前段时间，某IT界大咖对我进行了关于交易、量化、人工智能、大数据诸方面的拷问。这里把少儿不宜内容和不文明口头语删减后，整理出一份聊天记录，分享出来。

如果你是交易界搞正规AI量化的，这里多少会有些值得参考的东西；如果你是靠包装AI概念忽悠客户的，也可以从这里汲取点谈资。

大咖：问个灵魂拷问，你坚持的策略研究，是不是有个前提假设：市场是可预测的？或者前提假设是：你相信机器算法的反应可以达到人类思维的高度？

偶：不是啊大哥！正好相反，对于完全剔除基本面的策略，我坚持市场是不可预测的，一旦试图预测，就是失败的前奏。至于机器算法在我这相当于一堆破铜烂铁，是被无限淡化的，只当成一个执行工具而已。

大咖：那你根据什么研究策略？

偶：对我来说这事唯一核心的要素就是“人”，策略就是100%的来自于人类自身的感性直觉。所以“量化”在我这指的是【直觉的具象化】，而不是行业主流所搞的【数据的统计化】。

大咖：那别人让你介绍下策略的时候，你总不能跟人说“凭感觉”吧？

偶：那确实不合适，我只能尽量解释。

比如打台球的原理其实就是动量定理。但特鲁姆普打台球是通过计算动量定理去打的吗？不可能现场口算啊。其实本质上就是凭手感打球而已。但他打出来的效果上却非常契合客观上的那个动量定理，即便他可以根本就没听说过这个词汇。也就是说，他凭的主要是右脑的感知能力，至于左脑的计算能力只能算个辅助。

同样的道理，我曾以为我量化的是数据，后来才察觉真正被量化的是对市场的审美，即便表象看起来还是在鼓捣数据，然而并不是【经过建模验证之后得出较好的结果，于是我提炼出了抽象策略】，而是【一切开始之前我已经凭直觉判断“这么做比较好”，进而再去使用具象工具】。

可这种因果关系长期被倒置认知。业界量化的方向基本是执着于把数学计算机建模推向更高的算法境界。我认为那是歧途，解决不了根本问题。正确的路径应该首先是交易者的感性直觉与领悟能力，在此之后才下降到理性推理和机器运算的层次上。

所以对于研究策略，我平时爱说金融知识（存取款除外）不重要、数学知识（加减乘除除外）不重要、计算机知识（开关机除外）不重要。

大咖：你这有点抖机灵啊，毕竟可以稳定盈利却自称就是走【数据的统计化】路线的人大有人在啊，你凭什么否定【数据的统计化】的战略意义？

偶：感性和理性在普世观念上是对立的，而且感性在量化界是被唾弃的。随着科技的发展，理性至上的氛围也蔓延到金融界，那些搞数学、计算机出身的新锐操盘手们，都爱说“我们凡事都以严谨的数据说话，剔除一切主观因素，完全靠数理建模来构建策略。”

然而摆在面前的事实是，在搞数理建模的庞大群体中，能盈利的人凤毛麟角，那些数学、计算机领域的顶尖团队，在交易中绝大多数是亏货，所以完全不存在谁的数理建模搞的出神入化谁就盈利的关联性。

数理建模的功用，只在于能告诉你“什么是不行的”——比如我脑子里想出来某种策略思路，经过建模验证后，是亏损的，所以这种策略不成立——也就是说在排除错误的方案方面，数理建模是能做到的。但问题是，虽然它能告诉你“什么是不行的”，可它做不到告诉你“什么是行的”，它只能检验，而没法创造，就算把所有不行的都剔除了，也拿不出一套能行的方案。

如果能拿得出来，根源一定来自于人的层面，是人本身就具备能盈利的策略思想，将逻辑编成代码后，经历住了建模的考验并加以优化，然后实现的盈利。

所以那些极少数以数理建模为信念且能稳定盈利的操盘手，也许并没意识到，其实是他们本身就具备盈利的能力，只不过以数理建模的方式落实到现实中，但并不是数理建模令他们盈利。数理建模可以让本来成功的东西更加完美，但做不到使负期望值系统变成正期望值系统。

所以说，数理建模是策略既已具备后的辅助工具，而非策略本身的组成元素。而且数理建模也不代表着客观，所谓客观只是人类主观上觉得它客观而已，弄一大堆数理统计说服自己在做一件有理有据的事，也许这样会让人有安全感吧。

计算机科学家、图灵奖获得者唐纳德·克努特有一句传世名言：“过早的优化是万恶之源。”此话可谓道出了一种难以避免的倾向：在天生自带理性标签的计算机界，其实很多人都忘了，生产工具不论多么先进也只是生产工具，生产力始终是人类自身，以生产工具的神圣化代替生产力是方向性的错误。

当今社会，工具越来越先进，这是进步的；但对工具的过度依赖乃至迷信，而抹杀了人类本身的感知能力，这是退化的，真正起决定性作用的“人”的层面明显被偏废的很严重。

大咖：你说的这个观点我倒是挺认可的，我们平常在工作中也在反思这种问题，说白了就是【编码】和【语义】的区别问题。

比如一个人向另一个人说“你好”，本质目的是“表达问候”，至于“你好”两个字怎么写、怎么读，并不重要，因为对于美国人就会说“hello”，对于日本人就会说“こんにちは”，所以真正核心的那个东西，在于表达问候的【语义】，至于“你好、hello、こんにちは”，这些只是【编码】。我们需要做的是洞悉【语义】，当然这也离不开对【编码】的研究，但如果忘记了【语义】的初心，没有以情感交流为切入点，而只是单纯的往死里研究【编码】，那就是方向上的无用功了，无论怎样研究“你好”两个字的笔划、读法，都无法得出“表达问候”这个【语义】层面的信息。

当今科技界，之所以在解决问题的方式上没有质的突破，恐怕就在于整体风气都醉心于研究奇技淫巧去搞算力上的提升、算法上的突破，走上了跟【编码】死磕到底的歧途。

虽然把【编码】研究到极致也可以实现效果上的拟合，但本质上根本就没有涉及一丁点的【语义】，所以一旦进行深入对话，就会出现重大偏差或低级错误。

偶：啊啊啊啊！你这个【编码】和【语义】的理论总结的太形象了！我最近看的一本书，以人工智能的角度解析“司马光砸缸救人”事件，其实就是你说的【编码】和【语义】问题：

某小朋友掉进水缸，对于除了司马光之外的其他人的命题只停留在【如何更快更多的舀水】这个层面，基于“舀水”去研发各种超级算法；而对于司马光，命题则是【如何救人】，之所以选择砸缸而不是舀水，是因为凭感知推断怎么舀水是徒劳的。在这里，“救人”才是【语义】，“舀水”只是【编码】。一味研究【编码】最多使同一层面上的性能获得提升，但在层面之外无法另辟蹊径去解决问题。当然，“砸缸”也是【编码】，但这是在【语义】的指导下所选择的正确的【编码】。

做交易亦如是，所有的【编码】要建立在【语义】的基础上才有研究的意义。

打个比方，均线摆在两个人面前，一个是从【编码】角度出发，另一个是从【语义】角度出发。搞【编码】的，必须要知道均线的具体算法，然后去处理各种数据云云；但搞【语义】的那个，可以完全不知道均线的内部算法是怎样，而只需用眼睛看均线的形态是否规整，然后定义“规整”代表走势的“秩序”，建立起“规整——＞秩序”的因果量化模型，说的官话一点，就是数据可视化和形态知觉。因此可以这么说：对于搞【编码】的，均线是用来“算”的；对于搞【语义】的，均线是用来“看”的——“看”不妨碍“算”，但只“算”而不“看”，那就虾米了。

任何算法，要思考它根源上是怎么来的，如果“对经验样本做出统计学处理”这一本质不变，不论形式多么高大上，也跳不出在【编码】层面内部打转的窠臼。就如同人家对你说“你好”，可你没有去感知问候的【语义】，而是去分析“ni hao”的拼音语法，回想一下，我们小时候是先学会说话交流的还是先学会汉语拼音的？

可以说将纯粹的数理统计等同于策略本身简直是阻碍盈利的原罪，在交易界，典型手法就是弄套复杂模型，尽可能的交给机器，囊括各种情况，筛出盈利方案，还美其名曰人工智能，然而这些方案一旦放到未来的现实交易中就抓瞎了。

大咖：道理上认同你，但你确实有点误解当下的人工智能了。当下的人工智能并没有你想的那么极端，不是列出所有可能的穷举式思路，你说的那个不是现在人工智能的精髓，现在的精髓是可训练、可学习，让机器自己把事物抽象成算法。我下次给你找个视频，你看看就懂了。

偶：咱俩确实有点误解。我说的穷举，指的是我们交易界的大多数量化群体还停留在搞穷举去拟合市场的层面。而对于当下前沿的人工智能界，那当然不可能是穷举了，或者说当下的人工智能本身就是为了【不】穷举才要搞各种学习训练技巧来实现不必穷举却尽可能接近于完全归纳的效果，也就是少卖力、多办事。

阿尔法狗不就是典型的例子吗。首先，李永乐老师解过一道题：是围棋的走法多，还是宇宙中所有的原子数量多？经论证，围棋的走法比宇宙中的原子总量要多得多。对于这样一个天文数字，就算集合全世界所有的计算机算力也远远无能为力，所以才诞生了阿尔法狗这种机器学习的产物，通过蒙特卡洛搜索树、深度卷积神经网络、评价函数等高超的技巧，在算力可以承载的情况下，分析尽可能少的数据样本，就可以在效果上尽可能的接近获胜的最优解。

大咖：这个我赞同，当下人工智能的优势就在于此！那你在研发策略的时候是不是也应用了机器学习技术？

偶：没有啊，这个技术对我来说没有用，或保守点说目前阶段还用不上。因为机器学习只能应用于封闭型任务，无法应用于开放型任务。

大咖：你怎么定义“封闭”和“开放”？

偶：封闭型任务指的是有确定规则的，有最优解的，就比如下围棋，必须是严格的每人轮流下一手，而不是自由行动，这样策略的复杂维度就完全可控，而棋路的变化组合虽然是天文数字，但终归是可以穷尽的，也就是存在理论上的完美走法。

开放型任务就相反，不存在确定规则，不没有最优解可言，或者维度多到完全不可控，比如如何进行一场战争，如何开展一次外交，如何创作一部文学……做交易显然就是典型的开放型任务。

大咖：那为什么你说机器学习不能应用于开放型任务？

偶：大哥你这是明知故问啊！是想考验我把我招到你们公司吗？那显然技术上现在还远不具备这种能力啊。

机器所有的信念，它自己怎么去抽象的这个机制，其实还是“人”事先赋予的一个底层的“人生观（机器观）”，在此基础上，它才能开展学习训练。所以它学习训练的能力，完全依赖于初始状态时赋予它底层信念的那个人自身的水平。也就是说所谓机器学习的本质，其实还是人类事先输入的，而不是它自己创造的，依然没有脱离“自上而下”的宿命。一切的出发点仍然得取决于人类自身的感知、归纳、总结、赋予能力，人不行的话，机器也不可能行。

拿典型的机器学习算法“贝叶斯网络”举例吧。

机器的智能程度受限于人类事先在更高的层面上勾勒出的问题框架和事件节点，在此之上才能开展自动化计算。而怎么构建问题框架、怎么定义事件节点，这个战略工作完全是由人的直觉化理解得来的，也就是说机器系统不具备根据自身认知规划出网图的能力，只能在人类既已规划好的框架中工作。

实则贝叶斯网络只是在一定程度上解决了战术上的算力问题，至于战略上的框架问题，依然是由人类智能自身去处理的。

一切机器学习的智能层次其实都是这样，我觉得只是把老套的穷举换了个版式，变成巧妙版的数据处理，使得它不需要穷举了，先进了很多，但层面还是那个层面，属于生产工具，完全没有触及到生产力的层次，并没有向人类智能迈进一步，再厉害的机器学习至今也没法代替人类解决开放型任务。

大咖：所以你才说交易的本质是凭人类自身的盘感，现代科技对你来说最多是个执行工具。

偶：我不是“反科技主义”，而是强调不能“唯科技主义”。

其实我们可以灵活处理，比如把开放型任务拆解，使它分离出局部的封闭型任务，比如对于单纯的大型计算，机器学习就会非常有优势，但这依然取决于人类赋予的学习机制的水平，说白了还是人的作用。

大咖：这样来看，你是不是觉得在量化交易领域其实根本不存在真正的人工智能？

偶：这个话题比较容易引起争议，还是先缕清概念的好。

【人工智能】在不同的时代有不同的定义：

★ “原教旨AI”。指1956年达特茅斯会议上定义的人工智能，本质诉求是让机器可以像人类的认知模式一样处理问题，且必须具备通用性。这也是人工智能的原本定义。

★ “新变种AI”。指当今时代的人工智能，本质诉求是能完成单一复杂任务就行，是否跟人脑的思维模式沾边无所谓，现实来看其实就是完全不沾边，也不能跨领域解决问题，属于一种专用性机器。

比如打羽毛球。按照机器的路线，首先识别飞过来的球处于什么坐标位置、什么速度和角度，然后计算在哪接球，然后再以多大的力度和什么角度把球打回去。经过一定的学习和训练过程，可以制造出一台厉害无比的打羽毛球机器，但机器即便在学习训练完成后，每一次打球还是要经过当初被赋予的信念那样的一个计算过程，然而不管怎样，能抓到耗子就是好猫，这就是现代的“新变种AI”类型。而人类打球的机制就不是这样，当然在初学期也可能有这样一个阶段，但在熟练后，就不存在这种法理计算了，而是凭直觉判断接球的正确时机，也就是不经计算就能感知到那个“劲儿”，也就是所谓的“手感”，也就是右脑在工作。如果机器能实现这个，就是1956年定义的“原教旨AI”类型。

再比如识别歌曲。我唱一首歌，要求对方尽快的识别出歌名。我唱：“起来，不愿做奴隶的人们……”如果是机器，就会在曲目库中搜索识别，第一首《我的一个道姑朋友》，不对；第二首《坐在巷口的那对男女》，不对；第三首……直到匹配出《国歌》，识别正确。当然这个傻瓜式穷举的算法比较LOW，所以可以让机器使用一些技巧，比如事先把所有歌词按各种特征分类，那么当唱出《国歌》时，只需要搜寻“起”字打头的歌词就好了，当然这也不算太高明，我们可以让机器学习训练出更厉害的识别算法，但万变不离其宗，本质上都属于在样本中更快的捞目标，这就是现代的“新变种AI”类型。而人脑就不这么算，当唱出歌词，人不需要搜索脑子里的曲目库，第一感知就知道这是《国歌》，不需要样本匹配过程，或者说人脑的计算匹配机制从底层就跟电脑不一样。如果机器能实现这个，就是1956年定义的“原教旨AI”类型。

类生命体智能的“原教旨AI”自打提出，至今六十余年几乎没什么发展。可能这太难了，毕竟人类对自身智能的运作机制还没弄清楚。

相比之下，还是堆砌算力、研究算法更容易些，所以追求更高更快更强的“新变种AI”大行其道，管它是不是模拟了人类智能的思维模式，只要效果立竿见影就好了，乃至如今全社会都默认替换了人工智能的原始定义。

不管是当年的“原教旨AI”，还是如今的“新变种AI”，哪个更好？乃至“原教旨AI”真能实现吗？必须把“原教旨AI”视为政治正确吗？有必要在思想高地鄙视功利化而丧失通用性的“新变种AI”吗？这些话题太大，我也没法探讨。

仅就交易界而言，“原教旨AI”肯定是没有，不光交易界没有，其他领域截至目前也没有；至于“新变种AI”，这几年国内外都有量化团队涉猎，但都处于初期研发阶段，没有应用级产品。

而且近两年市场行情明显趋于混乱，掀起策略失效大潮，“新变种AI”作为传统数据处理的高端变种其实不会对大局有什么实质改善。要改善也是从人的根本策略能力上改善才管用，所以我才特别强调人类智能的这种先进的却谜一般的感知机制。

大咖：非常赞同。社会的发展趋势就是目的化、功利化，通过权宜之“术”的捷径能解决的问题，一般不会耗神费力的在“道”的层面花功夫，“新变种AI”确实也没有处理过任何真正意义上的开放型任务。

从前几年开始我就在反思这个问题，很多事情绕了一大圈其实又回到了“人”的层面，这个跟你的观点不谋而合。

要说人类自身的认知机制真是个不可思议的东西，医学上也解剖过科学家的大脑，无非就是一块肉加上点神经元，而且跟普通人的大脑也没什么不一样，这个智能到底是怎么来的，这个真是很神奇。

偶：所以我才坚持要从【语义】的层面跟市场对话。

交易策略是百分之多少的工程权重？百分之多少的艺术权重？本质上，是100%的艺术！所谓工程的设计架构、量化建模、细节规划，那都是最本源的那个艺术的具象化落实罢了。

大咖：你这个想法比较极端，但方向上我认同。

偶：前段时间有本特火的书叫《反脆弱》，里边讲了个更极端的。

技术历史学家戴维·埃杰顿说，欧洲美丽的教堂在几何结构上如此复杂，使我们倾向于相信建筑师们在设计时进行了精密的数学计算。但事实却是：建筑师依靠的是灵感的启发、经验和工具，而且几乎没有人懂任何数学——根据中世纪科学史学家居伊·博茹昂的记载，在13世纪之前，整个欧洲不超过5个人知道如何进行除法计算。那时的建筑师不必了解我们今天的数学知识，他们建造的复杂建筑物却能屹立至今。

你看，这些建筑师仅仅凭着“这么做比较好”的直觉以及实践佐证，在不懂数学的情况下，就做出了客观上契合数学法理的建筑。

同理，我之所以抱有这么极端的观念，也跟做策略时的类似经历有关系。

我是草莽出身，没读过任何一本金融或技术分析书籍，所以起初不懂任何术语，当然直到现在也知道的很少。

但不懂术语不代表不懂道理。比如“索提诺比率”，最近才听说过的一个词汇，百科了一下，发现，嗨，这不就是我策略里规定的那个什么什么吗！虽然我不知道“索提诺比率”这个名相，但它的实质内容本身就是我策略里本然包含的一部分。

挺简单的一个事，非要弄个不好好说人话的专业名词，虽然术语能减少沟通成本，有存在的必要性，但我不喜欢，因为我觉得那更多的是在装逼，而且我把制造认知隔阂来让人不明觉厉的装逼归为低等装逼，高等的装逼应该是帮人疏通认知，让人拨云见日，明而觉厉，那不是更爽吗。

回到正题，按普世观点，“感觉”这东西由于虚无缥缈，历来被视为“科学”之大敌。但随着认知科学的发展，我们越来越发现“感觉”的背后其实是存在法理支撑的，虽然具体机制依然不明，但可能来自于生活、大自然、接触的人群、大脑的抽象能力等等，这些东西碰撞到一起，就是灵感的到来。

所以我最开始说，我个人的量化路线，是【直觉的具象化】，而不是【数据的统计化】。

大咖：嗯，你这么说就把“感觉”二字诠释的靠谱多了！

那你量化的“道”是凭感知，但总得有个“术”吧？也就是研发的具体路线。你最开始也说了，至少表象上看你也是鼓捣数据，是大数据吗？

偶：坚决不是！对于交易策略，如果说“原教旨AI”可以当成梦想，“新变种AI”可以当成战术工具，也就是说至少还有点用的话，那大数据在我看来就是彻头彻尾该去抵制的毒物，是百害无利的东西。

大咖：每个人都有自己的路线、门派、切入视角和方法，你不用别人用，怎么这么仇视大数据？

偶：不管谁用都没用。这个不是见仁见智的问题，而是明确可以证错的一条路线。

首先从应用对象上看，大数据只有在样本群具备高度一致性的特征时才能生效。比如送外卖，因为用户的一日三餐的时间点都相对固定，路程是物理环境不会变，拥堵情况能监测可控，所以外卖送达的预估时间可以做到很准。也就是说大数据是用必然性来解决问题的，就算没有绝对的必然性也可以派概率论出场击败那很少的偶然性样本。

但交易市场就不一样了，行情的样本群本身就是由各种偶然性组成的，不具备高度一致性的特征，这里没有必然性，概率论也不会生效，如果能生效，就等同于确立了某种确定性，那就等于破解市场了，那市场也将不会存在了，而市场能正常流通的前提即是本质上的不确定性，市场永远不会存在像送外卖那样的“因为饭点儿、路线、路况都大体可控，所以大概率上能准时送达”的先验性。

更重要的，从底层机制上看，大数据的原理对于交易市场来说本身就是原罪。

先说我认为正确的方式：交易者在赔钱后，应该及时调整自身策略，形成“假设——＞验证——＞失败——＞调整信念重新假设……直到建立起一套效果上可以成立的诠释机制”这样一个过程。我认为这样才是科学的，以失败为代价，增进解决问题的能力，碰壁之后的处理方式是修改自身的诠释机制。

但按照大数据的路线，碰壁一次还不行，得多碰几次，多到能建立起大数据，以便去提取结论。问题是要按这种处理方式的话，钱早就赔光了。

大数据天生的使命就是让偶然性向必然性靠拢，征服不了偶然性就不断的扩大数据样本，这对于必然性占主导的应用对象是有效的，比如准时送外卖，但对于偶然性占主导的交易市场，说难听点就是送死，这就是大数据的原罪，只能从已有经验出发，全新的状况应付不来。

大咖：可以说的通！你算是把大数据的局限性和适用领域说出来了。回到刚才的问题，既然大数据都不能用，那你是用什么方法处理数据的？

偶：就是我的老本行佛学啊。

大咖：别闹，好好说。

偶：真的啊！没逗乐。

就一千五百年前有个古印度高僧写了一部论著《集量论》，这个论的基础是一套叫“九句因”的方法论学说。

先自己假设一个致使结果出现的原因，讨论全部或部分同类事物与异类事物是否具备该因，所归纳的九种严密逻辑关系，来验证这个因是否能成立。

我先凭盘感定义出各种行情走势特征并归类，然后把与盈利伴随出现的走势特征提取出来，最后代入“九句因”这个评估体系检验。

比如某种走势特征符合“九句因”的第八句情况：“当一部分同类事物具备该因，另一部分同类事物不具备该因，而所有的异类事物都不具备该因，那么这个因的成立强度就≥0”，由此这种走势特征就可以判定为盈利之因。

当然这并不是客观上的盈利之因，因为真实的市场永远无法直接触碰而只能间接诠释，所以这是在我的诠释机制下的盈利之因。根据“九句因”的评估体系，去验证这些自我定义的因，挖掘出有效的稳定组件，排除掉无关的伴随组件，从而规避市场的混乱期，锁定秩序期，在整体获胜优势小于50%的市场里，寻求局部高获胜优势的交易机会。

你应该也看出来了，这与现代的贝叶斯学说有异曲同工之妙，都是通过对样本的参数进行分析，去推断不确定命题的可置信程度。而不是经典统计学那样，解决不了问题就扩大样本范围。

“九句因”相比贝叶斯的好处在于比较简洁，而且已经给出了各种情况的结论，代入就能用，能偷个懒。

当然用了这样的神器也不代表交易能怎么样，这只是属于数据处理层面，盈利与否最终还得取决于人自身的认知归纳能力，如果主观定义的走势特征与归类方式不科学，那整体策略水准的上限就定死了，“九句因”根本就没有发挥效力的空间。

大咖：可以啊你小子现在，把这么多知识串联起来了。

偶：我谢谢你啊我！再怎么说现在还比你差远了。

知识也不一定是好东西，让我走了很多弯路，现在在尽可能的做减法。在我们这个行业好像是懂得越多越牛逼，其实绝大多数知识都是噪音。

就好比对于赛车手，真正相关的核心要素就是油门、刹车、方向盘、换挡，把这些融合成现象级车技，至于发动机做功方程、轮胎配方那些知识，对车手而言都是看似有关实则无关的噪音。

大咖：你说噪音，我突然想起来给你推荐个课程，吴军的《信息论40讲》，一会儿发给你。上次你写的贝叶斯文章，在道理层面，用到了等价信息、正交信息、互信息，虽然这些概念名词你可能没听说过，但道理上其实你已经自己领悟出来了，而且你写的从信息相关性和因果关系分析框架，跟信息论课程里说的差不多，你没事可以看看，可有意思了，吴军这个人有多厉害不需要介绍吧？

偶：你推荐的我肯定不敢不看。

大咖：等以后我约吴军吃饭的时候也叫上你，到时一块儿交流交流。

偶：大哥！别以后，就现在！现在你就约，我想早点见到大神！

大咖：现在真不行啊，他弄那个最新版《数学之美》忙的焦头烂额，谁也约不出来，等过段时间。

偶：过段时间是什么时间？可以理解为空头支票吗？你又诓我！

大咖：别生气！要不这样，你加杨超越微信，我跟腾讯那边说一声，让她给你通过，你们先聊着。

偶：啊啊啊啊啊啊啊！那吴军不见都行，不给大神添麻烦，我就跟超越聊就行。