人工智能助力閱讀體驗：沉浸式智慧閱讀服務模式創新*

梁建春

0 引言

雙編碼理論(Dual Coding Theory)是Paivio在1971 年首次提出的一種認知理論，認為視覺和語言信息都有助于閱讀學習和記憶。人腦中的不同通道會對這些信息進行不同的處理，并為每個通道中處理的信息創建單獨的心理代碼。與僅以一種方式對信息進行編碼相比，以兩種不同方式進行編碼的能力增加了記住該信息的機會。例如：當我們閱讀一段描述沙灘的文字時，可以同時想象出沙灘的圖像，這樣可以幫助讀者更好地理解和記憶這個場景。雙編碼理論的重要性在于可以更好地解釋人類的閱讀和學習過程。但該理論的局限性在于未考慮到認知可能由文本和圖像以外的事物促成，忽略了人們對聲音、觸覺和味覺等其他感官的輸入認知，而且也未能充分考慮文字識別和語言理解之間的相互影響，因此并不能完全解釋閱讀能力提升原因的復雜性。

要解決雙編碼理論的局限性，需要考慮包括視覺和語言在內的一切認知形式，例如聲音、感覺和情感等，同時還需要探索多種方式進行編碼，例如音頻、圖形、視頻等，這將有助于更全面地理解記憶和學習的過程。隨著AI 技術在全球范圍多領域的廣泛應用，可以利用自然語言處理、計算機視覺和語音識別等關鍵技術構建具有多模態特征的“AI+閱讀”學習和記憶模式，從而對雙編碼進行擴展，形成多編碼的閱讀認知，增強和提升閱讀記憶及閱讀效率。

1 國內外圖書館閱讀服務現狀

以創新的教育和技術服務著稱的美國芝加哥哈羅德·華盛頓圖書館，提供各種數字資源、創客空間及計算機和編程課程，采用基于AI 的推薦系統可以根據用戶的閱讀歷史和興趣推薦相關內容,還能通過虛擬現實和增強現實技術為讀者提供沉浸式閱讀和學習體驗。但在智能問答系統、語音識別等方面的應用相對較弱。美國費城圖書館設有創客空間，提供3D 打印、虛擬現實等服務，在線資源和遠程訪問服務能夠極大方便讀者獲取知識信息。然而它沒有充分利用人工智能技術改進閱讀推薦和用戶體驗。

國內一些大型圖書館引入了自然語言處理技術，通過對讀者查詢語言的分析，智能化地推薦相關圖書和資料。這種應用的優勢在于能夠幫助讀者快速、精準地找到所需材料，提升閱讀效率和體驗。不足之處是在處理語義不明確或者模糊查詢時會有推薦不準確的情況。另有一些圖書館引入了機器人服務，如可移動的閱讀推廣機器人、自動導航機器人等。這種應用的優勢在于能夠提供24 小時服務，為讀者帶來具有時效性的閱讀服務。不足之處是機器人在服務過程中無法提供情感交流和個性化服務，可能會影響讀者的互動體驗。

Walton[1]在研究智能圖書館是否會改變閱讀和學習模式的過程中認為，智能閱讀可以提高信息獲取、處理和利用的效率，有助于提高用戶的閱讀體驗和學習成果。國內學者張瑜[2]將智慧閱讀視為一種基于互聯網的新型閱讀方式，強調了個性化推薦、用戶參與等特點。孫艷[3]在探討公共圖書館智慧閱讀服務平臺構建的同時，將智慧閱讀定義為一種基于移動互聯網和大數據的閱讀模式，重點關注了閱讀服務的便捷性、個性化等方面。盡管國內外圖書館在智慧閱讀平臺的數字資源建設、算法推薦、創新服務上取得了一系列的成果，但仍需要進一步加強人機交互體驗、分析讀者閱讀情感、優化推薦算法、擴展智慧閱讀的功能范疇和生成環境[4-7]。

綜上所述，國內外大部分圖書館使用了初步的AI 技術，主要是智能推薦，智能導航，機器人簡單問答（問題和回答都是在事先設置好的范疇內），少數圖書館用虛擬現實技術來完成一些相關業務展示。但是對于閱讀，尤其是AI 沉浸式閱讀領域，很少做過詳細的體系框架和模型擴展研究。ChatGPT4.0 的正式發布和利用AI 核心衍生的一系列文本、圖形、圖像和視頻處理產品的實踐應用，是人工智能領域的轉折性的突破，為圖書館打造更加豐富的閱讀體驗提供了可行性。因此，本文在構建AI 沉浸閱讀框架基礎上，把現有的AI 關鍵技術整合在一個模型之中，采取應用場景插件式模塊化組合，可以根據環境和經費選擇或添加場景插件，構建多模態沉浸式智慧閱讀模型。

2 多模態沉浸式智慧閱讀構想

沉浸式智慧閱讀是指將虛擬現實、增強現實、自然語言處理、機器學習等技術與傳統閱讀相結合，創造出一種更加豐富、生動、互動的閱讀體驗。在實踐應用上具備三個優勢：（1）通過語音合成技術將文本轉化為語音，并加入情感色彩和語音音調的調節，引起讀者情感共鳴，深入理解作者意圖；（2）通過增強現實和虛擬現實技術，將文本呈現在更加真實、立體的場景中，增強閱讀的體驗感和可視化效果；（3）根據讀者的個性化需求和興趣，提供更加智能化的閱讀體驗，例如推薦相似主題、翻譯、注釋、詞匯擴展等。

在AI 中，多模態（multimodality）通常以多種傳感器、算法和模型來實現?；贏I 的多模態屬性，可以幫助讀者更好地理解和掌握閱讀信息。讀者可以通過圖像、視頻、語音、語言和其他傳感器來獲取不同類型的信息，并使用AI 算法和模型將這些信息整合在一起。這樣，讀者就可以通過多個感官通道來處理和理解信息，以獲得更好的閱讀體驗和學習效果。

以“AI 多模態＋沉浸式閱讀”的認知模式分析和討論為出發點，筆者構想了多模態沉浸式智慧閱讀的主要思路。（1）圖像識別和語義分析：通過圖像識別技術，將圖書中的圖片和文字進行分離和識別，再通過自然語言處理和語義分析等深度學習，將文字內容和圖片內容進行關聯和整合，提高閱讀體驗。（2）視覺呈現優化：使用“AI ＋圖像處理”技術對閱讀界面的優化，提高文字的可讀性和視覺效果，如調整字體大小、行距、背景色、文字顏色等。（3）語音識別和自然語言處理：使用語音識別技術，將文字內容轉化為語音，也可以通過自然語言處理，將語音內容轉化為文字，實現文字內容和語音內容的雙向轉化。（4）虛擬現實技術：利用虛擬現實技術，將文字和圖像等信息以更加直觀的方式呈現給讀者，提高雙編碼理論在閱讀中的應用效果。

在編碼實現方面，需要根據具體的應用場景和需求，選取合適的編程語言和開發平臺，如Python、TensorFlow、PyTorch等。在開發過程中，需要考慮數據的采集、預處理和模型的訓練和測試等問題，同時需要注意模型的效率和精度。

3 以ChatGPT-4 為內核的AI 沉浸式閱讀體驗框架

ChatGPT 是OpenAI 開發的一款基于深度學習的大型語言模型聊天機器人，目前發布的ChatGPT-4，不僅能夠與人類進行自然、流暢和有趣的對話，而且還具有生成創意內容、提供信息、執行任務等多種功能，是目前最先進的聊天機器人之一，展示了人工智能在自然語言處理領域的巨大潛力。

ChatGPT-4 的衍生產品主要有兩類：一類是利用其文本生成能力，結合圖形圖像處理或視頻處理技術，實現多媒體內容的自動創作；另一類是利用其對話交互能力，結合語音識別或語音合成技術，實現自然語言理解和響應的智能助理。例如，Whisper 是一個基于ChatGPT 和DALL·E 的多媒體內容創作平臺，用戶可以通過簡單的文字指令，生成各種類型和風格的圖片、視頻、音樂等。用戶可以輸入“畫一只穿著西裝打領帶的貓”，Whisper 就會生成相應的圖片。而ChatGPT Plus 是一款融合ChatGPT 和InstructGPT的高級聊天機器人服務，用戶可以通過網頁或手機應用與之對話，并獲取各種信息和服務。用戶可以輸入“請幫我訂明天上午11 點從哈爾濱到廣州的高鐵票”，ChatGPT Plus 就會為用戶完成訂票操作，并提供相關信息。ChatGPT Voice則是一個基于ChatGPT 和語音技術的智能助理應用，用戶可以通過語音與之交流，并獲取各種信息和服務。用戶說“請告訴我今天北京的天氣情況”，ChatGPT Voice 就會回答“今天北京多云轉晴，最高溫度22 度，最低溫度10 度”。

將ChatGPT-4 內核功能及相關衍生產品整合融入到AI 多模態沉浸式智慧閱讀模式構想之中，可以促進圖書館和人工智能（AI）共同發展，相得益彰。一方面，AI 可以為沉浸式智慧閱讀平臺提供強大的自然語言處理能力，使得讀者和讀者之間、讀者和平臺之間進行自然、流暢的交互。另一方面，閱讀平臺可以為AI 提供更加豐富、多樣化的文本語料庫，不僅包括傳統的書籍、期刊等，還包括虛擬現實、增強現實等環境下生成的語言數據。AI 可以在更多的文本數據上進行訓練和優化，提高其自然語言生成能力和準確性。

基于以上思路，本文提出了一種基于ChatGPT-4 技術和功能內核的多模態沉浸式智慧閱讀體驗框架（Multimodal Immersive Intelligent Reading Experience Framework，MIIREF），如圖1 所示。

圖1 多模態沉浸式智慧閱讀體驗框架

MIIREF 目的在于利用AI 的多模態生成屬性，對傳統的圖書館閱讀體系進行優化和完善，通過多元化閱讀為讀者提供個性化、互動、有吸引力的閱讀體驗，以滿足不同類型的讀者和場景需求。

一方面，MIIREF 整合多種技術和數據源，包括情感認知模型、自然語言處理和深度學習等，以實現對讀者行為和環境的綜合分析和理解。與傳統的閱讀研究相比，MIIREF 能克服以往研究中對于單一數據源的依賴，較好地解決了閱讀體驗和用戶滿意度的問題。

另一方面，MIIREF 通過整合不同模態的數據，如讀者交互數據、生物反應數據和環境數據，實現了對多模態數據的處理和分析。這種多模態數據處理的應用為閱讀體驗的個性化和智能化提供了新的視角和解決方案，為探索多模態數據處理在閱讀領域的應用開辟了新的途徑。圖1中的不同場景實現所需要的關鍵技術描述見表1 所示。

表1 MIIREF 中各場景實現的關鍵技術列表

由表1 可知，MIIREF 將以ChatGPT、百度文心一言為代表的AI 聊天機器人內核技術融入圖書館沉浸式智慧閱讀體系之中，可以形成靈活、豐富的沉浸式閱讀場景。

首先，多模態差異化內容生成可滿足讀者閱讀內容智能推薦需求。通過對歷史閱讀記錄、搜索歷史、社交媒體行為等多維度大數據分析，了解讀者興趣愛好、閱讀偏好及對不同元素的反應，從而生成更貼近讀者需求的故事情節。

其次，讀者在一定程度上自由定制角色、情節和故事背景等元素，實現更高程度的沉浸感和自我參與感。例如，讀者可以自定義故事中的主人公、配角、場景等，甚至可以選擇不同的結局和發展方向，以獲得更加符合自己興趣和偏好的閱讀體驗。另外，利用AI 技術，還可以為讀者提供實時、準確的問題解答，幫助讀者深入理解所閱讀的內容。

再次，富媒體是一種通過結合多元媒體元素，如圖像、音頻、視頻、動畫等，來呈現更加生動、多維和交互式內容的數字媒體形式，有助于增強讀者的視覺和感性沖擊力，為讀者提供更為豐富的沉浸式體驗。

從次，閱讀對象不再是傳統的紙質書籍，沉浸式智慧閱讀服務可在多種媒介終端設備上使用，不受空間和時間限制，不同的讀者需求和場景，都可以得到定制體驗。

最后，建立共同興趣的閱讀社區。讀者可以在論壇或群組中發帖、回帖，通過分享自己的閱讀體驗和見解與其他人互動；也可以通過在線聊天的方式交流閱讀感受和心得；還可以通過虛擬角色的對話和扮演，參與到故事創作和演繹中去，增強沉浸式閱讀的體驗和趣味性。通過社區互動，讀者可以更好地了解和探討各種閱讀話題和文化現象，形成個性化的閱讀品味和態度，推動閱讀文化的繁榮和發展。

4 AI 多模態沉浸式智慧閱讀模型構建

在MIIREF 框架指導下，本文構建一種基于多模態數據處理、自然語言處理和深度學習的AI 多模態沉浸式智慧閱讀模型（AI multimodal immersive intelligent reading model，AI_MIIRM），以提高閱讀效率和用戶滿意度。AI_MIIRM 包括用戶界面與交互設計、數據收集與預處理、文本分析與理解、知識抽取與結構化、內容推薦、閱讀輔助、學習與評估等功能模塊，模塊之間相互協作，以邏輯調用的方式為讀者提供個多模態、個性化服務，如圖2所示，各模塊功能與相互邏輯關系如下。

4.1 數據收集與預處理

這是整個沉浸式智慧閱讀模型的基礎。一方面，它負責收集各種類型文本數據，如書籍、文章、論文等，對數據進行預處理，包括清洗、去重、分詞、詞性標注等；另一方面，還能收集多模態數據，如圖片、音頻和視頻等。通過這種方式，沉浸式智慧閱讀模型可以更全面地理解和分析不同類型的信息。數據收集之后，則需要對文本，以及一些其它多模態數據進行相應的預處理，如圖像識別、語音轉換為文本等。

4.2 文本分析與理解

接收來自數據收集與預處理模塊的文本數據，利用自然語言處理技術進行句法分析、語義分析，主要是利用命名實體識別、關鍵詞抽取、情感分析等技術進行文本生成、理解和推理等。對于圖像、視頻等多模態數據，可以使用圖像、視頻識別等技術來識別其中的實體、場景和關系，從而豐富文本分析結果。完成分析后將結果傳遞給知識抽取與結構化模塊和內容推薦模塊。

4.3 知識抽取與結構化

從文本分析與理解模塊接收分析結果，使用實體關系抽取、事件抽取等技術進行知識抽取和結構化處理。將抽取的知識構建成知識圖譜，便于可視化展示和檢索，從而為閱讀輔助、學習與評估等提供支持。在構建知識圖譜時，可以將多模態數據的分析結果整合到知識圖譜中。例如，可以將圖像和視頻識別出的實體和關系添加到知識圖譜中，從而使知識圖譜更加豐富和多元化。

4.4 內容推薦

基于文本分析與理解的結果,分析讀者行為數據，構建讀者興趣模型，為讀者生成詳細的個人閱讀特征描述——用戶畫像。在構建用戶畫像時，我們可以綜合分析用戶在多種類型數據上的行為和偏好，例如可以分析用戶在觀看視頻、閱讀圖書和聽音頻時的興趣和偏好，通過對多模態數據的分析，用戶畫像將更加精準和全面，從而提高推薦的準確性和個性化程度。隨后，基于協同過濾、內容推薦、深度學習推薦等技術自動生成匹配用戶畫像的閱讀路徑，進行個性化內容推薦，推薦結果將呈現給讀者，并同用戶界面與交互設計進行交互。

4.5 閱讀輔助

利用知識抽取與結構化的知識圖譜及其他相關技術為讀者提供多語種輔助閱讀。將知識圖譜中的實體和關系以可視化的形式呈現給讀者，幫助讀者更好地理解概念之間的關系。同用戶界面與交互設計協同工作，為讀者提供友好的交互體驗。如“智能解答”可以通過知識圖譜幫助AI 更有效地組織和檢索知識，理解不同領域之間的聯系，更好地解答讀者的問題，引導讀者進行深入的學習和探索?！罢透攀錾伞睅椭x者快速了解圖書或文獻的主要信息?！皺C器翻譯”為多語種讀者提供實時翻譯、語言輔導和學習建議等服務。此外，語音合成技術也可以用于為有視覺障礙的用戶提供朗讀服務。

4.6 學習與評估

利用知識抽取與結構化產生的知識圖譜、用戶行為數據及推薦的結果，為用戶提供個性化的學習資源和策略。在對讀者知識點掌握情況進行評估時，要將評估結果反饋給讀者，以便讀者調整學習策略。同時，引入領域專家對模型進行指導和評估，確保生成的內容質量和邏輯性。

4.7 用戶界面與交互設計

這是讀者與系統進行交互的橋梁。它負責呈現推薦內容、提供閱讀輔助功能，并收集讀者行為數據。它與內容推薦、閱讀輔助等緊密協作，通過友好、易用的用戶界面，使用語音識別、手勢識別等技術實現自然人機交互，為讀者提供良好的用戶體驗。

5 AI_MIIRM機器學習過程實現

在AI_MIIRM 中，機器學習扮演著至關重要的角色。AI_MIIRM 通過算法讓計算機從大量的閱讀數據中學習，自動識別出數據中的模式和規律，并根據這些模式和規律做出有意義的閱讀和推薦決策。AI_MIIRM 的機器學習流程包括數據采集、數據預處理、特征選擇、模型訓練、模型評價和模型調優等多個環節。

5.1 數據采集

數據采集是整個機器學習流程的基礎。除了文本、圖像、音頻、視頻等不同類型的數據，還可以加入讀者的交互數據、生物反應數據以及環境數據等多模態數據，以更全面地了解讀者的閱讀體驗。

對于讀者的交互數據，可以通過記錄讀者的點擊、滾動、注視等行為，來了解讀者對于不同內容的關注度和興趣點，進而調整閱讀界面和內容，提升閱讀體驗。生物反應數據方面，則可以通過記錄讀者的心率、腦波等生理反應數據，來了解讀者的閱讀情緒和認知負荷，從而調整閱讀體驗和內容，進一步提升閱讀質量。在環境數據方面，需要記錄光線、溫度、濕度等因素，以了解環境對于閱讀體驗的影響，從而在設計閱讀界面和內容時進行優化。不同類型的數據可以使用相應的庫和方法進行讀取和處理，例如使用pandas 庫的read_csv 函數讀取CSV 格式的文本數據，使用Python 的OpenCV庫或Pillow 庫進行讀取和處理圖像數據，使用Python 的Librosa 庫或Pydub 庫進行讀取和處理音頻數據，使用Python 的OpenCV 庫進行讀取和處理視頻數據。數據采集的目的是獲取足夠多的樣本數據，并進行預處理和特征提取。

5.2 數據預處理

在數據預處理環節中，可以處理各種類型的富媒體數據，這些數據在不同場景下有著廣泛的應用。例如：在圖像識別方面，可以處理圖像數據，用于人臉識別、目標檢測、圖像分割等領域。在文本處理方面，可以處理文本數據，用于情感分析、自然語言處理、關鍵詞提取等領域。在音頻處理方面，可以處理音頻數據，用于語音識別、情感分析、音樂分類等領域。在視頻處理方面，可以處理視頻數據，用于行為識別、動作分析、人體姿態估計等領域。除此之外，還可以處理一些特定場景下特殊類型的數據。例如，處理讀者的交互數據、生物反應數據和環境數據來優化閱讀體驗。

5.3 特征選擇

AI_MIIRM 需要考慮對于閱讀體驗具有最大影響力的特征。例如：對于電子書閱讀，可能需要選擇與頁面布局、字體、字號、顏色等相關的特征，以及與讀者交互相關的特征。例如：翻頁時間、閱讀速度、書簽、高亮等。同時還需要考慮讀者的個性化需求，如讀模式、調整字號、設置語言等。這些特征都可以通過數據預處理和特征選擇來提取并輸入機器學習模型中進行訓練和預測?？梢允褂肧electKBest函數選擇互信息排名前k 個特征作為輸入數據，以保留與沉浸式閱讀相關的最重要特征。

當然，也可以選擇交互數據、生物反應數據及環境數據中最具有代表性的特征，以便進行后續的模型訓練。例如，可以使用點擊、滾動、注視等讀者交互數據，結合機器學習算法進行特征選擇，以選擇對于沉浸式閱讀相關性最高的交互特征。讀者的心率、腦波等生物反應數據也可以作為特征選擇的依據，例如，我們可以使用基于心率和腦電圖的情感分析算法，對讀者的生物反應數據進行分析和特征提取，進而結合機器學習算法進行特征選擇，以選擇對于沉浸式閱讀相關性最高的生物反應特征。

5.4 模型訓練

AI_MIIRM 使用一些機器學習算法對經過特征選擇的數據進行訓練。對于沉浸式閱讀體驗的需求，可以使用隨機森林分類器對訓練集進行訓練。隨機森林分類器可以針對多模態數據的特點，具有較好的分類和預測能力，預測讀者的興趣點和情感狀態，并根據這些預測結果進行相應的調整和優化。例如：可以使用機器學習算法對讀者交互數據和生物反應數據進行訓練，以預測讀者對于不同內容的關注度和興趣點，并結合閱讀界面和內容進行相應的調整和優化，以提升閱讀體驗和質量。

5.5 模型評價

為對模型進行改進和調優，可以使用三個指標（準確率、召回率、F1 分數）來評估訓練好的模型的性能。準確率是分類器正確分類的樣本數占總樣本數的比例，召回率是指分類器正確識別出的正樣本數占總正樣本數的比例，F1 分數是準確率和召回率的調和平均數，用于衡量分類器的綜合性能。

AI_MIIRM 為了計算這些指標，需要將模型用于一個包含讀者交互數據、生物反應數據和環境數據的獨立測試集，并與測試集中的真實標簽進行比較。通過對這些指標的評估，可以得出一個關于模型性能在不同情境下的整體評估。常用的機器學習工具庫例，如Scikit-learn提供了很多函數和工具來計算這些指標，可以方便地使用這些工具來評價模型的性能。在沉浸式閱讀環境下，模型評價可以幫助我們了解模型在不同的交互、生理和環境條件下的表現，為改進和調優模型提供更具針對性的方向。

5.6 模型調優

為了使模型能更好地適應讀者閱讀行為和偏好，在調優過程中，可用讀者行為數據和生物反應數據來指導模型參數的調整。通過記錄讀者的點擊、滾動和注視等行為，以及生物反應數據如心率、腦波等數據，了解讀者的閱讀興趣和情緒狀態，從而根據不同讀者的需求和偏好進行模型參數的調整。另一方面，需要注意過擬合問題。在沉浸式閱讀中，可能存在數據量不足或者數據質量較差等問題，這可能導致模型在訓練集上表現良好但在測試集上表現不佳。為了避免過擬合，可以采用正則化方法，或者增加數據量、降低模型復雜度等來調整模型。

通過上述AI_MIIRM 機器學習環節，運用大量的閱讀數據和相關信息，可構建一個能夠自動識別出數據中的模式和規律，并根據這些模式和規律做出有意義的閱讀和推薦決策的機器學習模型。同時，我們也可以結合讀者的交互數據、生物反應數據和環境數據，進一步提高模型的性能和適應性，使得讀者能夠更加舒適、高效、深入地進行閱讀。

6 結語

構建多模態沉浸式智慧閱讀模型在實踐中具有廣泛的應用價值，不僅可以改變我們的閱讀方式，提高閱讀效率，且有助于推動閱讀相關技術的發展。

通過整合多種技術和數據源，MIIREF 框架能夠結合讀者的情感、認知和環境等多個因素，為其提供更加沉浸、高效的閱讀環境，從而提升閱讀體驗。不僅如此，MIIREF 將為閱讀應用領域帶來新的發展機遇。其應用可以擴展到圖書館、在線閱讀平臺、教育培訓等領域，為用戶提供更加智能、個性化的閱讀服務。

MIIREF 將人工智能技術與閱讀領域進行有機融合，通過深度學習、自然語言處理、多模態數據處理等技術的應用，可以實現對讀者行為、情感、環境等多維度數據的分析和理解，從而提供個性化、智能化的閱讀服務。這將推動人工智能在閱讀領域的應用和發展，并拓展人工智能在實際場景中的應用范圍。

多模態沉浸式智慧閱讀框架的構建為閱讀研究和實踐帶來新的思路和方法，不僅可以推動閱讀研究領域的創新，同時將框架應用于實際場景中，也可為閱讀服務的轉型和升級提供新的思路和技術支持。

構建多模態沉浸式智慧閱讀模型雖然有很多潛力和優點，但也面臨著一些挑戰。模型中涉及的自然語言處理、深度學習等技術需要結合實際應用場景進行優化；數據集的規模和質量需要進一步改善；模型的泛化能力和穩定性需要更加深入地研究。未來可以嘗試從更多維度對模型的功能進行拓展，以形成一個更為全面的功能框架。隨著人工智能技術的不斷發展和圖書館服務的不斷升級，基于AI 技術的多模態沉浸式智慧閱讀服務將會得到更加廣泛的應用和推廣。