人工智能到底能为应对气候变化做些什么？- 彭博社

人工智能可以更容易地优化电力网络，为自然灾害做准备，并最大化作物产量。

摄影师：布赖恩·凯泽/彭博社根据不同的人，人工智能要么拯救世界，要么毁灭世界。

这项技术在数据处理和问题解决方面的能力可以帮助预测天气事件，使电力网络优化、为自然灾害做准备并最大化作物产量变得更容易。但人工智能也耗能巨大，并且容易被用于具有伦理问题的目的。

出于这些原因，麻省理工学院的电气工程和人工智能教授普里娅·东蒂决定创立气候变化人工智能组织。该组织汇集了来自不同领域的科学家，以确定人工智能在气候方面的应用，并资助项目，涉及从可持续农业实践到建筑物中的算法供暖和制冷系统的一切。

彭博社绿色飓风贝瑞尔袭击开曼群岛，途经墨西哥阿联酋300亿美元的Alterra基金准备进行下一轮交易风险投资寻求资助原子犀犀角偷猎的防护措施现在有800家碳减排初创公司。太多了吗？东蒂与Zero主持人阿克沙特·拉蒂坐下来谈论该组织支持的一些项目，以及为什么积极塑造人工智能的发展符合每个人的利益。

“民主化实际上意味着让更多人参与到实际开发人工智能的轨迹中来，”她说，“而不仅仅是成为一些人开发的产品的用户。”

## 零

在人工智能炒作中寻找气候解决方案

30:28

收听完整剧集，了解更多关于 零 的信息。在 Apple 或 Spotify 订阅以获取最新剧集。

我们的文字记录是由软件和人类编辑组合生成的，可能在文本和音频之间存在细微差异。请在引用文字之前确认音频内容。

Akshat Rathi 00:00:00

欢迎来到 Zero。我是 Akshat Rathi。本周：人工智能能做些什么好事？

还记得数据曾经被称为新的石油吗？我特别想到的是《经济学人》2017年的封面，展示了谷歌、亚马逊和其他科技巨头如同大型海上石油钻井平台。其想法是数据是一种新的关键资源。它将重塑世界。

在某些方面，这已经发生了。也许您是通过 Spotify 或 Apple 根据您的收听历史推荐收听这个播客的 —— 这只是大数据运作的一个小例子。

人工智能——最新的时髦词汇——当然是以数据为基础。数据的获取是耗能和资源密集型的。这是我们上周在与微软总裁布拉德·史密斯讨论过的事情。该公司希望实现负碳排放，但实际上却看到其排放量在增加。

当然，只要提供正确的数据，人工智能可以做出惊人的事情。甚至有助于应对气候变化。但具体来说是如何做到的呢？

如果有一个人在领导这个问题，那就是麻省理工学院的普里娅·唐蒂。她是电气工程和人工智能教授，也是气候变化人工智能的联合创始人，这个组织汇集了对如何利用人工智能解决气候问题感兴趣的学者和行业领袖。

她的团队资助独立项目和实地工作，解决从印尼虾农的红树林恢复到化工行业纳米多孔分离研究等各种问题。

他们也在努力思考如何避免利用人工智能增加排放并加剧人类苦难。

我问过普里娅她最感兴奋的一些人工智能应用，以及为什么我们围绕人工智能建立的概念框架和技术本身一样重要。

阿克沙特·拉蒂00:02:25

在我们深入讨论气候变化人工智能领域的一些工作之前，我认为定义这些术语会很有帮助，因为术语实在太多了，人们在思考人工智能时总是混淆不清。对大多数人来说，人工智能的最大入门点是ChatGPT。ChatGPT是人们玩耍过的，人们有点知道它是基于一种叫做LLM的大型语言模型。但这只是人工智能类型的一个例子。所以，如果你从最高层开始，你会如何定义人工智能，以及有哪些类型的人工智能？

Priya Donti 00:03:05

是的，关于人工智能并没有一个普遍认可的定义，但大致上你可以将人工智能理解为执行某种复杂任务的系统。人工智能有两个主要分支。一个是基于规则的系统，这是当你知道如何做某事时，就像你知道如何下棋一样。你可以写下规则，但实际上推理这些规则以找出如何成为一个优秀的棋手是困难的部分。因此，基于规则的系统是你写下规则并自动推理这些规则的地方。

Akshat Rathi 00:03:43

哦，这意味着1997年Deep Blue首次击败加里·卡斯帕罗夫。从技术上讲，这将被分类为基于规则的人工智能系统。

Priya Donti 00:03:52

没错。

Akshat Rathi 00:03:54

即使是那些原始的计算机。

Priya Donti 00:03:54

哦是的。实际上，人工智能已经存在很长时间了。另一种人工智能是机器学习。机器学习通常用于你可能对某事有直觉，但很难写下规则来使你的直觉成为规范。所以如果我给你Akshat，一张狗的图片，你可能告诉我这是一只狗。但如果我让你写下一组准确解释为什么这是一只狗的规则，你会发现很难准确地写下这组规则。因此，机器学习是一种范式，你可以从示例或数据中自动推断出一些规则。我给你一堆图片，也许告诉你哪些是狗或猫，机器学习算法学习如何映射图片和标签之间的关系，比如这是一只狗还是猫，并推断导致这种情况成立的规则。

Akshat Rathi 00:04:51

所以，如果你考虑大多数人知道的AI类型，那就是大型语言模型，那就是机器学习。

Priya Donti 00:04:57

那就是机器学习。大型语言模型基本上是一种机器学习模型，它看起来特定，有特定的更新方式，这种模型可以以各种不同的方式使用。大致上，它们可以用于监督学习、无监督学习和强化学习。

Akshat Rathi 00:05:24

嗯，这一切听起来就像是在教孩子。要么通过监督，要么通过游戏，要么通过惩罚。

Priya Donti 00:05:32

是的，在某种意义上，许多机器学习算法和尝试学习这些东西的方式都在模糊地受到人类学习方式的启发。尽管我们实际上如何做到这一点可能会有很大不同。

Akshat Rathi 00:05:50

所以我们在气候背景下谈论AI有两个重要原因。一个是因为创建AI模型和使用AI模型的能源成本。第二个是这些模型，再次强调，它们的不同类型可以有不同的应用，这些应用可以使解决气候变化并部署这些解决方案变得更容易。

Priya Donti 00:06:12

我想再加一个第三支柱，那就是AI也被用于许多类型的应用，这些应用使解决气候变得更加困难。所以当我们谈论好与坏时，我们应该考虑到AI有自己的足迹，AI被用于好坏两种方式。

Akshat Rathi 00:06:29

是的。所以让我们来谈谈碳足迹这一部分，因为人工智能可能带来的碳足迹大小将取决于人工智能的类型。大型语言模型成为新闻焦点，因为这些模型试图在整个互联网语料库上进行自我训练，这需要大量的计算能力。这就是为什么微软、Alphabet和Meta等公司现在都在争相建设更多数据中心，消耗更多电力，并且在这个过程中超过了一些他们自己设定的气候目标，正如我们从微软最近的更新中了解到的，其排放实际上比去年高出30%，而不是低了30%。这是否意味着所有类型的人工智能注定要具有更高的碳足迹，因为所有类型的人工智能都希望尽可能获取更多数据？

Priya Donti 00:07:22

所以，人工智能的类型存在多样性，因此它们的能源使用也各不相同。在很长一段历史中，存在着使用合理数量数据的人工智能和机器学习模型，但远远少于整个互联网。而且这些模型本身也要小得多，参数更少，因此实际上不需要太多的计算能力来更新和让这些模型学习。因此，你知道，我们开发的一些模型，甚至在我的研究小组中，都可以在笔记本电脑上运行。但当然，你有这些大型数据密集型的最先进算法，正在通过ChatGPT等产品部署，肯定会带来能源消耗，你知道，数据中心的水消耗，实际上获取计算硬件的物质影响，这开始令人担忧。

Akshat Rathi 00:08:19

现在，气候应用本身不必走LLM的路线，消耗那么多数据。你知道，你说笔记本上的模型可以工作。让我们从那里开始，因为你是通过尝试弄清楚如何使电网运行更好而进入AI领域的，对吧？

Priya Donti 00:08:38

没错。所以基本上，当我们开始将越来越多的可再生能源整合到电网中时，许多这些可再生能源，它们的输出会根据天气而变化。所以随着时间的推移会有变化。想想太阳能，想想风能，然而在电网上，你必须保持这种精确的平衡，即向电网输入多少电力和消耗多少电力，当你有很多变化进入电网时，这变得更加困难。因此，AI和机器学习在某种程度上是有帮助的，比如首先，给我们更好的预测，比如你的太阳能输出，风能输出，电力需求会是什么样子。但也可以帮助加快一些现有的基于物理和工程的算法，这些算法用于在后台管理电网以保持平衡。

Akshat Rathi 00:09:22

因此，尝试理解AI在帮助解决一些气候问题方面的应用的一个挑战是，它很快变得非常抽象。所以你说，“哦，是的，我们有许多数据点，有一种智能的方法可以使用它们，这给我们一个输出，”但通常我们不知道为什么会有那个输出，但那个输出更好。所以我们使用它，这就是解决方案。作为一名科学记者，对我来说，发明的乐趣实际上是要分解步骤，尝试弄清楚为什么这一步导致那一步导致那一步。最终你会得到一些真正有用的东西。我们能用AI做到这一点吗？

Priya Donti 00:10:06

是的，我认为我们可以从几个方面来思考人工智能和机器学习在气候方面的应用，这可以帮助我们更好地理解实际发生的情况。其中一个方面是，将大量的原始数据转化为可操作的信息。我们通过气候变化人工智能资助的一个项目实际上是一个试图改善虾养殖实践可持续性的项目。虾养殖目前可能对沿海红树林造成危害。这对于气候变化适应性以及红树林的固碳潜力在气候变化减缓方面都有影响。

因此，我们目前正在资助来自亚利桑那州保护国际和菲律宾Thinking Machines Data Science的团队，实际上利用卫星图像来评估可能受益于更好养殖实践的养殖场。这里的干预是，你实际上可以做一些事情，比如如果你有一个养殖场，你可以加大在农场的一部分的养殖量，然后你可以在农场的另一部分进行保护。因此，在不影响整体生产力的情况下，你可以以更有利于红树林的方式进行养殖。因此，保护国际有一个项目，他们正在与农民合作，试图帮助他们做到这一点，但实际上在规模上确定哪些农场适合这种干预是困难的。因此，他们结合卫星图像、海平面上升数据以及海洋风险等数据，然后实际上可以在规模上确定哪些农场可能适合这种干预，然后与他们合作实施。

Akshat Rathi 00:11:56

而且你说这只是一种方法？还有哪些其他方法？

Priya Donti 00:12:00

实际上还有几种其他方法。其中一种是，你知道，预测和预测。所以拿一些历史数据，你可以在其中找到一些输入和你想要预测的某个数量之间的关系。比如，我想要预测电网上的电力需求。我可以获取有关电力需求的历史数据。我可以获取历史天气数据，然后学习它们之间的关系，这样将来当我有一个天气预测时，但我不知道基于那个天气预测电力需求会是多少，我可以直接进行预测。例如，有一些非营利组织，比如Open Climate Fix，他们正在与英国电力系统运营商合作，实际上改进了他们的电力需求预测，并且他们已经能够利用机器学习将这些预测的误差减半。

Akshat Rathi 00:12:48

休息一下后，为什么我们所有人都参与到AI的发展中很重要。顺便说一句，如果你喜欢这个播客，请花点时间在Apple Podcasts或Spotify上对其进行评分或评论。这有助于其他听众找到它。

Akshat 00:13:10

一些公司，比如我的同事写过的一家叫做Climate AI的公司，正在利用人工智能来尝试改进天气预测模型。因为目前你开始得到越来越好的预测，对他们来说这至少是一个有利可图的企业。因为他们正在与那些希望弄清楚何时开始播种或何时开始收获的大型农业公司合作，因为我们对天气有了更好的了解，不仅仅是未来两周，还包括未来三个月。

普里娅·东蒂 00:13:44

是的，我认为这种中长期预测的想法也非常酷，但通常要在这些情境中进行良好的预测，你需要同时使用物理模型和数据。例如，在气候变化人工智能资助的一个团队中，这个团队由几所美国大学和一所印度大学的学生组成，他们基本上试图弄清楚，“我如何实际地做出更长期的天气预测，以促进我们如何实际建设未来的电网？” 这里的困难在于，如果你只使用过去的数据，机器学习会学习到那些过去数据中的模式，并将其向前投射。但气候正在变化，这意味着天气发生的模式也在变化。因此，你不能仅仅使用纯数据驱动的技术来做这件事。

因此，这个团队说，“我们有气候模型。” 气候模型的问题在于，它们并不会给你非常细致的信息，关于在特定地点会发生什么，因为运行起来非常计算密集。但如果我们可以所谓的“回溯”气候模型，运行并说，现在气候模型会说什么？而且我们已经有非常精细的历史天气数据，我们可以学习气候模型所说的内容与天气数据之间的映射。然后在未来，当我们只有气候模型的预测时，我们可以使用我们学到的关系来说，“哦，未来天气会以更精细的方式呈现。”

使用许多这类气候降尺度技术时，通常要考虑谁是这些技术的用户，因此，你的降尺度预测的哪些方面必须是良好的。所以在这里，他们实际上是在为电网规划背景下进行这项工作，他们说，“我们能否生成关于电力使用、风力发电和太阳能发电可能会是什么样子的精细数据集，以促进电网规划？”

Akshat Rathi 00:15:38

所有这些都是你在一篇名为“利用机器学习应对气候变化”论文中发表的内容。为什么你需要写这篇论文？

Priya Donti 00:15:46

是的，所以我会说在2019年，我们确实看到了许多人想要利用他们的AI和机器学习技能来帮助促进气候行动，但并不一定知道如何做到。另一方面，许多与气候变化相关的领域的人看到，你知道，像更大规模的数据流变得可用，然后说，“但我该如何真正利用这些数据呢？”因此，我们真的觉得有必要为社区提出，你知道，AI在哪些方面与气候变化相关问题相匹配，以帮助AI人员进入这个领域，并帮助气候人士了解，“好的，对于我们正在看到的一些复杂问题，AI和机器学习可能潜在地能够通过解决瓶颈来帮助解决问题。”

而通过这项工作有两个主要目标。一个是再次概述应用领域，但第二个是尝试提供某种思维模型和指导，以便以一种有影响力和负责任的方式进行这项工作。因为有很多地方AI并不适用，它可能会成为一个巨大的干扰，或者有一些情况，例如，因为你经常会看到，数据和计算能力集中在某些地理位置而不是其他地方，AI的实践可能会通过基本上导致那些已经可以访问计算数据的人能够做更多的事情并将其他人抛在后面来加剧一些不平等。因此，在这方面有很多内容需要确保我们实际上是以对气候和公平有意义的方式推动这个领域向前发展。

Akshat Rathi 00:17:20

是的，最近我们与微软总裁Brad Smith进行了交谈，他谈到了他希望人人都能使用人工智能。他不希望有人工智能的有和无。我理解这意味着，你知道，过去我们曾有过技术飞跃，当它们变得更广泛可用时，对人类是有益的 — 手机，互联网.. 你认为人工智能像微软总裁所说的那样，对释放人类潜力至关重要吗？

Priya Donti 00:17:59

所以我认为有两件事我想要解开。首先，我认为人工智能可以成为许多与气候变化相关的应用程序以及其他应用程序的强大支持和加速器。有一些地方我认为它是必不可少的 — 例如，我不知道我们如何在没有人工智能的情况下管理具有大量变化和大量可再生能源的电网。还有其他一些地方它可能有所帮助，但我不认为它是关键瓶颈。

我想提到的另一件事是，对于某些事物，比如移动技术等，民主化一词被用来表示，好吧，一些人创造了一种东西，然后将其推广给世界其他地方。在某种程度上，这实际上并不是民主化，特别是在人工智能的背景下，实际上，您构建的人工智能类型以及您进行构建的方式基本上需要根据您所处的环境而有很大不同。

在不同的环境中，您拥有不同数量的数据。在不同的环境中，您拥有不同数量的计算资源，您拥有不同数量的可以集成到系统中的现有知识。因此，如果我们在一小部分实体中开发人工智能，然后将其推广给世界其他地方，实际上将无法满足全世界的需求。因此，民主化实际上意味着使更多人能够为实际开发人工智能的轨迹做出贡献，而不仅仅是成为另一边少数人开发的产品的用户。

Akshat Rathi 00:19:28

你能给出一个具体的方式，比如通过ChatGPT或Cloud等这些其他类型的生成式AI产品的发展，它可能会如何发挥作用？

Priya Donti 00:19:38

是的。所以基本上，如果你想一下像GPT这样的东西，它需要大量的数据来训练。它需要大量的计算资源来运行，而世界上大多数实体都没有能力筛选或收集那么多的数据，也没有能力支付或获取运行这些模型所需的计算资源。因此，这些模型是由一小部分人开发的，然后打包并发送到像ChatGPT这样的界面，许多人可以使用。这对于某些用例可能有所帮助，但也有许多用例并不完全适合这种模式。

想象一下，你正在尝试训练自己的天气预测模型，在这种情况下，你有一些数据，也有一些关于天气物理学如何运作的知识。如果你以完全数据驱动的方式进行这项工作，确实存在这样一种情况，即你能够纯粹通过数据来预测天气。但如果你基本上没有嵌入物理规则，因此需要完全从头开始学习这些规则，那么通常情况下你需要更多的数据和一个更大的模型。这会导致又一种情况，即你又有了一个更大的模型，只有少数人可以使用和训练。这也可能导致一些情况，即人们会说，“哦，我没有很多数据，这是我应该做的事情，收集大量的数据。” 因此，他们投资了大量资金，建立数据基础设施和数据收集。然而，在另一方面——

Akshat Rathi 00:21:12

这是一个真正的限制，因为如果你看一下世界上的气象站地图，它与世界上的财富基本上是一对一的映射。美洲和欧洲到处都是气象站，而非洲却是空白的。所以，如果你选择这条路线，答案就是部署更多的气象站。但这并不是正确的答案。

Priya Donti 00:21:37

是的，我是说，从某种意义上说，解决数据和公平问题显然是一件好事。在非洲拥有比现在更多的气象站将是一件好事，但还有其他方法来应对这个问题，其中包括利用你已有的数据和对控制天气的物理规律的一些了解，巧妙地将它们结合在一起，这样你就不需要太多的数据仍然可以得到好的答案。这实际上指导了你作为一个组织、一个国家如何思考在哪里投资你的资源。如果你只是假设你投资于收集所需的最大量数据，你实际上，如果你认为AI只意味着最大化数据收集和仅仅在数据上学习，那可能是一种资源错误投资。

除了吸收数据并产生见解之外，还有一些情况下，AI和机器学习实际上可以帮助我们更有效地优化一个复杂系统，以提高其效率。例如，如果我们考虑建筑物，有很多方法可以更好地控制建筑物中的供暖和制冷系统，既可以减少它们实际使用的能量，同时又可以保持类似于建筑物中的热舒适度的东西。同时还要对诸如此时电网上实际可用的可再生能源量等因素做出响应 —— 这就是需求响应的概念。

有趣的是，当你开始思考的不仅仅是单个建筑的性能，还有它如何与电网连接起来时。当可再生能源可用时，有时你可能会开始考虑的不仅仅是单个建筑层面，而是例如在邻里层面，你实际上可能希望协同优化不同建筑物的运作，共同为整体效率和电网做出最佳贡献。因此，我们通过气候变化人工智能资助的项目之一被称为Citylearn挑战。他们实际上创建了一个模拟环境，试图提供一些结构，告诉你，这里有一堆建筑物，它们以某种特定方式连接到一个邻里电网，这里有一些关于它们如何消耗能源的数据。他们将这作为一个挑战提出给机器学习社区，问，你能否想出更好的方法来优化这个邻里，以提高其能源效率？

Akshat Rathi 00:23:46

是的，这很酷。我觉得人工智能可以帮助的另一件事情是加速这些解决方案的创新，在其他情况下，你可能需要更多的时间、更多的技能，以及更多具备这些技能的人。特别是在发展中国家，你真的希望加快解决方案的速度，人工智能可以让这些优化技术更快地实现，而不是以往那样需要更长时间。

Priya Donti 00:24:13

是的，所以在我们通过气候变化人工智能资助和促进的项目中，它们正在世界各地进行。例如，我们资助的一个项目是一个研究团队与斐济政府合作，实际上更好地绘制出斐济发生洪水时的损害情况，以促进斐济的灾难应对工作。其想法是，当你试图弄清楚，在洪水中发生了什么，谁受到了影响时，要系统地和全面地收集地面数据是非常困难的。因此，我们资助的一个团队实际上是与斐济政府一起开发算法，从卫星图像中绘制出关于洪水后影响的有针对性信息，并能够根据卫星图像不断更新这些地图，以帮助灾难应对工作。这只是一个例子，但这样的工作正在世界各地进行。

Akshat Rathi 00:25:14

所以回到对话开始的地方，你说过同样的工具也可以用来增加排放。你可以优化如何以更便宜的方式提取石油和天然气，或者去之前未发现或无法到达的地方。这是最大的担忧吗？这是AI最大的缺点吗，甚至比资源使用还要重要吗？

Priya Donti 00:25:43

是的，对我来说，我认为我们显然需要考虑资源使用和应用，但应用对我来说非常令人担忧。因为我认为一些应用产生了不成比例的负面影响，同时也没有集中在我们如何实际将AI的使用与气候行动相一致的对话中。石油和天然气就是一个例子，但还有其他一些事情，比如，AI驱动定向广告和消费增加，这些方式并不总是让我们更快乐，但却增加了我们的资源使用。AI在很多方面也驱动着我们在线上实际消费的信息。这与气候信息或错误信息的传播有很多联系，这种传播方式可能有害或有益，取决于我们如何塑造AI诱导信息传播的趋势。

还有一些像用于自动驾驶车辆的AI，我们通常不在气候背景下讨论，但我们所做的选择正在影响交通部门，这可能对气候有利或不利。如果你在促进私人化石燃料交通，那么你可能会增加能源使用和排放。而如果你使用自动驾驶车辆来促进公共多式联运，你可能会降低该部门的排放。所以我认为应用确实可能产生不成比例的影响，不将它们排除在对话之外非常重要。

Akshat Rathi 00:27:10

我的接触人工智能实际上可以追溯到十年前，当时我在牛津大学攻读研究生学位，那时并不是模型或应用，而是伦理问题。当时有很多关于如何使用人工智能的伦理问题的讨论。您认为我们在伦理方面做了实质性的工作，以确保应用对人类有益吗？还是我们只是在竞相开发新的人工智能产品，有点忘记了这里存在巨大的伦理影响？

Priya Donti 00:27:42

伦理是对话中非常重要的一部分，我认为在这方面已经做了很多出色的工作，但还有很多工作需要做。您可以看到像联合国教科文组织的人工智能伦理建议这样的东西，实际上被广泛采纳，并且在思考诸如偏见、公平、隐私、透明度、环境影响等方面非常全面。

因此，我认为在这方面已经有一些非常出色的思考，但还有很多工作需要做来使其具体化，并激励人们真正以符合伦理的方式工作，而不是把伦理抛在脑后，只是一味地前进。因此，当我们谈论人工智能伦理时，我们历来一直在谈论公平、公正、透明度、隐私等问题。

Akshat Rathi 00:28:32

或友好的人工智能，我们不应该创造出一些会想要试图摧毁人类的东西。

普里娅·东蒂 00:28:39

这种想法最近真的成为了谈话中的一部分。这种想法，你知道，人工智能的存在风险，人工智能的存在威胁等等。我会说这并不是谈话中一个不重要的部分，对吧？我们真的应该考虑人工智能可能带来的全方位风险，并着手解决这些问题，但这可能已经成为了谈话中一个过于突出的部分。我们应该全面考虑人工智能伦理，并确保我们不让人工智能伦理的某个特定子部分主导谈话，而忽视了对其他人工智能伦理的深思熟虑。

实际上，我们迫切需要普及人工智能方面的知识和专业技能，以便更多的人能够以一种受到对这项技术的优势、局限性和风险知识指导的方式参与其中。因此，我认为真正让更多人参与，通过具备这种素养和专业技能，是我们目前需要实现的重要目标。

阿克沙特·拉蒂 00:29:41

我非常喜欢这次谈话，谢谢。

普里娅·东蒂 00:29:43

非常感谢。

阿克沙特·拉蒂 00:29:52

感谢您收听 Zero。如果您喜欢这一集，请花点时间在 Apple Podcasts 和 Spotify 上对节目进行评分或评论。与朋友或害怕我们的机器人主宰的人分享这一集。您可以通过 [email protected] 联系我们。Zero 的制片人是米蒂莉·拉奥。

我们的主题音乐由Wonderly创作。特别感谢Kira Bindrim和Alicia Clanton。我是Akshat Rathi。马上回来。