{"source":{"id":"mb-20260828-77cf9b","title":"在气象学里，想把一场五级飓风的预报时间往前抢出 24 小时，需要全人类造出整整三代超级计算机","url":"https://mubeitech.com/p/mb-20260828-77cf9b"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"2081379723834184049","account":"mubei","brand":"@mubei","title":"全球的AI实验室烧掉几百亿美元，到底在追什么？ 不只是算力。 他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。…","summary":"全球的AI实验室烧掉几百亿美元，到底在追什么？ 不只是算力。 他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。 1964年，物理学家理查德·费曼拿起一根粉笔，把这个根本困境讲透了。 他当年没谈AI，但今天大模型想构建“世界模型”的死穴，全在里面。 来，我们试着用大白话，…","body":"全球的AI实验室烧掉几百亿美元，到底在追什么？\n不只是算力。\n他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。\n\n1964年，物理学家理查德·费曼拿起一根粉笔，把这个根本困境讲透了。\n他当年没谈AI，但今天大模型想构建“世界模型”的死穴，全在里面。\n\n来，我们试着用大白话，建一个不用复杂数学的引力模型。\n假设宇宙里充满了看不见的微粒，从四面八方撞击地球。\n因为太阳挡在中间，从太阳方向撞过来的微粒变少了。\n地球另一边的微粒，就会把地球往太阳的方向推。\n完美。\n把复杂的引力公式全绕过去了，普通人一秒就能听懂。\n\n但这套模型一跑起来，立刻崩溃。\n为什么？\n因为地球在轨道上飞。\n想象你在大雨里狂奔，是不是迎面砸在脸上的雨水，永远比落后脑勺的雨水多？\n微粒也一样。\n地球往前飞，迎面撞上的微粒就会多于背后的微粒。\n这会产生一个极其强烈的侧向阻力。\n如果这套简单的理论成立，地球早就停转了，根本撑不过它绕着太阳转过的这三四十亿年。\n\n这就是费曼的暴击：任何一套你想出来的模型，都必须能承受所有后果的推演。\n你可以为了好懂把规则简化，但它最后一定会跑出一个虚假的现实。\n\n今天搞大模型仿真的公司，面对的是同一个地狱。\n想让AI理解物理世界？想预测未来？\n大自然有一个极其难伺候的“毛病”：它的法则，只用一种方式给出答案，那就是极其复杂深奥的数学。\n数学不仅仅是一门语言。\n数学是语言加上逻辑，是人类唯一能把大自然的无数种表象缝合在一起，推演一万步还不穿帮的工具。\n\n想用单纯的自然语言或是简单的经验法则去重构世界？\n大自然连商量的余地都不会给。\n\n这才是今天AI大逃杀的底色。\n巨头们砸下几百亿，不单是在买显卡。\n他们是在替机器补交那笔最昂贵、也最不可能绕开的数学翻译费。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2081554689540145377","translated_status_id":"2081554689540145377","published_at":"2026-07-26 19:36:18","created_at":"2026-07-26T21:28:03+02:00","url":"https://mubeitech.com/p/2081379723834184049","markdown_url":"https://mubeitech.com/p/2081379723834184049/markdown"},{"rank":2,"id":"16623018","account":"mubei","brand":"@mubei","title":"现在全网最贵的资产，可能也是人类历史上贬值最快的资产。 这是风投专家加文·贝克给大模型公司下的死亡判决。 为什么？ 因为…","summary":"现在全网最贵的资产，可能也是人类历史上贬值最快的资产。 这是风投专家加文·贝克给大模型公司下的死亡判决。 为什么？ 因为光有模型，没有护城河。 贝克看得很透：如果你没有独家数据，没有互联网级别的分发渠道，你的模型能力很快就会沦为不值钱的大路货。 他的预测很残酷。 绝大多数大模型公…","body":"现在全网最贵的资产，可能也是人类历史上贬值最快的资产。\n这是风投专家加文·贝克给大模型公司下的死亡判决。\n\n为什么？\n因为光有模型，没有护城河。\n贝克看得很透：如果你没有独家数据，没有互联网级别的分发渠道，你的模型能力很快就会沦为不值钱的大路货。\n他的预测很残酷。\n绝大多数大模型公司最后的估值，就是一个零。\n最后能成气候的，大概只有十来家。\n剩下那些人的唯一出路，就是像Inflection被微软收编那样，祈祷被亚马逊这种巨头连人带代码打包买走。\nAI的战争逻辑变了。\n壁垒不再是卷参数，而是谁掌握着数据，谁把守着入口。\n\n谁把守着入口？\n谷歌有安卓和Chrome，苹果有iOS。\n这就是互联网的收费站。\n\n一年前，OpenAI的突袭对谷歌来说就像珍珠港事件。\n但巨兽醒了。\n他们让戴密斯·哈萨比斯接管了AI业务，这是一个真正的战时指挥官。\n谷歌手里有一张硬底牌：他们自己造的TPU芯片。\n这让Gemini拥有了极具杀伤力的“上下文缓存”能力。\n同一个场景下，问过的问题，算出了好答案，它就直接调取记忆。\n不用每次都烧钱重新算一遍。\n在所有创业公司都在绞尽脑汁省计算费用的今天，这招非常致命。\n\n苹果呢？\n似乎还在睡，但马上要醒了。\n苹果的字典里从来不强求第一个做，但一定要做最后一个进场并拿走利润的人。\n接下来的玩法已经很清晰了。\n你的iPhone里会跑着一个小型的本地AI模型。\n它绝对隐私，认识你的狗，知道你的习惯。\n只有当它处理不了时，才会去云端向OpenAI求助。\n为了跑动这个本地AI，新iPhone的内存必须翻两倍甚至三倍。\n就为了这个能懂你的本地AI，无数人会心甘情愿扔掉手里屏幕摔裂的旧手机。\n\n但在这场狂欢的尽头，物理世界的墙已经竖起来了。\nAI现在的死穴不再是GPU算力。\n而是去哪找地方插电源。\n未来的数据中心，体积会比曼哈顿还要庞大，直接秒杀五角大楼。\n想喂饱这些吞电巨兽？\n选址只能直接往核反应堆旁边靠。\n\n如果贝克是对的，现在的百模大战，可能只是开场前那段调音。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2084233733511504089","translated_status_id":"2084233733511504089","published_at":"2026-08-03 08:47:46","created_at":"2026-08-03T10:20:05+02:00","url":"https://mubeitech.com/p/16623018","markdown_url":"https://mubeitech.com/p/16623018/markdown"},{"rank":3,"id":"mb-20260827-a4a65d","account":"mubei","brand":"","title":"70% 的年增速预期摆在面前，华尔街第一反应是 AI 周期见顶了","summary":"70% 的年增速预期摆在面前，华尔街第一反应是 AI 周期见顶了","body":"70% 的年增速预期摆在面前，华尔街第一反应是 AI 周期见顶了。\n真实情况恰恰相反。\n70% 只是工厂交货的物理极限，买家开出的真实订单其实早就翻倍了。\n为什么订单多到接不完，营收指引却只能停在七成？\n算力这门狂飙突进的生意，到底在哪道关卡被死死卡住了？\n这台机器叫物理供给约束。\n过去二十年，软件和互联网的扩张规律是零边际成本。\n只要用户点击下载，机房加点带宽，服务就能无限复制。\n但实体硬件世界从来不吃这套虚拟法则。\n一套顶尖的算力集群，不仅需要晶圆制造，还需要高带宽内存堆叠、微米级先进封装、液冷机柜，以及以十万千瓦计的电网配电。\n当大模型对参数和训练算力的需求每年翻倍暴涨，下游的物理供应链根本变不出凭空落地的产线。\nNvidia 首席财务官 Colette Kress 在财报电话里挑明了底牌：客户的实际需求增速冲到了 100%，但受限于高带宽内存等产能瓶颈，公司只能给出约 70% 的交付预期。\n市场的核心矛盾变了。\n增长的上限与买家的钱包无关，死死受制于物理世界一年究竟能交付多少计算设备。\n但这还只是整台机器的表层。\n真正凶狠的飞轮藏在资产负债表里。\n很多人看不懂，为什么一家芯片巨头要掏出几百亿美元，直接砸向前沿 AI 实验室？\n投资机构 Wealth Enhancement Group 的投资主管 Doug Huber 指出了底层的青训农场逻辑。\n顶尖的 AI 实验室在诞生第一天，最稀缺的资源就是极致的算力。\n巨头把资本注入这些初创团队，换来的从来不只是一纸股权凭证。\n真正的杀招，是把自己的通信协议、网络互连架构和底层软件环境，在实验室写第一行代码时就焊死在模型架构里。\n前沿实验室就是整套算力帝国的青训营。\n一旦其中某家实验室跑通了前沿模型、迎来商业化爆发，它后续数以百亿计的算力扩张需求，没有任何改换门庭的余地，全都会原路流回给投资它的硬件母体。\n左手把资金投出去变成初创公司的股权，右手把订单收回来变成源源不断的高毛利硬件销售。\n这是一台自我造血、自我制造需求的确定性闭环。\n超大规模云厂商想靠自研芯片摆脱掌控？\n战场的维度早就变了。\n当其他人还在比拼单颗芯片的跑分高低，新的竞争已经升级为整座算力工厂的系统级交付。\n从处理器、通信网络到机柜级液冷与软件调度，全都打包成了不可拆分的整体。\n换掉一颗芯片代价很小。\n但要拆掉整座已经深度适配了底层协议的算力工厂，成本高到没人承担得起。\n决定这场科技竞逐上限的，根本不是资本市场的短期情绪。\n真正的天花板，是物理世界的工程交付速度与底层的生态锁定。\n当一家公司不仅锁死了下一代硬件的交付产能，还顺手包揽了未来所有核心买家的孵化底座。\n这场竞争，到底是在比谁的算法更聪明，还是在比谁能把物理现实更快地焊进自己的商业闭环里？","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-27 22:36:42","created_at":"2026-08-27 22:36:42","url":"https://mubeitech.com/p/mb-20260827-a4a65d","markdown_url":"https://mubeitech.com/p/mb-20260827-a4a65d/markdown"},{"rank":4,"id":"mb-20260823-e52f5a","account":"mubei","brand":"","title":"Google 发布了一段测试，其量子芯片在不到 5 分钟内完成了一道数学题","summary":"Google 发布了一段测试，其量子芯片在不到 5 分钟内完成了一道数学题","body":"Google 发布了一段测试，其量子芯片在不到 5 分钟内完成了一道数学题。\n同样的计算，如果交给目前全世界最快的超级计算机，需要花费整整 100 亿亿亿年。\n媒体的头条几乎全被这个天文数字占满。\n所有人都在惊叹算力的恐怖飞跃。\n但如果去翻看 Google 首席执行官 Sundar Pichai 的表态，他的兴奋点根本不在这个数字上。\n他谈的是另一件事：实用化量子计算，正式进入了 5 到 10 年的倒计时。\n为什么一个看似碾压人类算力极限的跑分，不足以让业内真正兴奋？\n因为早在五年前，Google 的上一代量子芯片 Sycamore 就已经宣布过类似的天文数字算力，声称完成了经典超算一万年才能做完的运算。\n可在随后的五年里，量子计算并没有像预想的那样快速接管真实世界的计算任务。\n那些令人咋舌的跑分，始终停留在人工设计的随机线路采样里。\n为什么能在 5 分钟内碾压超算的机器，在过去几年却连一个最基础的化学分子模拟都做不好？\n这背后卡着一台困扰了物理学界整整三十年的冰冷机器。\n量子纠错阈值。\n要理解这台机器，得先看清经典计算机与量子计算机之间最残酷的物理差异。\n在经典芯片里，晶体管的状态高度稳固，运算一亿亿次可能才出现一次错误。\n但在量子世界里，物理量子比特是极度脆弱的微观实体。\n一点点热量扰动、一根微波导线的微小电磁杂波、甚至是穿透实验室的一颗宇宙射线粒子，都会让量子叠加态瞬间崩溃。\n单颗物理比特每做几百次操作，就可能发生一次错误。\n在经典计算机里，遇到错误只要多复制几份数据做校验就行。\n但在量子力学中，不可克隆定理从底层物理上禁止了对未知量子态的直接复制。\n面对这种致命的脆弱性，物理学家在三十年前给出了唯一的出路：量子纠错。\n1997 年，物理学家 Kitaev 提出了表面码理论。\n它的做法是：放弃依赖单个脆弱的物理比特，把几十个、上百个物理比特通过量子纠缠编织成一个网格，共同保护一个虚拟的逻辑比特。\n网格里的物理比特哪怕部分翻转出错，只要通过周围的辅助比特探测到错误位置，就能在数学上把信息复原。\n理论听起来很完美。\n可在过去三十年的所有实验里，这项技术都撞上了一个恶性死循环。\n这就是复合噪声陷阱。\n物理比特本身就是噪声的发生源。\n你想用更多的物理比特来降低错误，但每往芯片上多塞一个物理比特，就必须多接一条控制线，多引入一份热量和串扰。\n在很长一段时间里，全球所有实验室都面临着同一个尴尬现实：\n用来保护信息的物理比特越多，系统整体崩塌得反而越快。\n治病的药，比疾病本身还要致命。\n这个死结在理论上只有一种解法，那就是跨过量子纠错阈值。\n根据阈值定理，芯片上每一个基础物理原件的失真率，必须先压低到一个严苛的物理临界点以下。\n在临界点上方，增加物理比特只会让系统越来越乱。\n只有当单点性能彻底穿透这个临界点，表面码的数学魔力才会真正启动：\n物理比特堆叠得越多，逻辑比特的错误率才会呈现指数级下降。\n这正是 Google 这颗名为 Willow 的 105 比特芯片真正完成的历史性一跳。\n在 2024 年底发表于《Nature》的论文里，研发团队展示了核心数据：\n当表面码的码距从 3 扩展到 5，再扩展到 7 时，逻辑比特的错误率在每一级扩展中都被硬生生砍掉了一半。\n系统第一次跨过了盈亏平衡点：\n由上百个物理比特协同保护的逻辑比特，其维持信息的时间，达到了其中最好单颗物理比特的 2.4 倍。\n那条三十年来一直惩罚规模扩张的物理铁律，在这一刻被彻底逆转了。\n过去是规模越大、噪声越大。\n现在是规模越大、系统越纯净。\n看懂了这台机器，就会明白为什么那 5 分钟的测试只是舞台上的烟花。\n跑分只证明了量子处理器可以在自己擅长的玩具数学题上跑得极快。\n穿透纠错阈值，证明的则是这项技术终于具备了向工业级规模复制的物理合法性。\n解决有实际价值的问题，比如室温超导材料模拟、固氮酶分子结构解析或是密码破译，需要成千上万个高精度的逻辑比特，对应着几百万个物理比特的阵列。\n在穿透阈值之前，堆叠几百万个物理比特在物理学上是一条死路，机器会在启动的瞬间被自身产生的海量噪声彻底淹没。\n在穿透阈值之后，底层的科学疑案已经被物理定律放行。\n剩下的问题，全部转移到了工程制造的战场：\n如何提升芯片良率、如何铺设超导微波链路、如何在极低温环境下完成实时数据解码。\n量子计算的竞争，在这一刻完成了性质的蜕变。\n它从一门探索可能性的前沿实验物理，正式变成了一门比拼制造与系统集成的重工业。\n技术的真正转折点，从来不在于某一天跑出了一个惊人的测试分数。\n在于那个困扰整个行业数十年的底层死结，被哪一条物理规律悄然解开。\n当增加规模不再带来混乱，时间就已经站到了工程这一边。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-23 00:21:48","created_at":"2026-08-23 00:21:48","url":"https://mubeitech.com/p/mb-20260823-e52f5a","markdown_url":"https://mubeitech.com/p/mb-20260823-e52f5a/markdown"},{"rank":5,"id":"mb-20260827-c46740","account":"mubei","brand":"","title":"训一个几千亿参数的大模型，上万张最顶级的显卡，有一大半时间根本没在算","summary":"训一个几千亿参数的大模型，上万张最顶级的显卡，有一大半时间根本没在算","body":"训一个几千亿参数的大模型，上万张最顶级的显卡，有一大半时间根本没在算。\n算力租金按秒扣费，电表飞速打转，机房风扇震耳欲聋。\n但芯片的浮点运算单元，却在成片成片地熄火发呆。\n业界的真实数字冷冰冰摆在那里。\n哪怕是顶尖实验室，模型算力利用率通常也只有 35% 到 43%。\n剩下的六成算力，蒸发去了哪里？\n是算法写得太慢，还是代码逻辑不够优化？\n为什么在 Python 里写得整整齐齐的线性代码，扔进上万张显卡之后，会碎成一地残渣？\n这台让万亿资本买来的算力大面积瘫痪的机器，叫通信重叠与关键路径气泡。\n要看懂这台机器，先看单张显卡和集群的本质区别。\n单张显卡训练很简单：数据喂进显存，核心埋头计算。\n但千亿参数的大模型，根本塞不进任何单张显卡的显存。\n工程师必须把模型生生切碎，分摊到几千甚至上万张显卡上。\n张量并行把每一层的矩阵乘法横竖切开。\n全分片数据并行把模型参数、梯度和优化器状态彻底剥离。\n专家并行和上下文并行把海量参数和数十万字的序列切散。\n这种切分带来了一个致命代价。\n任何一张显卡想要算下一层网络，必须先等别的显卡把中间结果传过来。\n在硬件底层，显卡从来不是按代码顺序单线推进的。\n它跑在两条平行的硬件轨道上。\n一条是负责矩阵乘法的高速计算流。\n一条是负责跨卡数据搬运的通信流。\n这两条轨道在时间线上贴身肉搏。\n最理想的状态，是当前层在计算流里疯狂运转时，下一层要用的参数已经在通信流里提前搬运完毕。\n这在工程上叫计算与通信重叠。\n只要算力跑完的瞬间数据刚好到位，跨卡通信的耗时就被彻底藏在计算背后。\n但物理现实没有这么仁慈。\n跨机柜的光纤只要有一丝抖动，或者层与层之间的依赖拓扑解不开，通信就会慢上几个微秒。\n一旦计算流算完了，而通信流的数据还没送达，硬件同步机制会瞬间踩下急刹车。\n在底层的执行轨迹图上，显卡会留下一大片空白。\n工程上把这片空白叫气泡。\n只要这个气泡落在了决定整体速度的关键路径上，几万张每小时烧掉几万美元的显卡，就必须集体陪着它原地发呆。\nAI 研究者 Vlad Savinov 拆解过 PyTorch 官方分布式训练框架 torchtitan 的真实底层轨迹。\n把掩盖在代码背后的底层事件拉平在时间轴上，才能看清真相。\n算力根本不是平铺直叙的流水线，是一张充满阻塞、等待与抢跑的有向无环图。\nMeta 训练 4050 亿参数的 Llama 3.1 时，动用了 1.6 万张 H100 显卡。\n即便用尽了交错流水线调度、异步张量并行与微块切分，把能重叠的通信全部塞进计算缝隙，整体算力利用率依然被锁在 40% 左右。\n这就是为什么 AI 军备竞赛的底层法则正在发生质变。\n很多人看算力竞争，习惯盯着谁买了十万张显卡，以为算力是简单的乘法累加。\n在超大规模分布式系统里，算力遵循的是残酷的拓扑规律。\n芯片堆得越多，通信复杂度的爆炸速度就越快，时间轴上的气泡就越难被压平。\n真正拉开顶尖实验室差距的，从来不是买显卡的支票厚度。\n是在微秒级的时间轴上，把跨卡通信死死压进计算缝隙里的工程编排能力。\n谁能把通信完全藏进阴影里，谁就能用一半的芯片跑出对手两倍的速度。\n藏不住通信的，买再多显卡，也不过是在高昂的电费账单里，养了一大堆在网线面前排队发呆的昂贵发热器。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-27 11:28:33","created_at":"2026-08-27 11:28:33","url":"https://mubeitech.com/p/mb-20260827-c46740","markdown_url":"https://mubeitech.com/p/mb-20260827-c46740/markdown"},{"rank":6,"id":"mb-20260827-46d0c4","account":"mubei","brand":"","title":"从 A100 到 B200，显卡的张量计算吞吐暴涨了 7.2 倍","summary":"从 A100 到 B200，显卡的张量计算吞吐暴涨了 7.2 倍","body":"从 A100 到 B200，显卡的张量计算吞吐暴涨了 7.2 倍。\n但机箱里卡和卡之间的通信通道，只提升了 3 倍。\n跨机柜的互连网络，更是只涨了 2 倍。\n这道越撕越大的剪刀差，把整个算力工业逼到了墙角。\n今天大模型训练和推理的真正瓶颈，早就不在单张显卡算得多快。\n在卡和卡之间的数据通道有多窄。\n如果你直接用官方默认的 PyTorch 和 NCCL 组合去跑分布式任务，整套集群的实际性能，连理论通信屋顶线的一半都跑不到。\n一半的硬件算力，纯粹在原地干等数据搬运。\n既然通道不够宽，为什么不能在写代码的时候，把数据搬运和核心计算在时间上彻底叠在一起？\n只要重叠得足够精妙，计算的时间就能把通信的等待完全吃掉。\n顶尖的系统工程师确实做到了。\nTogether AI 的 Simran Arora 团队写出了 ParallelKittens，只往单卡算子里加了十几行底层原语，直接走 NVLink 调度硬件，在生产环境里把性能拉满，跑进了 Together AI 和 Cursor 的核心系统。\n真正的硬仗在后面。\n如果把这套多卡调优的任务，交给今天最顶尖的代码大模型，它能写得出来吗？\n答案打碎了很多人对 AI 编程的幻想。\n研究团队建了一个包含 87 道工业级多卡难题的基准 ParallelKernelBench。\n给模型一份没优化的基础代码和物理硬件拓扑图，让它写出直接操控 NVLink 搬运数据的 CUDA 算子。\n最强的前沿大模型单次上阵，87 道题里只写对了 28 道。\n这 28 道里，真正跑得比基线更快的，只有 22 道。\n哪怕给它疯狂采样、多抽几次结果，正确题数也只能勉强摸到 36 道。\n既写对又跑得更快的比例，被死死钉在 31% 附近。\n哪怕给它配上完整的多轮智能体环境，给它命令行终端去反复试错调试，最终也只停留在 35 道。\n大模型到底卡死在哪里？\n很多人以为是它写不好复杂的 CUDA 语法。\n完全猜错了。\n大模型其实格外擅长语法，编译报错只要让它重试一次就能修正。\n真正让它全线崩溃的，是一张它脑子里根本不存在的硬件物理拓扑图。\n要写出极致的多卡算子，程序员必须在硬件物理层做精细的三重权衡。\n第一重，是卡与卡之间通信顺序的时序编排。\n第二重，是海量数据在多张卡之间的切分与重组逻辑。\n第三重，是物理搬运路径的取舍。\n到底该走专用的硬件拷贝引擎，还是调用张量内存加速器 TMA，或者直接把数据塞进寄存器级别传输？\n每一种路径的延迟、带宽占用和流式多处理器开销，全都不一样。\n大模型之所以能写对前面两成题目，是因为那些模式在开源互联网上被反复写过，它只是在记忆里匹配既有模版。\n一旦面对真实的硬件物理瓶颈，需要根据显卡拓扑结构去推演数据流的碰撞与等待，它就彻底失去了方向。\n它背得下世界上所有的编程语法。\n但它从未真正理解过物理世界的电子和光子，是怎样在硅片与铜线之间穿梭的。\n软件层面的代码生成，只要逻辑闭环、通过单元测试就能交差。\n但当 AI 试图去优化物理世界的极端性能，一切语法技巧都会在硬件的物理铁律面前现出原形。\n算力跑得越快，通信的阻力就越致命。\n那些能够把代码写得符合语法的系统，永远只是第一步。\n真正能把几十万颗芯片捏成一台巨型计算机的，永远是对物理极限和空间拓扑的深刻理解。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-27 21:12:42","created_at":"2026-08-27 21:12:42","url":"https://mubeitech.com/p/mb-20260827-46d0c4","markdown_url":"https://mubeitech.com/p/mb-20260827-46d0c4/markdown"}]}