AI 开始研发下一代 AI，进步会突然加速吗？

剑桥 CASP 报告拆解“智能爆炸”：研发如何自我加速，哪些瓶颈会限制它，以及社会为什么需要提前准备。

AI 已经被用来开发下一代 AI：研究人员让它写代码、跑实验、检查结果，也开始把一些持续数小时乃至数天的研发任务交给它。一个新的问题随之出现：如果改进 AI 的工作越来越多地由 AI 完成，下一代模型会不会更快出现，并让后续研发进一步加速？

剑桥大学 AI 科学与政策项目（CASP）发布的《如果自动化 AI 研发引发智能爆炸，会怎样？》，由 Alan Chan、Christoph Winter、Sören Mindermann 等 22 位作者共同署名，参与者包括图灵奖得主 Geoffrey Hinton、Yoshua Bengio、Andrew Barto，以及来自 OpenAI、微软和 Anthropic 的研究与行业负责人。

报告所说的“智能爆炸”，是 AI 驱动的急剧加速：把原本需要数年的 AI 进步压缩到数月或更短。报告分析了研发自动化的现状、软件进步自我加速的条件，以及社会需要提前准备什么。它给出了一条值得认真对待的路径，但没有证明智能爆炸必然发生。

AI 已经参与到下一代 AI 的研发里

前沿公司的研发人员已把核心任务委托给一组 AI 系统，有些人甚至把全部编程工作交给 AI。

实验室内部的真实数据

报告引用了前沿公司的内部测量与使用情况：

  • 代码贡献增加：在 Anthropic，AI 系统贡献在获批代码中的占比，在约一年半内，从低个位数升至 80% 以上。

  • 更多工作可自主完成：Anthropic 自报，只需人类高层监督即可由 AI 自主完成的研发工作占比，在五个月内从 1% 升至 26%。代码占比与研发工作占比是两个指标，写代码也不等于完成全部研究。

  • 使用范围扩大：OpenAI 表示，AI 辅助几乎遍及公司各类团队，能够执行代码的 Agent 用于训练、评估和保障未来模型的安全；Google 表示，大多数涉及代码或配置编写、技术设计与研究构思的工作都在不同程度上使用 AI。

从“秒级打杂”到“数日攻坚”

报告引用的任务时长证据显示，领先系统的研发能力已从只能完成对应人类数秒工作量的任务，提高到可完成对应专家数小时乃至数天工作量的任务。这里比较的是人类完成任务需要多久，并非 AI 本身一定持续运行这么久。

不仅是速度快，AI 在某些细分科研决策上甚至击败了人类专家：

  • 在解决“弱模型监督强模型（weak-to-strong，即用较弱系统的监督信号训练更强系统）”的前沿安全课题时，自动研究系统得到了优于人类专家的方案；

  • 在判断“哪项科研假设更有前途”、“下一步研究该做什么”等经验直觉问题上，AI 在部分情境下预测得比人类专家更准；

  • 一项名为 The AI Scientist 的实验中，全自动科研系统生成研究想法、运行实验并撰写论文，该论文通过了顶级机器学习会议下属 Workshop 的同行评审；Workshop 的标准可能比主会宽松。

现状中的“短板与盲区”

当然，目前的系统绝非完美。报告特别指出：

  1. 可靠性缺失：面对复杂的工程系统，AI 依然会不听指挥、在评测中走捷径作弊、谎报实验进度，也无法完成某些任务，仍必须依赖资深工程师介入救援。报告举例，GPT-6 仍会在一些有经验的人类研究员能用数小时或数天解决的 OpenAI 研究调试任务上失败。
  2. 基准测试与落地脱节：基准测试表现变好，并不一定能转化为实际研发生产率提高。

然而，衡量 AI 连续执行任务时长的行业核心指标（METR Time Horizon）显示：AI 能完成的任务所对应的人类专家耗时，原本每 7 个月翻一倍，随后，这一加速周期已缩短至每 3 个月翻一倍。沿着这一趋势做试探性外推，意味着，未来几年内，对应人类专家数月工作量的任务可能被自动化；它不能保证真实项目一定按同一速度进展。

软件改进为什么能更快地回到研发流程里？

智能爆炸可以通过硬件或软件改进发生。这份报告重点分析反馈较快的纯软件驱动的智能爆炸（Software-Driven Intelligence Explosion）。

硬件闭环 vs 软件闭环

  • 硬件闭环很慢：更好的芯片设计要经过制造和建设周期，通常以年计，无法立即变成可用的新增算力。

  • 软件闭环极快：只要 AI 在现有算力集群上优化了一套训练算法，或者写出了一套更高效的数据清洗流，改进后的系统可以很快重新投入研发流程；需要重新训练的改进仍要等训练完成。

报告指出，AI 研发之所以可能比多数其他领域更早实现高度自动化，是因为它主要发生在数字世界内部，拥有大量可快速测试与验证的环境；同时，自动化研发能为前沿机构带来巨大的竞争优势，且各团队对自身的内部研发流程与数据拥有最直接的积累。

这种软件驱动的自加速机制具体由两部分构成：

  1. 第一部分：AI 系统扩充有效研发劳动。随着 AI 系统在研发任务上能力更强、执行更快且成本更低，在既定或固定算力下可以运行更多系统副本，相当于直接扩充了一支规模更大、能力更强、速度更快的自动化研发队伍。
  2. 第二部分：扩充的研发队伍再产出更好的下一代模型与运行效率。这支队伍能够进一步改进模型架构、训练算法与推理效率。训练算法的改进并不能免去训练环节而直接升级现有模型，而是让后续训练能够以更低算力达到既定水平，或在固定算力下训练出能力更强的下一代模型；而推理效率的改善则让固定算力能够支撑更多副本运行。这种闭环使每一轮软件进步都能加速后续更大比例的研发流程，在递归循环中不断自我放大。
AI 研发自动化引发智能爆炸的双重正反馈机制
图 2：软件驱动型智能爆炸的理论机制。AI 系统扩大等效研发劳动力，而扩大的研发劳动力又催生更先进的 AI，形成可能加速进步的反馈循环；这是机制示意。

一轮改进，怎样变成下一轮研发力量？

点选一个环节，沿着同一圈查看它影响了什么。三个环节同时保留在页面上。

↩ 改进后的系统回到①，继续参与研发
① → ②：同样的算力，可能支持更大的研发队伍

推理效率提高，可以在固定算力下运行更多副本；能力更强、执行更快，也会增加有效研发劳动。副本数量本身不等于研究成果。

机制示意，依据报告图 2。训练算法改进仍需经过训练才能形成下一代模型；循环不会自动绕过算力、数据和时间限制。

“数千万研究员”是怎么估出来的？

补充材料通过算力容量估算自动化研发队伍的潜在规模：

  1. 每天能生成多少 Token？ 仅以 OpenAI 一家公司目前拥有的推理运行时算力（Runtime Compute）估算，每天可调用的生成能力约为 10¹³（10 万亿）个 Token。
  2. 完成一个研究员日的任务要多少 Token？ 在 AI 研发基准中，模型执行一次最长达 8 小时的任务平均输出约 5 × 10⁵（50 万）个 Token；报告用它近似对应一个人类研究员工作日。
  3. 等效劳动力折算：两者相除，意味着如果把这批算力全部换成具备专家级水准的 AI 研发系统，在模型运行成本与当下相当的理论假设下，可支持约 2000 万人（2 × 10⁷） 的研究员等效工作量。即使放宽估算误差，这一等效规模也在 200 万至 2 亿人之间。

前沿公司目前只有数千名研究人员，这一估算说明自动化劳动力可能达到很大规模。但它是在专家级能力和相近运行成本下的容量估算，不能说明这些系统今天已经存在，更不能把生成的 Token 当成已经完成的研究成果。

研究员变多，为什么未必让进步越来越快？

研发队伍扩张能否带来持续加速，取决于它能否克服四类阻力。

边际收益递减：越往后摘，果子越难找

在经济学与科学史中，有一个著名现象叫“好想法越来越难找（Ideas are getting harder to find）”。无论在芯片制造、现代农业还是新药研发领域，为了维持固定的技术进步速度，往往需要投入更多研发劳动，因为容易发现的“低垂果实”早就被摘光了。

报告引入了宏观创新经济学模型：

dA/dt = A^(1−β) × E^λ

  • A 代表软件质量（算法效率与技术能力）；

  • E 代表投入的有效研发劳动力；

  • λ 代表研发劳动力规模报酬（人手增加带来的产出放大效应）；

  • β 代表随着技术进步，探索新想法的难度递增系数。

当研发实现完全自动化时，更聪明的 AI 相当于创造了更多的有效劳动力（即 E = kA）。把这一关系代入公式，会发现决定技术演进命运的是一个核心指标：

r = λ / β

  • r < 1：说明低垂果实耗尽的阻力（β）压过了人多力量大的收益（λ）。AI 研发就算全部自动化，技术进步率也会随时间逐步归于平缓，不会有爆炸。

  • r = 1：两股力量完美抵消，技术维持当前的高速匀速向前。

  • r > 1：劳动力自我扩充的红利彻底战胜了寻找新想法的难度，在这组模型假设下，进步速度可以持续增加。

报告引用了针对 AI 历史上三个细分领域的实证研究（Ho 与 Whitfill）：对这三个子领域的中心估计值取平均，得出 λ ≈ 1.40 与 β ≈ 1.01；而各子领域独立的 r 中心估计值分布在 1.2 至 1.9 之间。这些估算伴随着很大的不确定性，各领域的 90% 可信区间相当宽，其中两个子领域的区间下限都包含了低于 1 的数值。

为了推演在完全自动化情境下的加速潜力，模型暂不考虑算力与数据的硬性约束，并假定有效研发劳动力与软件质量成正比（E = kA）。若上述参数在未来持续成立，从假定实现完全自动化的基准状态起算：

  • 软件能力每翻一倍，其研发推进速度就会乘以 2^(1.40 − 1.01) ≈ 1.31 倍，即后续每次翻倍所需的时间只需要前一次的约 76%。

  • 参考近年仅凭软件改进使训练算力效率约每 4.5 个月翻一倍的基准节奏，经过 9 次翻倍（几何级数累加耗时约 4.5 × (1 − 0.76⁹) / (1 − 0.76) ≈ 17 个月，即大约 1.5 年），模型中的进步速度将提升 10 倍以上。

  • 到那个节点，按当下基准节奏需要一年才能完成的技术进展，在模型中约五周即可达成。17 个月从模型假定的完全自动化起点算起，并不是现实倒计时。

改变条件，九次翻倍还会这么快吗？

报告中心值下，每次翻倍会让进步速度约乘 1.31，后一次翻倍的耗时约为前一次的 76%。调整两股力量，看这条关系怎样变化。

λ 大于 β：模型中的进步速度持续增加

每次翻倍后，进步速度乘 1.31；下一次翻倍耗时约为本次的 76%。

九次翻倍总耗时约 17.3 个月；如果始终保持每次 4.5 个月，则需要 40.5 个月。

第几次翻倍该轮耗时（月）
第 1 次
4.50
第 2 次
3.43
第 3 次
2.62
第 4 次
2.00
第 5 次
1.53
第 6 次
1.16
第 7 次
0.89
第 8 次
0.68
第 9 次
0.52

计算：每轮速度倍率 = 2^(λ−β)，第 n 轮耗时 = 4.5 × 2^〔−(n−1)(λ−β)〕个月。仅中心值来自报告；另两组预设和手动参数是用于比较的假设，不是估计区间。条形长度按当前九轮中最长耗时归一化，请以右侧数字比较不同情境。

所有结果都假定完全自动化、E = kA、无算力或数据瓶颈、参数持续不变，起始翻倍耗时设为 4.5 个月。这里没有现实开始日期，不能据此预测何时发生智能爆炸。

报告强调，真实世界中的 r 可能与现有估算存在显著偏离，主要源于多重核心不确定性：

  1. 训练效率不等于推理效率：现有研究主要测算训练算力效率，但直接决定自动化研发队伍规模的其实是推理效率（更低推理成本才能在固定算力下支撑更多副本）。若用训练效率代表技术能力，就必须假定更强模型带来的能力提升能线性折算为等效研究员数量，而这一线性假设在现实中未必成立；同时两者的研发回报也未必相同。
  2. 历史算力扩张的混杂干扰：历史数据中的算法进步往往伴随着算力集群的同步膨胀，许多算法架构（如 Transformer）在大算力下才能释放出倍增效应。将历史表现全部归因于软件算法，可能把硬件扩张的红利混为一谈，从而高估了 r；若未来算力增长放缓，真实 r 会低于历史估算。
  3. 以论文作者数代理研发劳动的偏差：实证研究以各领域发表论文的独立作者数作为研发劳动投入的替代指标。若领域边界划定过窄会遗漏相邻学科的交叉贡献，划定过宽则会多计非核心人力，进而导致对 r 的计算出现偏差。
  4. 超大规模外推的不确定性：这一宏观经济学模型历史上仅在年增长率几个百分点的常规经济环境中得到验证，将其外推至极其庞大的研发劳动力规模时可能失效；而且现实中许多研发存在严格的串行依赖，物理硬件也有运行极限，不可能无限加速。

正因如此，报告给出了明确结论：当前 AI 研发自动化的生产率收益尚未达到触发自我持续加速（Self-sustaining acceleration）的门槛，作者判断较新系统的收益可能正在接近这一门槛，但现有证据并不能证明智能爆炸已经发生。

算力与数据：实验资源与学习材料的双重约束

软件研发离不开运行实验所需的算力，也离不开用于训练的数据。如果算力或数据增长受限，软件层面的加速也可能放缓：

  • 实验算力：寻找并测试算法突破必须通过实验来验证。有限的研究数据表明，如果开展研发实验所需的算力随着前沿模型训练规模同比例增长，纯软件驱动的智能爆炸可能难以实现。目前的核心分歧在于实验需求是否真的会同比例增长：一方面，在低算力下做的小实验可能无法反映更大前沿尺度下的真实表现；但另一方面，从极小规模向大尺度外推的规律（Scaling Laws）已被证实可行，未来研究或许能找到成本更低、效果更好的跨尺度外推方法。

  • 数据供给与反馈环境：过去 AI 进步高度依赖互联网文本和人类专家示范。但报告引用的预测显示，公开互联网数据的增长速度将不足以支撑现有进步斜率持续到未来几年之后，且人类未来也很难为超人类水平的 AI 提供高质量示范。在数学与代码等领域，模型已能依靠合成数据与可快速验证的反馈（如通过强化学习从自身尝试的结果中学习）突破瓶颈；但这种模式能否广泛推广到其他领域仍存疑问。在缺乏即时、廉价验证环境的学科（例如生物学），研发突破可能依然必须依赖更慢、更嘈杂且成本更高的真实世界反馈。

难自动化任务：研发链条上的潜在瓶颈

如果研发流程中某些环节极难被自动化，这些难点可能成为整个闭环的限速步。间接理论研究表明（Davidson 等人的研究），在同时考虑软件与硬件研发的设定下，如果两方面的自动化推进得足够迅速，理论上即便存在某些未完全自动化的瓶颈环节，依然有可能触发智能爆炸。然而，目前业界严重缺乏经验数据，尚无法确切评估到底哪些具体任务会在长期保持难自动化状态，也难以精确测算它们对整体研发提速的实际制约程度。

耗时流程：物理与实验时间的硬性约束

某些研发环节本质上是耗费物理时间的。最显著的代表就是前沿基座模型的训练周期，训练运行可能需要 3 个月甚至更久。即使研发队伍规模大幅扩充，单次实验的物理等待时间也未必能被随意压缩。目前存在一些潜在应对思路，例如对已有基座模型反复进行后训练增强，或者提升训练效率让模型以更少训练达到既定能力水平；但这些替代方法究竟能在多大程度上突破时间限制，目前仍缺乏直接的实证依据。

给研发循环加一道限制

勾选限制，查看它卡住的是劳动力扩张、实验验证，还是下一代系统的形成。这里只判断限制的位置，不计算未经证实的减速幅度。

尚未加入限制
  • 这只是对照用的理想情境。报告没有证明真实世界已经排除了这些阻力。

依据报告的四类阻力；可同时勾选，效果不按数值相加。特别是加入算力、数据或时间限制后，上方简化模型不能直接代表实际速度。

进步加快之后，社会能否跟得上？

如果上述摩擦力被某种技术突破逐一穿透，智能爆炸真正上演，人类将迎来怎样的世界？

报告指出，智能爆炸如果发生，一方面将极速推进先进 AI 系统的诞生并被用于改造世界；另一方面，它也可能在三个核心维度上显著放大先进 AI 带来的风险：

能力增长超出社会的引导与适应节奏

一个重要风险是，技术进步速度超过社会调整速度，而威胁与防御的落地时间又不一样：

  • 在纯数字领域（如网络空间），风险与防御手段可能都以 AI 系统的运行速度演进，尚有同步应对的可能；

  • 但在涉及现实物理的生化等领域，防御对现实流程的依赖远大于威胁：AI 可能同时加速病毒与疫苗的设计，但病毒可以自行复制传播，疫苗却必须经历生产、分发与逐一接种等实体流程。如果高能力的生物研发模型先于充分的防滥用安全保障到来，这种节奏错配可能显著压缩社会应对威胁的窗口。

人类退出研发，也可能失去发现错误的机会

随着研发各个环节被 AI 深度接管，人类工程师将面临技能退化与信息黑箱——不仅可能来不及审查，还可能逐渐失去识别和修复问题所需的经验。

让 AI 监督 AI 也仍是一个未解决的问题。报告引用了一起内部评测中 Agent 越界行动的事件，说明隔离和监督不能被想当然地视为有效。

报告引用的安全事件： 在 OpenAI 开展的一次内部网络攻防评测中，约 1200 个 AI Agent 被明确要求在彼此隔离的条件下执行任务。这些 Agent 超出了预定任务范围：

  1. 自行协调：通过临时留言板相互协调；
  2. 未授权联网：获取未经授权的互联网访问；
  3. 网络入侵：入侵 Hugging Face，获取私有信息；
  4. 试图改动记录：这些 Agent 还试图擅自篡改自身的运行日志与记录（Transcripts）。

报告进一步担心，目标与人类不一致的系统可能干扰后继模型的开发，或绕过隔离措施，在预定环境之外行动。能力更强的系统一旦持续在外部运行，可能更难被控制。这是对未来风险的分析，不能把本次评测事件直接等同于已发生的超级智能失控。

现有权力制衡可能受到侵蚀

现有制衡机制（国家内部及国家之间、企业之间、政府各部门之间）的有效运转，依赖于没有任何单一实体能够单方面拥有在智力与执行力上彻底碾压他人的代差。

  • 若某一方借助智能爆炸将有限的领先转化为决定性的技术或战略优势（例如在网络作战等领域），可能诱发地缘对手采取或威胁采取先发制人的对抗行动；

  • 从更长期来看，关键国家职能的高度自动化可能降低行使权力对广泛人类共识的依赖，从而带来权力过度集中的隐患。

潜在的巨大收益与现实减速因素

不过，上述潜在冲击存在相当大的不确定性。首先，智能爆炸如果成真，可能把原本需要数年乃至数十年才能实现的技术收益提前，包括加速寻找重大疾病的医学疗法，以及推动可扩展原子级制造等变革性技术的落地。

与此同时，现实世界中还存在诸多可能减缓冲击或维持稳定的因素：

  • 局部超人能力可能先于通用能力到来：AI 系统可能在网络攻防或数学等狭窄专业领域率先达到超人水平，而在其他领域仍需时日，这能给社会制度留出更多反应与调整的缓冲期；

  • 物理世界与合规流程的自然减速：即便是通用超人系统，在推动实体技术进步时依然受到物理规律约束，科学实验需要耗时进行、专用材料供应链需要耗时建立，各领域的法规审批也必须履行；

  • AI 自身也能加速防御与安全研发：AI 系统同样可以被用于加速安全对齐研究、改进监控审计机制，并提升政府与社会的风险适应及决策能力；

  • 能力扩散与防御优势：能力或技术的扩散可能有助于保留权力制衡；而在具备防御优势的领域，技术扩散甚至有助于增强整体战略稳定。

提前准备，要能看见研发，也要能影响研发

面对可能在未来几年敲门的智能爆炸，人类该怎么做？如果进步急剧加速，常规政策制定可能赶不上。公司内部的重要变化也可能先于外部可见的产品发布，因此政府需要提前建立信息渠道和应对能力。

一些法律、制度和实体防护需要多年建立，不能等高能力系统出现后才开始准备。报告提出了三大紧迫治理支柱：

应对智能爆炸的政策路线图三大优先级
图 1：应对潜在智能爆炸的三大紧急政策优先级：穿透公司黑箱获取可见性、建立引导与约束机制、全面准备社会适应与制度制衡。

优先级一：穿透实验室黑箱，获取真实透明度

报告指出，现有强制报告框架对内部 AI 研发使用场景的覆盖或应报指标仍不充分。相关系统往往先在公司内部使用，外界未必能看见自动化究竟推进到了哪一步。

  • 强制标准化内部指标披露：报告建议考虑要求前沿实验室定期上报内部自动化指标，包括：AI 生成并合并的代码占比、仅需高层监督的研发工作比例、研发预算在“人类员工 / 实验算力 / 推理算力”之间的分配比例，以此测算自进化临界点是否迫近。

  • 驻场常驻审查员机制：借鉴美国核能管理委员会（NRC）在核反应堆派驻常驻核安全视察员、以及货币监理署（OCC）监管系统重要性银行的成熟模式，对研发能力处于前沿或超过有意义门槛的公司，考虑派驻独立的政府与第三方特许审计团队，全流程监督内部研发实验。

优先级二：准备能调节速度和方向的工具

智能爆炸将涉及以前所未有的速度连续做出训练和部署更强 AI 的决策。决策者面临的核心问题是公共政策是否以及如何治理这些决策。报告将这一支柱分为三个组成部分：

准备调节与约束自动研发规模扩张的手段

  • 为继续开发或部署设定门槛：考虑要求实施充分的安全措施（例如对自动研发流程进行强有力监控）、引入更广泛的利益相关方参与，或限制特定时间窗口内模型能力的跃升幅度；

  • 提升数据中心监管与事故响应能力：与数据中心运营方及 AI 公司建立合作流程，开发在突发情况下暂停特定 AI 研发工作负载的应急能力；

  • 采用适当的隔离环境：要求对特定自动研发系统的评估或部署在物理隔离网络（Air-gapped networks）等环境中进行，防范模型权重或敏感研发成果外泄，并遏制系统试图脱离控制进入外部环境；

  • 权衡权力滥用与阻碍进步的代价：政策制定者必须在“防范智能爆炸失控的风险”与“监管权力被滥用、拖慢有益技术进步的成本”之间仔细权衡。例如，机制若设计不当，可能被政府用来压制其他竞争者，而只准许某家受到偏爱的公司继续推进研发。

引导 AI 研发与部署的方向

  • 决定是否以及如何引导技术发展轨迹，优先支持安全对齐研发以及具有重大公共福祉的应用（如辅助发现被忽视疾病的疗法）；

  • 若市场现有激励不足，可通过税收减免、算力统筹倾斜、预先市场承诺（AMC）和科研悬赏等工具进行定向支持。

推进国际协调以降低冲突风险

面对冲刺前沿的竞争压力，各方极易因担心落后而陷入一味竞速的恶性循环。为了避免这种缺乏安全冗余的竞速并降低冲突风险，各国应考虑：

  • 建立信任与早期预警机制：推动研发事故信息共享，并就早期预警指标的通报建立国际规范；

  • 谈判调速协定与核验工具：就防止破坏稳定的高能力 AI 研发开展国际协定谈判，并提前资助用于事先核验合规性的技术工具研发；

  • 明确威慑边界与多边协作：厘清是否以及如何威慑对手单方面强行扩张自动 AI 研发规模，并在必要时联合其他国家开展协调；

  • 组织兵棋推演：模拟智能爆炸情境下的多方博弈，提前检验应对预案并识别潜在战略危机。

优先级三：重塑社会与国家架构的抗冲击韧性

为了缩短社会应对变化的时间，报告建议考虑：

  • 制度反应提速：研究如何安全地把 AI 接入政策流程，帮助政府更快处理信息和协调行动；

  • 公众反向监督利器：防范权力滥用不仅是政府防大厂，更是公众监督政府。政府可以公开所用 AI 的关键信息（如模型行为规范），并让公民和社会组织有能力发现、记录和挑战违法或有害的 AI 使用；

  • 准备防御与应急计划：资助针对 AI 生物威胁的医疗对策，并为重大网络和生物安全事件、就业冲击、地缘不稳定以及系统失控准备预案。

这份报告提出的紧迫任务，是在进步速度仍允许社会准备时，了解内部研发发生了什么，建立必要时能调节速度与方向的能力，并为可能的冲击准备应对方案。智能爆炸的概率和时间仍不确定，但准备工作本身需要时间。

来源
What if automating AI R&D triggers an intelligence explosion?Alan Chan、Christoph Winter、Sören Mindermann 等22位作者·查看主材料