请选择 进入手机版 | 继续访问电脑版

 找回密码
 立即注册
查看: 561|回复: 2

【机器人】

[复制链接]
发表于 2015-11-9 11:08:32 | 显示全部楼层 |阅读模式
10年内机器人将接收制造业45%工作 节约9万亿美元
2015年11月08日 15:52  新浪财经 微博 我有话说(582人参与) [url=]收藏本文[/url]     



  据中国之声《央广新闻》报道,近日有媒体称,十年时间内,机器人将接手制造业45%的工作,并削减9万亿美元的劳动力成本,使得当今社会的很大一部分被丢入历史的垃圾堆。
  据了解,11月6日的报道称,美国的一家银行在一份300页的报告当中预计,最早在2025年机器人和其他形式的人工智能,将把这个世界改变成改变到人们几乎认不出来的地步,将一股创造性破坏的旋风,打破旧有的商业模式,这种转变的影响最终将达到30万亿美元甚至更多,任何国家如果不能利用这场机器人革命,其竞争力排名将迅速的下滑并甩到后面。韩国目前在这方面居于领先地位,制造业每一万名雇员配置有440个工艺机器人,其次是日本和德国,英国排名75位,在发达世界当中属于最低水平。
  报告说,随着世界人口老龄化的加剧,亚洲曾经无穷无尽的廉价劳动力供应也开始枯竭,对自动化的需求将出现飙升,过去10年照顾老人的护理机器人,播种和采摘水果的农业机器人,商用无人机以及人工智能的平均成本下降了27%,预计到2025年将再下降22%,与此同时,一个先进机器人的焊接工的价格从2005年的18.2万美元下降到去年的13.3万美元。
  报告声称,我们正在接近一个观点的拐点,那就是使用机器人的成本比雇佣一个工人的成本要低15%,而这个门槛在欧洲、美国和日本的汽车工业已经被跨过,使用机器人进行点焊每小时成本是8美元,而人工则是25美元。由此带来的社会后果是就业市场底层的人将被淘汰出局,如果不接受再教育,这些人将无法找到工作。美国银行(17.95, 0.64, 3.70%)称这是将取代人力资源并且估计美国到时候将有将近半数的工作岗位面临风险。 (记者刘?辰)


回复

使用道具 举报

 楼主| 发表于 2016-2-19 15:20:18 | 显示全部楼层
专访施维纳博士:机器人永远不会取代人类掌管工厂
2016-01-12 09:49:21 大比特网

作为德国工业4.0战略的主要发起者,博世强调其扮演的双重角色:既是工业4.0的践行者,也是供应商。施维纳在采访中不断指出德国与其他国家在工业4.0上合作的重要性,对德国担心中国构成竞争或赶超德国的说法表示不赞同,并分享了他对智能工厂未来的愿景??无人工厂永远不会出现。
“工业4.0到底是什么?”

“还没有(确切的)答案。”

作为德国工业4.0战略的主要发起者,博世强调其扮演的双重角色:既是工业4.0的践行者,也是供应商。施维纳在采访中不断指出德国与其他国家在工业4.0上合作的重要性,对德国担心中国构成竞争或赶超德国的说法表示不赞同,并分享了他对智能工厂未来的愿景??无人工厂永远不会出现。

智能手表管理工厂

记者:昨天博世在2016CES现场举行的新闻发布会上,董事长沃尔克马尔?邓纳尔(Volkmar Denner)博士在演讲中谈及工业4.0时说到,博世在美国的工厂里,员工已经在使用智能手表管理生产,听起来很有意思,这究竟是怎样的一种操作方式?


施维纳:我们利用监控系统来掌握生产机器和整个生产线甚至整个工厂的状态。这些传感器获得机器的状态信息,比如震动、温度、声响和能源消耗等。一旦数据超过了可被容许的范围,机器将自动停止,并通过工厂内部的无线网络发送警报到操作员的智能手表,于是操作员就知道了,比如某台机器的温度在过去几个小时内持续上升,必须做出处理,否则机器很快将崩溃。然后,工作人员前往查看机器状态信息。相比传统系统,这个系统真的可以很快速地解决问题。

在2016年CES大会现场,博世的APAS生产辅助系统为现场的参观者泡咖啡并在咖啡杯上刻制可自定义的姓名。这套系统集成了Fanuc机器手臂、博世自主研发的专利??皮肤传感器、视觉系统和夹紧装置。

记者:这个例子相对来说很好理解。但是关于工业4.0,我们近两年听到了太多信息,你能告诉我到底什么是工业4.0吗?

施维纳:我可以给你一个严肃的答案吗?还没有答案。因为所有人都在研究工业4.0的潜力。什么是工业4.0的特征?有感应器获知生产系统的状态,有软件分析数据,有解决方案。工业4.0最终的特点是生产系统的高度灵活性。

举个例子,现在已经有了跑鞋的个人化设计,生产系统可以根据你的特定设计来生产一只左脚的鞋和一只右脚的鞋,这不是博世的技术,但也是工业化应用,所以说个人化生产程度正在增加。生产系统确切地知道下一步需要生产哪一部份,确定应该给哪个机器更高度的灵活性。


德国工业4.0与英美日的不同

记者:您目前负责博世的南北美市场,罗兰贝格最近撰写的分析《日本型工业4.0》说,德国的工业4.0和英美的工业4.0不同,您觉得呢?

施维纳:这是一个很好的问题。如果你观察德国的工业4.0,它很大程度上是基于工程学的,关注机器、材料、生产程序,如何提高设备的有效性,如何提升质量、生产力,以及一切从工程学视角出发的东西。如何你观察美国的方式,比如说IIC(IndustrialInternetConsortium,美国工业互联网联盟,由AT&T、思科、通用电气、IBM和英特尔于2014年3月成立,其目的旨在加快互联机器与设备的开发、采纳和广泛使用,促进智能分析,并为工作者提供帮助),他们有不同的方式,他们说可以获得互联网或无线网络提供的数据、有商业模式的想法,不像德国那么在乎技术,考虑利用现有的技术,建立商业模式。这是德国和美国型工业4.0的不同点之一。

我们坚信,最好是把这两种结合起来,你可能知道,我们是美国IIC政府委员会的成员,我们也为IIC提供解决方案,我们也是德国工业4.0平台的成员,所以我们就像这两种模式间的传输系统或结合点。

记者:结合两种方式可能吗?

施维纳:运作得非常好。所以我们发起了IIC和德国工业4.0平台间的合作,这是完全可能的。我们认为双方对合作抱有很大程度的兴趣。

记者:那么日本型工业4.0又有什么特点?

施维纳:我认为日本型工业4.0介于德国和美国型之间。实际上我们也考虑在日本启动新的活动。首先我们需要知道工业4.0能做什么,就像你刚刚问的那个问题,我们需要研究它的潜能,以及如何把潜能变为现实。一旦基本了解了,我们可以将其推广到其他地区,包括到中国。

记者:我们了解到你曾经在日本工作过很长时间,想必对丰田生产方式TPS(Toyota Production System)了解深刻,你也在负责博世的BPS(Botch Production System),能否介绍一下BPS与TPS的区别?

施维纳:BPS和TPS都被很多公司应用,不过丰田第一个最终真正引入了这类系统。我们也有博世生产系统的一套原则,它基于各种最好的标准发展出来,日本公司的、中国公司的、美国公司的,最终成为我们BPS的原则、模块、生产系统。我想强调,引导我们的规范存在于BPS中,工业4.0是进一步发展博世生产系统的另一种方式,所以工业4.0不会取代博世生产系统。

不认为中国和德国竞争工业4.0

记者:你们在哪些地方建立了工业4.0的合作项目?

施维纳:我们和中国合作设立了研发中心,与很多中国企业签订了双边合作项目,这些公司的名字我目前不能透露,但他们非常有前途、(对工业4.0)兴趣也很浓厚。我们在印度进行了工业4.0实践,印度有我们的主要软件园之一,为工业4.0提供部分解决方案。

我们在全球有250个计划,每个全球项目都在建立工业4.0解决方案。

记者:中国提出了“中国制造2025”计划。我们注意到,德国方面似乎仍然有些顾虑,担心中国学习能力强、发展速度快,掌握技术后就会赶超德国,成为德国的竞争对手,你如何看待这个问题?

施维纳:我不赞同关于中国和德国、美国、印度等等之间竞争的说法,我告诉你为什么。像博世这样的跨国企业,它不是从国家的角度出发,而是从企业的角度出发,这是第一点。第二点是,看看德国工业4.0平台上的成员,看看美国IIC的成员,他们都是竞争对手,德国公司与德国工业4.0平台的每一个成员企业竞争,他们都在竞争,德国公司A、德国公司B和中国公司C有什么区别,他们都在同一领域,是竞争对手。在中国、印度和美国等等有业务的公司,就像博世这样的很多公司,他们不能在新平台上给先进的生产系统建立一堵墙。所以我认为与其他国家建立合作是一个好主意,所以我们决定通过建立研发中心来进行合作。德国非常赞赏,与中国DRC(国务院发展研究中心)建立了关系,成为中国和德国之间的又一个结合点。

记者:你觉得和“中国制造2025”对接最大的挑战是什么?

施维纳:相比谈挑战,我更愿意从积极的角度去看机遇。中国带来的最典型机遇是,很多事能够比其他国家更快地完成,我认为这是很重要的机遇,这是我们亲身经历的,通过与中国公司的双边项目所经历的。很多决定很快地得到了执行和实现,这令人兴奋。这也是我们应该向中国学习的。

记者:有人认为中国现在还不到发展工业4.0的时候,因为我们甚至都没有经历工业3.0,你认为中国直接跳到了4.0正确吗?

施维纳:想象一个工业化程度不如中国的国家正在崛起,它连电话网络都没有,也没有无线通讯网络,你会建议它先建好有线通讯网络,再为手机建无线网络吗?不会。

记者:你觉得距离机器人完全掌管工厂生产还有多久?

施维纳:永远不会。

未来的工厂必须要有人类来操作,操作者的技能会有巨大的提升。从某种程度上说,在某些岗位上我们会用机器人取代人类,但我们坚信,你可以相信我,我们知道现在怎么生产,未来怎么生产,无人工厂不会成为现实。

【施维纳博士】

施维纳博士从2012年1月起出任博世集团管理董事会成员,负责工业技术业务,包括包装技术和传动与控制技术事业部。同时,他也负责南北美市场、生产协调、以及环境保护等事务。

施维纳博士1956年生于德国科布伦茨,已婚并育有三个孩子。施维纳博士于1982年毕业于亚琛工业大学机械工程专业,随后加入了位于亚琛的弗劳恩霍夫协会的研究所从事身份保护技术IPT的研究工作。1988年,,他获取了通用机械工程博士学位。

在博世集团的职业生涯:

1989模具开发资深专家

1990运营规划主管

1992第五代ABS/ESP项目部门主管

1994博世集团管理董事会主席助理兼副总裁

1996日本NipponABS有限公司执行副总裁,负责生产、质量和采购

1999博世刹车系统东京有限公司执行副总裁,负责生产、质量和采购

2001博世刹车系统日本有限公司董事会主席,负责协调、生产、质量和人力资源

2002柴油系统事业部副总裁,负责生产和质量

2005底盘系统控制事业部总裁,负责协调、生产和质量

2012至今博世集团管理董事会成员
回复 支持 反对

使用道具 举报

 楼主| 发表于 2016-5-13 15:11:41 | 显示全部楼层
机器学习掀起材料革命,人工智能或将颠覆人类科研方式?来源:新智元 | 发表时间:2016-05-09 | 点击: 179 次

摘要 【新智元导读】昨日Nature封面论文:哈佛大学研究者借助机器学习算法,利用“废弃”数据成功预测新材料的合成,引发学界激论:人工智能真能加速发现神奇新材料吗?该研究所用的“计算材料学”结合计算机模型和机器学习,
 


【新智元导读】昨日Nature封面论文:哈佛大学研究者借助机器学习算法,利用“废弃”数据成功预测新材料的合成,引发学界激论:人工智能真能加速发现神奇新材料吗?该研究所用的“计算材料学”结合计算机模型和机器学习,是对传统研究方法的革新。计算机科学和人工智能的影响已经拓展到越来越多的领域,机器学习或将改变未来科研方式。

发现一种新的材料是非常艰难的过程,通常要经历无数次失败,偶尔在机缘巧合之下取得成果,还要费劲功夫反向检测这种新材料的性质。但有一批材料科学家转换思路,使用计算机模型和机器学习算法生成海量假想的材料,建立数据库,从中筛选出值得合成的材料,再通过检索这些材料可能拥有的性质进行具体应用测试,比如将这种材料用作导体表现如何、用作绝缘体性能又如何、这种材料是否具有磁性、那种材料的抗压力是多少。

2016年5月5日,Nature 将一篇机器学习算法改变材料发现方式的论文放上封面,并提出“从失败中学习”:哈佛大学研究者利用机器学习算法,用失败或不成功的实验数据预测了新材料的合成,并且在实验中机器学习模型预测的准确率超过了经验丰富的化学家,这意味着机器学习将改变传统材料发现方式,发明新材料的可能性也大幅提高。

使用计算机模型和机器学习算法的好处在于,失败的实验数据也能用作下一轮的输入,继而不断完善算法。伦敦帝国学院研究副院长、材料科学家 Neil Alford 以观察者身份发表评论,这种做法代表了实验科学和理论科学的真正融合。

加州大学伯克利分校的材料科学家 Gerbrand Ceder 在接受 Nature 记者采访时说,使用机器学习算法有望大幅提高新材料发现的速度和效率。Ceder 是最早开始使用计算模型和机器学习生成假想材料的科学家之一,他以化合物磷酸铁锂为例:磷酸铁锂最初于 20 世纪 30 年代被合成,但当时世人并不认为这种材料会有多大用途,直到 1996 年科学家发现磷酸铁锂大有取代现有锂离子电池的可能。

Haverford College和Purdue University的研究者采用计算材料科学思路,使用“失败”数据,成功完成了这篇被选为本期 Nature 封面的论文。

有了机器学习,再也不怕失败了

.  论文标题:Machine-learning-assisted materials discovery using failed experiments

. 作者:Paul Raccuglia、Katherine C. Elbert、Philip D. F. Adler、Casey Falk、Malia B. Wenny、Aurelio Mollo、Matthias Zeller、Sorelle A. Friedler、Joshua Schrier、Alexander J. Norquist

.  来源:Nature 533, 73?76 (05 May 2016) doi:10.1038/nature17439

使用失败实验在机器学习辅助下进行材料发现(摘译)

对诸如有机模板合成的金属氧化物、金属有机骨架(MOF)和有机卤化钙钛矿等无机-有机杂化材料的研究已经持续了数十年。水热法和(非水)溶剂热合成已经产生了数千种新材料,这些新材料几乎包含了元素周期表中的所有元素。然而,我们仍未充分理解这些化合物的形成过程,对新化合物的开发主要依靠试探性合成。在Materials Genome Initiative的推动下,计算机模拟和数据驱动的方法成为对实验试错方法的替代选择。三个主要的策略是:基于模拟来预测材料的电荷迁移率、光生伏打性质、气体吸附能力和锂离子嵌入等物理性质,从而确定那些有前景的合成对象。通过整合高通量合成与测量工具,从大规模实验数据中确定材料的结构-性质关系。基于诸如沸石结构分类和气体吸附性能等相似的晶体结构,对材料进行聚类。

在这里,我们展示了用反应数据训练机器学习算法,继而预测模板合成的钒亚硒酸盐结晶过程的反应结果。我们使用未发表的“黑暗”反应信息,这些反应信息来自那些失败或未成功的水热合成实验。我们从实验室的笔记本档案中收集了这些信息,并运用化学信息学技术为笔记本中的原始数据添加了理化性质描述。我们用由此产生的数据训练机器学习模型预测反应能否成功。当使用先前未经测试的、市场有售的有机砌块进行水热合成实验时,我们的机器学习模型获得了比传统人类策略更好的效果,并成功预测了有机模板合成的无机物的形成条件,成功率达 89%。对机器学习模型进行反演后,可以揭示出关于成功产物形成条件的崭新假设。

实验中机器学习模型反馈机制示意图


图1|“黑暗”反应的反馈机制示意图。使用从历史反应数据中产生的机器学习模型推荐可供执行的新反应,并产生关于结晶过程的假设,这些假设可以被人类解读。另,SVM 是支持向量机的缩写。来源:Nature 533, 73?76

机器学习模型超越传统人类策略


图2|关于模板合成的钒亚硒酸盐晶体形成的实验结果比较,以胺相似度为横轴。深色条表示机器学习模型的预测,浅色条表示传统的人类策略。产生了多晶和大单晶产物的反应分别显示为蓝色和绿色。纵轴显示了反应出现所指示的结果的概率。机器学习模型比人类策略更成功地预测了晶体形成的条件,无论用模板合成的胺数据库中已知实例时所具有的系统相似性如何。来源:Nature 533, 73?76

支持向量决策树


图3|从 SVM 中得到的决策树。椭圆表示决策节点,矩形代表反应结果容器,三角形代表被切除的子树。箭头上的数字对应于决策属性的测试值。每个反应结果容器(矩形)对应一个特定的反应结果值(“3”或“4”,如图所示)。括号中的数字是正确地分配给该容器的反应的数量(任何被错误分类的反应都用正斜杠标识)。分数值表示反应具有不确定的结果,这是由决策树的较高位置的属性值缺失导致的。那些包含了大多数成功反应的容器被分为三个不同的组(分别用绿色,蓝色和红色阴影标示)。每个彩色子树定义了一组有助于单晶形成的特定反应参数。通过审查这些条件,可以得出相应的化学假设,这些假设分别对应于低、中和高极化胺。来源:Nature 533, 73?76

算法生成的假设及其化学三维结构模型


图4|对从模型中产生的三个假设及每个假设结构的图示。单晶形成所需的实验条件很大程度上取决于胺属性。小的、低极化的胺需要不存在与之竞争的 Na+ 离子,也需要较长的反应时间,以避免无机砌块沉淀。球形、低投影尺寸的胺则需要包含 VOSO4 等试剂的 V4+ ,因为它们不能直接从常见的 V5+ 前体中产生 V4+。长的三胺和四胺要求草酸盐反应物,以改变无机次级砌块的电荷密度。这三个假设分别对应于图 3 中的绿色、蓝色和红色子树。

我们的机器学习方法使我们能够利用包含历史反应的化学信息,并阐明支配反应结果的因素。机器学习模型对先前未经测试的有机胺的预测准确率,超过了依靠多年来形成的化学直觉所实现的准确率。此外,我们的方法以可验证的假设形式揭示了支配反应结果的化学原理,它能更成功地制造新化合物,也能产生有用的化学信息,这代表了试探性反应的革新性进步。

AI 真能发现神奇材料吗?

计算材料科学还是一门新兴的学科,其主要推动着就是上文提到的加州大学伯克利分校的材料科学家 Gerbrand Ceder 。受人类基因组计划的启发,Ceder 想到了使用高通量数据驱动的方法进行材料发现。Ceder 认为,人类基因组本身并非能作为疾病治疗的方案,但却可以为医学提供研发疾病治疗方案的海量基本定量数据??材料科学是不是也能借鉴遗传科学的方法,用“材料基因组”(该词为 Ceder 所创)编码各种化合物呢,就像 DNA 碱基对编码蛋白质等各种生物材料一样?

2003 年,Ceder 研究组创建了一个量子力学计算数据库,用于预测金属合金最有可能形成的晶体结构,因为这是发明新材料的基础。在过去,即使使用用超级计算机也需要通过多次反复长期大量试错找到合金的基态。但在 Ceder 研究组 2003 年发表的一篇论文中,他们描述了一种捷径:研究人员首先计算出一些常见二元合金晶体结构的能量,建立小型数据库,然后设计了一种机器学习算法,这种算法可以从上述数据库中提取模式,继而预测出新合金基态的可能值。结果表明,Ceder 研究组设计的这种机器学习算法表现良好,大大缩减了计算时间。

2006年,Ceder 在 MIT 开始了 Materials Genome Project,用改进后的机器学习算法预测能用作电动车电池的锂材料。2010年,该计划的数据库里已经包含了2万种计算机预测的化合物。另一方面,Ceder 研究组成员 Stefano Curtarolo 在 2006 年去了杜克大学并在那里建立了自己的实验室??Center for Materials Genomics,专门研究金属合金,Curtarolo 研究组与其他两家研究机构合作,逐渐改进 2003 年的机器学习算法并拓展数据库,构建了 AFLOW 系统,能计算已知的晶体结构并且自动预测新的晶体结构。

2011年6月,白宫宣布斥资几亿美元进行 Materials Genome Initiative(MGI),由此开始计算材料科学这门学科成为主流。如今,除了 Ceder 的 Materials Project,还有原 Ceder 研究组成员、现杜克大学材料科学家 Stefano Curtarolo 的数据库 AFLOWlib,以及西北大学材料研究者 Chris Wolverton 在 Ceder 思路启发下,用自己研发的算法和模型建立的数据库 Open Quantum Materials Database(OQMD)。

这3大数据库都含有从材料科学界广泛使用的无机晶体结构数据库中提取的5万种材料,这些都是曾经被制造出来的固体,但其导电性和磁性尚未被彻底研究。其不同之处在于:Ceder 的 Materials Project 侧重沸石、锂电池相关以及金属有机骨架结构材料,并以较高的标准衡量是否将计算机预测的材料纳入数据库;Curtarolo 的 AFLOWlib 是最大的数据库,包含 100 多万种材料和几十万种假想材料,但相应的里面也不乏只能存在一瞬间的材料;Wolverton 的 OQMD 有大约 40 万种假想材料,其中钙钛矿相关的尤其丰富,此外正如名字中 Open 那样,用户可以下载整个数据库。

目前这3大数据库都在用各自的方法不断补充数据、完善算法,但离理想还有很大距离。当前的机器学习算法相对擅长预测某种晶体是否稳定,但在预测吸光性和导电性时则会出现很大误差。不过,Materials Project 已经发现了几种有望超越现有锂离子电池阴极材料性能的材料,以及有可能提高太阳能电池能量转化率的金属氧化物。都柏林三一学院的研究人员使用 AFLOWlib 预测了 20 种可用于制作传感器或计算机存储器的磁性材料,并且成功合成了其中的两种,同时经实验证明其磁性与预测非常接近,相关论文已经在 Nature 发表。

欧洲也有类似的计算材料计划:由瑞士洛桑联邦理工学院(EPFL)为首的一批计算材料科研机构共同组建了 MARVEL,EPFL 的材料科学家 Nicola Marzari 是该项目的负责人。Marzari 正在使用新的计算平台制作一个叫做 Materials Cloud 的数据库,主要用于搜索石墨等由一层原子或分子组成的“二维”材料,这类材料可以在纳米电子、生物医学设备领域得到广泛应用。Marzari 的 Materials Cloud预 计今年晚些时候启动,学界也对此表示了普遍的关注。据 Mzrzari 预计,到 Materials Cloud 开放时,系统将会得出大约 1500 种有望进入试验阶段的二维材料结构。


人工智能帮助科学家发现新材料。来源:Nature

不过,计算材料的发现也不全是好的结果:EPFL 中心的计算化学家 Berend Smit 及其研究组筛选了计算机预测的 65 万种材料后得出结论,当前用于存储甲烷的材料基本已经是最好的了,纵使得到改善,存储效率也只能微量提升,这说明美国寄希望于重大技术突破(如使用纳米多孔材料存储甲烷)而设定的能源目标很可能是不现实的。

目前,Ceder 和 Curtarolo 都在努力开发更好的机器学习算法,从已知化合物合成过程中提取规律。Marzari 告诉 Nature 记者,材料科学已经从手工时代进入了产业化阶段,虽然现在市面上还没有计算材料得到应用,但他相信十年后不仅会有,而且可能会有很多。

不过,就连支持使用计算机和机器学习生成假想材料的科学家也指出,要从假想材料到现实落地还有很长一段距离。首先,现有数据库所含有的材料数据本身就不多,连现有已知材料都没有收录完全,更被说计算机生成的材料了。其次,这种用数据驱动的发现方法并不适用于所有的材料(目前算法只能预测完美晶体)。再者,即使计算机生成了一种极有前景的材料,要在实验室里将其合成、制为实物也仍然可能需要花费很长时间。Ceder 对 Nature 记者说,计算机随时都在生成有趣的新材料,但有时候半年多时间都无法在实验室里将其制造出来。换句话说,在理论上合成一种材料相对简单,但要在实验室里把它做出来很难。

但是,材料科学家对于发现新的化合物充满信心,他们相信还有数不清的新材料有待合成,而这些新材料将对电子工业、能源产业、机器人产业、健康医疗和交通运输带来巨大改变。



回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|徐星官网 ( 粤ICP备14047400号-1 )

GMT+8, 2022-1-21 13:11 , Processed in 0.050214 second(s), 19 queries .

Powered by Discuz! X3.1

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表