人工智能转型和治理领导力：首席人工智能官视角

Tom Soderstrom：
欢迎收听 AWS 带来的《高管洞见》播客。我是 Tom Soderstrom，AWS 的企业战略分析师。纵观当下的行业趋势，生成式人工智能和云技术的兴起是核心方向之一，这二者相辅相成。没有云技术，生成式人工智能便难以实现。

因此，在研究这个问题时，我们深知，除非有人来推动和采用技术，否则技术本身并无实际意义。因此，今天我们非常荣幸邀请到新晋首席人工智能官之一、来自 Leidos 的 Ron Keesing 与我们一同探讨这一新职位及其意义。Ron，非常感谢你的到来。

Ron Keesing：
谢谢你，Tom。很高兴来到这里。

Tom Soderstrom：
能否先为我们介绍一下 Leidos 以及你本人的背景？ 之后我们再深入聊聊你目前的工作职责。

Ron Keesing：
当然可以。关于 Leidos...很多人可能对我们不太熟悉。我们不一定是一个家喻户晓的品牌，但却是一家规模庞大的公司。我们是一家《财富》300 强公司，致力于解决全球安全与健康领域极为棘手的问题。

我目前负责领导 Leidos 的人工智能业务，这是一个非常棒的职位，因为我们的业务范围极为广泛，主要为美国政府服务，执行保障美国联邦航空管理局（FAA）空中交通管制系统运行等任务。因此，我们编写了负责维护空中交通安全的软件。我们为美国国防部（DoD）运营全球大型电子健康记录系统之一，服务用户超 1000 万。我们处理的残疾索赔与残疾鉴定数量比美国任何其他实体都要多。这还仅仅是在医疗保健领域。

此外，我们还运营着一些大家能想到的超酷的物流供应链，包括国际空间站的物流供应链。

Tom Soderstrom：
哇！太酷了。

Ron Keesing：
是的，很酷。我们代表美国国防部运营全球第三大 IT 网络。

从业务规模来看，我们处理的都是数据密集型任务，而人工智能正是这些任务的核心支撑。现在，我进入人工智能领域已经很长时间了。之前我们曾交流过职业经历，你曾在 JPL 工作，而我曾参与 NASA 的项目，在 20 世纪 90 年代，我所在的团队与 JPL 合作开发了第一代自主航天器。所以，我很早就涉足了人工智能领域。我在 Leidos 工作了 20 多年，期间领导过各类人工智能项目。

Tom Soderstrom：
我们看到首席人工智能官这一职位出现，其他人会问：“如何定义这个角色的成功？ 对这个职位应该有怎样的期望？” 首先想请教，你对自己的角色有哪些期望？

Ron Keesing：
我信奉一条领导力原则，也认为这与 AWS 的价值观不谋而合，那就是“主动担责”的重要性。因此，对我来说，我研究了 Leidos 的公司情况。我们此前虽已涉足人工智能领域多年，也明确了人工智能战略方向，但始终缺乏一个真正对战略负责的角色。于是我主动提出：“我们需要一个职位，一个角色，不仅从技术层面，而且从企业整体层面负责。我们的人工智能战略是什么？”

我确实专注于定义首席人工智能官这一角色，其核心职责是领导 Leidos 执行全面的人工智能战略。这也是我关注的重点。既要负责人工智能战略制定，也要主导企业人工智能治理原则的定义，以及全公司人工智能治理体系的构建。

Tom Soderstrom：
这非常有意思。亚马逊的一个重要经验是……如果想推动某件事成功，就需要一位专项负责人，这个人每天醒来后……唯一关注的就是这件事。对你来说，这件事就是人工智能。那么，你是否参与了这个职位的职责定义？

Ron Keesing：
是的，而且……

Tom Soderstrom：
那太好了。

Ron Keesing：
没错，不止是好，简直是非常棒。Leidos 的高管层和董事会给予了我极大的支持，帮助我明确了这个职位的定义并推动其落地。之所以能顺利推进，是因为作为一家公司，我们在过去一年里一直在开展“深度战略思考年”活动。我们不仅审视了公司自身的未来发展，也深入研究了客户的未来需求。正如我之前提到的，我们的业务主要是支持美国政府完成各类重要任务。

在这一过程中，我们意识到，无论是对 Leidos 自身，还是对我们的客户而言，人工智能对我们的战略都至关重要。而要推动这一全面的人工智能战略落地，就需要有一个明确的核心负责人。这不仅是我们人工智能战略的基础，而且是更广泛的企业战略的重要支撑。因为我们的大部分业务都依赖数据，需要构建能处理海量数据的复杂系统。对于这类业务来说，人工智能就是未来的发展方向。

Tom Soderstrom：
确实，人工智能已成为企业发展的“入场券”，而生成式人工智能作为新兴技术，正备受关注。之前我们曾有过交流，我听到贵公司的首席执行官提到“速度是首要任务”。 那么，你现在打算如何履行作为 Leidos 人工智能专项负责人的使命呢？

Ron Keesing：
说到我的使命，核心其实是要让人工智能融入 Leidos 的基因，渗透到每个层级。我来具体解释一下这句话的含义。

Tom Soderstrom：
好的。非常期待。

Ron Keesing：
事实上，Leidos 涉足人工智能领域已有多年。过去 20 年间，我们还参与过不少具有开创性的人工智能项目。早在 2004 年，我们就参加了首届 DARPA 大挑战赛，在这场挑战赛上展示了自动驾驶汽车。我们还为美国海军建造了第一代自主航行船舶。这些年来，在为美国政府推进各类自主技术与人工智能突破方面，我们始终走在前沿。作为一家公司，我们知道如何实施人工智能，但这些人工智能工作一直是聚焦特定领域的独立项目，并未融入我们所有的业务工作中。

因此，我们在向前发展的过程中面临的挑战是：如何充分利用已有的人工智能专业知识，比如我们称之为“人工智能加速器”的团队所具备的能力，该组织汇聚了我们真正顶尖的科学人才。但是，我们要如何利用这些人才，着手构建一种更完善的“中枢-分支”模式，让组织的各个层级都具备出色的人工智能能力。因为事实上，如今要扩大业务规模、抓住生成式人工智能带来的机遇，单靠一个中心化组织已经难以实现。实际上，必须具有遍及整个组织的人工智能能力。

而且，我认为这还需要更深入的布局。展望未来的员工队伍建设，我们不能只关注“如何培养优秀的人工智能科学家和工程师”。 实际上，还要思考如何打造一支能与人工智能协同工作、借助人工智能完成日常任务的全员队伍。

要做好这份工作，我意识到一个关键点：我不能试图掌控公司所有的人工智能资源，实际上，我的职能是整合整个组织内的所有工作。因此，在公司各部门的大力支持下，我实际组织工作的方式是：发起一系列计划，将各部门正在推进的人工智能相关工作整合起来，并以统一的方式执行。

因此，实际上，我的工作重点不在于“掌控资源”，而在于“明确愿景”，为正在推进的各类人工智能项目提供清晰、稳定的协调和编排。正如你所说，现在大家对生成式人工智能热情高涨，纷纷开展实验与试点，这本身是好事。但到了某个阶段，就必须决定要把钱花在什么地方？要追求什么，真正投资于哪些领域？要在哪些方向上力争达到世界一流水平？哪些领域能真正创造价值？

因此，我认为自己的角色就是协调公司内每个人的工作，这样我们才能以一致方式运营；明确公司的愿景与方向；以及引导全体员工朝着这个目标共同努力，从而快速实现突破。

Tom Soderstrom：
这个思路我很认同。我有一个可能有点争议的观点，想听听你的看法。现在很多企业会设立卓越中心（COE），认为它能成为能力核心，觉得只要有一个精干的小团队就能解决问题。但是，如果设立卓越中心，团队成员可能会自视甚高，其他部门则会产生抵触情绪，进而各自成立自己的卓越中心，最终导致影子卓越中心和影子 IT 的出现。相反，应该打造协作中心，如同潮水一般带动所有业务共同发展。听起来，你目前做的似乎就是这样的事。你是否同意我的观点？

Ron Keesing：
我认同你的看法，我们就是这样想的。事实上，我们一直在做的就是将在“加速器”团队中成长起来的真正领导者派往公司其他部门，让他们为这些部门培育这类中心，从而建立起跨部门的协作纽带。

如果只培养了中心化的能力，却任由各部门各自为政，那后果会非常糟糕。既无法实现规模化，也难以保证协同性。

Tom Soderstrom：
不，这完全是在浪费所有这些资源。

Ron Keesing：
没错。因此，如何维系这种协作纽带，对我的计划、我们的执行方式，以及在整个组织范围内构建这种更具分布式特点的人工智能能力，都至关重要。好消息是，组织内已有一批任职多年的优秀人才，他们已做好迎接新挑战的准备。这也为他们提供了绝佳的职业发展机会，让他们能进入不同的组织，探索如何发挥领导力、推动业务规模化发展，同时助力这些组织共同成长。

Tom Soderstrom：
太棒了。接下来是一个真正的难题。作为首席人工智能官，你如何衡量自己的工作成效？ 每个希望成为首席人工智能官的人都会想：“好吧，请告诉我方法。给我一套可遵循的流程。” 所以，你的衡量标准是什么？ 成功的定义又是什么？

Ron Keesing：
在人工智能解决方案的开发与成效衡量方面，一个重要指标是：我们实际上通过人工智能影响了多少业务管道。

实际上，我们会对此进行明确衡量。我们会跟踪所有参与情况。比如，针对我们之前聊到的那些人工智能计划，我们会清晰追踪业务管道中有哪些项目正在使用这些计划开发的技术？技术应用又带来了哪些影响？ 最终，我们甚至还想知道这些贡献在多大程度上帮助我们赢得了新业务？ 例如，在我们入选参与提案的情况下，这些技术是否被视为我们的优势？ 这是从业务管道角度进行的衡量。

此外，公司还希望衡量另一个重要维度，我认为这也是大家对首席人工智能官角色的普遍期待，那就是这个角色为提升组织整体生产力做出了哪些贡献？ 人工智能是如何提高效率的？ 对我来说，这是个非常有趣的话题，因为我觉得当前人工智能应用面临的一大现实挑战是：我们知道如何利用生成式人工智能等技术提高某些工作流的效率，但目前尚不清楚如何将这些效率提升转化为实际的业务成果。我的意思是什么呢？ 以人工智能编码助手为例。

如果使用得当，人工智能编码助手确实是一项出色的技术，但这是否意味着：如果软件开发人员的效率提升了 30% 到 40%，我们就能用减少 30% 到 40% 的开发人员来完成同样的工作？ 还是说，我们能开发出更安全的软件？ 或是能着手处理那些长期搁置、一直没能解决的遗留技术债务？

所以，想想看，有些组织想通过资金影响来衡量成效。如果是削减人员，那很容易量化，但我认为大多数组织不会采取这种做法。我认为，当建立起良好的人机协作关系后，会发现自己能承担更多工作，或是能解决以往未得到充分解决的问题。坦白说，这类影响更难衡量。因此，我会评估潜在的工时节约量，但这些节约下来的工时实际上如何被业务部门利用，就得由他们自主决定了。

Tom Soderstrom：
很有意思。

Tom Soderstrom：
有一个问题，你所在的行业受监管约束，我之前所处的行业也是如此，如果未通过合规性检查，项目便无法推进。所以，“合规通过”这一指标的重要性甚至超过资金指标。

Ron Keesing：
当然可以。

Tom Soderstrom：
但现在常见的情况是，合规性检查要等项目建成后才进行，结果就是项目只能一直搁置等待。我认为生成式人工智能和编码助手能帮助解决这个问题，想听听你的看法。比如我们看到，使用生成式人工智能的解决方案中，有 27% 会被采纳。这些方案能投入生产，无论是内部使用还是交付给客户。而且如果能将安全性与合规性嵌入到代码中，就能缩短合规周期、更快获得通过，这本质上就是在创造价值，而且是可量化的价值。你怎么看这个观点？

Ron Keesing：
我完全同意。例如，提升代码安全性和代码交付效率本身就能转化为实实在在的业务价值。你提到的“价值实现速度”，现在正是个值得关注的领域，因为所有软件都面临这一问题，如今，编写的任何内容在六个月到一年内就会过时。所以，如果考虑将某件商品在货架上搁置六个月，它的价值就折损了一半。所以交付速度和部署速度至关重要，有趣的是，你特别提到了这一点。

很多人觉得编码人工智能的价值在于坐下来写几行代码，但根据我们的经验，它在整个 DevOps 生命周期中能发挥更广泛的价值。比如如何加快各项合规检查的速度？ 如何提升所有质量以尽快完成部署？ 所以我非常同意你的观点，尤其从软件的角度来看，人工智能的价值很大程度上体现在部署速度和合规效率的提升上。这一点毋庸置疑。

Tom Soderstrom：
你如何衡量开发人员对编码人工智能的采用和使用情况？

Ron Keesing：
实际上，我们研究开发人员使用编码人工智能和编码人工智能助手的方式时，发现了一些很有意思的规律。人们认为，有了编码人工智能助手，开发人员在编码上花费的时间会减少，因为人工智能可以承担这部分工作。但实际上，大规模应用后我们发现，开发人员用编码助手时，花在编码上的时间反而更多了。减少的是编写软件包、验收标准、单元测试和文档的时间。

要是采用一个能在这些方面提供帮助的编码助手……

Tom Soderstrom：
太对了。

Ron Keesing：
……那么大家就会很乐意接受它。如果编码助手还能帮开发人员略微提升编码水平，那就更好了。但要是想让它取代开发人员的核心编码工作，大家肯定会抵触，但必须找到解决方案。

Tom Soderstrom：
是啊。我以前也是软件开发人员，要是这样，我肯定不乐意。

Ron Keesing：
太对了。所以换个思路想想：我们应该如何将编码助手融入开发人员的整体工作流程，帮他们梳理代码的上下文？因为大多数开发人员要处理的是体量庞大的遗留代码库，其中有些代码甚至已有数十年历史，尤其是在我们这类企业中。他们大部分时间都耗费在理解这些代码的功能上。如果编码助手能帮开发人员快速熟悉这些遗留代码库，并切实让他们在其中高效开展工作，那他们肯定会喜欢用的，对吧？ 这实际上能让开发人员的工作更简单，并且能帮他们省去工作中令人讨厌的部分。

Tom Soderstrom：
我同意。还有一个有意思的点，我很好奇你对“技术债务”怎么看。技术债务是真实存在的，而且很难争取到资金来解决。那该如何消除它呢？ 我觉得人工智能或许能帮上忙。借助云技术，就可以采用基础设施即代码，这种方式能清晰记录服务器的配置流程。这样一来，数据中心里那些原本需要专门团队维护的老旧服务器，就可以被移除了。

这是硬件层面的技术债务，软件层面则是那些老旧代码。该怎么处理这些代码呢？ 开发人员其实特别想摆脱这些工作去做别的事，但这些老旧代码又至关重要。就像你之前说的，生成式人工智能和编码助手或许能帮上忙：它们可以帮助理解这些老旧代码，甚至可以实现代码转换与迁移。现在，要是可以将这些代码迁移到云端，开发人员就能腾出手来做其他工作了。这是我的期望。你怎么看？ 你认为这有可能实现吗？

Ron Keesing：
在某些方面，这绝对是可行的。我得说，至少就目前我们看到的情况而言，人工智能并非万能解药，但确实有不少出色案例证明它能为我们带来极大帮助。你提到的基础设施即代码就是个例子。有一部分人非常擅长基础设施即代码，我们都很看重也很欣赏他们。但大多数人并不具备这种能力。实际上，我们发现，优秀的编码助手能提供很大帮助，让非专业人员也能完成大量“基础设施即代码”工作。

例如，我们内部对编码助手使用率最高的部门之一，就是首席信息官团队，他们正借助生成式人工智能编码助手，编写大量新的基础设施即代码脚本，这正好印证了你刚才的观点，对吧？ 通过这种方式，就能开始着手处理部分技术债务：减少在系统手动配置上花费的时间，转而思考如何将系统迁移到云端、如何采用更现代化的运营方式，进而腾出精力去解决更有价值的问题，真正实现 IT 系统运营模式的现代化转型，提升运营效率。

Tom Soderstrom：
这是个很棒的例子。还有其他类似案例吗？比如人工智能（尤其是生成式人工智能，如果有的话）已为你们带来实际业务收益的例子。

Ron Keesing：
当然。这是个非常好的问题，因为现在大家对人工智能的热情很高。我们都试过用 ChatGPT 这类生成式人工智能系统，直觉上会觉得用它们能做成大事，对吧？ 但实际上，要找到能持续创造业务价值的案例，难度要大得多。

不过，我们确实在一个领域看到了业务价值，那就是对常规 IT 服务流程的优化。传统上，IT 服务流程大多依赖人工操作。正如我之前提到的，Leidos 为美国政府管理着庞大的网络系统，配备了大型服务台和传统的技术支持基础设施。但事实上，大多数人不愿意在 IT 系统出问题时打电话求助。

Tom Soderstrom：
没错。

Ron Keesing：
首先，他们只是希望 IT 系统能自我修复，就算真的需要帮助，也希望能够与某种基于聊天的、能实时解决问题的助手打交道。

我们在这方面取得了显著成效：借助生成式人工智能聊天机器人提供定制化 IT 服务支持，使用户满意度大幅提升。我每周至少要联系两三次 IT 支持，我们 Leidos 内部使用的这款产品功能强大、效果极佳，目前我们正将它推广给许多政府客户。

Ron Keesing：
还有一个领域，我个人非常期待能通过人工智能实现变革，但目前它能带来多大价值还不确定，那就是利用生成式人工智能转变数字工程、设计与系统工程领域，用它来承担大量传统上高度依赖人工的工作流程。

Tom Soderstrom：
我觉得这很合理。因为现在很多业务都在追求规模化发展，但规模扩大后，问题也会变得更复杂。当处理一项非常复杂的系统工程任务时，需要跟踪的细节太多了。而人工智能擅长的，恰恰就是跟踪海量细节。

Tom Soderstrom：
那么，你认为人工智能的未来会是怎样的？

Ron Keesing：
好的，现在轮到我跟你说一个可能有争议的观点了。

Tom Soderstrom：
好的。请讲。

Ron Keesing：
人工智能领域正处于一个非常有意思的阶段。想想我们现在的工作方式，我们采用的各类流程都基于文本生成和文本使用……也就是人类生成文本，再由人类使用文本。现在，我们正进入一个新时代：未来会有越来越多的文本由人工智能来生成，而最终，也会有越来越多的文本由人工智能来使用。

我可以结合我所处的行业举个例子。我们需要撰写提案给美国政府，以此争取工作机会。和其他企业一样，我们也在使用人工智能。我们正在尝试考虑如何使用人工智能来简化和改进提案撰写流程。当然，正如你提到的，目前还是先由人工智能生成初稿，再由人工进行反复修改。我预计，随着时间推移，人工智能会做得越来越好。但另一方面，我们的客户需要审阅的提案越来越多，人手却越来越少，所以他们也在考虑如何用人工智能来阅读这些提案。

Tom Soderstrom：
这个观点真的很有意思。

Ron Keesing：
对吗？

Tom Soderstrom：
是的。

Ron Keesing：
所以试想一下极端情况：未来我们可能会先整理出一系列“知识块”，把这些块输入人工智能系统，然后生成一份优质的书面提案。而客户那边则会使用人工智能系统来阅读提案，从中提取出关键知识块，再通过某种方式进行比较，最终决定选择哪家企业合作。双方都会宣称借助人工智能实现了极大的效率提升，但实际上，这些人工智能系统并没有提升任何基本价值，因为其实并没有使用任何文本编码和解码功能。

所以，这其实引出了一个很有意思的观点：我们如今已经开发了大量工作流程，不仅是在组织内部，甚至还包括组织与组织之间，而在这些流程中，文本某种程度上成了知识传递的载体。现在，我们都热衷于用人工智能来改变这些流程的运作方式，但实际上，除非我们真正重新思考这些流程的本质，意识到文本或许不再是如今我们所认定的传递媒介，否则可能无法创造出真正的、最终的价值。

Tom Soderstrom：
太有意思了。你我都写过很多很多大型提案，而最终提交的内容，其实只是最初撰写内容的一小部分而已。所以就浪费了很多时间。

Ron Keesing：
确实。

Tom Soderstrom：
那能不能把那些没用上的内容重新利用起来呢？或许人工智能能帮上忙。这观点太有意思了。

Ron Keesing：
说实话，以我们目前的系统，要做到这一点还有很长的路要走。但事实上，我已经看到有人这么做了，我的意思是，我看到现在有人是这样使用人工智能的，先生成一些要点，再让人工智能把这些要点扩展成一封邮件。而收件方那边，又会让人工智能帮忙读邮件，再把内容提炼成要点。所以，这类工作流程的雏形已经出现了。我认为这种情况会越来越普遍，到时候我们必须思考一个问题：我们真正想以怎样的方式工作？

举个例子，要是到了选择竞标方的环节，或许可以转向这样的系统：更多地采用口头演示的形式，让评审方与提案方人员面对面交流。因为那些长达 500 页的书面提案，从技术层面来说已经没那么有意义了。

我觉得你刚才这番话已经启发了不少初创企业，让他们觉得“对，这个方向我们能做”。 我想这种情况是会发生的。现在人工智能领域还处于起步阶段，这是个令人兴奋的时期。所以，现在有很多人在关注这个领域，想着“我也想成为某类首席人工智能官”。你对他们有什么建议？ 你会给那些想成为首席人工智能官的人什么建议？随便说三条就行，当然多几条也可以。

Ron Keesing：
或许我会结合当下这个阶段的实际情况来给出建议。

Tom Soderstrom：
好的。

Ron Keesing：
如果现在想帮助自己的组织在人工智能领域取得进展，我给的第一条建议是：真正聚焦于自身的数据。大多数组织对人工智能能实现的目标抱有很高期望，但他们的数据远未达到我所说的“可用于人工智能”的状态。这样一来，他们其实没有机会利用人工智能解决自己想解决的问题。

现在，很容易出现一种情况，那就是任何试图优化数据的努力，最后都变成一场持续十年的漫长征程，一场毫无进展的苦役。所以，做这件事必须目标明确。需要去思考：如何创建一个本质上属于人工智能的数据产品基础层？让这些数据产品能体现企业的核心业务实践，从而释放人工智能的潜力，推动工作方式的转变。

我要给出的第二条建议是：认真思考人工智能与人类如何形成协作伙伴关系。现在关于人工智能的讨论，太多都聚焦在“人工智能会不会抢走人类的工作？ 企业会不会裁掉员工？”这类问题上。

我们都听过、也见过这样的讨论。事实是，像你我这样在人工智能领域深耕多年的人都知道：成功的人工智能项目，几乎都是将人类的优势与机器的优势结合起来。因此，构建真正协同的伙伴关系，将人工智能的运作模式定位为人类与人工智能系统之间的协同合作，这才是成功的关键。

要真正改进人工智能系统的运行方式，所需的大部分关键数据其实都来自人类与人工智能系统的实际交互过程。因此，对于所有想要思考如何构建自身人工智能解决方案的人，我真心建议：要将人机协作作为核心结构。

第三条建议，我想从治理的角度来说。据我所知，大多数组织都开始面临一个挑战：如何对人工智能进行治理？如何在创新的同时做好治理工作？ 在我看来，要找到这个平衡点，关键在于清晰理解人工智能的风险，包括风险是如何产生的，以及可以如何管理风险。

不要将治理重心和治理资源放在低风险的人工智能应用场景上。让员工开展实验、快速尝试、探索有效方案，将始终有限的治理资源集中用于应对那些真正存在业务风险的领域。此外，将人工智能治理实践与更广泛的风险管理实践结合起来，这样，它才能立足于实际的业务原则之上。

Tom Soderstrom：
我喜欢这个观点。你听说过亚马逊的“单向门决策”和“双向门决策”原则吗？

Ron Keesing：
其实没听过。

Tom Soderstrom：
单向门决策指的是只有最高层管理者才能做出的决策。比如要新建一个区域，需要投入数十亿美元。这类重大决策就属于单向门决策。而大多数决策都是双向门决策。就算做了，也可以及时调整、退回原点。你刚刚的描述和这个原则非常契合。让风险专家处理重大工作，允许员工在低风险领域开展实验。所以，如果能降低大多数事情的风险，就能快速推进工作。

Ron Keesing：
是的，完全正确。

Tom Soderstrom：
我认为这是个好建议。非常感谢你参与这次非常有趣的对话，我相信未来我们还会有更多这样的交流。接下来看看大家如何衡量成效，一定会很有意思。目前人工智能还处于起步阶段。

Ron Keesing：
确实如此。

Tom Soderstrom：
如果您是人工智能领域的业务负责人，想了解首席人工智能官的日常，欢迎联系 Ron。

Ron Keesing：
是的。

Tom Soderstrom：
非常感谢。

Ron Keesing：
谢谢你，Tom。

立即收听

立即收听

立即收听