企业官网建设流程全解析

1. 项目概述：当AI开始“理解”世界

最近和几个做游戏和影视特效的朋友聊天，大家不约而同地提到了同一个痛点：用传统物理引擎模拟一个杯子摔碎、布料飘动或者水流冲击的场景，参数调到头秃，效果还是差点意思，要么太“假”，要么计算成本高得吓人。与此同时，另一边厢，Sora、Pika这些AI视频生成模型却能把画面做得越来越以假乱真，光影、材质、运动模糊，视觉上几乎挑不出毛病。但如果你让它们生成一个“水杯从桌角滑落，摔在地上，水花四溅”的连贯视频，结果很可能前半段杯子滑得挺顺，后半段水花却像一团粘稠的果冻，或者碎片违背重力乱飞。这引出了一个核心问题：视觉上的“真实”不等于物理上的“有效”。一个画面再精美，如果其中的物体运动违背了基本的物理规律，观众瞬间就会出戏，觉得“假”。

这正是“生成式AI从视频中学习物理规律”这个方向要啃的硬骨头。它不再是简单地学习像素的统计分布，去生成一张静态的“好看”的图片，而是要尝试理解驱动画面中每一帧变化的底层规则——重力、摩擦力、弹性、流体动力学等等。这有点像教一个天赋异禀的画家（视觉生成模型）去学习牛顿和伯努利的著作，让它画出的每一笔不仅构图优美，还要符合力学原理。这个领域的探索，正处在从追求“视觉真实感”向追求“物理有效性”跨越的关键阶段，其意义远不止于做出更炫酷的短视频。它关乎机器人通过观察学习如何操作物体，关乎自动驾驶系统预测复杂交通场景，关乎数字孪生中构建高保真的虚拟世界，甚至关乎我们如何让AI建立起对物理世界最基本的常识。

2. 核心挑战：跨越“看起来像”与“真的对”之间的鸿沟

让AI从视频中学习物理规律，听起来像是让一个孩子通过看电视来理解万有引力，其难度可想而知。这其中的核心挑战是多层次且相互交织的，我们可以从数据、模型和评价三个维度来拆解。

2.1 数据之困：从“表象”到“本质”的稀疏信号

视频数据本身是极其丰富的信息源，每秒包含数十帧高维像素数据。但对于学习物理规律而言，这些数据存在几个根本性问题。

首先，物理状态信息是隐式的、高度压缩的。一段乒乓球弹跳的视频，直接呈现给模型的是RGB像素阵列。而模型需要从中反推出球的三维位置、速度、旋转角速度、与桌面的碰撞系数、空气阻力等一系列物理量。这是一个典型的“从果推因”的逆问题，且解不唯一。模型看到的只是表象（像素变化），而驱动表象的物理参数（质量、弹性模量等）并没有直接标注。

其次，视频数据存在巨大的分布偏移和偏见。互联网上的视频多是经过剪辑、运镜、特效处理的，它们为了叙事或美学效果，常常会违反物理规律（比如慢动作、倒放、超现实特效）。模型如果不加区分地学习，很可能把影视特效当作物理定律。更常见的是数据不完整性，比如视频镜头总是跟随主体，背景信息缺失；或者遮挡严重，无法完整观察物体的运动轨迹。

最后，长程依赖与稀疏监督。很多物理现象（如多米诺骨牌效应、流体稳定后的形态）需要观察很长时间序列才能理解其因果链条。而当前视频生成模型大多基于Transformer等结构，其注意力机制对超长序列的处理依然存在计算和记忆的瓶颈。同时，我们几乎没有“这个视频符合牛顿定律”这样的标签，监督信号极其稀疏。

2.2 模型之难：架构如何承载“物理归纳偏置”

传统的深度神经网络，尤其是为图像识别设计的CNN，其归纳偏置（即模型本身对数据结构的假设）是局部性和平移不变性，这有利于识别纹理和形状，但对理解物体在时间上的连续运动和相互作用帮助有限。要让模型学会物理，必须在架构中注入新的“物理归纳偏置”。

一种主流思路是显式引入物理建模模块。例如，在生成过程中，不是直接预测下一帧像素，而是先预测一个中间表示层：如每个物体的三维包围盒、刚体速度场、或者更精细的粒子位置。然后，用一个可微分的物理模拟器（Differentiable Physics Simulator）对这个中间表示进行一步物理演算，再将结果渲染成图像。这样，模型就被“强迫”在物理规则的约束下进行生成。代表工作如“Physics-as-Inverse-Graphics”系列，试图从视频中逆向推理出场景的物理参数。

另一种思路是在隐空间施加物理约束。比如，训练一个自编码器将视频帧压缩到潜变量空间，然后要求潜变量在时间维度上的变化遵循某些物理启发的动力学方程（如哈密顿动力学）。这样，模型在压缩-重建的过程中，自发地学会了用一组符合物理规律的潜变量来表征视频内容。

然而，这些方法都面临一个权衡：引入过强的物理假设会限制模型的泛化能力（比如只能处理刚体），而过于通用的神经网络又难以自发形成严格的物理规律。如何设计一个既灵活又能遵守基本物理法则的模型架构，是当前研究的焦点。

2.3 评价之惑：如何量化“物理正确性”

这是最棘手的问题之一。对于图像生成，我们有FID（弗雷歇距离）、IS（初始分数）等指标来衡量生成图像与真实图像分布的相似度。但对于物理有效性，我们缺乏类似的、可量化的黄金标准。

视觉评价指标基本失效。PSNR（峰值信噪比）、SSIM（结构相似性）这些像素级或结构级的比较，无法判断运动是否合理。一个物理错误的视频，可能在像素层面和真实视频非常接近。

目前，研究社区倾向于采用任务驱动的间接评估。例如：

1. 预测任务：给定视频的前N帧，让模型预测后续M帧。然后计算预测帧与真实视频后续帧在特定物理属性上的误差，如物体关键点的轨迹误差、速度方向的误差等。
2. 推理任务：设计一些需要物理常识才能回答的问答对。例如，给模型看一个积木塔倾斜的视频，问它“积木塔会倒向哪一边？”。
3. 下游应用性能：将在视频中学到的物理模型，用于机器人抓取规划或自动驾驶模拟器中，看其是否能提升下游任务的性能。

但这些方法都成本高昂，且不够直接。开发一套全面、自动化的“物理有效性评测基准”，是推动这个领域发展的关键基础设施。

3. 技术路径解析：从感知到模拟的融合

面对上述挑战，业界和学术界正在从不同路径进行探索，这些路径并非泾渭分明，而是呈现出一种从“纯视觉学习”向“物理模拟融合”演进的趋势。我们可以将其归纳为几条主要的技术路径。

3.1 路径一：基于大规模视频数据的自监督学习

这是最“暴力”也是目前最主流的路径，其核心思想是：物理规律就蕴藏在海量的真实世界视频中，只要模型足够大、数据足够多、训练目标设计得巧妙，模型就能自发地总结出这些规律。Sora等大型视频生成模型是这条路径的典型代表。

它们通常采用扩散模型（Diffusion Model）或类Transformer的自回归模型，在数以亿计的视频-文本对上进行训练。训练目标很简单：给定一段文本描述和/或前面几帧，预测下一帧或后续帧的像素。在这个过程中，模型为了更好地完成预测任务，就必须去建模视频中物体运动、场景变化的模式，而这些模式中就包含了物理规律。

这条路径的优势在于其强大的泛化能力和惊艳的视觉质量。它不需要人工定义物理公式，能从数据中直接学习复杂的、甚至是我们尚未总结出的视觉-动力学关联。但其劣势也很明显：它是一个黑盒，学到的“物理规律”是隐式的、统计性的，不一定严格守恒（如能量、动量）。它可能学会“大多数情况下物体受重力下落”，但无法保证在每一个生成样本中都严格遵守。这导致了其物理一致性的不可控。

实操心得：如果你尝试基于此路径做研究或应用，数据清洗和课程学习（Curriculum Learning）至关重要。优先使用那些物理现象清晰、镜头稳定、无剪辑特效的“干净”视频数据（如机器人操作记录、监控录像、科学实验录像）进行初期训练，能让模型更快地捕捉到基础物理规律，之后再引入更复杂的数据。

3.2 路径二：神经物理场与可微分模拟

这条路径更具解释性，目标是构建一个显式的、可解释的场景物理状态表示。其核心是神经场（Neural Fields），例如神经辐射场（NeRF）用于几何与外观，神经物理场（Neural Physical Fields）用于物理属性。

具体来说，模型不再直接操作像素，而是学习一个函数，这个函数将空间坐标(x, y, z)、时间(t)和物体标识映射到该点的物理量，如密度、速度、应力等。同时，这个函数的动力学演化，会受到一个可微分物理模拟器（Differentiable Physics Simulator）的约束。这个模拟器内部编码了物理方程（如纳维-斯托克斯方程用于流体），它接收当前时刻的物理场状态，计算出下一时刻的状态，整个过程是可微分的，因此可以通过梯度下降从视频数据中反推出物理场的初始状态和参数。

这条路径的优势是物理精确性和可解释性。生成的过程本质上是物理模拟，因此能严格保证动量守恒、质量守恒等定律。它非常适合对物理精度要求高的场景，如工程仿真、科学计算可视化。但其劣势是计算成本极高，难以处理复杂场景（如大量不同材质的物体交互），并且需要预先定义好要模拟的物理过程类型（刚体、流体、弹性体等），泛化性受限。

3.3 路径三：混合建模与物理引导的生成

这是目前看来最有前景的折中方案，旨在结合前两条路径的优点。其核心思想是让视觉生成模型与物理知识协同工作，通常采用两阶段或迭代式架构。

一种常见的混合模式是“物理前馈，视觉精修”。首先生成一个粗糙的、基于物理模拟的序列（例如，用简化模型模拟出物体的粗略运动轨迹和碰撞）。然后，将这个序列作为条件输入到一个强大的视觉生成模型（如扩散模型）中，生成细节丰富、视觉逼真的最终视频。物理模拟保证了运动轨迹的大致合理性，视觉生成模型补充了材质、光影、次级运动等细节。

另一种模式是“物理约束训练”。在训练视觉生成模型时，除了重建损失（像素级差异），额外添加一个“物理正则化损失”。这个损失项通过一个预训练的、轻量级的物理评估网络来计算，它评估生成视频片段的物理合理性（如物体是否穿透、速度是否连续）。这样，模型在训练时就被引导着向物理上更有效的方向优化。

这条路径平衡了视觉质量与物理一致性，且具有较好的灵活性。但如何设计有效的物理约束损失，如何让物理模块与视觉模块高效交互，仍然是开放的研究问题。

4. 实战剖析：构建一个简易的“物理感知”视频预测模型

为了让大家更具体地理解，我们抛开那些庞大的Sora级模型，来动手设计一个简化版的实战项目：一个能够学习刚体运动规律的小型视频预测模型。我们的目标是：给定一段几个彩色方块在简单场景中滑动、碰撞的视频前几帧，预测后续帧中这些方块的位置。

4.1 环境准备与数据合成

由于真实世界视频中物体运动复杂且标注困难，我们采用合成数据进行训练和验证。这能让我们拥有完美的地面真值（物体的精确位置、速度）用于监督。

工具选型：

• 物理引擎：PyBullet 或 MuJoCo。它们提供精确的刚体动力学模拟，且可以渲染出图像。这里我们选择PyBullet，因为它开源免费且Python接口友好。
• 深度学习框架：PyTorch。
• 可视化：OpenCV, Matplotlib。

数据生成脚本核心步骤：

1. 场景初始化：在PyBullet中创建一个平面，并在其上随机生成数个不同颜色、大小、质量的立方体或球体。
2. 随机初始化：为每个物体赋予一个随机的初始位置（在平面之上）和速度。
3. 物理模拟：运行物理引擎N个时间步，每一步都保存渲染出的RGB图像，同时记录每个物体的三维边界框（Bounding Box）中心坐标。
4. 构建序列：将连续T帧的图像和对应的物体坐标序列打包成一个训练样本。

import pybullet as p import pybullet_data import numpy as np import cv2 import torch from torch.utils.data import Dataset, DataLoader class PhysicsVideoDataset(Dataset): def __init__(self, num_sequences=1000, seq_len=20, image_size=(64, 64)): self.num_sequences = num_sequences self.seq_len = seq_len self.image_size = image_size self.data = self._generate_data() def _generate_data(self): # 连接物理引擎 physicsClient = p.connect(p.DIRECT) # 非图形界面，更快 p.setAdditionalSearchPath(pybullet_data.getDataPath()) p.setGravity(0, 0, -9.8) planeId = p.loadURDF("plane.urdf") data = [] for _ in range(self.num_sequences): obj_ids = [] num_objects = np.random.randint(2, 5) # 记录每个物体的颜色和初始状态 obj_states = [] for i in range(num_objects): # 随机生成颜色、位置、速度 color = np.random.rand(3) start_pos = [np.random.uniform(-2,2), np.random.uniform(-2,2), 0.5] start_ori = p.getQuaternionFromEuler([0,0,np.random.uniform(0, 3.14)]) obj_id = p.loadURDF("cube_small.urdf", start_pos, start_ori) p.changeVisualShape(obj_id, -1, rgbaColor=[*color, 1]) # 赋予随机初速度 lin_vel = [np.random.uniform(-1,1), np.random.uniform(-1,1), 0] p.resetBaseVelocity(obj_id, linearVelocity=lin_vel) obj_ids.append(obj_id) obj_states.append({'id': obj_id, 'color': color}) # 模拟并收集数据 frames = [] bbox_centers = [] # 用于监督的边界框中心 for step in range(self.seq_len): p.stepSimulation() # 渲染图像 view_matrix = p.computeViewMatrix([0,0,5], [0,0,0], [0,1,0]) proj_matrix = p.computeProjectionMatrixFOV(60, 1, 0.1, 10) _, _, rgb, _, _ = p.getCameraImage(64, 64, view_matrix, proj_matrix) rgb = np.array(rgb)[:, :, :3] # 去除alpha通道 rgb = cv2.resize(rgb, self.image_size) frames.append(rgb) # 获取物体位置 centers = [] for obj in obj_states: pos, _ = p.getBasePositionAndOrientation(obj['id']) centers.append(pos[:2]) # 只取x, y（假设相机俯视） bbox_centers.append(centers) # 清理场景 for obj_id in obj_ids: p.removeBody(obj_id) data.append({ 'video': np.array(frames).transpose(0, 3, 1, 2), # 转为 (T, C, H, W) 'trajectory': np.array(bbox_centers) # (T, num_obj, 2) }) p.disconnect() return data def __len__(self): return len(self.data) def __getitem__(self, idx): item = self.data[idx] # 假设我们用前5帧预测后5帧 input_frames = torch.FloatTensor(item['video'][:5]) / 255.0 input_traj = torch.FloatTensor(item['trajectory'][:5]) target_traj = torch.FloatTensor(item['trajectory'][5:10]) return input_frames, input_traj, target_traj

4.2 模型设计：结合视觉编码与物理推理

我们的模型将采用混合架构，分为三个主要部分：

1. 视觉编码器：一个CNN（如ResNet-18的小型变体），用于从输入帧中提取每个物体的视觉特征和初始状态。
2. 物理动力学网络：一个循环神经网络（如LSTM或Transformer），它接收物体的编码状态，并模拟其随时间的变化。这里的关键是，我们期望这个网络能学习到类似牛顿运动定律的动力学。
3. 状态解码器：将动力学网络输出的隐状态解码为物体在图像平面上的二维坐标。

import torch.nn as nn import torch.nn.functional as F class ObjectEncoder(nn.Module): """从单帧中编码出每个物体的特征和初始状态估计""" def __init__(self, obj_num=4, feat_dim=128): super().__init__() self.obj_num = obj_num self.backbone = nn.Sequential( # 简化的CNN nn.Conv2d(3, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(), nn.AdaptiveAvgPool2d((1,1)) # 全局平均池化 ) self.state_head = nn.Linear(128, 4) # 预测每个物体的 (x, y, vx, vy) def forward(self, x): # x: (B, C, H, W) batch_size = x.shape[0] feature = self.backbone(x).squeeze() # (B, 128) # 这里简化处理：假设网络能隐式地分离不同物体。更高级的做法会用注意力或对象槽（Slot Attention）。 # 我们直接复制特征，并预测多组状态（一个假设的上限） feature = feature.unsqueeze(1).repeat(1, self.obj_num, 1) # (B, obj_num, 128) init_states = self.state_head(feature) # (B, obj_num, 4) return init_states # 位置和速度 class PhysicsDynamicsLSTM(nn.Module): """用LSTM模拟物体状态的演化""" def __init__(self, input_dim=4, hidden_dim=256, num_layers=2): super().__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True) self.state_decoder = nn.Linear(hidden_dim, 2) # 解码出下一时刻的 (x, y) def forward(self, init_states, pred_steps): # init_states: (B, obj_num, 4) 最后一个维度是 (x, y, vx, vy) batch_size, obj_num, _ = init_states.shape predictions = [] # 对每个物体独立处理（暂不考虑碰撞交互） for obj_idx in range(obj_num): obj_state = init_states[:, obj_idx, :].unsqueeze(1) # (B, 1, 4) # 我们简单地将当前状态作为LSTM输入，预测下一状态，然后迭代 current_state = obj_state obj_preds = [] for _ in range(pred_steps): lstm_out, _ = self.lstm(current_state) # (B, 1, hidden_dim) next_xy = self.state_decoder(lstm_out[:, -1, :]) # (B, 2) obj_preds.append(next_xy.unsqueeze(1)) # 为了简化，我们构造一个假的速度（用位移差）作为下一时刻状态的一部分输入回LSTM # 这是一个非常简化的动力学模型，实际中需要更精巧的设计 if len(obj_preds) > 1: last_xy = obj_preds[-2].squeeze(1) vxvy = next_xy - last_xy else: vxvy = current_state[:, 0, 2:] # 使用初始速度 next_state_full = torch.cat([next_xy, vxvy], dim=1).unsqueeze(1) # (B, 1, 4) current_state = next_state_full # obj_preds: list of (B, 1, 2), length=pred_steps obj_preds = torch.cat(obj_preds, dim=1) # (B, pred_steps, 2) predictions.append(obj_preds.unsqueeze(2)) # (B, pred_steps, 1, 2) # 合并所有物体的预测 predictions = torch.cat(predictions, dim=2) # (B, pred_steps, obj_num, 2) return predictions class SimplePhysicsPredictor(nn.Module): """整合模型""" def __init__(self, obj_num=4, pred_steps=5): super().__init__() self.encoder = ObjectEncoder(obj_num=obj_num) self.dynamics = PhysicsDynamicsLSTM() self.pred_steps = pred_steps def forward(self, input_frames): # input_frames: (B, T_in, C, H, W) batch_size, T_in, C, H, W = input_frames.shape # 使用最后一帧来编码初始状态（实际应用中可以用多帧来估计速度） last_frame = input_frames[:, -1, :, :, :] # (B, C, H, W) init_states = self.encoder(last_frame) # (B, obj_num, 4) # 模拟未来状态 pred_trajectory = self.dynamics(init_states, self.pred_steps) # (B, pred_steps, obj_num, 2) return pred_trajectory

4.3 训练策略与损失函数

训练这个模型的关键在于损失函数的设计。我们不能仅仅使用预测坐标与真实坐标的均方误差（MSE），因为这可能让模型学会简单的线性外推，而不是真正的物理动力学。

多任务损失函数：

1. 轨迹回归损失（L_traj）：预测坐标与真实坐标的MSE。这是基础监督。
2. 物理一致性损失（L_phy）：这是一个正则化项，用于鼓励模型遵循简单的物理先验。例如：
   • 速度平滑性损失：相邻时间步预测速度的变化应较小（加速度有限）。
   • 能量守恒启发损失：对于封闭系统，物体速度的平方和（动能）不应剧烈无规律波动（这是一个非常宽松的约束）。
   • 碰撞避免损失（如果场景中有多个物体）：惩罚预测轨迹中物体包围盒的重叠。

def compute_loss(pred_traj, target_traj, init_states): # pred_traj: (B, T_pred, obj_num, 2) # target_traj: (B, T_pred, obj_num, 2) # init_states: (B, obj_num, 4) 包含初始速度 B, T, N, _ = pred_traj.shape # 1. 轨迹回归损失 loss_traj = F.mse_loss(pred_traj, target_traj) # 2. 速度平滑性损失 (计算预测轨迹的速度，并约束其变化) pred_velocity = pred_traj[:, 1:, :, :] - pred_traj[:, :-1, :, :] # (B, T-1, N, 2) acceleration = pred_velocity[:, 1:, :, :] - pred_velocity[:, :-1, :, :] # (B, T-2, N, 2) loss_smooth = torch.mean(torch.abs(acceleration)) # L1 loss 对异常值更鲁棒 # 3. 简单的“能量”变化惩罚（宽松约束） # 计算每个物体在每个时间步的速度平方 speed_sq = torch.sum(pred_velocity ** 2, dim=-1) # (B, T-1, N) # 惩罚相邻时间步“总动能”的剧烈变化 total_energy = torch.sum(speed_sq, dim=-1) # (B, T-1) 各物体速度平方和 energy_diff = total_energy[:, 1:] - total_energy[:, :-1] # (B, T-2) loss_energy = torch.mean(energy_diff ** 2) # 组合损失 total_loss = loss_traj + 0.1 * loss_smooth + 0.01 * loss_energy return total_loss, {'traj': loss_traj, 'smooth': loss_smooth, 'energy': loss_energy}

训练流程：

1. 使用合成的PhysicsVideoDataset。
2. 将前5帧视频和轨迹作为输入，后5帧轨迹作为目标。
3. 模型根据前5帧的最后一帧编码初始状态，并预测后5帧的轨迹。
4. 用上述组合损失进行优化。

注意事项：这个简易模型有很多简化假设，例如物体检测与跟踪是完美的（我们直接使用真值中心点）、物体间无相互作用。在实际中，你需要引入更强大的对象发现模块（如Slot Attention）和显式的碰撞处理机制。此外，物理一致性损失项的权重需要仔细调整，过强会妨碍模型拟合数据，过弱则不起作用。

5. 前沿探索与未来展望

尽管挑战重重，但这个领域正在快速发展，一些前沿的探索方向正在尝试突破现有瓶颈。

5.1 世界模型与物理常识的涌现

“世界模型”的概念被重新重视。其目标是训练一个模型，它不仅仅能预测像素，还能在内部形成一个对世界状态的压缩、抽象的表示（即“潜状态”），并在这个潜状态空间中进行预测和规划。例如，DeepMind的“Genie”模型，可以从互联网视频中学习一个可交互的环境模型。当这个潜状态的动力学遵循某种规律时，物理常识就可能从中涌现出来。关键是如何设计模型架构和训练目标，使得这种表示天然地包含物体、属性及其相互作用关系。

5.2 物理定律作为软约束与元学习

与其试图让神经网络精确求解物理方程，不如将物理定律视为一种“软约束”或“偏好”。通过元学习（Meta-Learning）或对比学习（Contrastive Learning），让模型学会区分物理合理与不合理的视频。例如，构建正样本对（符合物理的视频片段）和负样本对（通过轻微扰动制造物理上不可能的片段），让模型学习一个判别器。这个判别器学到的“物理合理性分数”可以作为生成模型的引导信号。

5.3 多模态融合与因果发现

物理规律的学习不应只依赖于视觉。结合声音（碰撞声、摩擦声）、文本描述（“球快速滚下斜坡”）、甚至触觉数据，可以为模型提供多角度的证据，帮助其更好地解耦和推理物理属性。此外，因果发现技术可以用于从视频序列中推断出物体间的因果相互作用图（谁推动了谁），这对于理解复杂场景至关重要。

5.4 从模拟到真实世界的迁移

如何在高度结构化的模拟环境中学习物理模型，然后将其迁移到杂乱无章的真实世界视频中，是一个巨大的挑战。域自适应（Domain Adaptation）和强化学习中的模拟到真实（Sim2Real）技术将发挥重要作用。核心思路是在模拟中学习物理规律的本质表示，然后通过少量真实数据对齐这个表示空间。

这个领域的终极目标，是让AI获得一种接近人类婴儿的“直观物理”能力——无需公式推导，就能对日常物体的运动行为进行快速、稳健的预测和推理。这不仅是生成更可信视频的关键，更是迈向具有常识、能在物理世界中安全有效行动的通用人工智能的必经之路。目前，我们正处在用数据驱动的方法逼近这个目标的起步阶段，每一次在模型架构、训练目标或评价标准上的创新，都在让AI对物理世界的理解，从“看起来像”向“真的对”迈进一步。