliran untuk mengoptimumkan sistem bekalan dan permintaan industri, untuk mencapai pembentukan semula hubungan pengeluaran.
Pertama sekali, ia adalah inovasi produktiviti.
Walaupun AutoML dikenali sebagai "automatik", untuk pengurus produk, penganalisis data dan kumpulan lain dengan latar belakang teknologi bukan AI, ia masih merupakan alat sakit kepala yang "tidak dapat difahami".
Berbeza dengan gergasi teknologi yang hanya menggunakannya untuk meningkatkan kecekapan kerja kakitangan teknikal dalaman, Gongdadi menjalankan transformasi automasi rantaian penuh dalam perancangan pembangunan, supaya kakitangan perniagaan yang tidak memahami AI juga boleh menggunakan AI , sangat mengurangkan kos AI Gunakan ambang untuk mencipta produktiviti AI tanpa had di belakang perusahaan anda.
Seperti yang dapat dilihat dari gambar, keseluruhan proses Gongdadi telah mencapai 0 kod dan ambang rendah Menggunakan AutoML untuk melatih AI yang mereka mahu, pengguna hanya perlukan untuk hanya mengklik butang, anda boleh memuat naik data latihan layan diri mengikut keperluan anda sendiri, dan platform boleh melengkapkan reka bentuk model, latihan dan pelarasan parameter secara bebas, serta boleh melatih algoritma visual AI berkualiti tinggi dalam masa yang singkat.
Pada masa ini, platform telah merangkumi lebih daripada 90% tugas biasa dalam industri, dengan kategori utama meliputi: pengesanan, pembahagian, pengelasan, badan manusia, 3D dan algoritma lain. Pengumpulan data dan anotasi juga boleh diserahkan kepada rakan kongsi Gongda Pengurus produk dan pakar perniagaan hanya perlu bertanggungjawab untuk menentukan keperluan dan boleh menyelesaikan pelaksanaan dengan cepat, menyedari "definisi ialah apa yang anda perolehi".
Oleh kerana pada hakikatnya, banyak perusahaan kecil dan sederhana mempunyai keperluan mendesak untuk algoritma senario yang berpecah-belah, pasukan itu juga bergabung tenaga dengan vendor data untuk melancarkan "pusat membeli-belah algoritma" automatik dengan cepat -
Benarkan pelanggan menggunakan algoritma AI dengan pantas pada rantaian perniagaan mereka sendiri dalam cara 0-kod, pasang dan main untuk mencapai peningkatan pintar.
Pada masa ini, pusat beli-belah ini mengandungi hampir seratus senario dan lebih daripada 5,000 algoritma ketepatan tinggi yang disesuaikan dengan lebih daripada 70 jenis cip untuk kegunaan terus oleh pelanggan.
Kedua, ia adalah pembentukan semula hubungan pengeluaran.
Melalui pemerkasaan terbuka, keupayaan penyampaian AI diberikan kepada pelbagai rakan kongsi ekologi untuk bersama-sama mengamalkan pemerkasaan AI untuk semua industri.
Pada masa ini, rantaian industri AI merangkumi peranan pengeluar data, pengeluar cip, pengeluar infrastruktur, dll. Gongda Di Enterprises berada pada kedudukan yang terbuka, dalam proses membentuk semula rantaian industri melalui Platform AutoML , mengekalkan keterbukaan penuh kepada rakan kongsi dalam semua aspek.
Ambil penyesuaian untuk pengeluar cip sebagai contoh.
Memandangkan platform cip yang berbeza akan membangunkan rantai alat mereka sendiri berdasarkan ciri seni bina perkakasan cip mereka sendiri, semasa penjanaan dan penggunaan model AI, kebolehsuaian perkakasan dan penggunaan setiap platform cip yang berbeza perlu diambil menjadi pertimbangan.
Platform AI Gongdadi akan menyepadukan rantai alat yang berbeza pada peringkat SDK untuk melengkapkan penukaran penyesuaian model kepada cip terminal, supaya model yang dihasilkan oleh platform latihan AutoML boleh dihantar ke peranti terminal dengan satu klik, dan biarkan algoritma AI Model berfungsi sepenuhnya.
Berdasarkan kecekapan AutoML, Gongda telah menyelesaikan pra-penyesuaian hampir semua cip dan kotak arus perdana, yang boleh meningkatkan penggunaan cip kepada 50~60%, berbanding dengan tahap industri biasa sebanyak 10% penggunaan . , meningkatkan prestasi pengkomputeran.
Dari dahulu, algoritma memerlukan sekumpulan jurutera AI untuk membangunkan selama beberapa bulan, hingga kini, satu orang berada di barisan hadapan perniagaan dan tidak memahami pembangunan algoritma Atau pengurus produk pengaturcaraan kod, dengan satu klik dan tiga sambungan, mereka boleh secara bebas menghasilkan algoritma berkualiti tinggi mengikut keperluan mereka sendiri.
AutoML membawa bukan sahaja perubahan kuantitatif, tetapi juga keistimewaan dalam perubahan industri.
Pada masa ini, semakin banyak syarikat dalam industri telah mula menggunakan teknologi AutoML untuk menukar model pembangunan AI. Banyak syarikat mendapat manfaat daripada platform latihan automatik dan pusat membeli-belah algoritma Gongdadi.
Berdasarkan teknologi AutoML, Gongdadi mencipta dan membina bersama dengan pelanggan untuk bersama-sama mentakrifkan masalah perniagaan dan membantu pelanggan menyedari kecekapan algoritma sebagai tindak balas kepada keperluan AI berasaskan senario besar-besaran dalam bidang menegak dan dibahagikan dalam pelbagai industri . Penyesuaian dan penggunaan pengedaran dapat memenuhi pelbagai keperluan tersuai dengan cepat, meningkatkan kecekapan pembangunan, mengurangkan kos buruh dan R&D, dan mencapai kerjasama menang-menang dengan pelanggan.
Sebagai contoh, Ping An Smart City, sebuah syarikat teknologi perkhidmatan bandar yang bergabung dengan perusahaan pusat, cuba menggunakan teknologi AutoML untuk menghasilkan algoritma berbilang senario untuknya.
Melalui platform latihan automatik Gongdadi, pemaju Ping An Smart City boleh menjalankan senario yang berpecah-belah seperti pengesanan tempat letak kenderaan haram, pengesanan kehilangan atau kerosakan penutup lurang, pengesanan bunga api dan pengesanan operasi pendudukan jalan raya tanpa pengekodan latihan model Algoritma juga digunakan dari hujung ke hujung dengan satu klik. Dalam proses ini, masa terpantas dari pembangunan algoritma kepada penggunaan hanya beberapa jam.
Untuk contoh lain, dalam senario aplikasi pengangkutan pintar, apabila jabatan pengurusan trafik sebuah bandar di Wilayah Hunan sedang membina projek berkaitan, Qianshi menggunakan platform latihan automatik AutoML Gongdadi untuk menyesuaikan "memandu A siri berkaitan Algoritma penglihatan AI yang berkaitan dengan pemanduan selamat seperti "tidak memakai pengecaman tali pinggang keledar" dan "pengecaman telefon memandu".
Dengan hampir tiada pelaburan dalam jurutera algoritma AI, latihan model algoritma AI dalam pelbagai senario trafik yang kompleks telah disiapkan dalam masa dua minggu.
Kes-kes ini juga mengesahkan dengan jelas keperluan AutoML untuk pembangunan AI berskala ultra besar dan diperhalusi -
Biarkan aplikasi AI berkembang daripada hanya menyepadukan beberapa algoritma kepada ejen Mudah yang boleh melengkapkan satu tugasan telah berkembang secara beransur-ansur menjadi agen kompleks yang terdiri daripada algoritma besar-besaran dan mempunyai keupayaan komprehensif untuk menyelesaikan pelbagai tugas yang kompleks.
Jika AI dibandingkan dengan kapal terbang, maka aplikasi AI awal adalah seperti kapal terbang pertama yang dibina oleh Wright bersaudara Ia mempunyai struktur yang ringkas dan hanya boleh terbang selama 12 saat. Aplikasi AI masa hadapan, seperti pesawat penumpang hari ini yang memerlukan berjuta-juta bahagian, boleh mengangkut orang dari satu hujung bumi ke destinasi mereka pada yang lain setiap hari.
Sama seperti syarikat Gongdadi bermaksud "mencapai destinasi bersama-sama", sambil membantu orang lain berjaya, anda juga akan berjaya sendiri.
Dalam hal ini, Zhao Cong, pengasas dan Ketua Pegawai Eksekutif Gongdadi, mempunyai kesimpulan yang menarik: Untuk melakukan AI, anda tidak semestinya perlu menubuhkan pasukan AI.
Untuk perusahaan, melalui platform latihan automatik Gongda, algoritma AI untuk senario pertengahan dan panjang yang berpecah-belah boleh dilaksanakan dengan cepat Selepas penggunaan, mereka juga boleh mengoptimumkan, mengulang dan menaik taraf secara berterusan, dengan itu terus mendapat tambahan nilai.
Kaedah pembangunan ambang rendah kod 0 juga merendahkan ambang bakat AI ke tahap paling rendah, memperkasakan penyepadu, penyedia penyelesaian dan penyedia saluran untuk memperoleh keupayaan AI yang boleh dipercayai dengan cepat, menjadikan pembangunan algoritma AI tidak lebih lama menjadi beban pembangunan, tetapi bertukar menjadi senjata untuk meningkatkan daya saing dan kecekapan.
Melihat lebih jauh, dengan platform latihan automatik dan pusat membeli-belah algoritma, Gongdadi tidak perlu melangkah ke barisan hadapan industri untuk melakukan projek penyepaduan kontrak am atau menyentuh aplikasi akhir, sebaliknya, ia menjadi pemboleh algoritma di belakang perusahaan dan menggunakan produktiviti AI dan perubahan dalam hubungan pengeluaran untuk mencipta model perniagaan baharu -
Dengan mengurangkan kos aplikasi unit teknologi AI, ia akan membantu perusahaan huluan dan hiliran secara beransur-ansur untuk memperkasakan teknologi AI, dan kami akan membentuk lama- kerjasama jangka dan mendalam, bergantung kepada mereka untuk memasuki pasaran Pelbagai industri akhirnya akan mencapai skala ekonomi dan mencapai matlamat AI memperkasakan semua industri.
Melihat kembali apa yang diperkatakan pada mulanya, sebab mengapa orang memandang rendah nilai yang dibawa oleh teknologi inovatif yang mengganggu mungkin tepat. kerana ini Teknologi masih belum mencapai kesan skala, dan kos penggunaannya belum dikurangkan ke tahap yang boleh diterima oleh industri.
Buku "Mesin Ramalan" menyebut bahawa apabila harga produk asas tertentu turun dengan ketara, seluruh dunia mungkin berubah.
Kemunculan enjin stim tidak serta-merta mencetuskan revolusi perindustrian sebaliknya, selepas kos unit menurun dan ia digunakan secara meluas, ia membawa kepada era penggantian manual buruh dengan mesin.
Kemunculan komputer tiub tidak serta-merta mencetuskan revolusi saintifik dan teknologi untuk umat manusia, sehinggalah kemunculan litar bersepadu berskala besar dan pembangunan beransur-ansur automasi reka bentuk elektronik bahawa PC benar-benar memasuki ribuan. daripada isi rumah.
Dalam era AI, adegan ini berlaku lagi.
Di bawah trend umum pelaksanaan AI berskala besar dan matlamat memperkasa semua industri, cabaran adalah peluang. Jika laluan pembangunan tradisional, yang mahal dan tidak cekap, tidak diubah sepenuhnya, kekurangan ekonomi akan serius menghalang pembangunan kecerdasan buatan.
Dengan inovasi kecekapan yang mengganggu, kami boleh mencapai pengeluaran algoritma AI secara berkelompok dan berskala besar, dan dengan cepat meletakkannya dalam kapilari industri, membantu pelanggan meningkatkan prestasi eksponen dan membina aset teras untuk transformasi digital adalah mungkin untuk AI memasuki semua lapisan masyarakat.
Saya tidak mengejar yang mempesonakan sepanjang masa, tetapi saya memberikan idea baharu untuk industri dengan cara yang sederhana. Menggunakan inovasi teknologi untuk mencipta kesan skala dalam AI mungkin masa depan AI yang Gongda percayai.
Atas ialah kandungan terperinci Ucapkan selamat tinggal kepada era AI buatan tangan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
