1 簡(jiǎn)介

??語(yǔ)言不僅是人類交流的工具，更是思維和智能的基礎(chǔ)。大腦如何解碼和處理語(yǔ)言信息是揭示人類智能本質(zhì)的關(guān)鍵。隨著腦機(jī)接口（BCI）等技術(shù)的迅速發(fā)展，我們有了從大腦活動(dòng)中解碼自然語(yǔ)言的可能。這一研究方向不僅對(duì)認(rèn)知科學(xué)和神經(jīng)科學(xué)領(lǐng)域的發(fā)展至關(guān)重要，也為因神經(jīng)退行性疾病和創(chuàng)傷而失去語(yǔ)言能力的人提供了新的希望。該方向的發(fā)展將極大地拓展我們對(duì)人類大腦處理語(yǔ)言的理解，并可能開(kāi)啟全新的溝通方式。

??從大腦活動(dòng)中解碼自然語(yǔ)言的最大需求出現(xiàn)在那些因錐體束或下運(yùn)動(dòng)神經(jīng)元的急性或退行性損傷而導(dǎo)致運(yùn)動(dòng)和語(yǔ)言障礙的患者中。當(dāng)運(yùn)動(dòng)和語(yǔ)言障礙特別嚴(yán)重，如在鎖定綜合征（LIS）中，患者可能完全失去運(yùn)動(dòng)控制，從而無(wú)法獨(dú)立發(fā)起或維持交流，僅限于用眨眼或眼球運(yùn)動(dòng)等輕微動(dòng)作回答簡(jiǎn)單問(wèn)題。BCI技術(shù)提供了大腦與外界之間的橋梁，讀取人腦產(chǎn)生的信號(hào)并將它們轉(zhuǎn)換成所需的認(rèn)知任務(wù)，使得那些由于運(yùn)動(dòng)障礙而不能說(shuō)話的人可以僅通過(guò)他們的腦信號(hào)進(jìn)行交流，而無(wú)需移動(dòng)任何身體部分。

??在協(xié)助這類患者交流上，很多BCI范式已經(jīng)取得了重大進(jìn)展，包括P300、穩(wěn)態(tài)視覺(jué)誘發(fā)電位（SSVEP）和運(yùn)動(dòng)想象（MI）等。P300和SSVEP利用外部刺激，如閃爍的屏幕或聽(tīng)覺(jué)蜂鳴聲，以誘發(fā)有區(qū)分性的大腦模式?；谶\(yùn)動(dòng)想象的系統(tǒng)則識(shí)別人腦自發(fā)的運(yùn)動(dòng)意圖，無(wú)需外部刺激的輔助。然而，這些范式通常只能通過(guò)意念打字的形式輸出文本，無(wú)法替代口頭交流的速度和靈活性。在日常對(duì)話中，每分鐘交流的平均單詞數(shù)通常能達(dá)到意念打字速度的7倍。因此，從大腦活動(dòng)中解碼自然語(yǔ)言，更具體而言是從言語(yǔ)或想象言語(yǔ)時(shí)的大腦活動(dòng)解碼自然語(yǔ)言，相比之前的BCI范式具有明顯的速度優(yōu)勢(shì)，同時(shí)也允許患者用更少的努力進(jìn)行溝通。

2 數(shù)據(jù)采集

??為獲取大腦在言語(yǔ)或想象言語(yǔ)過(guò)程中產(chǎn)生的信號(hào)，已經(jīng)有多種神經(jīng)影像學(xué)方法被應(yīng)用。這些方法主要包括腦電圖（EEG）、腦磁圖（MEG）、功能性磁共振成像（fMRI）等非侵入性方法，以及皮質(zhì)腦電圖（ECoG）等侵入性方法。侵入性方法能提供足夠的時(shí)空分辨率，同時(shí)具有較高的信噪比（SNR），但更高的醫(yī)療風(fēng)險(xiǎn)限制了它們?cè)谂R床和日常使用中的普及。這使得基于非侵入性方法的大腦活動(dòng)解碼也得到了關(guān)注和廣泛研究。

圖1 幾種神經(jīng)影像學(xué)方法的比較

2.1 ECoG

??皮質(zhì)腦電圖（ECoG）是一種侵入性的神經(jīng)記錄技術(shù)，它通過(guò)在大腦硬腦膜下空間植入電極陣列來(lái)測(cè)量大腦皮層表面的電活動(dòng)。這些電極通常是由鉑銥制成的圓盤(pán)形電極，嵌入在柔軟的硅膠片中。ECoG記錄的信號(hào)具有很高的時(shí)空分辨率，可以提供關(guān)于大腦活動(dòng)的精確信息。由于其準(zhǔn)確性和較高的信噪比，ECoG在臨床神經(jīng)科學(xué)中有著廣泛的應(yīng)用，特別是識(shí)別藥物難治性癲癇患者的癲癇發(fā)作源頭，以及確定對(duì)大腦功能至關(guān)重要的皮質(zhì)區(qū)域，以便在切除手術(shù)期間保留這些區(qū)域。ECoG的一個(gè)主要優(yōu)點(diǎn)是它能夠在皮層表面覆蓋較廣的區(qū)域，同時(shí)提供足夠的空間分辨率，這對(duì)于研究廣泛分布的神經(jīng)網(wǎng)絡(luò)，如語(yǔ)言和運(yùn)動(dòng)控制網(wǎng)絡(luò)，具有重要的價(jià)值和意義。

2.2 EEG

??腦電圖（EEG）是一種廣泛使用的非侵入性神經(jīng)記錄技術(shù)，通過(guò)在頭皮上放置電極來(lái)測(cè)量大腦活動(dòng)產(chǎn)生的電信號(hào)。EEG主要用于監(jiān)測(cè)和研究大腦的電生理活動(dòng)，特別是用于診斷和研究癲癇、睡眠障礙、大腦損傷以及各種神經(jīng)系統(tǒng)疾病。作為一種非侵入性方法，EEG有著較高的時(shí)間分辨率，能夠捕捉大腦電活動(dòng)的快速變化，提供亞毫秒級(jí)的時(shí)間信息，這對(duì)于研究大腦如何在短時(shí)間內(nèi)處理信息非常有用。然而EEG的空間分辨率相對(duì)較低，難以精確定位大腦內(nèi)特定區(qū)域的電活動(dòng)，限制了其在精確腦映射方面的應(yīng)用。EEG的另一個(gè)局限性在于信噪比（SNR）較低。信號(hào)中的目標(biāo)成分難以從背景活動(dòng)中識(shí)別出來(lái)，這些背景活動(dòng)可能來(lái)自于肌肉或器官活動(dòng)、眼球運(yùn)動(dòng)或眨眼。盡管存在上述問(wèn)題，鑒于EEG的非侵入性、便攜性和低成本，EEG仍然是神經(jīng)科學(xué)、臨床神經(jīng)學(xué)和腦機(jī)接口研究中極其重要的工具。

圖3 EEG示意圖

2.3 MEG

??腦磁圖（MEG）是一種非侵入性神經(jīng)成像技術(shù)，通過(guò)記錄大腦神經(jīng)元活動(dòng)引發(fā)的磁場(chǎng)變化來(lái)測(cè)量大腦活動(dòng)。在細(xì)胞層面上，大腦中的單個(gè)神經(jīng)元具有電化學(xué)特性，導(dǎo)致帶電離子通過(guò)細(xì)胞流動(dòng)。這種緩慢的離子電流流動(dòng)的凈效果會(huì)產(chǎn)生電磁場(chǎng)。雖然單個(gè)神經(jīng)元產(chǎn)生的場(chǎng)強(qiáng)度可以忽略不計(jì)，但特定區(qū)域內(nèi)大量神經(jīng)元共同激活時(shí)，會(huì)在頭部外產(chǎn)生可測(cè)量的磁場(chǎng)。大腦產(chǎn)生的這些神經(jīng)磁信號(hào)非常微弱，因此MEG掃描儀需要使用超導(dǎo)傳感器，并置于磁屏蔽室中進(jìn)行測(cè)量。MEG能夠提供精度達(dá)到亞毫秒級(jí)的大腦活動(dòng)時(shí)序特征，并提供比EEG更準(zhǔn)確的神經(jīng)活動(dòng)空間定位。盡管MEG的使用條件相對(duì)嚴(yán)格，但其時(shí)空分辨率上的優(yōu)勢(shì)使其成為了神經(jīng)科學(xué)和臨床研究領(lǐng)域中極為重要的技術(shù)手段。

圖4 MEG示意圖

2.4 fMRI

??fMRI（功能磁共振成像）的原理是利用BOLD（血氧水平依賴性）對(duì)比來(lái)檢測(cè)大腦中的活動(dòng)變化。BOLD對(duì)比利用了血液中氧合血紅蛋白和脫氧血紅蛋白在磁性質(zhì)上的差異。當(dāng)大腦的某一部分活躍時(shí)，它需要更多的氧來(lái)支持其功能。為了滿足這一需求，血流會(huì)增加以帶來(lái)更多的氧合血紅蛋白。氧合血紅蛋白和脫氧血紅蛋白在磁性上有所不同：氧合血紅蛋白是磁性中性的，而脫氧血紅蛋白是磁性的。因此，當(dāng)一個(gè)區(qū)域的血流增加時(shí)，該區(qū)域的BOLD信號(hào)也會(huì)增加。

??fMRI具有較高的空間分辨率和較低的時(shí)間分辨率。fMRI一次掃描可以測(cè)量約100,000個(gè)體素，而MEG的傳感器通常在300個(gè)以下。然而，一個(gè)神經(jīng)活動(dòng)的脈沖可能導(dǎo)致BOLD在大約10秒內(nèi)上升和下降；對(duì)于自然說(shuō)出的英語(yǔ)，每次掃描采集的大腦圖像可能受到超過(guò)20個(gè)單詞的影響。這意味著大腦活動(dòng)的解碼是一個(gè)不適定問(wèn)題。盡管這為解碼連續(xù)語(yǔ)言提出了挑戰(zhàn)，仍然有一些工作在該方向做出了探索和嘗試。

3 前沿工作

??下面將介紹幾篇最近幾年從大腦活動(dòng)中解碼自然語(yǔ)言的相關(guān)工作。目前比較主流的方法是從大腦活動(dòng)端到端地解碼文本。這些工作通常采用編碼器—解碼器的模型結(jié)構(gòu)，將腦信號(hào)映射到連續(xù)文本。隨著預(yù)訓(xùn)練語(yǔ)言模型的出現(xiàn)，前沿工作逐漸將其應(yīng)用于大腦活動(dòng)解碼，通常作為解碼器，和隨機(jī)初始化的編碼器共同訓(xùn)練。也有工作嘗試使用非端到端的方式對(duì)大腦活動(dòng)進(jìn)行解碼。在解碼文本之外，還有工作研究將腦信號(hào)對(duì)齊到預(yù)訓(xùn)練模型生成的高質(zhì)量表征，從而將腦信號(hào)映射到預(yù)訓(xùn)練模型輸出構(gòu)成的良好向量空間中。

3.1 端到端的解碼

Machine translation of corticalcactivity to text with an encoder-decoder framework（Nature neuroscience 2020）

??在這篇工作之前，大多數(shù)從大腦活動(dòng)中解碼自然語(yǔ)言的工作通常局限于孤立的音素或單音節(jié)詞。解碼連續(xù)文本的工作相對(duì)較少，且效果不佳。文章將問(wèn)題建模為機(jī)器翻譯問(wèn)題，腦信號(hào)視為源語(yǔ)言，對(duì)應(yīng)的連續(xù)文本視作目標(biāo)語(yǔ)言，從而將機(jī)器翻譯領(lǐng)域的模型方法遷移到大腦活動(dòng)解碼這一任務(wù)上。

??文章設(shè)計(jì)了一個(gè)簡(jiǎn)單的編碼器—解碼器結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，以從ECoG信號(hào)中解碼連續(xù)文本。如下圖所示，對(duì)于輸入的原始ECoG信號(hào)，模型首先在時(shí)間維進(jìn)行跨步卷積，以提取時(shí)序特征并下采樣到16HZ，然后輸入編碼器—解碼器結(jié)構(gòu)的LSTM網(wǎng)絡(luò)以解碼得到連續(xù)文本。為了引導(dǎo)編碼器編碼有意義的信息，除了端到端地訓(xùn)練模型從ECoG信號(hào)中解碼連續(xù)文本，文章在訓(xùn)練階段還額外添加了一個(gè)輔助損失，強(qiáng)迫模型基于編碼器每個(gè)時(shí)間步的隱藏層表征準(zhǔn)確預(yù)測(cè)對(duì)應(yīng)時(shí)刻語(yǔ)音的音頻表征。（這里采用音頻的梅爾頻率倒譜系數(shù)MFCC作為音頻的低階表征）

圖6 文章提出的編碼器—解碼器框架

??文章從每位受試者收集了30至50個(gè)句子的重復(fù)口述，以及同一時(shí)間大腦臨側(cè)裂區(qū)大約250個(gè)電極記錄下的ECoG信號(hào)。文章提出的方法在準(zhǔn)確性方面相較以往研究有著顯著提升，其中一部分參與者的平均詞錯(cuò)誤率（WER）降至了7%，這一成果顯著優(yōu)于以往研究中超過(guò)60%的錯(cuò)誤率，為未來(lái)的研究提供了重要的參考意義。

??在神經(jīng)科學(xué)和腦機(jī)接口領(lǐng)域，大腦活動(dòng)數(shù)據(jù)的采集通常面臨一系列挑戰(zhàn)，最終導(dǎo)致采集的數(shù)據(jù)集規(guī)模通常較小，成為相關(guān)研究和應(yīng)用發(fā)展的重要限制。由于缺乏訓(xùn)練數(shù)據(jù)，傳統(tǒng)的從大腦活動(dòng)中解碼自然語(yǔ)言的工作通常局限在小而封閉的詞表上，且難以泛化到訓(xùn)練集之外的單詞和句子上。這篇工作首次使用預(yù)訓(xùn)練語(yǔ)言模型（文章使用BART）進(jìn)行EEG信號(hào)的連續(xù)文本解碼。借助預(yù)訓(xùn)練語(yǔ)言模型在理解句法特征、語(yǔ)義特征以及長(zhǎng)距離依賴方面的能力，這篇工作得以將詞表擴(kuò)展到約50000的規(guī)模（即BART的詞表大?。?，同時(shí)在數(shù)據(jù)稀缺的條件下保持較好的泛化能力。

??文章將人腦視作一種特殊的文本編碼器，并提出了一個(gè)稱作BrainBART的新穎框架。該框架將EEG特征序列視為編碼的連續(xù)文本，并通過(guò)額外的編碼器將輸入的EEG特征序列映射到BART的嵌入層表征，如下圖所示。訓(xùn)練期間的目標(biāo)是最小化文本重建的交叉熵?fù)p失。此外，文章還提出了一個(gè)零樣本情感分類方法，該方法首先將EEG特征序列轉(zhuǎn)換為文本，然后通過(guò)文本分類器預(yù)測(cè)情感標(biāo)簽。

圖7 BrainBART框架

??這篇工作使用了ZuCo數(shù)據(jù)集，其中包含被試者進(jìn)行自然閱讀任務(wù)時(shí)記錄的EEG和眼動(dòng)追蹤數(shù)據(jù)。BrainBART在連續(xù)文本解碼上達(dá)到了40.1%的BLEU-1分?jǐn)?shù)，并在零樣本的三元情感分類上達(dá)到了55.6%的F1分?jǐn)?shù)，顯著優(yōu)于有監(jiān)督的基線。

??盡管EEG信號(hào)的連續(xù)文本解碼已取得一定成功，但從fMRI信號(hào)生成連續(xù)文本的研究相對(duì)較少，這主要是因?yàn)閒MRI的低時(shí)間分辨率。之前的fMRI信號(hào)解碼方法通常依賴于對(duì)預(yù)定義的感興趣區(qū)（ROI）進(jìn)行特征提取，未能有效利用時(shí)間序列信息，且通常忽略高效編碼的重要性。為解決這些問(wèn)題，并避免使用單獨(dú)的復(fù)雜流程從特定模態(tài)的腦信號(hào)解碼語(yǔ)言，文章提出了一個(gè)通用的腦信號(hào)解碼框架，稱作UniCoRN（統(tǒng)一認(rèn)知信號(hào)重構(gòu)），可應(yīng)用于各種模態(tài)腦信號(hào)的解碼。UniCoRN采用編碼器—解碼器框架，利用了預(yù)訓(xùn)練語(yǔ)言模型的強(qiáng)大解碼能力，并通過(guò)快照和序列重建構(gòu)建了一個(gè)有效的編碼器，使模型能夠分析單個(gè)快照及快照序列之間的時(shí)間依賴性，從而最大化地提取腦信號(hào)中的信息。

??下面以fMRI信號(hào)解碼為例介紹模型的整體框架。UniCoRN包含兩個(gè)階段：腦信號(hào)重建，以針對(duì)特定模態(tài)的腦信號(hào)訓(xùn)練編碼器；以及腦信號(hào)解碼，即將第一階段中腦信號(hào)的表征轉(zhuǎn)換為自然語(yǔ)言。文章這里的深層思想是將腦信號(hào)的每個(gè)快照（如單個(gè)fMRI幀）視為“人腦所說(shuō)語(yǔ)言”的單詞級(jí)表征，并通過(guò)編碼器獲得這種語(yǔ)言的詞嵌入，最終像傳統(tǒng)的機(jī)器翻譯任務(wù)一樣，將其轉(zhuǎn)換為真實(shí)的人類語(yǔ)言。腦信號(hào)重建階段可細(xì)分為快照重建和序列重建兩個(gè)子階段，以訓(xùn)練編碼器整合每個(gè)快照的內(nèi)部特征和時(shí)間序列中快照間的時(shí)間關(guān)系。如圖所示，快照重建階段（phase 1）通過(guò)快照編碼器分別編碼每個(gè)fMRI幀，并以重建原始的fMRI幀作為訓(xùn)練目標(biāo)；序列重建階段（phase 2）將連續(xù)fMRI幀的編碼表征輸入序列編碼器以生成序列化表征，并使用和上一階段相同的目標(biāo)繼續(xù)訓(xùn)練。在腦信號(hào)重建階段之后，之前用于重建原始fMRI幀的解碼器被替換為文本解碼器，以進(jìn)行最終的文本生成（phase 3）。文章在這里選擇BART作為文本解碼器，并使用交叉熵?fù)p失進(jìn)行訓(xùn)練。

圖8 UniCoRN框架

??UniCoRN在fMRI信號(hào)的連續(xù)文本解碼任務(wù)上（Narratives數(shù)據(jù)集）達(dá)到了34.77%的BLEU-4分?jǐn)?shù)，并在EEG的連續(xù)文本解碼任務(wù)上（ZuCo數(shù)據(jù)集）達(dá)到了62.90%的BLEU-4分?jǐn)?shù)，從而超越了之前的基線。實(shí)驗(yàn)結(jié)果表明從fMRI信號(hào)中解碼語(yǔ)言是可行的，并且使用統(tǒng)一結(jié)構(gòu)解碼不同模態(tài)的腦信號(hào)是有效的。

3.2 非端到端解碼

??這篇工作提出了一種方法，從fMRI信號(hào)重建受試者正在聽(tīng)到或想象的聽(tīng)覺(jué)刺激（以自然語(yǔ)言的形式）。實(shí)現(xiàn)這一點(diǎn)需要克服fMRI的低時(shí)間分辨率。為解決這一問(wèn)題，文章提出的解碼器并未采用端到端的解碼方式，而是通過(guò)猜測(cè)候選單詞序列，評(píng)估每個(gè)候選項(xiàng)引發(fā)當(dāng)前測(cè)得的大腦反應(yīng)的可能性，然后選擇最佳候選項(xiàng)來(lái)實(shí)現(xiàn)解碼。

??方法的框架如下圖所示。三名受試者聽(tīng)了16小時(shí)的敘事故事，并記錄了基于血氧水平依賴（BOLD）的功能磁共振成像（fMRI）反應(yīng)。文章針對(duì)每位受試者訓(xùn)練了一個(gè)編碼模型，以從文本刺激的語(yǔ)義表征預(yù)測(cè)對(duì)應(yīng)的大腦反應(yīng)。為了從大腦活動(dòng)中重建語(yǔ)言，文章采用beam search算法以逐詞生成候選序列。文章提出的方法維持著若干個(gè)最可能的候選序列，當(dāng)通過(guò)大腦聽(tīng)覺(jué)和語(yǔ)言區(qū)域的活動(dòng)檢測(cè)到新詞時(shí)，使用語(yǔ)言模型為每個(gè)候選序列生成最可能的若干延續(xù)。然后，使用之前訓(xùn)練的編碼模型對(duì)每個(gè)延續(xù)引發(fā)當(dāng)前測(cè)得的大腦反應(yīng)的可能性進(jìn)行評(píng)分，并保留最可能的延續(xù)。實(shí)驗(yàn)結(jié)果表明，方法的識(shí)別準(zhǔn)確度明顯高于偶然預(yù)期，證明了方法的有效性。

圖9 文章提出的fMRI信號(hào)解碼方法

3.3 信號(hào)對(duì)齊研究

??這篇工作提出了一種使用單一架構(gòu)的數(shù)據(jù)驅(qū)動(dòng)方法，從MEG或EEG信號(hào)中解碼自然語(yǔ)言。文章引入了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)作為腦信號(hào)的編碼器，并使用對(duì)比目標(biāo)進(jìn)行訓(xùn)練，以對(duì)齊預(yù)訓(xùn)練語(yǔ)音自監(jiān)督模型wav2vec-2.0生成的深層音頻表征。

??理論上，可以通過(guò)回歸損失訓(xùn)練腦信號(hào)編碼器，預(yù)測(cè)對(duì)應(yīng)音頻的梅爾頻率倒譜系數(shù)，并將編碼器的輸出作為腦信號(hào)的一種表征。然而在實(shí)踐中，文章觀察到這種直接回歸方法生成的表征通常由不可區(qū)分的寬帶成分主導(dǎo)。對(duì)于這一問(wèn)題，文章首先推斷回歸可能是一種無(wú)效的損失，并將其替換為了CLIP模型的對(duì)比損失，該損失最初被設(shè)計(jì)用于匹配對(duì)齊文本和圖像兩種模態(tài)的深層表征。文章進(jìn)一步判斷梅爾頻率倒譜系數(shù)不太可能與豐富的大腦活動(dòng)相匹配，因?yàn)槠鋬H包含聲音的低階表征。文章在這里將梅爾頻率倒譜系數(shù)替換為wav2vec-2.0的輸出表征，該模型有效地編碼了多層次的語(yǔ)言特征，且有研究表明其與大腦的激活之間存在線性關(guān)系。最后，文章提出了一個(gè)考慮被試者差異的CNN網(wǎng)絡(luò)，作為大腦活動(dòng)的編碼器。

圖10 文章提出的腦信號(hào)對(duì)齊方法

??文章在四個(gè)公開(kāi)的MEG/EEG數(shù)據(jù)集上進(jìn)行了驗(yàn)證，模型能夠用3秒的MEG/EEG信號(hào)，識(shí)別匹配的音頻片段（即零樣本解碼），在MEG上達(dá)到最高72.5%TOP-10準(zhǔn)確率，在EEG上達(dá)到最高19.1%的TOP-10準(zhǔn)確率。盡管文章中的實(shí)驗(yàn)僅限于音頻片段和單個(gè)詞的解碼，但其方法和思想可以作為后續(xù)工作的基礎(chǔ)，有效地遷移到包括連續(xù)文本解碼在內(nèi)的諸多任務(wù)上。

4 總結(jié)

??本文回顧了從大腦活動(dòng)中解碼自然語(yǔ)言這一任務(wù)及前沿方法。前沿方法的不斷發(fā)展不僅加深了我們對(duì)語(yǔ)言和大腦交互的理解，也為發(fā)展先進(jìn)的腦機(jī)接口技術(shù)打下了堅(jiān)實(shí)的基礎(chǔ)。盡管已取得顯著進(jìn)展，但這一領(lǐng)域仍面臨著缺少大腦活動(dòng)數(shù)據(jù)，非侵入性方法信噪比低等問(wèn)題，限制了方法在實(shí)際應(yīng)用中的可用性。對(duì)于未來(lái)工作，一方面需要獲取更高質(zhì)量和更大規(guī)模的大腦活動(dòng)數(shù)據(jù)，另一方面也需要算法和模型的創(chuàng)新，以最大限度利用有限的數(shù)據(jù)。最后，跨學(xué)科的合作，如神經(jīng)科學(xué)、語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)的結(jié)合，將為理解大腦處理語(yǔ)言的復(fù)雜機(jī)制提供新的視角，推動(dòng)該領(lǐng)域朝著更加精確和實(shí)用的方向發(fā)展。

審核編輯：劉清