能用“模拟法庭”的模式来训练AI医生吗？

法槌落下，主审宣布开庭：一边是“主治医师”模型陈述诊断思路，另一边“检察官”模型逐条质证，旁听席上“影像科与检验科专家”模型出庭作证，书记官把每一条证据与推理链完整记载。听起来像电影桥段？其实这正是把“模拟法庭”搬进医疗AI的训练与推理之中。答案是：可以，而且很有前景。最新的多模型对抗与协作框架（MCC）已经用“辩论—举证—合议”的方式，把单一黑箱模型变成一个可交叉验证的“圆桌会审”。它与“模拟法庭”的契合点极高：共享的上下文工作区就像庭审记录，把问题、候选结论、关键证据点与立场变化结构化备案；多轮对抗辩论对应交叉询问，模型必须指出对方的“跳步”与证据缺口，再提交指南、机制与鉴别诊断来补强；分歧门控像“是否开庭”的决定，只有出现不一致才启动辩论，控制计算成本；共识优化则类似合议庭裁决，不收敛时以多数意见为保底裁决，并允许“未知/需补充信息”的保守判决以降低风险。这不是纸上谈兵。把“庭审式”机制引入后，医疗推理在多项基准上显著跃升：在MedQA达到约92.6%准确率，PubMedQA约84.8%，MMLU医学子集整体保持90%以上；在更贴近真实风险的MedXpertQA仍具竞争力，并能在MetaMedQA中识别“不确定场景”而主动收敛到“需更多信息”的结论。面对药物商品名与学名互换的鲁棒性测试也几乎不受影响。在开放式长问答的医生盲评中，病情要点提取、推理正确性与偏差控制提升显著，错误内容率更低；在类OSCE模拟诊断中，能捕获80%以上关键信息点，15个可判定病例里首选诊断命中率达80%，还常在辩论中把“表象诊断”推进为更深层的病因解释，像把“糖尿病控制不佳”追溯到“胰腺肿瘤相关继发性糖尿病”。如果把这套方法正式“法庭化”，可这样落地：设定明确的“指控与辩题”（临床问题与决策目标）；要求各“当事方”独立陈述并标注证据出处；由“检方”模型专责挑错与溯源，严格限制未证自明的推断；“专家证人”模型负责影像、化验与指南条文解读；“书记官”维护可追溯的证据链与时间戳；“合议庭”依据一致性、证据充分性、风险与不确定性标注作出裁决并给出随访与复核计划。整个过程强调三点：必须可解释、必须能说“不确定”、必须留下可审计的辩论日志。这不仅能提升推理质量，也能“反哺训练”。通过庭审式辩论收集高质量的链式推理、反驳与改错数据，可用于偏好优化或蒸馏，走“小模型+高质量数据”的路线，兼顾效果与成本。分歧门控与早停机制则避免无谓拉扯，把算力花在真正有争议的病例上。引入安全条款同样必要：遵循“证据可采性”规则，强制引用指南或原始检查；对冲突信息进行版本化处理；允许“先稳后准”的保守输出；对隐私与合规设置最小可用数据、院内部署与全链路审计。当然，“模拟法庭”不是银弹。群体共识可能形成“集体幻觉”，法庭攻防可能被“善于雄辩但不够正确”的模型带偏，复杂多模态证据也可能被对抗性噪声扰动。对策包括设“唱反调”的红队检察官，轮换独立“审判长”以避免串谋；引入不良结局标注与前瞻性验证，让正确性回到临床结局上；对影像与文本证据做鲁棒预处理与多视图交叉核验；把“无明确标准答案”的情形当作合格结论而非失败。值得强调的是，AI的“法庭化训练”并不是替代医生，而是把医生的多学科会诊精神制度化：多角度、重证据、留痕迹、能复盘。医学从来不是一句“标准答案”，而是一串被时间检验的推理脚手架。让AI在“模拟法庭”里学会克制与自证，学会在不确定前停步、在分歧处求证，或许比单次的高分更重要。当我们让机器在辩论中学会谦逊，人类也在与它的对话中更靠近真相——因为真正的医疗，从来像追求正义一样，需要公开的证据、透明的逻辑与不断的自我修正。

当AI医生开始“吵架”，人类医生会失业吗？

当手术室外，一个“圆桌会诊”在硅片上展开：几位AI各自独立思考后开始你来我往——质疑、举证、反驳、修正。AI医生真的在“吵架”。别慌，这也许是医疗史上最有价值的一场争论，因为它把人类专家脑海里的交叉质证，搬进了机器的推理引擎里。这场争论有章可循。最新提出的“模型对抗与协作”框架，把不同大模型请到同一张桌子上，共享一块“上下文工作区”，把问题、证据、推理链与立场变化全部留痕。只有当答案出现分歧时才触发辩论，避免无谓算力消耗。多轮交锋里，模型围绕证据缺口打磨推理，回看自身假设，最后用共识或投票收束。这不是“凑数投票”，而是显式的迭代纠错和证据对齐。结果并不低调：在MedQA上准确率达到92.6%，多个学科子集长期稳定在90%+；在长文本咨询中，由医生盲评，其要点提取、推理正确性和偏差控制明显优于多款单模型；在模拟门诊里，它能抓住超过八成关键病史点，15例可判定病例中首选诊断命中率达八成，还能在不确定情境里给出“未知/需补充信息”的保守建议。这意味着，它不仅会答题，更学会了“知道自己不知道”。那么，当AI开始更聪明地“吵架”，人类医生会失业吗？答案恰恰相反：AI越会争，医生越需要“定”。原因很朴素。医疗是高风险决策活动，牵涉不确定信息、利益权衡、伦理边界与情感支持。再强的模型仍有黑箱成分，仍可能受数据偏见影响，仍无法对结果“自我负责”。监管尚在完善，真实世界还需要与电子病历、检查结果的端到端整合、隐私与合规的硬约束以及计算成本的软权衡。这些，决定了AI是强力助手，而非独行裁判。更现实的变化是分工重写。在影像解读、病历生成、随访提醒、标准化问答等流程化环节，AI已成为“数字战友”，显著提升效率与一致性；在复杂诊断、目标沟通、方案取舍与风险承担上，医生的价值被“放大”。许多一线专家已把答案说透：AI与医生不是替代，而是共生。未来的临床角色，更像是“总指挥与把关人”——设计流程、主持人机会诊、解释AI结论、处理不确定性，并为最终决策负责。 “AI吵架”的真正意义，是把多学科会诊精神嵌进工具链，帮助医生更快找到证据断点，减少漏诊与过度自信。就像那位多饮多尿的56岁女性，模型间的交叉追问把思路从“控制不佳的糖尿病”推进到“胰腺肿瘤相关继发性糖尿病”。但下一步何时影像、如何告知、怎样兼顾经济压力与生活质量，仍要由医生来权衡。这就是边界：AI点亮路径，医生选择方向。职业前景并非黯淡，反而更广。医疗体系正在催生新的能力谱系：临床决策者、流程设计者、沟通与同理的专家、AI安全监督者，以及算法审查、数据治理、隐私合规等岗位。教育端也在加速跟进，越来越多医学院把AI纳入课程体系，培养懂AI、会用AI、能解释AI的新一代医生。真正的风险不是被AI取代，而是停在原地不进化。要让这场“有质量的争吵”服务真实临床，我们还需要几道护栏。建立算法审查与全生命周期数据管理，允许患者知情与退出；在模型端坚持可追溯推理与不确定性表征；在系统端与电子病历深度集成、设置分歧门控与早停策略，既稳又省；在文化端坚持“AI建议，医生决断”的清晰责任边界。这些制度化的细节，决定了AI能否在医院里成为可依赖的同事。所以，当AI医生开始“吵架”，人类医生不会失业，而会“升维”。最好的团队配置，可能是一半是人，一半是由人指挥的AI。争论让事实更清晰，协作让决策更稳妥。医疗的终点，从来不是赢下一场辩论，而是让一个具体的人，带着被理解与被尊重的感觉，活得更好。技术越强，我们越要记得：真正的临床智慧，是把数据化的确定性，与人性的不确定性，优雅地合在一起。

AI会诊误诊了，究竟应该谁来负责？

深夜急诊里，屏幕上跳出一条“高度怀疑”的AI提示，年轻医生心跳加速：采信还是搁置？当AI会诊最终被证实误诊时，矛盾的焦点不在算法有多聪明，而在一个更现实的问题——到底谁负责。在现行法律与临床实践中，AI不是法律主体，只是一种“辅助诊疗”工具。医生仍是最后把关人，医院承担以医生为核心的诊疗责任体系中的主要义务——是否尽到合理注意、是否复核高风险结论、是否进行知情告知。如果医生遵循指南、落实“人在环路”，而错误源自算法设计缺陷、训练数据偏差或警示不充分，那么责任会转向产品责任路径，由研发、生产或销售方承担相应过错。实践中逐渐出现“人机共担”的裁判思路：例如有案件判定医院承担70%、算法供应商承担30%的连带责任，体现了对临床尽责与技术缺陷的区分。如何判定“该谁担责”，关键看三条证据链是否清晰可查。其一，临床侧的规范使用链：是否限定应用场景、是否二次复核关键决策、是否完成对患者的AI使用告知与同意。其二，算法侧的合规链：是否存在可归责的设计缺陷或数据偏见，是否建立“预定变更控制计划”与全生命周期监测，模型更新是否可追踪。其三，机构侧的治理链：采购评估是否审慎，系统是否安全对接HIS/PACS，是否对医护完成培训。缺少这些“链”，法庭就容易陷入“证据真空”，要么患者无从维权，要么医生成了“背锅侠”。因此，聪明的做法是把“责任不清”预防在事前。医院应打造AI诊疗的数字档案，记录每次AI调用的输入、输出、置信度与医生最终决策及理由，这既是质量改进的抓手，也是责任分配的硬证据。与开发商的合同应约定算法透明度、真实世界性能报告、缺陷修复时限，并将“AI医疗产品责任险”写进条款，实现风险共担。院内设立算法审查委员会，实行分层风控：高风险应用先在严格伦理与专家监护下小范围试点，稳态后再推广。监管层面，也应过渡到“全生命周期”模式，既把好上市前关，也持续盯紧上市后的漂移与更新。值得一提的是，新近提出的“模型对抗与协作”框架为责任清晰度提供了技术助力。多模型在共享上下文中展开“质疑—举证—反驳—修正”的结构化辩论，不仅显著提升了难题场景的稳健性，还天然生成可追溯的辩论与证据日志，能在“为何得出该结论”上给出可审计的轨迹。当系统承认“不确定/需补充信息”，比武断给出答案更安全，也更符合临床的谨慎义务。当然，再强的AI也不是医生的替代者，它能扩展认知边界，却不能替你签最后的名字。归根到底，“AI误诊谁负责”不应演变为简单的“甩锅游戏”。技术提供能力，法律划定边界，医院构建流程，医生践行谨慎，患者获得透明。这是一个共同体契约：把错误减少在前端，把证据留存在链上，把风险分散在制度里。当我们不再只问“出了事谁背锅”，而是共同追问“怎样让它不出事”，AI才会真正成为让医学更可靠的那把好刀。

AI“专家团”会不会也搞“集体犯错”？

想象一间会诊室：三位名医围坐圆桌，观点激烈碰撞，证据在桌面上不断增减，结论步步收敛。再想象另一间房：人人点头称是、没人追问关键细节，最终把病人带上了错误的路径。AI“专家团”，也会走向这两种截然不同的结局。答案并不神秘：群体能放大智慧，也能放大偏差。会不会“集体犯错”？会，而且比你以为的更容易。多智能体系统的失败日志显示，群体错误常见三类根因：角色混乱（谁负责什么不清楚）、沟通障碍（关键信息未共享或跑题争论）和验收漏洞（未完成关键验证就草率收尾）。当每个模型的小偏差互相强化，错误会被成倍放大：没有审校的并行协作，错误传播的倍增效应惊人；工具越多、沟通越长，协调成本飙升，成功率和效率却下滑。甚至出现“越强越乱”的悖论——当单模型已经相当可靠时，盲目加模型可能是负收益。为什么会这样？一是“同源偏见”：多模型若训练相近，盲区往往同步，投票就可能把错当对。二是“回声室效应”：在辩论中，模型更容易追随表面上“自信”“篇幅长”的回答，而非最真实的证据。三是“上下文疲劳”：对话越来越长时，重要线索被遗忘，验证环节被忽略。四是“工具泛滥”：当任务依赖十几种工具，系统在同步、解释、合并结果上消耗巨大，核心推理反而被稀释。这并不意味着“专家团”不可用，而是必须被精心设计。最新的“模型对抗与协作”框架，给出了一套更像临床MDT的机制：先独立思考，再因分歧而辩，再以可解释证据收敛到共识。它把问题、候选答案、证据点、立场变化写入共享工作区，强制每轮围绕“证据缺口”和“推理断点”质疑—举证—反驳—修正，并在轮次间进行自我反思；若迟迟不收敛，才用多数投票兜底。这样的“可辩论、可追溯、动态协作”让互补性真正变成迭代纠错，既提高难题场景的稳定性，也让系统在不确定时学会说“未知/需补充信息”。数据给了信心：在标准化医学问答上，准确率稳定且跨科目达标；在更贴近真实世界的鲁棒性测试中，对药名变体等语言扰动几乎不受影响；在长文本咨询和模拟病例对话中，关键信息覆盖率、诊断正确率、偏差控制均优于单模型。同样重要的是，它把“讨论轨迹”完整记录——这正是避免“黑箱”集体犯错、也便于事后审计与教学复盘的关键。但这也不是万能钥匙。真实临床里，电子病历整合、冲突信息处理、隐私合规与算力成本，任何一环失守都可能让群体智慧变成群体失误。更现实的证据也提醒我们：自动化的失败归因仍很难，系统自己找出“谁、在哪一步错了”的准确率并不高；上下文越长，定位错误越难。这些都在提示——没有严谨的角色定义、验证清单和“人机协同”的终审机制，再聪明的“专家团”也可能踩坑。如何把集体错误降到最低？实践上有一套“硬约束”很有效：限制团队规模在少数几位，避免工具堆砌；设置分歧门控，只在意见不一致时才触发辩论；为每个智能体明确职责与交付物，要求结构化证据与可反驳的推理链；设计“验证瓶颈”，由协调者在合并前逐条核验关键步骤；强制记录决策日志，保留证据、置信度和人类复核意见；允许模型输出“未知”，用保守策略对待高风险结论；在医院侧，把这些机制嵌入临床路径，落实人类最终签署。别忘了很朴素的一条：当单模型已足够强、任务又工具密集时，单模型+严格审校，往往比“大合唱”更可靠。所以，AI“专家团”会不会集体犯错？会。但可控。群体不是魔法，方法才是魔法。真正让群体变聪明的，从来不是人数，而是制度化的分工、证据的可追溯、对不确定性的谦卑，以及那道永不外包的人类终审。医学从来是在有限信息里逼近真相的艺术。让AI参与这门艺术的正确姿势，是让它们学会辩论，也学会沉默；学会协作，也学会承认“不知道”。当我们把“共识”与“求真”同时写进系统，集体就更少犯错，人类也才更安心地把生命托付给科技。

AI辩论赛里，如何揪出那个“坏蛋”选手？

把一群大模型关在“会议室”，让它们就同一道医疗难题唇枪舌剑——谁在一本正经地胡说？抓出那个“坏蛋”选手，不靠拍脑袋，而要像法医溯源一样把证据链钉牢。在高风险的临床场景里，这不只是胜负之争，更是安全与责任的底线。要想揪“坏蛋”，先得让辩论可被审计。MCC圆桌框架把每一步推理写进同一份“上下文工作区”：原题、候选答案、关键证据、立场变化全部结构化留痕；每轮发言还规定动作语法——质疑、举证、反驳、修正，再附上不确定性声明。主持模型启用“分歧门控”，只有出现分歧才开战，既控算力，也精准暴露冲突点。这样一来，谁在哪一步做了“无依据跳步”、谁用错了指南或混淆了概念，一眼就能定位。揪错的技巧在于把“说了什么”变成“凭什么”。强制因果链与证据对齐，要求引用指南、机制学依据或数据支撑；对单位混用（mg/dL vs mmol/L）、药名学名替换等常见坑设置自动哨兵；引入异构选手和动态分歧调节，结合多样性裁剪与“误解反驳”，避免回音室里集体自信地错。回合别拖长，2–3轮通常效果最好，越长越稀释关键信号。赛后复盘更关键：研究者把失败归因拆成“谁负责”和“错在何时”。三种策略各有所长——全局总览更擅长找“谁”（准确率约53.5%），逐步侦查更能锁定“何时”（细粒度仅约14.2%，但已是最好），二分定位在成本与效果间折中。实战里常用组合拳：先全局缩小嫌疑人，再在冲突片段逐步侦查；同时在提示中强制“给出归因理由”，能实打实提升表现。别忘了控制日志长度，随着上下文变长，各法的准确率都会下滑。为了不让系统被“一次失言”拖下水，MCC配了安全兜底：轮次内做共识判定与早停，不收敛就多数投票；遇到证据不足时允许输出“未知/需补充信息”，把幻觉挡在门外。在标准基准上，这种可辩论、可追溯的协作显著提升稳定性与上限：MedQA准确率达92.6%，PubMedQA 84.8%，长问答中要点提取与推理正确性提升显著；模拟门诊里，关键信息捕获率超过80%，首选诊断命中率达80%。把辩论办成“法庭”，就能让真相在程序正义中浮现：有公共案卷，有角色分工，有时间戳和证据披露，还有负责判决与停表的法官。下一步，把这种失败日志与归因能力纳入常规训练与评测，连同隐私合规与算力约束一道工程化推进，坏蛋就更难藏身。耐人寻味的是，最可靠的队伍并非从不犯错，而是能及时识错、愿意说“不知道”、并留下可复盘的轨迹。揪出“坏蛋”的意义，最终不在于指责，而在于让一支由AI组成的团队，学会在分歧中逼近真理，在透明中赢得信任。

新知 - 大圆镜｜AI诊疗内战：模型辩论如何突破单一“神医”局限？

对抗知识焦虑，从看懂这条开始

App 下载

一场无声的诊断风暴

一位56岁的女性患者，因多饮多尿、乏力、体重下降就诊。病史显示，她一直被当作2型糖尿病治疗，但血糖控制始终不理想。如果将这份病例交给一个顶级的医疗AI大模型，它很可能会在“2型糖尿病”的框架内优化用药建议。然而，这只是故事的表层。在一次模拟诊疗中，一个由多个AI模型组成的“虚拟诊疗小组”却上演了一场颠覆性的“内战”。

一个模型坚持糖尿病的诊断，另一个则对控制不佳的血糖提出质疑，尖锐地发问：“是否遗漏了其他可能导致继发性高血糖的病因？”这个问题如同一块投入平静湖面的石头，激起一连串的涟漪。在随后的“辩论”中，AI们相互诘问，促使系统补问了“胰腺相关病史”和“上腹痛是否向背部放射”等关键线索。最终，共识达成——诊断从“糖尿病本身”深化至“胰腺肿瘤引发的继发性糖尿病”。

这场无声的诊断风暴，不仅挽救了一个可能被延误的病情，更揭示了医疗AI发展的一个关键转折点：告别“单打独斗”的“全知”神医模式，拥抱一个可辩论、可追溯、协同进化的智能诊疗新范式。

“圆桌会议”诞生：协和团队的范式革命

长期以来，尽管GPT-4、Med-PaLM2等大型语言模型在医学考试中屡创佳绩，展现出惊人的知识储备，但其固有的“黑箱”属性和缺乏多视角审视的推理机制，使其在真实、高风险的临床决策中步履维艰。一个错误的、无法解释的建议，后果不堪设想。

为了打破这一瓶颈，一场范式革命悄然发生。2026年1月5日，中国医学科学院基础医学研究所的龙尔平团队与北京大学基础医学院的万沛星团队在国际顶尖期刊《Cell Reports Medicine》上发表研究，正式提出了“模型对抗与协作”（Model Confrontation and Collaboration, MCC）框架。

这篇题为《模型对抗与协作：一种增强大型语言模型医学推理的辩论智能框架》的论文，不再致力于训练一个更强大的“孤胆英雄”，而是创造了一个AI“多学科会诊（MDT）”平台。研究团队将GPT-o1、Qwen-QwQ、DeepSeek-R1等多个异构大模型组合成一个动态的“圆桌智囊团”，围绕同一个病例展开结构化辩论。

其核心机制如同一个高效的学术研讨会：

独立思考（Reason）： 所有模型首先背对背独立生成诊断和关键论证点。
对抗辩论（Debate as Action）： 一旦出现分歧，辩论机制被激活。模型们进入多轮“质疑—举证—反驳—修正”的循环，所有模型的发言、证据和立场变化都被记录在一个共享的“上下文工作区”，确保所有讨论基于同一事实基础。这迫使每个模型审视自身逻辑链中的跳步和证据缺口。

达成共识（Consensus Optimization）： 经过数轮交锋，模型们要么达成高度一致的结论，要么在无法收敛时，系统以多数票作为保底策略输出。这个过程将不同模型的知识盲区和推理偏好，从“缺陷”转化为了发现彼此错误的宝贵“资源”。

从“学霸”到“名医”：数据背后的惊人表现

MCC框架的威力在多项基准测试中得到了验证，它不仅是理论上的创新，更是性能上的巨大飞跃。

在被誉为“医师资格考试”的MedQA基准上，MCC取得了92.6%的惊人准确率，刷新了纪录。在更贴近真实临床复杂性的HealthBench Hard测试中，它同样保持领先。更重要的是，MCC展现出了单一模型难以企及的“临床智慧”：

懂得“示弱”： 在MetaMedQA测试中，当面对信息不足或无标准答案的问题时，MCC能够给出“未知/需补充信息”的保守回答，展现了强大的元认知能力，知道自己“不知道”什么。
抗干扰性强： 面对药物商品名与学名的混用替换，MCC的性能几乎不受影响，表现出对临床语言多变性的高度鲁棒性。
沟通能力更胜一筹： 在开放式长问答任务中，无论是专业医生还是普通用户进行盲评，MCC在病情要点提取、推理正确性和偏差控制等关键维度上，均显著优于包括Med-PaLM2在内的所有单一模型。

在模拟诊断对话中，MCC平均能捕获80%以上的关键患者信息，首选诊断正确率达到80%（12/15），远超单一模型。开篇提到的胰腺肿瘤案例，正是其强大协同推理能力的最佳佐证。

从“黑箱”到“水晶盒”：信任是AI医疗的基石

MCC框架的深远意义，远不止提升准确率。它直面了医疗AI最核心的困境——信任。

单一模型的“黑箱”决策过程，让医生难以信赖，也无法向患者解释。一旦出错，责任归属更是一片模糊。而MCC框架通过其辩论过程，生成了一份完整的、可追溯的决策日志。医生可以看到每个模型的初始判断、它们之间的分歧点、相互引用的证据以及最终形成共识的完整逻辑链。这让AI的“思考”过程从一个封闭的黑箱，变成了一个透明的“水晶盒”。

这一转变呼应了全球范围内对可解释AI的迫切需求。从耶鲁大学与上海交通大学提出的MedAgents框架，到南京大学等团队研发的MDTeamGPT，再到蚂蚁健康与北大人民医院王俊院士团队发布的GAPS评测框架，全球顶尖研究力量都在探索如何让AI的决策过程更加透明、可靠。GAPS框架甚至首次将AI的临床胜任力分解为认知深度、完备性、鲁棒性和安全性四个维度进行自动化评估，推动行业从单纯追求“答对题”向确保“看好病”转变。

未来图景：AI“智囊团”与人类医生的新共生关系

MCC框架的提出，标志着医疗AI正从“工具”进化为“伙伴”。它的目标并非取代医生，而是成为一个强大的辅助决策系统，一个永远在线、不知疲倦的“超级MDT”。

然而，通向临床应用的道路依然充满挑战：

数据集成： 如何与现实世界中庞杂的电子病历、影像和检验数据进行无缝、安全的端到端集成？
成本与效率： 多模型协作无疑会增加计算成本，如何优化流程，在保证质量的同时兼顾效率？
伦理与监管： 当一个由AI组成的委员会给出建议时，最终的法律和伦理责任由谁承担？这需要FDA、WHO等全球监管机构与技术社区共同探索答案。

尽管挑战重重，但一个清晰的未来已经展现在我们眼前：未来的诊室里，医生不再是孤军奋战。在他们身边，一个由多个AI智能体组成的“智囊团”正在实时分析海量信息，进行交叉验证与激烈辩论，最终将一份包含多种可能性、附有详尽推理过程的报告呈现在医生面前。

人类医生的经验、直觉与共情能力，与AI的强大计算、记忆和逻辑推理能力相结合，共同做出最有利于患者的决策。这不仅是对技术的革新，更是对医疗智慧本身的一次深刻重塑，预示着一个更安全、更精准、也更值得信赖的智能医疗时代的到来。