在未来，创作性工作是否更容易被ai取代?

1. 在未来，创作性工作是否更容易被ai取代?

在未来，创作性工作是不可能被AI所取代！现如今在人工智能快速发展背景下，确实有一部分工作会被AI所取代，但并不是说所有的工作，其中就包含了创作性的工作不会被取代。对于部分机械式的行业，比如传统意义上的股票交易员，其本质也只能是起到中间人的作用，而他们只是根据买卖双方所提供的指令信息并完成相应操作。而今天的人工智能和大数据技术，就能够完全胜任这样的中介性质的工作。
 
没有挑战性的会被取代
在前几年作为创新工场CEO李开复在接受媒体采访时表示到，随着科技快速发展，尤其是人工智能技术的飞速进步，在未来现有职业当中有近50%的工作很有可能会被新技术所取代。尤其是那些简单且具有重复性，无需员工进行深度思考的工作。比如我们所常见的驾驶员，在进行驾驶的过程中，其实是基于个人经验和操作能力对路况作出判断。而这些工作也能够通过高性能传感器和CPU取代，在效率方面完全能够超过有多年驾驶经验的人员，所以该工作被自动驾驶所全面取代和超越也只是时间问题。
 
创意性的工作不会被取代
若是工作涉及到极其复杂的思考和全盘的推理，而人脑结构是包含了数千万神经系统，时至今日也没有任何科学家和机构，清楚了解人类大脑神经是如何进行思考和推理。考虑到AI并不擅长于思考和开展具有创造性的工作。而现有人工智能技术只能是基于以往的大数据，高性能CPU开展分析并提供相应的决策。显然具有创造性的工作并不能够提供丰富的经验，也就无法提供海量的数据进行分析，是难以被取代的。
 
综上所述，至少在20年以内创意性的工作并不能够被人工智能所取代，至于在未来随着科技的快速发展，AI也必然会融入到我们的生活。然而在提高生活质量和工作效率的同时，人类自身也需要不断学习和努力才能成为机器的主人。

2. “AI+制造”，未来超乎你想象

    从1956年到2018年，人工智能技术已经62岁，并且正在为逐渐衰落的传统制造业带来新的生机。阿里巴巴副总裁、iDST（数据科学与技术研究院）副院长华先胜曾表示，没有通用的AI技术，只有和行业结合才有未来。而AI+制造业拥有巨大的发展潜力，是未来智能制造、产业升级的主战场。
  
  
  
  
               “AI+制造”之内涵
  
     AI+制造属于智能制造的范畴。那么什么是智能制造呢？虽然到目前为止，国际和国内尚且没有关于智能制造的准确定义，但工信部的专家给出了一个比较全面的描述性定义：智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称。2018年初，周济、李培根、周艳红等人在中国工程院院刊《Engineering》提出“走向新一代智能制造”的观点。文章指出智能制造是一个不断演进发展的大概念，可归纳为三个基本范式：数字化制造、数字化网络化制造、数字化网络化智能化制造——新一代智能制造。该演进对应的是从原来传统制造的“人-物理”二元系统向新一代智能制造“人-信息-物理”三元系统进化的过程（如图1，2所示）。不言而喻，AI+制造就是新一代智能制造，它全面融合了数字化、网络化和智能化；它追求的是人机协同，而不是简单地代替人类劳动。中国工程院院士潘云鹤在2018年10月29-31日举办的中国·佛山人工智能与智能制造国际大会发表题为《人工智能2.0及其技术端倪》演讲时，同样表示: “很多人工智能科学家已经认识到，最佳的方法不是用计算机去模拟人的全部智能，而是把计算机最擅长的智能和人最擅长的智能联合在一起，形成一个人机融合的智能系统来为人类服务。”
                                          
 图1 智能制造三个基本范式演进
                                          
 图2 从“人-物理系统”到新一代“人-信息-物理系统” 
  
              “AI+制造”发展现状
  
    为了发展智能制造，加快我国智能制造技术产业化，国家先后颁布了一系列“AI+制造”相关的政策：
  
 （一）《智能制造2025计划》指出智能制造是新一轮科技革命的核心，也是制造业信息化、网络化、智能化的主攻方向。
  
 （二）2017年12月，工信部发布的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》中，提及神话发展只能制造，鼓励新一代人工智能技术在工业领域各环节的探索应用，提升智能制造关键技术的创新能力，培育推广智能制造新模式。
  
 （三）2018年3月发布的《关于做好2018年工业质量品牌建设工作的通知》中指出组织开展智能制造新模式应用，推进产学研协同发展，推动人工智能等新技术与制造技术深度融合，突破一批关键技术装备与核心工业软件。
  
 同时，全球制造巨头为了抢占人工智能先机，在“AI+制造业”的卡位战也在激烈展开。
  
      海尔通过互联网工厂建立以用户为中心的智能生态圈。截至目前，海尔已建成八大互联工厂，能够为行业生产制造环节提供先进样本支持。同时，海尔牵头成立了行业第一家工业智能研究院，以及全球家电业首个智能制造创新联盟，向整个行业输出制造的标准和模式。
  
      西门子则押宝“数字化双胞胎模型”及Teamcenter协作平台。数字化技术Teamcenter作为跨专业、跨项目阶段和计划的集成化的PLM解决方案，通过产品全生命周期管理的数据管理平台和产品生命周期管理平台，将产品的数据进行管理或者转换成单一来源环境，在此环境下将数据进行数字化，制作一个数字化双胞胎，与生产工艺、制造流程双胞胎，以及制造的设备、工厂的数字化双胞胎，共同形成一套全方位的数字化解决方案。
  
     在智能制造领域，三星主要利用IoT（物联网）、VR（虚拟现实技术）、AR（增强现实技术）、大数据、AI（人工智能）等尖端技术及智能制造解决方案，通过综合管制中心，同时管控着三星遍布全球15个国家的30个工厂生产现况，从而实现一个中心管控全球的“4M+1E”方案(MAN、MACHINE、MATERIAL、METHOD和ENVIRONMENT)。通过这样的技术，可以监控工厂内设备工作、停止及关闭状态，并由此检查每个设备的启动效率。
  
     这些案例向我们清晰地展示出：制造巨头们正在奋力把AI集成到各自关键要素，以期借助“AI+制造”的模式重塑自身在制造业的全球竞争优势，为未来智能制造战争储备弹药。
  
             “AI+制造”应用场景
  
      随着人工智能技术在生活领域的快速传播，越来越多来自不同领域的学者及科研人员开始尝试着将制造领域的专有知识注入到人工智能模型中，并将其与制造业中的典型软件、系统及平台相集成，形成了一系列融合创新技术、产品与模式。
  
      产品研发注智，美国工业设计软件巨头欧特克推出的产品创新软件平台Fusion360和Netfabb3D打印软件集成了人工智能和机器学习模块，能够理解设计师的需求并掌握造型、结构、材料和加工制造等数字化设计生产要素的性能参数，在系统的智能化指引下，设计师只需要设置期望的尺寸、重量及材料等约束条件即可以由系统自主设计出成百上千种可选方案，大大缩短了产品研发周期。
  
      生产制造注智，日本NEC公司推出的机器视觉检测系统可以逐一检测生产线上的产品，从视觉上判别金属、人工树脂、塑胶等多种材质产品的各类缺陷，从而快速侦测出不合格品并指导生产线进行分拣，在降低人工成本的同时提升了出厂产品的合格率。
  
      供应链运营注智，美国多联式运输公司C.H.Robinson针对卡车货运的运营需求开发了用于预测价格的机器学习模型，模型中既整合了不同路线货运定价的历史数据，又将天气、交通以及社会经济挑战等实时参数加入其中，为每一次货运交易估算出公平的交易价格，在确保运输任务规划合理的前提下实现了企业利润的最大化。
  
      市场营销注智，美国亚马逊商城基于机器学习模型对用户的购买习惯以及产品的属性进行深度学习，形成了全面的知识图谱，在此基础上向用户进行个性化推荐，也向销售商提供相关的生产与营销建议，这项技术的应用使亚马逊增加了10%到30%的附加利润。
  
      产品服务注智，日本的小松机械在生产工程机械的同时也推出了智能化工程（Smart Construction）服务项目。施工过程中，借助该项目可实现由一队无人机测绘三维地图，然后指导智能机器人控制大型工业车辆作业，从而帮助用户大幅提高施工效率和品质。
  
      售后运维注智，电梯厂商蒂森克虏伯公司与微软合作，为其旗下24000名技术工人配备了集成人工智能技术的增强现实眼镜，以便在安装、检修电梯设备的时候能够智能化辅助识别现场并获得技术支持。业务升级后，技术工人的工作效率得以大幅提升，以往需要2小时才能解决的问题通常20分钟就能完成。
  
      可以看到，当前人工智能技术向制造领域的渗透在广度及深度方面均在快速推进，对制造业整体发展的支撑效应初显。但是我们也可以看到，当前产业界对人工智能的融合应用探索大多数还处于探索阶段，对部分环节的应用模式还存在较大争议，多数企业仍处于观望状态，距全行业普及应用还有较大距离。
  
  
  
           “AI+制造”在捷普
  
    捷普集团作为一家科技创新驱动型企业，时刻走在科技前列。正如我们的首席执行官Mark Mondello所宣称的那样。我们致力于走在人工智能、增强现实等技术的前沿，并将以此为中心，借助堪比数字化的速度，为日益严苛的消费者市场提供创新产品与解决方案。在AI+制造领域，捷普正在尝试将人工智能技术与增强现实和其他智能技术相结合，为客户打造更加敏捷的制造流程。公司早在2016年汉诺威工业博览会上，便与微软合作推出了预测分析解决方案。我们借助微软的Azure机器学习平台建立一个预测模型来提高生产和质量控制流程的效率。其中最引人注目的当属自动光学检测系统，它可以帮助我们快速识别部件质量是否良好。近期我们又推出了脑波计划（Project Brainwave），旨在完善自身的自动光学检测流程，并利用系统所收集的数据来训练系统检测缺陷产品的能力，确保只将真正有缺陷的部件进行人工检测。相信，在捷普人的努力下，未来我们定可以一睹其风采！
                                          
               “AI+制造”之未来
  
  
      总之，“AI+制造”势必会重塑设计、制造、服务等产品全生命周期的各环节及其集成，催生新技术、新产品、新业态、新模式，深刻影响和改变人类的生产结构、生产方式乃至生活方式和思维模式，实现社会生产力的整体跃升。未来，“AI+制造”必将给制造业带来革命性的变化并成为制造业未来发展的核心驱动力。
  
      路漫漫而其修远兮，我们将携手上下而求索！
  
      因为：“AI+制造”，未来超乎你想象！
  
  
  
                                          
 
  
  
 
  
 参考文献：
  
 [1]. 走向新一代智能制造，《Engineering》，2018,1
  
 [2].《“AI+制造”最终目的是加快制造业转型升级》，《经济参考报》
  
 [3]. 《AI+制造业，才是智能制造、产业升级的主战场》，http://www.elecfans.com/rengonzhineng/709211.html
  
 [4].《多国大咖共论AI＋制造业前景》，《科技日报》
  
 [5].《盘点世界巨头们的AI+制造业之路！》，https://www.gkzhan.com/news/detail/97600.html

3. AI时代得带来，会带来什么新的商机？

人工智能发展有两种模式，一种是无中生有，创造一种新业态;二是有中出新，在传统行业中或者现在已知的行业中加入人工智能的元素。
无中生有，比如VR虚拟现实技术，但更多的创业机会体现在有中生新上：无人驾驶汽车、扫地机器人、虚拟黑客服务、智能家居……这种将人工智能技术应用在现有企业与行业中的做法还藏着更多的创业商机与机会。

1.网络安全+人工智能
这大概是很难被想到的领域，但就是有人把它做火了，虚拟黑客机器人(目前估值2个亿)，把人工智能上的技术贯穿到网络安全上去，然后通过模拟黑客的方式找出企业网站漏洞，进而修补、最大化避免被攻击的危险。
在建站、安全领域，其实还有更多的人工智能创业机会，当你首先发现这道连接的商机，你就是下一个2亿估值的创业新秀。

2.人工智能家居细分领域
智能家居系统、智能音箱、家庭影院、空气净化、智能手表、智能净水器……可能都是不错的创业方向，但更好的创业商机与机会在哪?在还未被开垦的智能家居细分领域，或者说以上我们提到的这些细分领域中你能挖掘出现有的市场上没有的、更符合用户的功能与新的服务体验来。

3.在线教育+人工智能
互联网时代，已经将教育的时间与区域障碍消除，而人工智能时代，又给人们带去了更随时随地的便捷学习服务，教育的永恒性决定了它的创业机会更大、也更具有持续性。
至于如何连接在线教育与人工智能服务，你可能需要先了解这些当下最火的，而后分析他们的运作原理，分析市场，找到更有商机的创业方向。
作为一项前沿科技，人工智能带给人类生活的改变将前所未有，同时它带来不可估量的产业红利也让众多企业摩拳擦掌。但目前，人工智能在技术、制度等方面仍有诸多问题尚未解决。相比概念大于技术的移动互联网时代，人工智能时代拥有更高的门槛，并非所有企业都玩得转。谷歌、阿里这样的巨头企业尚处在烧钱摸索阶段，资本有限，技术匮乏的创业公司想要抢占风头并不容易。

4. 现在AI火起来了，那么它的发展前景好不好呢？

前景广阔！——以下数据来源于前瞻产业研究院发布的《中国人工智能行业市场前瞻与投资战略规划分析报告》。
我国人工智能产业已有40余年发展史，现处于蓬勃发展阶段。在国家层面政策支持和资本市场热捧的情况下，人工智能产业规模实现了快速增长，在这期间，行业规模蓝海吸引BATJ纷纷进入行业布局，其中百度最早进行布局，于2013年就已成立深度学习实验室，开始对机器人及人机交互等领域进行研究。因此，随着人工智能领域相关技术的不断实现突破，我国人工智能产业市场前景仍然可观。
40余年发展史，现迎来BATJ抢滩局面
我国人工智能发展较慢，20世纪70-80年代受经济和技术限制艰难起步，开始派遣留学生引进较为先进的人工智能技术。80年代末到90年代，中国人工智能行业开始受到国家政策层面上的支持，并相继颁发了一系列产业发展规划，随着投入增加，我国在人工智能领域不断突破，在21世纪进入了蓬勃发展阶段。

当前，我国人工智能行业处于蓬勃发展阶段，由于政策和资本上的大力支持，吸引了如百度、阿里、腾讯等一干科技巨头纷纷布局人工智能。其中百度最早于2013年就已成立深度学习实验室，开始对机器人及人机交互等领域进行研究。随着融资热度的不减，一些新兴的“独角兽”企业也开始入驻人工智能行业。
政策+资本双轮驱动，行业规模快速增长
近年来，多项有关人工智能的政策出台，为行业发展带来了原始动力。2015年，国务院发布了第一个十年行动纲要——《中国制造2025》，旨在加快新一代信息技术与制造业深度融合，推进智能制造。从2015-2018年，国家层面上的人工智能产业扶植政策就达到了11条。2018年11月，工信部发布的《新一代人工智能产业创新重点任务揭榜工作方案》提出，到2020年，我国在关键技术、计算能力、通信能力、车辆智能化平台相关技术标准等领域都将达到或接近国际水平。
不仅如此，除了政策的加持外，资本的不断涌入也进一步推进我国人工智能行业向产、学、研一体化发展，打造从学术研究、实验室到行业应用的闭环生态。2013-2018年，我国人工智能领域投资出现快速增长趋势，融资次数从52次增长至256次，约增长了5倍；融资金额也由2013年的35.96亿元快速增长到1096.79亿元，出现跨越式增长。
由于政策和资本助力，中国人工智能产业市场规模实现了快速增长。2017年其市场规模达到了217亿元。根据中国信通院的预测，2018年我国人工智能产业市场规模将接近400亿元。

5. AI未来能完全取代人类进行艺术创作吗？

6. 如果AI是未来的发展方向，那么AI到底可以在那些领域应用呢?

AI：人工智能（Artificial Intelligence），英文缩写为AI；
说实话，目前人类做到的，他们能做到，借助工具等，然而，现在AI最大的限制是人与AI 的交流上，不管如何交流才是智慧的起源，文明的发展。目前只能做到文字交流这个方法，但是根本不是我们想要的，而语音的关卡也一直突破不了，情感判定上是一个死穴！
你可以理解为一个万能工具，万能机械处理器，可以发出你能做到的指令，由他进行细分处理，而你可以空出来你的大脑进行其他事情。
而他的应用领域，你能想到的都有它的痕迹！

7. 未来三年，ai将在哪些领域爆发

AI简介
  AI(Artificial Intelligence，人工智能) 。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的, 现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确, 因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展, 一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

8. 什么时候才是投资AI的正确时机？

4月26日下午，未来科技学院宣布启动“未来科技资助计划”，聚焦科研和科技创业。北京市科委高新处王龄枞，石勇、蒋田仔等国内著名科学家，峰瑞资本创始合伙人李丰等风险投资家出席了会议并作了主题演讲。

人工智能学家主编刘锋对未来科技资助计划进行了介绍。谈到“未来科技资助计划”的原因，刘锋博士说：“‘未来科技资助计划’核心是通过互联网，通过众筹的方式支持科学家做前沿科学研究，以及创新创业。我们将科学家的创新创业研究项目作为范例在平台上展示。如果投资人觉得项目不错，经过深入了解后可以进行在线资助，也可以进行有意向资助，我们做了这样一个平台。”
现场，投资家代表峰瑞资本创始人李丰做了主题为“深科技投资”的演讲，讲述了峰瑞资本对前沿科技创新的投资逻辑，对于人工智能的投资，他说：“如果线下数据线上化已经做得非常好，我们就投大数据。如果大数据已经做得很好，我们就投这个方向上的人工智能。如果还没有进入到大量数据产生的阶段，逻辑上我们就先不投大数据，而是先投传感器。等到传感器被很好的工业化之后再投大数据，然后再投人工智能。”
以下是李丰的演讲全文，雷锋网做了不改变原意的删减：

为什么现在人工智能这么热？
我们从两年前就说要投科技，现在投的有三分之一是高科技，人工智能只是其中很小的一部分，我们在两年以前投的时候人工智能还没有现在这么热。
人工智能现在变成了很热的话题，我们自己投的大概有十个左右和这个方向有关。我们看人工智能，抽象来看，其实就是数据处理技术和建立模型效率的提高。
我们在看待市场正在发生的早期热点和现象的时候，通常会问自己这样几个问题。第一个问题，为什么是现在开始热？意思是为什么不是之前，也不是之后；第二个问题，为什么发生了这种模式，或者发生了这个概念、这个热点，而不是别的？
拿人工智能举例。为什么现在发生？为什么是人工智能？根据我们的简单理解，它其实代表数据处理效率的提升，不管是对类型复杂程度还是建立模型的有效性。那么它为什么会在这个时候出现呢？其实是因为数据已经多到需要用这个技术来处理，或者需要提高效率来处理。
那么大家就会考虑，这些所谓非常多、非常复杂的数据，到底是从哪儿来的？为什么会在今天出现这么多需要人工智能处理的数据？
我们把它分成两个部分，第一部分是线下数据大量线上化，在积累到一定规模后会带来对数据处理能力和效率提升的需求。如果某个领域当中，连数据化的过程都还没有开始，大概这个领域还轮不到人工智能先出现。第二部分则是新数据的大量产生，而不是把线下原有的东西通过某种形式搬到线上去。
过去十几年或者几十年里，科技进步的相关领域遵循了这样一个有意思的简单规律：一些底层工业技术的进展和快速提升，使得我们可以把一些比较重要的传感器变做的又小又厉害，而且很便宜，然后把这些传感器安装在了以前不能安的地方；接下来，我们让这些广义上制造了大量数据的传感器能够联网。

Uber、亚马逊Echo、摩拜单车出现的原因
比如，手机上很早就有摄像头了，只不过那个时候它的用途不大，但是到了今天，已经成为了必不可少的功能之一。为什么摄像头在诺基亚称王的时代没有得到如此广泛的应用？原因很简单，手机摄像头的技术进展巨大，变得又好又便宜。而且手机又可以连网，所以你拍摄的的照片、视频等数据就可以在网上大量传播。
再拿手机举例。由于智能手机的出现，还诞生了世界上最大的几家初创公司，比如国外的Uber，国内的“滴滴”。以前要订车，你要打电话说多长时间后要到哪儿接你，接你的人也要和你不停地说，现在状况是怎样的，车号是多少，现在走到哪里了等等。然而智能手机装在了GPS芯片之后，你只需要点击几下，就可以把所有的需求非常准确、清晰地表达出来，且你还可以知道司机离你有多远，多长时间到。这一切能够实现的原因，就是我们把以前没有装进手机里的GPS芯片装进了手机，这也是手机变成智能手机的原因。
亚马逊的智能音箱Echo也是相同的道理。亚马逊把麦克风阵列进行了重新组织，在播放音乐的时候会有麦克风搜集你的声音指令，然后再用人工智来处理这些指令，并执行相应操作，这就是智能音箱。
再比如摩拜单车，其实就是把GPS、电子锁、通讯芯片装在了原来没有被放过任何传感器的自行车上。因此，你可以通过智能手机知道自行车在哪儿，可以通过用智能手机开锁，这就是共享自行车出现的原因。
当然，我们现在还在尝试把更多传感器放到车里，比如激光雷达、毫米波雷达等等，加上计算和通讯芯片，使得我们在将来可以生产具备完全自动驾驶能力的汽车，也就是所谓的Level 4、Level 5。你把这个问题再抽象看，它只是把原来没有装在车上的传感器装到车上，让它实时产生各种各样的数据，然后再在各种维度上进行组合、加工和处理，由此诞生了新的商业模式。
从结论上可以回到我之前所说的：
1. 工业技术的突飞猛进，特别是传感器技术的提升，使得我们可以把传感器做的又小、精度又高、又便宜，然后越来越多地放在以前没有放过传感器的物体中去，比如放在自行车上，无人机上。
2. 然后让这些传感器联网，制造和传播大量的数据。
3.当数据积累达到一定的程度的时候，我们开始用更好的方式来处理这些数据，因此我们走到人工智能。
投资人工智能的逻辑
从结论上来讲，人工智能在大部分领域都不一定是最好的时机，除非这个领域已经按照我所说的顺序发生了很多事情。但是，在很多行业和很多事情上，我们终会走到人工智能的那一天。原因是有如此多的东西开始被加上这些传感器系统，让它们联网，并开始产生大量数据。总有一天这些数据会多到现在没办法处理的程度，因此这个时候这个方向就会进入人工智能。

我们的投资逻辑也是一样，如果线下数据线上化已经做得非常好，我们就投大数据。如果大数据已经做得很好，我们就投这个方向上的人工智能。如果还没有进入到大量数据产生的阶段，逻辑上我们就先不投大数据，而是先投传感器。等到传感器被很好的工业化之后再投大数据，然后再投人工智能。
以自动驾驶举例，现在还没有足够的多车被装上这些传感器，因此也没有足够多的数据，因为这些传感器从精度、尺寸和成本上来讲，都还没有达到大规模商用的阶段，所以先要解决的问题是改进和迭代这些传感器，直到它们能够被大规模地装在车上，这时候才过渡到大数据阶段，有了大数据才会最终走到人工智能。所以在还没有大规模商用传感器的领域，我们只能先投底层技术，直到他们已经成熟了。