AI关联软件发展史📘 稍难
上一节我们看到AI工程实践如何把"好想法"变成"好产品"。但如果说算法是AI的"灵魂"，那软件框架就是AI的"骨架"——没有好用的框架，再好的算法也只能停留在论文里。AI软件引擎的发展，是一部从"手工作坊"走向"工业大生产"的历史：从手写矩阵运算，到一键训练千亿参数大模型，工具的进化直接决定了AI创新的速度。
这章要认识的"框架"很多，但它们讲的故事其实很简单：让写AI的人越来越省力。你只要抓住一条主线的最低通关目标——
- 看懂"前框架时代"有多苦：每写个模型都得从算矩阵开始手撸；
- 看懂 Theano/Caffe → TensorFlow/PyTorch 怎么把苦活包起来；
- 看懂大模型时代又冒出一批"专用小工具"各管一摊。
名字记不住没关系，下面这张"小抄"先把出场框架认个脸熟，读到哪里忘了就回来瞄一眼；再往下还有一张"家谱树"图，一眼看清谁是谁的后代。
提示：带括号的是出品方或年份，正文里都会展开讲。
- Theano自动求导开创者2010年，你只写"怎么算结果"，它帮你算"怎么调参数"
- Caffe第一套好用框架2013年贾扬清开发，"开箱即用"跑经典模型
- TensorFlowGoogle工业派2015年，擅长大规模部署，企业最爱
- PyTorchMeta学术派2017年，动态图所见即所得，研究者最爱
- DeepSpeed训练加速器微软出品，把千亿模型训练拆给很多机器一起干
- vLLM推理加速器伯克利出品，优化"上菜流程"让回答更快更省
- LangChain应用搭积木把搜索/对话/数据库像乐高一样拼成AI应用
- Ollama本地一键跑普通笔记本也能跑大模型，不用云端
- 飞桨国产框架老大百度出品，国产芯片适配最好
- MindSpore华为框架和昇腾芯片深度绑定，端边云全场景
- Hugging Face模型大超市AI模型的"GitHub"，100万+模型一行代码下载
- CUDAGPU通用计算NVIDIA让显卡除了画图还能算矩阵，深度学习的地基
- 张量多维数组框架里数据的基本单位，可以理解成"带很多维度的表格"
下面这张"家谱树"把全章出场的框架按出现的辈分排好——先别背，先有个"森林"的印象，后面讲每一棵"树"时就知道它在哪了。
一、前框架时代：手工作坊（2006年以前）
在2006年以前，如果你想做深度学习研究，没有现成的工具可以用。你面对的是一块空白的编程环境——一切都要从零开始手写。矩阵运算怎么算？梯度怎么求？反向传播怎么实现？全部得自己一行一行写代码。
打个比方，这就像每做一道菜都要从打铁造锅开始。你想炒个青菜？先去挖矿、炼铁、锻锅、打铲子……等你把厨具准备好了，一天都过去了。更痛苦的是，每换一道菜（换一个模型），你可能还得重新设计一套锅具——因为不同的模型，底层计算逻辑不完全一样。
这不是夸张。当时的研究者，训练一个简单的三层神经网络，可能要花几周时间在底层代码上——写矩阵乘法函数、实现反向传播算法、处理数值稳定性问题、调试梯度计算是否正确……真正用来"研究"模型设计的时间反而很少。大量的精力被消耗在重复造轮子上。
更麻烦的是，不同实验室的代码各写各的，互不兼容。张三的代码李四看不懂，李四的模型在张三的机器上跑不起来。研究效率极低，只有少数顶尖实验室"玩得转"——因为他们有足够的人力去处理这些底层工程问题。
因为没有框架，研究者必须是"全能选手"——既要懂数学（推导梯度），又要懂编程（手写底层运算），还要懂系统优化（让代码跑得快）。这三个门槛叠加，把绝大多数有兴趣的人挡在了门外。工具的缺失，严重限制了AI的发展速度——很多好想法因为"实现起来太麻烦"而被放弃。
二、第一代框架：从Theano到Caffe（2010—2014）
2010年前后，情况开始改变。一批先驱者意识到：如果每次研究都要从零写底层代码，AI永远不可能快速发展。于是，第一批深度学习框架诞生了——它们把常用的底层运算封装好，让研究者可以像搭积木一样构建模型。
Theano：自动求导的开创者（2010）
2010年，蒙特利尔大学的约书亚·本吉奥团队推出了 Theano——首个用Python写的深度学习库（人话：把"手写底层运算"变成"你描述想算什么，它帮你算"的工具）。Theano最革命性的功能是自动求导：你只需要写出前向计算（从输入到输出的计算过程），它会自动帮你算出梯度（反向传播需要的导数）。
用通俗的话说：以前你得自己手算每一步的导数公式，然后翻译成代码——又容易出错又费时间。有了Theano，你只写"怎么算结果"，它自动帮你算"怎么调参数"。这看似简单的一步，让研究者从最繁重的数学推导中彻底解放出来，可以把精力放在模型设计本身。
Theano为什么重要？因为它开创了一个理念：框架应该替人做脏活累活。自动求导这个功能，后来成为所有深度学习框架的标配。可以说，没有Theano的探索，就没有后来TensorFlow和PyTorch的繁荣。
Caffe：第一套"标准化厨房设备"（2013）
2013年，加州大学伯克利分校的华人学者贾扬清在写毕业论文之余，开发了 Caffe——第一个真正好用的深度学习框架（人话：预置好经典模型，下载下来就能跑，像第一套"标准化厨房设备"）。Caffe用C++编写，速度快、结构清晰，尤其擅长卷积神经网络（CNN），迅速成为计算机视觉研究者的首选工具。
如果说Theano是"帮你算导数的计算器"，那Caffe就是"第一套标准化的厨房设备"——灶台、炒锅、蒸笼、刀具一应俱全，结构合理、使用方便。你不需要再自己打铁造锅了，拿起这套设备就能直接做菜。而且Caffe预置了AlexNet、VGG等经典模型，下载下来就能跑——这在当时是革命性的体验。
Caffe为什么重要？因为它证明了好框架能大幅降低AI的门槛。以前只有顶尖实验室能做的深度学习，有了Caffe之后，一个普通研究生配台GPU就能跑起来。贾扬清后来成为Google TensorFlow和Meta PyTorch两大框架的核心贡献者——全球AI研究者用的工具链，有他打下的地基。
这两个框架虽然后来被TensorFlow和PyTorch取代，但它们的历史功绩不可磨灭。Theano开创了自动求导的理念，Caffe开创了"开箱即用"的体验。没有它们的探索，后来的"双雄"不可能一出生就那么成熟。
三、双雄并起：TensorFlow vs PyTorch（2015—2019）
2015年到2017年，两大科技巨头各推出一款深度学习框架，开启了长达数年的"双雄争霸"时代。这场竞争深刻地塑造了今天AI软件生态的面貌。
TensorFlow：工业界的 heavyweight（2015）
2015年11月，Google开源了 TensorFlow——第一个由工业界推出的开源深度学习框架（人话：一套从训练到上线都管得好的"工厂流水线"工具，企业部署最爱）。它功能强大、适合大规模部署，一经发布就引爆社区，迅速成为下载量最大的深度学习框架。
TensorFlow的最大优势在于生产部署：它有一整套从训练到部署的工具链（TF Serving、TF Lite、TF.js），可以轻松把模型部署到服务器、手机、浏览器。这对企业来说非常重要——模型训练完了，得能方便地部署上线才有价值。
但TensorFlow 1.x有个让研究者很头疼的痛点：静态计算图。你得先定义好整个网络的结构（画好蓝图），再启动"会话"来运行（开始施工）。蓝图画完之前，你看不到中间结果，调试极其困难——就像先画好整栋楼的蓝图再施工，施工中发现图纸有问题，改了图还得重来。
PyTorch：学术界的宠儿（2017）
2017年1月，Facebook（现Meta）推出了 PyTorch（人话：动态图、所见即所得，写起来像普通Python，研究者最爱），走了一条截然不同的路线：动态计算图。代码怎么写，计算图就怎么建，所见即所得。你可以在任何一行代码后面打印中间结果、设断点调试，就像写普通Python程序一样自然。
如果说TensorFlow是"先画蓝图再施工"，那PyTorch就是"边施工边调整"——砌一面墙看看歪不歪，歪了马上拆了重砌，灵活自如。这种"研究友好"的设计让PyTorch迅速赢得学术界青睐。到2019年，顶级AI会议（NeurIPS、ICML）上超过80%的论文使用PyTorch，学术界几乎"一边倒"。
| 对比项 | TensorFlow | PyTorch |
|---|---|---|
| 推出时间 | 2015年（Google） | 2017年（Facebook/Meta） |
| 计算图 | 静态图为主（2.0后支持动态） | 动态图（原生） |
| 调试体验 | 较困难，需先定义再运行 | 极自然，所见即所得 |
| 核心优势 | 生产部署、大规模分布式 | 易用性、研究友好 |
| 主要阵营 | 工业界 | 学术界 |
| 部署工具 | 完善（TF Serving/Lite/JS） | 逐步完善（TorchServe/Export） |
2019年后的趋同：互相学习
有趣的是，两大框架在竞争中开始互相学习、逐渐趋同。2019年，TensorFlow 2.0吸收了PyTorch的优点，默认启用动态图（eager execution），大幅改善了调试体验。2023年，PyTorch 2.0则引入了编译优化（torch.compile），学习了TensorFlow在性能优化上的长处。
这种趋同为什么重要？因为它说明好的设计终将被所有人采纳。竞争让两个框架都变得更好，最终受益的是所有AI开发者。到2026年，选择哪个框架更多是"团队习惯"而非"技术优劣"——两者的差距已经很小了。
TensorFlow和PyTorch的竞争，是AI软件发展史上最精彩的一章。它们在竞争中互相学习：TF学了PyTorch的动态图，PyTorch学了TF的编译优化。两大框架逐渐趋同，意味着AI工具正在走向成熟——就像当年浏览器大战最终促成了Web标准的统一。对开发者来说，这是最好的结果。
四、大模型时代的专用框架（2020—2026）
大语言模型的出现，带来了全新的工程挑战：千亿参数怎么训练？推理怎么加速？AI应用怎么开发？通用框架（TensorFlow、PyTorch）虽然能做，但不够高效。于是，一批专用框架应运而生，分别解决训练、推理、应用开发等不同环节的问题。
这四类框架分别对应大模型工程的四个核心环节：训练（DeepSpeed）、推理（vLLM）、应用开发（LangChain）、本地部署（Ollama）。它们各有侧重，组合使用构成了完整的大模型软件栈。
这种"专业化分工"为什么重要？因为它标志着AI软件生态走向成熟。就像建筑行业有设计软件、施工管理软件、物业管理软件各管一摊一样，AI软件也从"一个框架干所有事"进化到了"专业框架干专业事"。每个环节都有专门的工具做到极致，整体效率大幅提升。
微软开源DeepSpeed训练框架，首创ZeRO优化技术，大幅降低大模型训练的显存占用，让千亿参数训练成为可能。
ChatGPT发布后，AI应用开发需求爆发。LangChain作为首个AI Agent应用框架问世，让开发者能快速搭建"大模型+工具+数据"的AI应用。
UC Berkeley发布vLLM推理框架，PagedAttention技术将推理吞吐量提升2-4倍，成为大模型部署的标配工具。
Ollama让普通笔记本电脑也能一键运行大模型，"本地部署"走入个人用户。llama.cpp同时走红，CPU推理优化达到实用水平。
Dify、LMDeploy等国产框架崛起，Hugging Face生态突破100万模型，AI软件栈形成完整的五层架构，从训练到部署全链条工具齐备。
五、中国AI框架：从追赶到自主
在全球AI框架格局中，TensorFlow和PyTorch占据了绝对主导地位。但中国并没有缺席——一批国产框架从追赶到自主，走出了一条自己的路。这不仅是技术问题，更是战略安全问题。
飞桨 PaddlePaddle：中国首个开源深度学习框架
百度的 飞桨（PaddlePaddle） 是中国首个开源的深度学习框架（人话：国产框架"老大哥"，对国产芯片适配最好），2016年开源。它下接芯片、上承应用，被称为"AI时代的操作系统"。飞桨的特点是对国产芯片的适配最好，而且内置了大量适合中国应用场景的预训练模型。
用"国产操作系统"来类比飞桨：就像国产操作系统不追求比Windows更好用，但追求自主可控、适配国产硬件——飞桨的定位也是如此。它可能不是最好用的框架，但它是中国AI基础设施自主可控的关键一环。
MindSpore 昇思：与昇腾芯片深度协同
华为的 MindSpore（昇思） 2019年开源（人话：和华为昇腾芯片"绑定的亲兄弟"，端边云都能跑），最大的特点是与华为昇腾AI芯片深度协同优化。它支持端（手机）、边（路由器）、云（服务器）全场景部署，是国产AI"芯片+框架"全栈方案的核心。
MindSpore为什么重要？因为在国际博弈背景下，"框架+芯片"的自主全栈具有战略意义。如果有一天TensorFlow不能用、NVIDIA芯片买不到，华为的"昇腾+MindSpore"就是中国的备胎。这不是杞人忧天——美国的出口管制已经让这种风险变成了现实。
Jittor 计图与 OneFlow：各有所长
清华大学的 Jittor（计图）（人话：在"编译时"就把计算优化好，部分场景不输国际主流） 在编译优化上走出了自己的路线，性能在某些场景下不输国际主流框架。一流科技的 OneFlow（人话：专门擅长"很多台机器一起训练大模型"） 则专注大规模分布式训练，在"多机多卡"场景下效率出众。
| 框架 | 出品方 | 核心特点 | 主要优势 |
|---|---|---|---|
| 飞桨 PaddlePaddle | 百度 | 首个国产开源框架 | 国产芯片适配好、中文生态完善 |
| MindSpore 昇思 | 华为 | 与昇腾芯片深度协同 | 端边云全场景、自主全栈 |
| Jittor 计图 | 清华大学 | 编译优化路线 | 性能优异、学术创新 |
| OneFlow 一流 | 一流科技 | 大规模分布式训练 | 多机多卡效率高 |
国产框架面临的最大挑战是生态建设。一个框架好不好用，不只看技术本身，更看有多少人在用、有多少模型和工具支持它。TensorFlow和PyTorch已经形成了庞大的生态壁垒——这是国产框架最大的短板。但国际博弈带来的"断供"风险，也为国产框架提供了历史性的机遇窗口。2026年中国首个全国产10万卡AI超集群投用，正是这种"倒逼自主"的成果。
六、AI软件生态全景
经过十几年的发展，AI软件已经形成了一个分层的完整生态。从最底层的硬件驱动，到最上层的应用部署，每一层都有专门的工具。理解这个分层架构，就能理解AI软件的"全貌"。
用"建房子"的比喻把这五层串起来：地基（硬件驱动）打好后，用框架结构（计算框架）搭出楼体，去建材市场（模型库）选购装修材料，用家具（应用框架）布置各个房间，最后请物业（部署服务）负责日常运营维护。每一层都不可或缺，每一层都有专门的工具。
Hugging Face：AI模型的"GitHub"
在这五层生态中，Hugging Face（人话：AI模型的"GitHub"，100万+模型一行代码就能下载） 值得特别一提。它被称为"AI模型的GitHub"——一个汇聚了超过100万个开源模型的平台。你想用GPT、BERT、Llama还是Stable Diffusion？去Hugging Face上一行代码就能下载，不用自己从头训练。
Hugging Face为什么重要？因为它让模型共享变得像代码共享一样简单。以前你想要一个好模型，要么自己花大价钱训练，要么找原作者要代码。现在去Hugging Face上一搜，各种开源模型任你挑选，很多还是大公司花巨资训练后免费放出来的。这极大地降低了AI创新的门槛——一个小团队也能用上世界级的好模型。
AI软件生态之所以能如此繁荣，根本原因在于开源。PyTorch、TensorFlow是开源的，Hugging Face上的模型是开源的，LangChain、vLLM也是开源的。开源让全球数十万开发者的智慧汇聚在一起，每个人都能站在巨人的肩膀上。一个印度的大学生和硅谷的工程师，用的是同一套工具——这种"知识平权"，是AI飞速发展的根本动力之一。
七、开源社区的力量
回看AI软件的发展史，一个鲜明的主题贯穿始终：开源。从Theano到PyTorch，从Hugging Face到DeepSeek，几乎所有改变AI发展轨迹的软件工具都是开源的。这不是巧合——开源是AI软件发展的根本动力。
开源对AI发展的推动
如果没有开源，AI会是什么样？可能只有Google、Meta等少数巨头才用得起好的深度学习框架，小团队和研究者只能望洋兴叹。正是因为PyTorch和TensorFlow开源了，全球的研究者才能站在同一起跑线上，AI的发展速度才如此之快。
开源的好处是双向的：使用者免费获得了强大的工具，而开发者也从社区获得了反馈和贡献。PyTorch的很多优秀功能最初来自社区贡献者的PR（Pull Request）。一个框架如果闭源，靠公司内部团队维护，迭代速度远远赶不上全球开源社区的集体智慧。
Hugging Face生态：100万模型的共享广场
Hugging Face已经不只是一个模型托管平台，它是一个完整的AI生态社区。超过100万个模型、10万个数据集、无数的工具和教程，全部免费开放。更重要的是，它建立了一套"上传-分享-复现"的标准流程——你训练了一个好模型，上传到Hugging Face，全世界的人都能一键下载、复现、改进。
这就像一个巨大的"AI共享广场"：有人放模型，有人放数据集，有人放教程，大家各取所需、互相帮助。一个非洲的研究者可以下载Meta最新的Llama模型来用，一个中国的学生可以参考斯坦福的论文复现代码。知识的流动不再有国界。
中国开源贡献
中国也在积极拥抱开源。阿里的 ModelScope（魔搭）（人话：国产的"模型大超市"，中文模型最全） 被称为"中国版Hugging Face"，汇聚了大量中文模型和数据集。智源研究院的 OpenBMB（人话：开源了多种大模型工具链的国产研究团队） 开源了多种大模型工具链。最引人注目的是 DeepSeek——2024年底开源的DeepSeek V3模型，让全世界都能复现其"1/10成本"的工程方案，直接推动了整个行业的技术进步。
中国的开源贡献为什么重要？因为它意味着中国AI正在从"使用者"变成"贡献者"。以前中国团队主要是用别人的开源工具，现在开始向全球社区贡献自己的工具和模型。这种角色的转变，标志着中国AI走向成熟的又一个标志。
开源AI
- 优势：免费、透明、可复现、社区驱动迭代快
- 优势：小团队也能用上顶尖工具，降低创新门槛
- 优势：避免被单一厂商"锁定"，生态多样性强
- 劣势：技术支持有限，出了问题靠自己
- 劣势：商业化模式不清晰，可持续性存疑
- 代表：PyTorch、Llama、DeepSeek、Hugging Face
闭源AI
- 优势：有专业团队维护和支持，稳定可靠
- 优势：商业化模式清晰，可持续投入研发
- 优势：核心技术不公开，有竞争壁垒
- 劣势：收费高、黑箱不可审计、锁定风险
- 劣势：小团队用不起，加剧"AI鸿沟"
- 代表：GPT-4（OpenAI）、Claude（Anthropic）
开源和闭源不是非此即彼的关系，而是共存互补的。闭源模型（如GPT-4）往往在能力上领先，推动着天花板；开源模型（如Llama、DeepSeek）紧追不舍，降低着地板。两者你追我赶，共同推动着整个AI行业向前发展。
开源最大的意义，是让AI"民主化"——不再只有巨头玩得起，小团队、甚至个人开发者都能用上顶尖工具。一个大学生在宿舍里用Ollama跑本地大模型，用Hugging Face上的开源模型搭建应用，用LangChain编排AI Agent——这在十年前是不可想象的。开源让AI从少数人的特权，变成了所有人的工具。
八、本章术语速查
| 术语 | 一句话解释 |
|---|---|
| Theano | 首个Python深度学习库，开创"自动求导"功能，让研究者从数学推导中解放 |
| Caffe | 第一个真正好用的深度学习框架，华人学者贾扬清开发，"开箱即用" |
| TensorFlow | Google 2015年开源，静态计算图，擅长生产部署和大规模分布式 |
| PyTorch | Meta 2017年开源，动态计算图，研究友好，学术界首选 |
| 静态计算图 | 先定义后运行，类似"先画蓝图再施工"，调试困难 |
| 动态计算图 | 边运行边构建，所见即所得，调试自然 |
| DeepSpeed | 微软分布式训练框架，支持千亿甚至万亿参数模型高效训练 |
| vLLM | 高性能推理框架，PagedAttention技术提升推理吞吐量2-4倍 |
| LangChain | AI Agent应用框架，"AI的乐高积木"，快速搭建AI应用 |
| Ollama | 轻量级本地部署工具，普通电脑也能一键运行大模型 |
| 飞桨PaddlePaddle | 百度出品，中国首个开源深度学习框架，国产芯片适配最好 |
| MindSpore昇思 | 华为出品，与昇腾芯片深度协同，端边云全场景部署 |
| Hugging Face | AI模型的"GitHub"，100万+开源模型共享平台，让模型共享像代码共享一样简单 |
| RAG | 检索增强生成，让AI先"查资料"再回答，减少幻觉 |
| PagedAttention | vLLM的核心技术，像操作系统管理内存一样管理推理显存 |
| Jittor | 清华大学开发的国产深度学习框架，特点是编译时优化 |
| OneFlow | 国产深度学习框架，擅长大规模分布式训练 |
| llama.cpp | 能在普通电脑CPU上运行大模型的轻量工具 |
| LlamaIndex | AI应用开发工具，帮你把文档和数据喂给模型，常用于RAG |
| Dify | 开源的AI应用开发平台，可视化拖拽就能搭AI应用 |
| LMDeploy | 商汤开发的模型部署工具 |
| ModelScope（魔搭） | 阿里达摩院的AI模型社区，像"国产Hugging Face" |
| CUDA | NVIDIA的GPU通用计算平台，让显卡能算矩阵，是深度学习的底层"地基" |
| 张量 | 多维数组，框架里数据的基本单位，可理解成"带很多维度的表格" |
| 自动求导 | 框架替你算梯度的功能，Theano开创，如今是所有框架的标配 |
| ROCm | AMD的GPU计算平台，相当于CUDA的"平替"，让软件调用AMD显卡算力 |
| CANN | 华为的AI计算架构，让上层软件调用昇腾芯片的算力 |
| JAX | Google的高性能计算框架，兼顾灵活与速度，受研究者青睐 |
| Triton | NVIDIA的模型推理服务框架，把训练好的模型高效部署上线 |
| OpenBMB | 智源研究院开源的大模型工具链，国产开源贡献的代表之一 |
| 开源 | 代码/模型免费公开、谁都能用和改进，是AI飞速发展的根本动力 |
| 闭源 | 核心技术不公开、由厂商独占，往往能力领先但收费且不可审计 |
本章小结
AI软件从"每做一道菜都要从打铁造锅开始"的手工作坊时代，进化到"拿起标准化厨房设备就能做菜"的工业大生产时代。
TensorFlow和PyTorch的双雄竞争推动了工具走向成熟，最终互相学习、逐渐趋同，受益的是所有AI开发者。
开源是AI发展的根本动力——开源让AI从少数人的特权变成了所有人的工具，实现了真正的"AI民主化"。
- 前框架时代（2006年以前）：一切从零手写，效率极低，研究门槛极高，严重限制了AI发展速度。
- 第一代框架（Theano、Caffe）：Theano开创自动求导，Caffe开创"开箱即用"，让研究者从底层工程中解放。
- 双雄并起（TensorFlow vs PyTorch）：TF以生产部署见长，PyTorch以研究友好取胜。两者在竞争中互相学习、逐渐趋同。
- 大模型专用框架：DeepSpeed解决训练、vLLM解决推理、LangChain解决应用开发、Ollama解决本地部署——专业化分工推动效率提升。
- 中国框架（飞桨、MindSpore、Jittor、OneFlow）：从追赶到自主，生态建设是最大短板，但"断供"风险倒逼出历史机遇。
- AI软件生态五层架构：硬件驱动→计算框架→模型库→应用框架→部署服务，各层各司其职，构成完整软件栈。
- Hugging Face：AI模型的"GitHub"，100万+开源模型，让模型共享变得像代码共享一样简单。
- 开源是AI发展的根本动力：开源让AI民主化，小团队也能用上顶尖工具，全球开发者共建共享。
软件框架让AI开发变得高效，但框架背后还需要强大的算力硬件支撑。下一章，我们将走进AI相关硬件发展史，看看从CPU到GPU、从TPU到NPU，芯片的进化是如何一步步解锁AI潜力的。
从手写矩阵运算到一键训练千亿模型，AI软件的发展史就是一部"工具降低门槛、门槛释放创造力"的历史。每一个新框架的诞生，都让更多人能够参与AI创新——而这，正是AI能以惊人速度改变世界的底层原因。