2021年美国大数据、AI行业薪资调研报告

2021年6月，针对从事数据与AI人工智能相关的从业者进行了邮件调查，结果让我们深入了解从业者的薪资、区域、行业、关注点以及他们正在追求的职业发展机会。

虽然现在说调查是在 COVID-19 大流行结束时进行的还为时过早（尽管我们都希望如此），但它是在限制放松的时候进行的：我们开始在公共场合外出，举办派对 ，在某些情况下甚至参加面对面的会议。 然后，结果提供了一个开始思考大流行对就业产生什么影响的地方。 稳定性存在很多不确定性，尤其是在小公司：公司的商业模式会继续有效吗？ 一年后你的工作还会在那里吗？ 与此同时，员工不愿意寻找新工作，尤其是如果他们需要搬迁——至少根据谣言工厂的说法。 这些担忧是否反映在新的就业模式中？

摘要

• 对调查做出回应的数据和人工智能专业人士的平均工资为 146,000 美元。
• 过去三年的平均薪酬变化为 9,252 美元。这相当于每年增加 2.25%。然而，8% 的通讯员报告薪酬减少，18% 报告没有变化。
• 我们没有看到“伟大辞职”的证据。 22% 的受访者表示他们打算换工作，这与我们的预期大致相同。受访者似乎担心工作保障，可能是因为大流行对经济的影响。
• 加州的平均薪酬最高（176,000 美元），其次是纽约和马萨诸塞州等东海岸州。
• 女性的薪酬明显低于男性（84%）。无论受教育程度或职位如何，薪水都较低。女性比男性更有可能拥有高级学位，尤其是博士学位。
• 许多受访者获得了认证。云认证，特别是在 AWS 和 Microsoft Azure 中，与加薪最密切相关。
• 大多数受访者参加了某种形式的培训。学习新技能和提高旧技能是培训的最常见原因，但可雇佣性和工作保障也是因素。公司提供的培训机会与加薪最密切相关。

人口统计

该调查通过 O’Reilly 的数据和人工智能时事通讯进行宣传，仅限于美国和英国的受访者。有 3,136 份有效回复，其中 2,778 份来自美国，284 份来自英国。本报告重点关注美国受访者，对英国受访者关注有限。少数受访者 (74) 确定为美国或英国居民，但他们的 IP 地址表明他们位于其他地方。我们没有使用这些受访者的数据；实际上，丢弃这些数据对结果没有影响。

在 2,778 名美国受访者中，2,225 (81%) 名被认定为男性，383 (14%) 名被认定为女性（根据他们偏好的代词来确定）。 113 (4%) 名被认定为“其他”，14 (0.5%) 名被认定为“他们”。

结果受到调查收件人（O’Reilly 数据和人工智能时事通讯的订阅者）的偏见。我们的受众在软件（20% 的受访者）、计算机硬件（4%）和计算机安全（2%）行业尤其多——占总数的 25% 以上。我们的受众在这些行业集中的州也很强大：42% 的美国受访者居住在加利福尼亚 (20%)、纽约 (9%)、马萨诸塞州 (6%) 和德克萨斯 (7%)，尽管这些各州仅占美国人口的 27%。

薪酬情况

从事数据或人工智能工作的员工的平均年薪为 146,000 美元。 大多数年薪在 100,000 美元至 150,000 美元之间（34%）； 下一个最常见的工资等级是从 150,000 美元到 200,000 美元（26%）。 薪酬很大程度上取决于地点，加州的平均工资最高（176,000 美元）。

过去三年的平均工资变化为 9,252 美元，即每年 2.25%（假设最终工资等于平均值）。 少数受访者 (8%) 表示工资下降，18% 表示没有变化。 大流行造成的经济不确定性可能是薪酬下降的原因。 19% 的人报告在此期间增加了 5,000 至 10,000 美元； 14% 的人报告增加了超过 25,000 美元。 IEEE 的一项研究表明，技术员工的平均工资每年增长 3.6%，高于我们的受访者所表示的。

39% 的受访者表示在过去三年有晋升，37% 的受访者表示在此期间更换了雇主。 22% 的人表示他们正在考虑换工作，因为他们的工资在过去一年没有增加。这是某些人所说的“伟大辞职”的标志吗？常识是技术员工每三到四年换一次工作。 LinkedIn 和 Indeed 都建议至少工作三年，但他们发现年轻员工更频繁地换工作。其他地方的 LinkedIn 表示，技术员工的年离职率为 13.2%——这表明员工在他们的工作岗位上待了大约七年半。如果这是正确的，37% 的人在三年内换了工作似乎是正确的，而 22% 的人说他们“由于缺乏薪酬增长而打算离职”似乎并不太高。请记住，改变的意图和实际的改变是不一样的——除了薪水之外，换工作还有很多原因，包括工作时间的灵活性和在家工作。

64% 的受访者在过去一年参加了培训或获得了认证，31% 的受访者表示在培训计划中花费了 100 多个小时，从正式的研究生学位到阅读博客文章。 正如我们稍后将看到的，云认证（特别是在 AWS 和 Microsoft Azure 中）是最受欢迎的，并且似乎对工资的影响最大。

受访者给出的参加培训的原因出奇地一致。 绝大多数人表示他们想学习新技能 (91%) 或提高现有技能 (84%)。 数据和人工智能专业人士显然对学习感兴趣——而且学习是自我激励的，而不是由管理层强加的。 相对较少 (22%) 表示他们的工作需要培训，更少参加培训是因为他们担心失去工作 (9%)。

然而，还有其他动机在起作用。 56% 的受访者表示，他们希望提高“工作保障”，这与担心失业的少数人不符。 73% 的受访者表示他们参与了培训或获得了认证以提高他们的“可雇佣性”，这可能表明他们对工作稳定性的担忧比我们的受访者承认的要多。 大流行对许多企业构成威胁，员工有理由担心，在受大流行影响的糟糕季度之后，他们的工作可能会消失。 对提高可雇用性的渴望也可能表明，在不久的将来，我们将看到更多人希望换工作。

最后，61% 的受访者表示他们参加培训或获得认证是因为他们想要加薪或晋升（“职位/职责的增加”）。 员工将培训视为晋升途径也就不足为奇了——尤其是当公司想要在数据科学、机器学习和人工智能等领域招聘人才时，却面临着合格员工短缺的问题。 鉴于从外部招聘专业知识的难度，我们预计越来越多的公司将通过培训计划在内部培养自己的 ML 和 AI 人才。

分年龄的薪酬

不出所料，我们的调查显示数据科学和人工智能专业人士大多是男性。 受访者的数量本身就说明了这一点：只有 14% 的女性被认定为女性，这比我们猜测的要低，尽管这与我们的会议出席率（当时我们有现场会议）大致一致，并且与其他技术领域大致相当 . 一小部分人 (5%) 将他们的首选代词报告为“他们”或“其他”，但这个样本太小，无法对补偿进行任何重要的比较。

女性的工资明显低于男性，平均每年 126,000 美元，是男性平均工资（150,000 美元）的 84%。 无论受教育程度如何，这种差异都存在，如图 1 所示：拥有博士学位或硕士学位的女性的平均工资是拥有同等学位的男性的 82%。 对于拥有学士学位或仍然是学生的人来说，差异并不那么大，但仍然很显着：拥有学士学位或学生的女性获得了男性平均工资的 86% 或 87%。 自学成才的人之间的工资差异最大：在这种情况下，女性的工资是男性的 72%。 副学士学位是唯一一个女性工资高于男性的学位。

图 1. 按学位划分的女性和男性的工资

尽管存在工资差异，但女性拥有高级学位的比例高于男性：16% 的女性拥有博士学位，而男性为 13%。 47% 的女性拥有硕士学位，而男性则为 46%。 （如果这些百分比看起来很高，请记住，数据科学和人工智能领域的许多专业人士都是学术界的逃避者。）

当我们比较职位相似的女性和男性时，女性的工资也落后于男性（见图 2）。 在高管层面，女性的平均工资为 163,000 美元，男性为 205,000 美元（相差 20%）。 在董事级别，差异要小得多——女性为 180,000 美元，男性为 184,000 美元——而且女性的薪水实际上高于执行级别。 很容易假设这种差异，但我们无法解释它。 对于经理而言，女性的薪水为 143,000 美元，而男性为 154,000 美元（相差 7%）。

职业发展也是一个问题：参与调查的女性中有 18% 是高管或董事，而男性则为 23%。

图 2. 不同职位的女性和男性工资

在继续考虑性别对工资的影响之前，让我们先简单看看过去三年工资的变化情况。 如图 3 所示，没有看到变化的男性和女性受访者的百分比几乎相同 (18%)。 但是，与男性相比，更多的女性看到她们的薪水下降（10% 对 7%）。 相应地，更多的男性看到了他们的工资增长。 女性的增幅也更小：24% 的女性增幅低于 5,000 美元，而男性则为 17%。 在薪资范围的高端，男女之间的差异较小，但仍不为零：19% 的男性看到他们的工资增长超过 20,000 美元，但只有 18% 的女性这样做。 因此，最显着的差异出现在中频。 一个异常现象很明显：在 15,000 美元到 20,000 美元范围内加薪的女性比例略高于男性（8% 对 6%）。

图 3. 三年内女性和男性的工资变化

分不同编程语言的薪酬

当我们查看数据和 AI 从业者最流行的编程语言时，我们没有看到任何惊喜：Python 占主导地位（61%），其次是 SQL（54%）、JavaScript（32%）、HTML（29%） 、Bash (29%)、Java (24%) 和 R (20%)。 C++、C# 和 C 在列表中更靠后（分别为 12%、12% 和 11%）。

讨论编程语言和薪水之间的联系很棘手，因为受访者被允许检查多种语言，而且大多数人都这样做了。 但是当我们查看与最高薪水相关的语言时，我们得到了一个截然不同的列表。 使用最广泛和流行的语言，如 Python（150,000 美元）、SQL（144,000 美元）、Java（155,000 美元）和 JavaScript（146,000 美元），稳稳地处于工资范围的中间。 异常值是 Rust，其平均工资最高（超过 180,000 美元）、Go（179,000 美元）和 Scala（178,000 美元）。 其他与高薪相关的不太常见的语言是 Erlang、Julia、Swift 和 F#。 Web 语言（HTML、PHP 和 CSS）位居底部（大约 135,000 美元）。 有关完整列表，请参见图 4。

图 4. 薪水与编程语言

我们如何解释这一点？ 很难说使用 Rust 的数据和人工智能开发人员的薪水更高，因为大多数受访者检查了几种语言。 但我们相信这些数据显示出一些重要的东西。 Rust 和 Go 等较新语言的人才供应相对较少。 虽然（目前）对使用这些语言的数据科学家的需求可能不是很大，但显然有一些需求——而且经验丰富的 Go 和 Rust 程序员供不应求，他们要求更高的薪水。 也许更简单：无论某人在工作中使用哪种语言，雇主都将 Rust 和 Go 的知识解释为能力和学习意愿的标志，这会增加候选人的价值。 Scala 也有类似的论据，Scala 是广泛使用的 Spark 平台的原生语言。 Python 和 SQL 之类的语言是赌注：不会使用它们的申请人很容易受到惩罚，但能力不会赋予任何特殊区别。

令人惊讶的是，10% 的受访者表示他们没有使用任何编程语言。 我们不确定这意味着什么。 它们可能完全在 Excel 中工作，这应该被视为一种编程语言，但通常不是。 也有可能他们是不再从事任何编程的经理或高管。

分不同工具和平台的薪酬

我们还询问受访者他们用于统计和机器学习的工具以及他们用于数据分析和数据管理的平台。 我们观察到一些与编程语言相同的模式。 同样的谨慎也适用：受访者可以针对我们关于他们使用的工具和平台的问题选择多个答案。 （但是，多个答案并不像编程语言那样频繁。）此外，如果您熟悉机器学习和统计的工具和平台，您就会知道它们之间的界限是模糊的。 Spark 是工具还是平台？ 我们认为它是一个平台，尽管工具列表中有两个 Spark 库。 卡夫卡呢？ 显然，这是一个平台，但它是一个用于构建数据管道的平台，与 Ray、Spark 或 Hadoop 等平台有着本质的不同。

就像编程语言一样，我们发现使用最广泛的工具和平台与中等薪水有关； 较旧的工具，即使它们仍然被广泛使用，也与较低的薪水有关； 而一些用户最少的工具和平台对应的薪水却是最高的。 （有关完整列表，请参见图 5。）

关于机器学习或统计工具的问题，最常见的回答是“我不使用任何工具”（40%）或 Excel（31%）。 忽略不使用工具如何进行机器学习或统计的问题，我们只会注意到那些不使用工具的人的平均工资为 143,000 美元，而 Excel 用户的平均工资为 138,000 美元——均低于平均水平。 Stata（120,000 美元）也在榜单的底部； 这是一个用户相对较少的旧包，显然正在失宠。

流行的机器学习包 PyTorch（19% 的用户，166,000 美元的平均工资）、TensorFlow（20%，164,000 美元）和 scikit-learn（27%，157,000 美元）占据了中间位置。 这些工资高于所有受访者的平均水平，这被大量不使用工具或只使用 Excel 的人拉低了。 薪水最高的是 H2O（3%，183,000 美元）、KNIME（2%，180,000 美元）、Spark NLP（5%，179,000 美元）和 Spark MLlib（8%，175,000 美元）。 很难相信基于 2% 或 3% 的受访者得出的结论，但对于使用“嗡嗡声”很多但尚未广泛使用的工具的人来说，薪水似乎更高。 雇主为专业知识支付额外费用。

图 5. 统计工具或机器学习工具的平均工资 

当我们查看数据框架时，我们看到的几乎完全相同（图 6）。 同样，最常见的反应来自不使用框架的人； 该群体的工资也最低（30% 的用户，平均工资为 133,000 美元）。

2021 年，Hadoop 往往看起来像是遗留软件，但 15% 的受访者在 Hadoop 平台上工作，平均工资为 166,000 美元。 这高于所有用户的平均工资，并且在按平台排序的工资中处于中低端。

最高薪水与 Clicktale（现为 ContentSquare）有关，这是一种基于云的分析系统，用于研究客户体验：只有 0.2% 的受访者使用它，但他们的平均薪水为 225,000 美元。其他与高薪相关的框架是 Tecton（米开朗基罗的商业版，218,000 美元）、Ray（191,000 美元）和 Amundsen（189,000 美元）。这些框架的用户相对较少——这一组中使用最广泛的是 Amundsen，有 0.8% 的受访者（同样，我们警告不要根据如此少的受访者过多地解读结果）。所有这些平台都相对较新，经常在科技媒体和社交媒体上讨论，而且似乎正在健康发展。 Kafka、Spark、Google BigQuery 和 Dask 处于中间，拥有大量用户（15%、19%、8% 和 5%）和高于平均水平的薪水（179,000 美元、172,000 美元、170,000 美元和 170,000 美元）。同样，最受欢迎的平台占据了中间位置；较少使用和不断增长的平台的经验要求很高。

图 6. 按数据框架或平台划分的平均工资

分行业的薪酬

最多的受访者在软件行业工作（占总数的 20%），其次是咨询（11%）和医疗保健、银行和教育（各占 8%）。 相对较少的受访者将自己列为顾问（也是 2%），尽管咨询往往是周期性的，这取决于当前对外包、税法和其他因素的看法。 顾问的平均收入为 150,000 美元，仅略高于所有受访者的平均收入（146,000 美元）。 这可能表明我们目前在顾问和内部人才之间处于某种平衡状态。

虽然数据分析对每一种业务都变得必不可少，而且人工智能正在寻找计算之外的许多应用，但计算机行业本身的薪水最高，如图 7 所示。 就我们而言，“计算机行业”分为四个部分：计算机硬件、云服务和托管、安全和软件。 这些行业的平均工资从 171,000 美元（计算机硬件）到 164,000 美元（软件）不等。 广告行业（包括社交媒体）的工资低得惊人，只有 15 万美元。

图 7. 按行业划分的平均工资

教育和非营利组织（包括贸易协会）处于最低端，薪酬略高于 100,000 美元（分别为 106,000 美元和 103,000 美元）。 政府技术人员的工资略高（124,000 美元）。

各州的薪酬

从地理上看数据和人工智能从业者时，没有任何大的惊喜。受访者最多的州是加利福尼亚州、纽约州、德克萨斯州和马萨诸塞州。加利福尼亚州占总数的 19%，是来自纽约的受访者数量（8%）的两倍多。要了解这四个州如何占主导地位，请记住，它们占我们受访者的 42%，但仅占美国人口的 27%。

加州的工资最高，平均 176,000 美元。东海岸表现不错，马萨诸塞州的平均工资为 157,000 美元（第二高）。纽约、特拉华、新泽西、马里兰和华盛顿特区的平均工资都在 15 万美元左右（北达科他州也是如此，有五名受访者）。德克萨斯州报告的平均工资为 148,000 美元，略高于全国平均水平，但对于拥有重要技术产业的州来说似乎偏低。

太平洋西北部的工资没有我们预期的那么高。就受访者人数而言，华盛顿几乎没有进入前 10 名，华盛顿和俄勒冈州的平均工资分别为 138,000 美元和 133,000 美元。 （有关完整列表，请参见图 8。）

薪水超过 30 万美元的最高薪工作集中在加利福尼亚（占该州受访者的 5%）和马萨诸塞州（4%）。有一些有趣的异常值：北达科他州和内华达州的受访者都很少，但每个受访者都有一名年收入超过 30 万美元的受访者。在内华达州，我们猜测他是为赌场业工作的人——毕竟，概率和统计的起源与赌博有关。大多数州都没有受访者的赔偿金超过 300,000 美元。

图 8. 各州平均工资

大多数情况下，最低工资来自受访者最少的州。 我们不愿多说。 这些州通常只有不到 10 名受访者，这意味着平均工资非常嘈杂。 例如，阿拉斯加只有两名受访者，平均工资为 75,000 美元； 密西西比州和路易斯安那州各只有五个受访者，罗德岛州只有三个。 在这些州中的任何一个州，行政级别的一两个额外受访者都会对各州的平均水平产生巨大影响。 此外，这些州的平均水平如此之低，以至于所有（或几乎所有）受访者都必须是学生、实习生或处于入门级职位。 因此，我们认为我们不能做出比“高薪工作是您期望的工作”更有力的声明。

按薪水换工作

尽管各州之间存在差异，但我们发现因缺乏薪酬而换工作的愿望并没有显着地取决于地理位置。两个极端都存在异常值，但它们都位于受访者人数很少的州，一两个想要换工作的人会产生重大影响。说加州 24% 的受访者打算换工作并不是很有趣（仅比全国平均水平高 2%）；毕竟，你会期望加利福尼亚占据主导地位。纽约等州可能会发出一个小信号，其中有 232 名受访者，其中 27% 打算换工作，或者来自弗吉尼亚州等州，有 137 名受访者，其中只有 19% 的人考虑换工作。但同样，这些数字与可能换工作的总百分比没有太大区别。

如果因薪酬而换工作的意图不取决于地点，那么取决于什么？薪水。薪水最低（低于 50,000 美元/年）的受访者换工作的积极性很高（29%），这并不奇怪；这个群体主要由学生、实习生和其他正在开始职业生涯的人组成。然而，表现出第二高更换工作愿望的群体的薪水最高：超过 400,000 美元/年 (27%)。这是一个有趣的组合：薪水最高和最低的人最想加薪。

年薪在 50,000 美元至 100,000 美元之间的人中有 26% 表示他们打算因为薪酬问题而换工作。对于其余的受访者（薪水在 100,000 至 400,000 美元之间），打算换工作的百分比为 22% 或更低。

认证与工资

超过三分之一的受访者 (37%) 回答说他们在过去一年没有获得任何认证。下一个最大的群体回答“其他”（14%），这意味着他们在过去一年中获得了认证，但不是我们列出的认证之一。我们允许他们写下自己的回答，他们分享了 352 个独特的答案，从供应商特定的认证（例如 DataRobot）到大学学位（例如德克萨斯大学）到任何数量领域的成熟认证（例如, 认证信息系统安全专家又名 CISSP)。虽然肯定存在受访者使用不同词来描述同一事物的情况，但独特的补充回答的数量反映了大量可用的认证。

云认证是迄今为止最受欢迎的。最高认证是 AWS（3.9% 获得了 AWS Certified Solutions Architect-Associate），其次是 Microsoft Azure（3.8% 获得了 AZ-900：Microsoft Azure Fundamentals），然后是另外两项 AWS 认证和 CompTIA 的 Security+ 认证（各 1%）。请记住，1% 仅代表 27 名受访者，所有其他认证的受访者甚至更少。

如图 9 所示，最高薪水与 AWS 认证、Microsoft AZ-104（Azure 管理员助理）认证和 CISSP 安全认证相关。列出这些认证的人的平均工资高于美国受访者整体的平均工资。撰写认证的受访者的平均工资略高于未获得任何认证的受访者的平均工资（149,000 美元对 143,000 美元）。

图 9. 获得认证的平均工资 

认证也与加薪有关（图 10）。 AWS 和 Microsoft Azure 再次占据主导地位，Microsoft 的 AZ-104 领先，其次是三项 AWS 认证。 总的来说，获得认证的受访者似乎比没有获得任何技术认证的受访者获得了更大的加薪。

图 10. 认证的平均工资变化 

谷歌云是这个故事的一个明显遗漏。 虽然谷歌是第三大最重要的云提供商，但只有 26 名受访者（约 1%）声称获得了谷歌认证，所有这些都属于“其他”类别。

在我们的受访者中，安全认证相对不常见，并且似乎与显着提高工资或加薪无关。 思科的 CCNP 与更高的加薪有关； 获得 CompTIA Security+ 或 CISSP 认证的受访者获得的增幅较小。 这是否反映了管理层低估了安全培训的价值？ 如果这个假设是正确的，鉴于安全性的持续重要性以及针对人工智能和其他人的新攻击的可能性，低估安全性显然是一个重大错误。

图 11. 平均工资变化与培训小时数

我们还询问受访者参与了哪些类型的培训：是公司提供的（有三种选择）、认证计划、会议还是其他类型的培训（详见图 12）。 利用公司提供的机会的受访者平均工资最高（156,000 美元、150,000 美元和 149,000 美元）。 获得认证的人紧随其后（148,000 美元）。 如果我们查看过去三年的加薪情况，结果是相似的：参加公司提供的各种形式培训的员工的加薪幅度在 11,000 美元到 10,000 美元之间。 获得认证的受访者的加薪幅度相同（11,000 美元）。

图 12. 平均工资变化与培训类型

最后

数据和 AI 专业人员——我们包括数据科学家、数据工程师以及 AI 和 ML 专家——的收入丰厚，平均工资略低于 150,000 美元。然而，各州之间存在明显的差异：加利福尼亚的工资明显更高，尽管东北部（有一些例外）表现良好。

男性和女性的工资也存在显着差异。无论职位如何、培训如何、学历如何，男性的薪水都更高——尽管女性比男性更有可能拥有高级学位（博士或硕士学位）。

我们没有看到“伟大辞职”的证据。大流行期间的工作流动率大致符合我们的预期（可能略低于正常水平）。受访者似乎确实担心工作保障，尽管他们不想明确承认。但是，除了薪酬最低和薪酬最高的受访者之外，由于薪水而换工作的意图出奇地一致，没有什么值得警惕的。

培训很重要，部分原因是它与可雇用性和工作保障有关，但更多的是因为受访者对学习新技能和提高现有技能真正感兴趣。云培训，尤其是在 AWS 和 Microsoft Azure 中，与更高的工资增长最密切相关。

但也许我们应该把最后的决定留给我们的受访者。我们调查中的最后一个问题是，哪些技术领域对来年的薪资和晋升影响最大。大多数受访者表示机器学习 (63%) 不足为奇——如今，ML 是数据世界中最热门的话题。更令人惊讶的是，只有 34% 的受访者提到了“编程语言”。 （只有“其他”收到的回复较少——有关完整详细信息，请参见图 13。）我们的受访者显然对编程语言没有印象，尽管数据表明雇主愿意为 Rust、Go 和 Scala 支付高价。

如果我们超越极端，还有另一个值得关注的信号。数据工具、云和容器以及自动化几乎并列（46%、47% 和 44%）。云和容器类别包括 Docker 和 Kubernetes 等工具、AWS 和 Microsoft Azure 等云提供商以及 MLOps 等学科。工具类别包括用于构建和维护数据管道的工具，例如 Kafka。 “自动化”可能意味着很多事情，但在这种情况下可能意味着自动化培训和部署。

图 13. 哪些技术对来年的薪酬影响最大？一段时间以来，我们一直认为运营——在生产中成功部署和管理应用程序——是未来几年 ML 从业者面临的最大问题。 如果您想掌握数据中发生的一切，并且想最大限度地提高工作安全性、可雇用性和薪水，请不要只学习如何构建 AI 模型； 了解如何部署存在于云中的应用程序。在经典电影《毕业生》中，一个角色有一句名言：“塑料的前景很好。 考虑一下。” 到 2021 年，我们会说：“云有一个美好的未来。 考虑一下。”