闻乐 发自 凹非寺 量子位 | 公众号 QbitAI "不是AGI还没到，而是永远到不了。" CMU（卡内基梅隆大学）教授、艾伦人工智能实验室研究员 Tim Dettmers 从硬件瓶颈、资源成本、现实应用三重维度论证： 第一个是信息移动成本 。 比如有效计算需要平衡 全局信息传到局部 和 局部信息整合 ，可信息移动的成本会随距离呈平方级上升；芯片缓存也能说明问题，L2、L3缓 存比L1 大，但却因物理位置更远而速度更慢。 为什么AGI从一开始，就是个违背物理规律的幻想工程？ 一篇长文，指出 GPU性能峰值停在2018年，机架级优化2027年耗尽潜力，AI每提升1%的能力，资源消耗要翻好几倍 …… 核心观点 AGI的讨论都在回避"计算的物理枷锁" 智能不是飘在天上的想法，而是得靠电脑、芯片这些实实在在的东西算出来，而这些东西都得遵守物理规律。 计算从不是抽象概念，所有智能都要扎根物理现实。 这也是Dettmers反驳AGI的核心，很多人在聊到AGI时总把它当成抽象的哲学概念，但很多人忽略了硬件实现，而硬件必然受到物理规律限 制。 现在芯片里的晶体管越做越小，虽然能降低计算成本，但内存反而越来越贵，现在芯片上几 ...

文章核心观点 - 当前以Transformer和扩散模型为代表的AI模型在理解和生成精确的离散结构（如手指数目）上存在根本性缺陷，这暴露了其在视觉推理和几何理解方面的重大瓶颈 [32][36][50] AI模型在“手指难题”中的表现 - 当被要求对一张有六根手指的图片进行数字标注时，Nano Banana Pro模型只标出了1至5，直接略过了一根手指 [2] - 即使提示中明确说明图里有六根手指，GPT-5.2依然斩钉截铁地回答“五根”，其理由是“人类有五根手指，所以图里没有五根手指就是错的” [6] - 无论网友将手指画得多么奇形怪状，AI模型（如Nano Banana Pro）始终无法数出6根手指，坚持回答“5根” [8][9] - 通过一些变通指令（如将手绘数字改为电子版，或明确指示从小指到大拇指依次放数字），网友最终能让模型成功标注 [15][18] 技术缺陷的根本原因 - AI视觉系统的工作本质是将复杂场景简化为一组可识别模式，当遇到六指手这种包含罕见特征的图像时，系统倾向于将其强行纳入已知的“五指”模式 [32][34] - 模型从海量训练数据中学到了“人手=五指”的强关联，当情况偏离时，模型会视为异常并自动“纠错”，而非理解新事实 [32] - 扩散模型擅长捕捉整体分布和纹理风格，但在精确控制局部、离散、高对称性的结构（如正确的手指）时显得力不从心 [43] - 现有“端到端”的模型架构直接从文本提示映射到像素，中间缺乏明确的符号化结构表示层，导致“长什么样”和“结构是什么”冲突时系统失效 [45] Transformer架构的局限性 - Transformer架构的并行计算设计存在代价，其单次前向传递难以有效追踪状态信息，系统不擅长执行需要多步骤逻辑推理的任务 [37] - 对于手部这种数量固定、结构复杂、局部高度相关的对象，其多局部一致性、跨区域约束等特性恰是Transformer最不擅长的领域 [39] - Transformer将世界打平为token序列，缺乏对象概念和显式结构约束，这是其强大Token-to-token预测能力带来的致命短板 [46][47] 潜在的解决方向与行业启示 - 解决瓶颈可能需要采用混合建模，例如将擅长纹理的扩散模型与显式结构模型（如3D网格）相结合 [45] - 另一种思路是在模型架构中强化对特定区域（如手部）的局部注意力机制，或在训练/推理过程中引入几何约束损失函数 [45] - 视觉数据的复杂性远超文本，可能需要数十个数量级更多的计算资源才能真正处理视觉世界的全部细微差别 [47] - 当前AI在语言、知识、编码等领域已远超常人，但在视觉推理、长期学习、因果关系理解上仍然不足 [48] - “手指难题”提醒行业，即使是最先进的AI，也仍在学习如何看待世界的基本细节，对其能力需有更清醒的认识 [50]

行业技术发展现状 - AI生成文章仿写的本质是利用人工智能技术对已有文本进行语义理解、结构分析和语言重组以生成新文本[2] - 文本生成技术已从早期的模板填充和简单替换发展到深度语义理解和创造性仿写阶段[2] - 现代大型语言模型在文本仿写任务上能在保留原文事实性信息的同时实现高达70%以上的词汇和句式变化[2] 评测工具综合排名 - 第一名：优采云AI内容工厂，综合评分9.8/10分[4] - 第二名：智写工坊，综合评分8.5/10分[7] - 第三名：迅采通，综合评分7.9/10分[8] - 第四名：易稿精灵，综合评分7.0/10分[11] 优采云AI内容工厂核心优势 - 定位为集文章采集、智能过滤、深度原创/改写、多维度优化、全自动发布于一体的内容生产流水线[4] - 核心优势在于无与伦比的自动化与集成度，可实现7x24小时云端自动运行[4] - 支持从百度、搜狗、头条等六大搜索引擎入口进行全网采集，每小时采集量可达300-500篇[4] - 提供“智能AI版”和“深度改写版”两种改写模式，其中深度改写可使原文相似度低至25%[6] - 具备细致的SEO支持功能，包括自定义标题格式、关键词与描述设置、自动内链等[6] - 拥有多媒体处理能力，支持图片本地化/云存储/AI生成配图，并具备文生视频功能[6] 智写工坊产品特点 - 在创意写作和深度仿写方面表现突出，特别擅长处理文学性较强或需要特定风格模仿的文本[7] - 在诗歌仿写、小说风格延续、营销文案语气模仿等方面生成文本的流畅度和风格一致性较高[7] - 主要专注于“写”这一环节，缺乏内置的大规模内容采集和自动化发布能力[7] 迅采通产品特点 - 核心优势在于强大的网络信息抓取和聚合能力，配备高效的爬虫引擎[8] - 能够根据用户设定规则从指定来源快速抓取最新内容，数据清洗和结构化提取能力较强[8] - 在仿写方面提供基础的“伪原创”重写功能，主要通过同义词替换、句式调整等方式降低文本重复率[10] 易稿精灵产品特点 - 是一款轻量级、入门门槛较低的AI仿写工具，界面简洁，操作直观[11] - 主打“一键生成”和“批量处理”，适合需要快速生产大量初稿内容的场景[11] - 算法相对简单，生成内容的随机性较大，缺乏高级的过滤、优化和定制选项[11] 市场定位与总结 - 优采云AI内容工厂服务于企业级用户和重度内容运营者，解决内容运营全流程难题[12] - 智写工坊、迅采通、易稿精灵则分别在创意深度、采集能力和简易快捷上各有侧重[12] - 选择能够融入并优化完整工作流的平台比选择功能孤立的产品更为重要[12]

文章核心观点 - 大语言模型在语言理解和生成方面展现出强大能力，但仅依赖语言不足以支撑真正的智能，构建能够理解和操作世界的空间智能与世界模型成为下一代人工智能发展的关键方向[2][4] - 空间智能被定义为在三维空间中进行推理、理解、移动和交互的深层能力，与语言智能互补，是通往通用人工智能不可或缺的拼图[4] - 语言是对三维世界的“有损压缩”，而视觉和空间感知是更接近“无损”的表征方式，让AI理解像素和三维空间中的物理规律难度高于处理符号化语言[10][11] - World Labs公司推出的Marble模型是全球首个高保真度3D世界生成模型，旨在突破模型“只懂文本”的限制，具备在三维环境中定位、推理、模拟、生成和执行任务的能力[15][17] 空间智能的必要性与理论基础 - 从生物演化角度看，大自然花费5.4亿年优化动物的视觉感知与空间行动能力，而人类语言形成历史仅约50万年，忽视这5.4亿年的进化积淀仅通过语言构建通用人工智能是不合理的[7][8] - 空间智能是人类进行高级科学创造不可或缺的思维工具，DNA双螺旋结构的发现就依赖于高强度空间推理，通过在三维空间中对分子结构进行几何构建和逻辑验证而完成[12][13] - 根据多元智能理论，人类智能是多维度的，至少具备八种相互独立的智能，空间智能与语言智能并非对立而是互补关系[4][5] Marble模型的技术特点 - 模型采用多模态输入方式，用户可输入文本描述、单张图像或一组图像，并能基于照片在虚拟空间中重构3D模型[20] - 具备交互式编辑功能，用户可对生成场景下达具体修改指令，模型能根据新约束条件重新生成并调整整个3D世界，形成“生成-反馈-修改”的闭环[20][21] - 选择Gaussian Splats作为3D世界的基础原子单元，通过大量3D高斯体表示和渲染场景，实现了在移动设备上30fps甚至60fps的实时渲染能力[24][25] - 模型架构基于Transformer，其本质是集合模型而非序列模型，置换等变的特性使其天然适合处理3D空间数据[28][29] Marble模型的应用场景 - 在创意与影视领域提供精确的相机放置控制，能极大降低特效制作门槛和成本，成为电影工业强大的生产力工具[21][31] - 室内设计成为典型涌现用例，用户通过手机拍摄厨房照片即可在虚拟空间重构3D结构并随意尝试各种设计方案，无需掌握复杂CAD软件[31][32] - 在机器人领域可作为强大模拟器，生成高保真合成数据填补真实数据与互联网视频之间的鸿沟，为具身智能体提供零成本虚拟训练环境[34][35] 技术发展趋势与挑战 - 当前世界模型面临的最大挑战是视觉真实与物理真实的差距，生成看起来合理的3D场景不等于模型理解物理定律[27] - 公司正在探索将传统物理引擎与生成式模型结合的混合路径，包括通过物理引擎生成模拟数据训练模型，以及给Splats赋予物理属性等方式[27][28] - 在算力被巨头垄断的时代，学术界应专注于探索短期内看似不可行但具备长远颠覆性的研究方向，如打破硬件彩票现象，寻找替代矩阵乘法的计算原语[36][37][38]

核心观点 - 报告以TrendIQ开源平台为例，探讨了AI大模型在股价预测领域的应用，展示了从传统LSTM模型到结合Transformer等新架构的迭代过程，并详细解析了本地部署与线上平台两种实现路径，旨在为投资者呈现AI技术在股价预测上的能力圈与未来进化方向[3][4] 一、深度学习与LLM在股价预测中的迭代演绎 - 过往学界与工业界倾向于使用LSTM作为股价预测的基础模型，因其能处理非线性问题并适应时间序列特性[5] - LSTM模型存在局限性：模态单一性，难以理解文本新闻等非结构化信息；解释性相对弱，被视为“黑盒”模型；泛化鲁棒性弱，难以跨市场或跨行业迁移[6][7] - Transformer架构为金融时序预测提供了新出路，其优势在于全局上下文感知、零样本与少样本学习能力以及思维链推理，能提供更好的可解释性[8][10] 二、“AI股价预言家”如何炼成：本地化部署与代码解读 - TrendIQ项目的运行框架由四个Python程序文件构成，形成“离线训练+诊断+在线服务”的闭环[12] - **训练阶段** (`train_multiple.py` 和 `quick_train.py`)：使用`yfinance`收集历史股票数据，预处理后训练LSTM模型并保存，是链条的起点[12][14] - `quick_train.py`预设了五只热门股票（AAPL、GOOGL、MSFT、TSLA、AMZN）进行快速训练，耗时约10-15分钟[14][16] - `train_multiple.py`支持批量训练，列表扩展至十只股票（包括META、NVDA等），并允许用户自定义股票列表和日期范围[17] - **检查阶段** (`check_models.py`)：验证训练生成的文件（CSV、.npy、.joblib、.h5）是否存在及完整，充当质量把关者[18][19] - **运行阶段** (`app.py`)：基于Flask框架启动Web应用，用户输入股票代码后，加载预训练模型进行预测，并显示预测价格、图表和置信度[13][20] 三、轻量化VS易用性：本地部署与线上平台如何选择 - **本地部署TrendIQ**适合跟踪特定个股、注重安全性和速度的投资者，流程分为四步[21] 1. **软件包下载**：从GitHub获取开源数据包[21] 2. **安装依赖**：通过pip一次性安装Flask、TensorFlow、NumPy、Pandas、Scikit-learn、YFinance、Joblib等库[23] 3. **股票数据训练**：运行`python quick_train.py`为五只热门股票训练LSTM模型，耗时约10-15分钟[24] 4. **本地运行**：运行`python app.py`启动服务器，用户可通过浏览器访问`http://127.0.0.1:5000`进行预测[28] - **线上平台TrendIQ**适合追求易用性、对预测精度要求相对较低的投资者[32] 1. 通过Google账号或邮箱登录网页版[32] 2. 在Swing Trading（针对60分钟线及以上趋势）或Scalp Trading（针对五分钟及以内趋势）界面，上传K线截图进行预测[33][34] 3. 预测结果包括：多空趋势研判、具体的止盈止损位置以及AI给出的判断理由[36] - **本地版与线上版对比**：两者在数据输入、模型、预测功能和实际效果上存在差异[41] - **数据输入**：本地版使用股价序列（高、低、开、收、成交量）；线上版使用不同级别的蜡烛图[41] - **模型**：本地版为LSTM；线上版为LSTM+LLM或LSTM+VAE[41] - **预测功能**：本地版提供目标价和置信区间；线上版提供多空建议、止盈止损线及判断理由[41] - **实际效果**：本地版对走势标准化程度高、成交量大的海外大票预测效果更好；线上版在多头排列上涨环境的主升阶段判定相对准确，但在震荡市胜率一般，且对顶部提示和大幅回撤后的“抄底”判断能力有限[41] 四、总结展望：“AI预言家”成色几何？未来如何再进化？ - 模型结构持续迭代，Transformer架构与图神经网络正逐步取代LSTM，成为股价预测领域新的技术基准[39] - 未来进化方向在于多模态融合与“阅读市场”的能力，例如Time-VLM等框架尝试结合视觉Transformer分析K线图、LLM理解财经新闻以及数值模型分析价格序列[40] - 实时检索增强生成技术将赋能AI预言家，通过实时连接外部知识库获取最新动态，缓解市场非平稳性导致的模型过时问题[40]

AI行业竞争格局与市场表现 - 资本市场对AI行业存在泡沫担忧但更害怕错过 对竞争格局的投票结果显示谷歌和博通在2025年表现更好 [4] - 截至2025年11月25日纳斯达克100指数累计上涨19.07% 谷歌和博通分别上涨70.49%和67.26% 英伟达上涨32.44% 微软、META、亚马逊涨幅均低于指数平均值 [5][7] - 谷歌股价上涨得益于Gemini 3发布 META下跌因Llama4产品不及预期及团队波动 [6] Gemini 3的技术突破 - Gemini 3 Pro在LMArena排行榜以1501分登顶 在"人类最后的考试"获37.5%分数 GPQA Diamond测试获91.9%高分展示博士级推理能力 [9] - 数学领域MathArena Apex测试得分23.4% 远超GPT-5.1的1% 多模态推理MMMU-Pro测试81% Video-MMMU测试87.6% [9] - 代码能力突出 可生成复杂交互页面并实现自我验证调试优化 LiveCodeBench Pro测试Elo评分达2439分 Vending-Bench 2测试净价值均值5478.16美元 [10] - 推出Antigravity开发平台 将AI编程从辅助工具转变为协作伙伴 实现跨界面操作和真正的AI agent [11] Google的技术演进与市场反击 - Google是Transformer架构发明者 但长期押注BERT等理解型模型 因与搜索广告业务更契合 [14][15] - OpenAI基于Transformer推出GPT系列 确立"生成式+大规模"战略 ChatGPT两个月获一亿用户促使Google发布红色警报 [16][17][18] - Gemini 3发布前市场份额从5-6%提升至14% 凭借Nano Banana表现两周内实现2300万用户增长 反超ChatGPT成App Store榜首 [18][19] 巨头生态与战略分化 - Google拥有多元C端入口 搜索占90%市场份额 具备从TPU芯片到终端应用的全栈自研生态 呈现厚积薄发之势 [21][23] - META因缺少云业务 AI投入变现路径单一 Llama4训练不及预期及中国开源模型影响导致战略受挫 进行团队大幅调整 [24][25] - 微软重点发力软件+云方向 优先推广OpenAI API 亚马逊侧重算力提供但缺乏核心壁垒 行业竞争从模型强度转向生态融合与商业价值 [25]

文章核心观点 - 具身智能行业在2025年末仍处于技术探索早期，尚未形成统一的技术发展共识，但这种“无共识”状态被视作具有积极意义，它打破了单一技术路线的垄断，为不同背景的团队提供了平等的试错空间，并为技术创新预留了弹性空间 [1][3] - 行业认为，真正的具身智能并非源于一条预设的完美路径，而是通过模型、数据和架构领域的持续试错、冲突与调和“雕刻”而成，当前的不完美状态恰恰是领域生命力的体现 [1][14] 技术路线与模型发展 - **世界模型价值与局限**：世界模型的核心价值在于“预测”物理交互，对机器人底层控制至关重要，但其短板突出，难以成为万能方案，主要问题包括：训练数据多依赖人类行为视频，与机器人身体结构差异大，帮助有限；在真实复杂场景（如做饭、装配）中预测精度仍不足 [4][5] - **专属模型需求**：行业共识认为需要打造平行于大语言模型的具身专属模型，例如以“动作”为核心的“Large Action Model”，或能同时控制动作和预测物理规律的“物理世界基础模型”，因为物理世界的精细交互（如摩擦、力反馈）无法用语言准确描述 [6] - **架构革新探索**：Transformer架构在具身智能领域的适用性受到质疑，因其以语言为核心的处理逻辑与物理世界“视觉-动作”直接交互的操作逻辑相悖，硅谷头部团队已在探索“Vision First”或“Vision Action First”的新架构，以减少语言中介的损耗 [7][8] 数据策略与需求演变 - **数据来源的适配选择**：行业没有统一的数据使用答案，普遍采取多源融合、按需选择的策略：1) **真机数据**：保真度高，是精细操作场景的首选和高质量数据的来源，被视为构建数据飞轮的起点 [9]；2) **仿真数据**：成本低、可规模化，是底层控制训练和生成极端场景数据的主力 [9]；3) **视频数据**：包含时空、因果等多维度信息，能大规模获取，是训练基座模型、认识世界的重要补充，但缺乏力反馈、触觉等精细信息 [10] - **数据需求全方位升级**：行业对数据的需求在“数量”、“质量”和“种类”上均提出更高要求：1) **数量**：期待“互联网级别”或“具身智能互联网”级别的海量数据，当前业内构建的27万小时真机数据集仍远未达到海量标准，不足以引发质变 [11]；2) **质量**：高质量数据比海量低质数据更有价值，在具身场景中，数据质量比总量更能拉开量级差距，金字塔顶尖的真机数据虽少但至关重要 [13]；3) **种类**：需丰富多模态数据（如触觉、力反馈），当前能力多承袭基座模型的视觉与语言，真正物理交互的模态数据稀缺，未来数据采集需全面记录机器人动作、环境变化、交互反馈及人类需求 [13][14] 产业发展态势 - **“无共识”的产业利好**：共识缺失对产业有三重利好：1) 打破单一技术路线垄断，避免路径依赖，让不同技术理念和学科背景的团队获得平等试错空间 [3]；2) 降低准入壁垒，为中小企业、初创团队及跨界玩家提供弯道超车的机会 [3]；3) 在技术基础快速迭代的早期，避免过早形成共识固化技术路径，为向更高维度突破预留“弹性空间” [3] - **发展路径展望**：短期突破依赖仿真模拟与合成数据以加速探索，长期发展则依赖于现实世界中“机器人人口”规模的持续快速扩张，通过能力提升与数据积累相互推动，才能催生真正强大的具身大模型 [8][11]

融资动态 - 公司正与IDG资本、腾讯等机构洽谈新一轮美元融资，融资规模预计达6亿美元，投前估值约40亿美元 [2] - 本轮融资由IDG资本领投，腾讯、五源资本、今日资本等原有股东参与跟投 [2] - 若融资顺利，这将是公司继2024年8月3亿美元融资后的又一里程碑 [2] 上市计划 - 市场传闻公司计划在完成本轮融资后，于2026年下半年启动IPO [2] - 公司官方否认了“明年下半年IPO”的具体时间表，但有知情人士表明其上市筹备已在进行中，正在评估纽交所、港交所双重上市的可能性 [3] 技术实力与产品 - 公司发布的Kimi K2 Thinking模型训练成本为460万美元，刷新了DeepSeek的训练成本记录，并在一些开源模型排行榜上超越了GPT-5 [2] - 斯坦福大学AI实验室评测显示，Kimi在复杂多轮对话中的连贯性得分比GPT-5低18个百分点 [2] 财务与估值对比 - 公司2023年营收约2.1亿元人民币，营收主要来自B端API调用与定制化解决方案 [3] - 公司40亿美元的估值上限，相当于其美国同行OpenAI（5000亿美元估值）的1/125 [3] - 纵向对比国内同行，其38亿美元的投前估值已超过大多数垂直领域独角兽，跻身中国AI赛道第一梯队 [3] - 此轮融资后，公司将成继MiniMax和智谱后第三家估值超300亿元人民币的国产大模型厂商 [3] 行业背景 - 同为中国“AI四小龙”之一的MiniMax已于7月秘密提交港股招股书，智谱AI亦在遴选承销商，预示中国AI新晋独角兽或将逐步开启上市潮 [3] - 公司站在40亿美元估值的新起点，其IPO征程在中美科技博弈的关键时刻，每一步动向都将牵动全球AI产业的神经 [3]

市场表现 - A股三大指数低开且跌幅扩大，创业板指跌幅扩大至1% [1] - 人工智能AIETF（515070）下跌1.53% [1] - 其持仓股表现分化，三七互娱涨停，三六零盘中上涨7.1%，而石头科技下跌5.2%，澜起科技下跌4.98%，恒玄科技下跌3.77%，浪潮信息下跌3.51% [1] 行业板块动态 - 海南、游戏、光热发电、影视院线等板块涨幅居前 [1] - 贵金属、芬太尼、电池等板块跌幅居前 [1] AI技术进展 - 月之暗面开源混合线性注意力架构Kimi Linear，其核心创新为"Kimi Delta Attention"，是对Gated DeltaNet的优化升级 [1] - 该架构在短上下文、长上下文、强化学习扩展机制等各种场景中超越了Transformer架构的全注意力机制 [1] - 在处理1M token场景下，Kimi Linear的KV cache占用量减少75%，解码吞吐量最高提升6倍，TPOT训练速度相较于传统MLA实现6.3倍加速 [1] AI行业发展趋势 - AI大模型发展重心正从参数规模竞赛转向追求更高的"能力密度"和更优的架构效率 [2] - 未来竞争力将更取决于如何在更小参数规模下实现更强性能，受脑科学启发的算法创新以及多模态与推理能力的深度融合成为关键 [2] - 这一转变有望降低算力门槛，使广大中小企业能以更低成本接入AI技术，从而催生更广泛的产业应用和投资机会 [2] AIETF产品信息 - 人工智能AIETF（515070）跟踪CS人工智能主题指数（930713），成分股选取为人工智能提供技术、基础资源以及应用端的个股 [2] - 该ETF聚集人工智能产业链上中游，前十大权重股包括中际旭创、新易盛、寒武纪-U、中科曙光、科大讯飞等国内科技龙头 [2]

核心观点 - 美国加州大学旧金山分校与艾伦研究所团队联合开发出名为CellTransformer的AI模型 绘制出包含1300个脑区及亚区的目前最精细小鼠脑图 为探索大脑工作机制开辟新方向 [1] 技术原理与创新 - 模型核心采用Transformer架构 该架构与ChatGPT等大模型技术原理相同 擅长理解上下文关系 [3] - CellTransformer通过分析空间中相邻细胞之间的关系 根据细胞的“邻里结构”来预测其分子特性 从而构建精细大脑组织图谱 [3] - 新图谱完全依托数据生成 边界由细胞和分子特征自动界定 而非依赖人工经验判断 是迄今动物脑中最精确、最复杂的数据驱动型图谱之一 [3] 研究成果与意义 - 图谱以前所未有的精细度揭示大脑结构 使科学家能将功能、行为和疾病状态与更小、更具体的细胞区域相对应 [1] - 模型不仅能准确再现海马体等已知脑区 还能在中脑网状核等理解不足的区域中发现新的、更细分的亚区 [3] - 全新脑区划分基于数据而非人工标注 揭示了大量未知区域 这些区域很可能对应着尚未探索的脑功能 [4] 应用潜力与前景 - CellTransformer的算法具有组织通用性 可应用于其他器官系统甚至癌组织 [4] - 模型可借助空间转录组学数据揭示健康与疾病中的生物机制 为药物开发和疾病治疗提供新工具 [4]