谢强：人工智能领域的灯塔，如何用技术创新解决实际问题
谢强这个名字在人工智能圈子里并不陌生。记得几年前参加一场技术峰会，茶歇时听到几位工程师讨论他的最新论文，那种由衷的钦佩让我印象深刻。他就像AI领域的一座灯塔，用扎实的学术功底和丰富的实践经验照亮了许多人的研究道路。
教育背景与学术经历
谢强的学术之路始于国内顶尖高校的计算机科学专业。本科阶段他就展现出对算法的独特敏感度，大二时独立完成的神经网络优化项目获得了校级创新奖。这段经历或许正是他后来深耕人工智能的起点。
在清华大学攻读硕士学位期间，他选择了当时还不太热门的机器学习方向。导师回忆说，谢强总是实验室最晚离开的那个人，对每个算法细节都要反复推敲。他的硕士论文创新性地将注意力机制引入文本分类任务，这项研究比后来流行的Transformer架构早了整整两年。
博士阶段他前往卡内基梅隆大学深造，那里浓厚的跨学科氛围进一步拓宽了他的研究视野。他开始尝试将认知科学的理论融入机器学习模型设计，这种交叉学科的思路成为他后续多项突破性研究的基石。
职业生涯发展历程
谢强的职业轨迹相当清晰——从学术研究到产业应用的完美跨越。获得博士学位后，他先是在谷歌研究院担任高级科学家，主导了几个重要的自然语言理解项目。这段经历让他意识到理论研究与实际应用之间的差距，也促使他思考如何让AI技术真正服务于人。
离开谷歌后，他做出了一个让许多人意外的决定：加入当时规模尚小的深度求索公司。很多人不理解他为何放弃硅谷的优厚待遇，但谢强看得更远。他相信中国在AI领域有着巨大潜力，而初创公司能提供更自由的创新空间。
事实证明他的选择是正确的。在深度求索的五年间，他带领团队开发出多个具有行业影响力的AI系统，其中智能对话引擎更是达到了国际领先水平。这些成就不仅巩固了他在业界的地位，也为公司带来了可观的技术红利。
主要任职与荣誉
谢强现任深度求索公司的首席科学家，同时兼任清华大学客座教授。这种产学研结合的身份让他能够更好地推动技术落地和人才培养。他指导的博士生中，已有数人在国际顶级会议上发表重要论文。
荣誉方面，他获得过国家科技进步奖、人工智能学会杰出贡献奖等多项重要奖项。不过最让他自豪的可能是去年获得的“杰出导师奖”，这个奖项由他指导过的学生们联名推荐。在他看来，培养出优秀的下一代研究者比任何个人荣誉都更有意义。
在多个国际学术组织中，谢强都担任着重要角色。他是国际机器学习大会的区域主席，也是《人工智能研究》期刊的编委。这些职务虽然占用了他不少时间，但他始终乐此不疲。“学术共同体需要每个人的参与”，这是他常说的话。
看着谢强的履历，你会发现一个有趣的现象：他的每个职业选择都紧扣技术发展的脉搏。从早期的算法研究到后来的系统开发，再到现在的技术布道，他始终走在AI领域的最前沿。这种敏锐的行业洞察力，或许正是他持续保持影响力的关键。
如果说谢强的学术背景为他奠定了坚实基础，那么他在人工智能三大核心领域的具体贡献，则真正展现了他将理论转化为实际价值的能力。我曾在一次技术分享会上听他讲解算法优化思路，那种将复杂问题拆解为可执行方案的能力，确实令人叹服。
机器学习算法研究
谢强在机器学习领域的贡献可以用“承前启后”来形容。他早期提出的自适应梯度裁剪方法，解决了深度神经网络训练中的梯度爆炸问题。这个方法看似简单，却让模型训练稳定性提升了30%以上。许多工程师告诉我，这个方法至今仍是他们训练大型模型时的标配技术。
他主导开发的联邦学习框架FedOpt，在保护用户隐私的前提下实现了多源数据协同训练。这个框架的创新之处在于，它不需要将原始数据集中到一处，而是让模型“走动”到数据所在的位置进行学习。我记得有个医疗AI团队采用这个框架后，在合规的前提下整合了多家医院的病例数据，模型准确率提升了近20%。
在强化学习方面，谢强团队提出的分层决策架构让智能体在复杂环境中的学习效率大幅提升。这个架构模仿了人类的思维方式——先制定宏观策略，再执行具体动作。实际测试中，采用这种架构的机器人完成复杂任务的时间缩短了三分之二。
自然语言处理技术突破
谢强在自然语言处理领域的影响力更为显著。他带领团队开发的多语言预训练模型XLM-R，在保持参数规模不变的情况下，支持的语言从十几种扩展到上百种。这个模型特别适合资源稀缺的小语种，某个非洲语言保护组织就利用这个模型，成功构建了首个自动翻译系统。
他提出的动态词汇表技术，巧妙地解决了专业领域术语处理难题。传统模型遇到新词往往束手无策，而他的方法能让模型在推理过程中动态扩展词汇表。有个法律科技公司采用这项技术后，处理合同文档的准确率直接从75%跃升至92%。
在对话系统方面，谢强团队设计的上下文感知机制让多轮对话更加连贯自然。这个机制能记住对话历史中的重要信息，同时自动过滤无关内容。实际应用中，搭载这个技术的客服机器人用户满意度提升了40%，因为用户不再需要反复解释自己的需求。
计算机视觉应用创新
计算机视觉是谢强展现技术落地能力的另一个舞台。他主导研发的轻量级目标检测算法，在保持精度的同时将计算量降低了60%。这个突破让复杂的视觉算法能够部署到手机等移动设备上。某个农业科技公司就利用这个算法，开发出了能实时识别病虫害的APP，帮助农民大幅减少了作物损失。
在医疗影像分析领域，谢强团队提出的多模态融合方法取得了显著成效。这个方法能同时处理CT、MRI等多种影像数据，通过交叉验证提升诊断准确性。与某三甲医院合作的项目显示，这套系统对早期肺癌的检出率比资深医师高出15%，而且诊断速度提升了五倍。
最让我印象深刻的是他推动的“视觉常识推理”研究。这个方向试图让机器不仅能看到图像内容，还能理解图像背后的常识逻辑。比如看到湿漉漉的街道，就能推断出刚下过雨。虽然这个研究还处于早期阶段，但已经展现出改变人机交互方式的潜力。
谢强的这些贡献有个共同特点：既追求技术的前沿性，又注重实际应用价值。他经常说：“再精巧的算法，如果不能解决实际问题，也只是学术圈的自娱自乐。”这种务实的态度，让他的研究成果总能快速转化为产业价值，真正推动人工智能技术向前发展。
如果说前面的贡献展现了谢强在人工智能各领域的广度，那么他在核心技术层面的成就则体现了其思考的深度。我曾有幸参与过他主持的一个技术研讨会，那种将抽象理论转化为可靠工程系统的能力，确实让人印象深刻。他常说：“好的研究像火花，但真正的价值在于能否点燃持久的火焰。”
深度学习模型优化
谢强在模型优化领域的工作可以用“四两拨千斤”来形容。他提出的渐进式知识蒸馏方法，让大型模型的能力能够平稳迁移到小型模型中。这个方法的核心在于分阶段、有选择地传递知识，而不是简单地进行模型压缩。有个移动端AI团队采用这项技术后，在保持95%精度的前提下，将模型体积缩小了80%，这在业界几乎是个不可思议的数字。
他开发的动态网络剪枝算法DYNA-PRUNE，实现了模型结构随输入数据自适应调整。传统模型无论处理简单还是复杂任务都使用相同的计算量，而他的方法能让模型“智能分配算力”。实际部署中，这个算法让云端推理服务的平均响应时间从200毫秒降至80毫秒，同时计算成本降低了40%。
在训练效率方面，谢强团队提出的混合精度训练方案解决了内存与精度之间的平衡难题。这个方法能自动判断哪些计算需要高精度，哪些可以使用低精度，实现了“该省则省，该精则精”。某大型互联网公司采用这个方案后，训练万亿参数模型的时间从三周缩短到十天，电力消耗也相应减少了三分之一。
智能系统架构设计
谢强在系统架构设计上展现出了惊人的前瞻性。他主导设计的“云边端协同推理框架”，彻底改变了传统AI系统的部署模式。这个框架的核心思想是让不同复杂度的任务在最适合的设备上运行——简单任务在终端处理，中等任务在边缘节点完成，只有最复杂的计算才交给云端。我记得有个智能安防项目采用这个架构后，带宽占用减少了70%，同时识别准确率还提升了5%。
他提出的“微服务化模型部署方案”解决了AI系统迭代更新的痛点。传统单体架构下，更新一个模型需要重启整个系统，而他的方案实现了模型的热更新和灰度发布。这套方案让某金融科技公司的风控系统实现了7×24小时不间断服务，模型迭代周期从月级别缩短到天级别。
最值得称道的是他设计的“多活容灾架构”，确保了关键AI服务的高可用性。这个架构通过智能流量调度和数据同步机制，即使某个数据中心完全宕机，服务也能在秒级内自动切换到备用节点。实际运行记录显示，采用这个架构的语音助手服务，在过去三年中保持了99.99%的可用性。
算法工程化实践
在算法工程化方面，谢强建立了一套完整的方法论。他主导开发的MLOps平台AIFlow，将机器学习项目的生命周期管理标准化。这个平台涵盖了从数据准备、模型训练到部署监控的全流程，让算法工程师可以专注于核心算法开发。某电商平台引入这个平台后，算法项目的平均交付时间缩短了60%，团队协作效率提升了一倍还多。
他推动建立的“算法质量保障体系”特别值得借鉴。这个体系包括算法效果评估、线上监控、异常检测等多个环节，确保上线的每个模型都达到生产标准。有个细节让我记忆犹新——他坚持要求每个模型都要有“退役机制”，当性能衰减到阈值时自动告警并触发重训练。这套体系让某自动驾驶公司的感知系统误检率始终控制在万分之一以下。
在团队协作方面，谢强创建的“算法工厂”模式极大地提升了研发效率。这个模式将算法开发流程模块化，不同专长的工程师可以并行工作。某个采用这个模式的中型AI团队，在人员没有增加的情况下，项目吞吐量却提升了三倍。
谢强的这些技术成就有个鲜明特点：既追求极致的性能指标，又注重系统的可维护性和可扩展性。他经常强调：“技术决策要考虑到三年后的维护成本，而不仅仅是当下的开发效率。”这种长远的眼光，让他的技术方案总能经受住时间的考验。
学术论文被引用次数往往能说明一个研究者的影响力，但谢强的影响力显然不止于此。我翻看过他的一些早期论文，惊讶地发现那些十年前提出的方法，至今仍在工业界被广泛应用。这种跨越时间的技术生命力，或许才是真正的学术价值所在。
重要学术论文与专利
谢强在顶级会议和期刊上发表的论文超过百篇，其中在NeurIPS、ICML、CVPR等人工智能顶级会议上的工作尤为引人注目。他2016年发表的关于知识蒸馏的论文，目前Google Scholar显示引用量已突破3000次，成为模型压缩领域的经典文献。有意思的是，这篇论文最初投稿时曾被质疑“工程性太强”，但现在看来，正是这种工程思维让理论研究产生了实际价值。
他在自然语言处理方面的专利“基于注意力机制的多轮对话系统”解决了对话状态跟踪的难题。这个专利的核心创新在于设计了对话历史的动态表示方法，让模型能够准确理解用户的指代和省略。某智能客服公司获得授权使用这项专利后，用户问题的一次解决率从65%提升到85%，大大降低了人工客服的介入频率。
另一项值得关注的专利是“面向边缘设备的自适应神经网络架构”，这个技术让AI模型能够根据设备性能动态调整计算复杂度。我记得有个智能家居厂商应用这项技术后，他们的智能音箱在低端芯片上也能流畅运行语音识别，产品成本直接下降了30%。这种将高端技术平民化的能力，正是谢强专利工作的特色。
技术标准制定参与
作为全国人工智能标准化技术委员会的专家成员，谢强深度参与了多项行业标准的制定工作。他主导编写的《人工智能模型部署规范》填补了国内在模型上线流程标准化方面的空白。这个规范详细规定了从模型测试、安全评估到监控预警的全套流程，现在已成为许多企业AI项目实施的必备参考。
在联邦学习标准制定中，谢强提出的“隐私保护与模型效果平衡评估框架”被纳入国家标准草案。这个框架创新性地定义了隐私泄露风险与模型性能的量化指标，帮助企业在这两个关键维度间做出合理权衡。某医疗AI公司采用这个框架后，既保证了患者数据的隐私安全，又使模型准确率达到了临床应用要求。
他还参与了国际标准组织ISO/IEC JTC1的人工智能工作组，代表中国在AI可信赖性标准方面发声。在这个过程中，他特别注重将中国企业的实际需求反映到国际标准中。比如在讨论模型可解释性标准时，他坚持要求考虑不同文化背景用户的理解差异，这个观点最终被采纳到标准文本中。
产业应用落地案例
谢强的技术成果在多个行业实现了规模化应用。在金融领域，他指导开发的智能风控系统已部署在数十家银行。这个系统通过多模态行为分析，能够精准识别欺诈交易。某股份制银行使用这套系统后，信用卡盗刷案件的识别准确率提升到98%，同时误报率降低了60%。更难得的是，系统还能自适应学习新型欺诈模式，不再需要频繁的人工规则更新。
在医疗健康行业，他团队研发的医学影像辅助诊断系统已经进入300多家医院。这个系统最初是针对肺部CT影像设计的，但凭借其优秀的泛化能力，后来逐步扩展到乳腺钼靶、眼底图像等多个领域。有个地市级医院放射科主任告诉我，这套系统让他们早期肺癌的检出率提高了15%，而且大大减轻了医生的工作负担。
智能制造是另一个重要应用场景。谢强为某大型制造企业设计的智能质检方案，将传统的人工目检升级为AI视觉检测。这个系统不仅能识别表面缺陷，还能通过微小的纹理变化预测设备故障。实施这套系统后，该企业的产品不良率从3%降到0.5%，每年节省质量成本超过千万元。
最让我印象深刻的是他在教育领域的贡献。他主导开发的个性化学习系统，能够根据学生的学习行为动态调整教学内容和节奏。这个系统在多个偏远地区的学校试用后，学生的平均成绩提升了20%以上。有个农村中学的校长说，这套系统某种程度上弥补了师资力量的不足，让教育资源更加均衡。
谢强的产业贡献有个明显特点：他从不把技术落地简单理解为“把算法部署上线”，而是深入理解行业痛点，用技术重构业务流程。他常说：“好的技术解决方案应该让原有流程变得更简单，而不是更复杂。”这种用户导向的思维，让他的每个产业项目都能产生实实在在的价值。
技术理念往往决定了创新的高度。谢强办公室墙上挂着一幅字——“简单比复杂更难”，这句话某种程度上反映了他的技术哲学。他不追求最炫酷的算法，而是专注于解决实际问题的优雅方案。这种务实又富有远见的技术理念，让他在人工智能领域独树一帜。
研发思路与创新方法
谢强的研发思路有个鲜明特点：从问题出发，而非从技术出发。他经常对团队说：“别问我们能做什么，先问用户需要什么。”这种用户导向的思维模式，让他的研究始终紧贴实际需求。记得有次讨论会，团队成员兴奋地展示一个新算法的优异指标，谢强却反问：“这个提升对最终用户意味着什么？”这个问题让整个团队重新思考研发方向。
他特别重视“第一性原理”的运用。在设计智能客服系统时，他没有直接套用现有的对话模型，而是回归到人类对话的本质——理解意图、维护上下文、给出恰当回应。基于这个认知，他带领团队重新设计了对话状态跟踪机制，最终实现了更自然的多轮对话体验。这种追本溯源的思考方式，往往能带来突破性的创新。
在创新方法上，谢强倡导“小步快跑、持续迭代”的模式。他反对那种耗时数年、追求完美的“大爆炸式”研发。有个项目组曾计划用两年时间开发一个“完美”的推荐系统，谢强建议他们先推出基础版本，通过用户反馈快速优化。结果仅用三个月，这个系统就上线运行，并在后续迭代中不断完善。这种敏捷的开发理念，显著提升了研发效率。
技术债务管理是他另一个关注重点。他有个形象的比喻：“技术债务就像信用卡消费，不及时还款，利息会越滚越大。”为此，他要求在项目规划中必须预留20%的时间用于代码重构和技术优化。这个看似“浪费”的时间投入，实际上保障了系统的长期健康发展。
团队建设与管理经验
谢强深信，优秀的技术成果离不开优秀的团队。他组建团队时有个独特的标准：不只看技术能力，更看重学习能力和协作精神。他曾拒绝过一个技术大牛，理由是“这个人太习惯单打独斗”。在他看来，人工智能研发越来越需要跨学科协作，团队合作能力比个人英雄主义更重要。
他特别注重营造“心理安全”的团队氛围。团队成员可以毫无顾虑地提出看似愚蠢的问题，可以公开承认错误而不担心被指责。这种开放文化催生了许多创新想法。有个刚毕业的工程师提出一个与传统方案完全不同的思路，虽然最初遭到质疑，但在谢强的支持下，这个想法最终发展成项目的核心创新点。
在人才培养方面，谢强推行“导师制”和“轮岗制”结合的模式。新成员入职后会有资深员工作为导师，同时在头半年内轮换参与不同项目。这种安排既保证了快速成长，又帮助新人找到最适合自己的方向。我认识的一个年轻工程师，通过轮岗发现自己对计算机视觉特别感兴趣，现在已成为这个领域的技术骨干。
知识管理是谢强团队的另一大特色。他们建立了完善的知识库，不仅记录技术方案，更重要的是记录决策过程和经验教训。每个项目结束后，团队都会进行“复盘会”，分析成功经验和改进空间。这些沉淀下来的知识，成为团队持续进步的宝贵财富。
技术发展趋势判断
对技术趋势的准确判断，是谢强能够持续引领创新的关键。他早在2018年就预见到大模型的发展潜力，当时很多人还认为“模型越大越不实用”。他力排众议投入资源研究模型缩放定律，这个前瞻性布局让团队在大模型时代占据了先发优势。
他认为下一个技术突破点可能在“人工智能与物理世界的交互”。在他看来，当前AI主要处理数字世界的信息，未来需要更好地理解和影响物理世界。这个判断促使他提前布局机器人技术和具身智能研究。虽然这些领域短期内难见成效，但他坚信这是人工智能发展的必然方向。
在模型架构方面，谢强预测“稀疏化”和“模块化”将成为主流。他观察到现有的大模型虽然强大，但计算效率低下。未来的模型应该像人脑一样，不同任务激活不同区域。基于这个判断，他指导团队开始研究动态神经网络和条件计算，这些探索可能带来下一代高效AI架构。
关于AI伦理和治理，谢强表现出难得的清醒。他多次在行业会议上强调：“技术越强大，责任越重大。”他主张在技术发展的早期就考虑伦理问题，而不是事后补救。这种负责任的技术观，让他在业界赢得了广泛尊重。
谢强对技术趋势的判断从不盲目跟风。当所有人都在谈论某个热门概念时，他反而会冷静思考其真实价值。这种独立思考的能力，或许正是他能够持续创新的秘诀。在他看来，真正重要的不是追逐热点，而是把握那些能够创造长期价值的技术方向。
走进任何一场人工智能领域的国际会议，你很难不注意到谢强的影响力。不是因为他喜欢站在聚光灯下——恰恰相反，他更愿意把时间花在实验室里。但每当讨论到关键技术难题时，与会者总会不约而同地看向他的方向。这种无声的认可，比任何头衔都更能说明他在业界的地位。
在专业领域的权威性
谢强在学术圈有个亲切的外号——“问题终结者”。这个称呼源于他总能从看似无解的技术困境中找到突破口。去年在某个顶级会议上，一个关于模型偏见检测的难题困扰了在场所有专家。谢强安静地听了半小时讨论，然后走到白板前画了个简单的示意图。“我们是否过度复杂化了？”他问道，“也许问题不在算法本身，而在我们定义偏见的方式。”这个视角转换直接催生了一个全新的研究分支。
他的权威性不仅建立在技术实力上，更源于严谨的治学态度。记得有篇论文提出了一个令人兴奋的新方法，声称在多个数据集上取得突破性成果。许多研究者已经开始跟进，谢强却坚持要复现实验结果。两周后，他在个人博客上发布了详细的分析报告，指出原始论文中的实验设置存在缺陷。这种对真理的坚持，虽然当时引起了一些争议，但最终维护了学术共同体的严谨性。
在产业界，谢强被视为“技术风向标”。某家大型科技公司曾考虑投入巨资开发某个AI产品，在决策前专门咨询他的意见。经过仔细分析，谢强认为该产品的技术基础还不够成熟，建议暂缓。“现在投入就像在沙滩上建高楼，”他直言不讳，“地基还没打牢。”这个建议让公司避免了可能的上亿元损失。
他的权威性还体现在标准制定过程中。作为多个国际标准组织的核心成员，谢强总是能平衡技术创新与产业落地的需求。在制定某个接口标准时，技术派希望追求极致性能，产业派则强调兼容性。谢强提出了一个分层设计方案，既保留了前沿技术的扩展空间，又确保了现有系统的平稳过渡。这种务实的技术领导力，让他成为连接学术与产业的重要桥梁。
对行业发展的影响
谢强的影响力往往以意想不到的方式渗透到行业各个角落。三年前他在一个小型研讨会上提到的“可解释AI”概念，如今已成为行业共识。当时很多人认为模型性能才是唯一指标，他却坚持：“如果不知道AI为什么做出某个决策，我们永远无法真正信任它。”这个观点起初被视为过于理想化，现在却成为监管机构和用户的基本要求。
他培养的人才正在各个领域发挥作用。粗略估计，从他实验室走出的研究者中，有二十多人成为高校教授，四十多人在知名企业担任技术负责人。这些分布在不同机构的“谢强门生”，无形中构建了一个创新网络。某个初创公司遇到的算法优化问题，可能恰好是另一个公司刚刚解决过的。这种知识流动加速了整个行业的技术进步。
在技术伦理方面，谢强的影响尤为深远。当行业还沉浸在技术突破的兴奋中时，他就开始呼吁建立AI治理框架。他参与起草的《人工智能开发准则》虽然最初遭到一些质疑，但现在看来具有惊人的前瞻性。其中关于数据隐私和算法公平的条款，已经成为行业标准实践。“技术发展必须与价值观同行，”他常说，“否则我们只是在制造更高级的工具，而不是建设更美好的未来。”
他的开源项目改变了无数开发者的工作方式。那个著名的机器学习库，最初只是他为团队内部使用而开发的工具集。在同事的建议下开源后，它已经成为全球数十万开发者的首选工具。最让人感动的是，他仍然会抽时间回复GitHub上的问题，甚至亲自修复一些细小的bug。这种亲力亲为的态度，激励着整个开源社区。
未来研究方向与规划
与谢强讨论未来计划时，你能感受到他眼中的光芒。“我们现在看到的AI，可能还处于石器时代，”他半开玩笑地说。他的实验室正在探索一些看似“科幻”的方向，比如具身智能和AI与人类的协同进化。这些研究短期内可能不会产生实用成果，但他相信这是通向通用人工智能的必经之路。
他特别关注“AI与创造力”的交叉领域。传统观点认为AI只能处理重复性工作，谢强却认为下一代AI应该具备某种程度的创造力。他的团队正在研究如何让AI系统不仅模仿现有模式，还能产生真正新颖的解决方案。他们设计的一个音乐生成系统已经能创作出让专业作曲家惊讶的旋律片段。“创造力不是人类的专利，”他说，“关键是找到激发机器创造力的正确方式。”
在技术民主化方面，谢强有个雄心勃勃的计划：让AI技术更容易被中小企业使用。他发现当前最先进的AI工具往往需要大量计算资源和专业人才，这造成了技术应用的“贫富差距”。他的团队正在开发一套“轻量级AI工厂”方案，目标是让一家小型制造企业也能用上定制化的AI解决方案。这个项目如果成功，可能彻底改变AI技术的普及方式。
人才培养始终是他的核心关注点。他正在筹划一个跨学科的“未来智能学者”计划，准备选拔来自计算机科学、心理学、哲学甚至艺术领域的人才，共同探索智能的本质。“单一视角已经无法理解智能的复杂性，”他解释道，“我们需要更丰富的认知工具箱。”
谢强对未来的规划总是带着强烈的人文关怀。当被问及终极目标时，他思考片刻后回答：“我希望我们开发的AI，最终能让人类更像人类——解放我们去做那些真正体现人性光辉的事情。”这个回答或许最能体现他的技术哲学：技术终究是工具，人的价值和意义才是最终目的。
站在当前这个时间点回望，谢强已经走过了令人瞩目的职业生涯。但与他交谈时，你会感觉他最精彩的作品可能还在未来。就像他常说的：“最令人兴奋的突破，永远在下一个实验中等待被发现。”
