从本书中学到了机器学习发展的历程，也了解到了作者青春期全家移民到美国后生活的不易，多亏了鲍勃一家人的帮助，才让作者有幸给整个人工智能做出如此巨大的贡献。
从机器学习到深度学习，到人工智能大模型，让我对这些关键词有了更进一步的了解。
作者因为我经常往返与医院，照顾生病的母亲，所以在科技与人文方面有更深入的思考。这也是科技发展永远绕不过的话题，希望科技的发展永远能让人类过上更加美好的生活。
笔记
我意识到，即便身为一个生活在社会边缘的少女，我心目中的理想国度依然是科学世界。
人工智能的崛起速度和影响范围可谓史无前例，仅仅从这个角度看，也值得我即将面对的立法者予关注。
我相信人类文明正处在一场科技革命的风口浪尖，这场革命将重塑我们的生活方式。
科技革命必须深深根植于人类奋斗的基础之上，必须尊重全球社会的集体尊严，必须始终牢记自己的起源：人类的身体素质在自然界中并不起眼，只是因为人类拥有无尽的想象力，人类社会才取得长足发展。人类对自己的本质如此困惑，以至现在希望用硅重塑自己。因此，人工智能革命必须明确地以人为本。
父亲带我出去玩，不是为了教给我什么东西——他喜欢大自然，但并不是专家——可这种经历却在我心中播下了哲学的种子，成为塑造我人生的最大力量：我对探索自己视野以外的事物产生了永不满足的渴望。
每当读完一本书，那些故事就会在的脑海中久久索绕，仿佛是另一个现实世界与我所处的世界相抗衡。无论是在步行上学的路上、骑车去公园的途中，还是去小卖部买东西的时候，我眼中看到的生活日常都与脑中遥远的景象交织在一起：狄更斯笔下的英国的鹅卵石街道，海明威书中波涛汹涌的大海，大仲马描写的欧洲海岸的浪漫冒险。
我的努力只是为了自己。
在最好的时候，学校像是对母亲分享书籍和父亲鼓励探索的延续。
思维障碍出现得快，消失得也快。我突然感受到物理学的新维度，我只能将其描述为一种我从未意识到的浪漫。仿佛白昼如洪流般涌入，我看到物理学的本质，就像父亲看到自然世界的本质一样：纯粹的奇迹之源。
物理学的历史如同戏剧一般，丰富而生动，跨越几个世纪，让我深深着迷。
我爱物理学，就像父母爱着他们从我幼年时期就跟我分享的追求一样，这份爱简单而纯粹。父母向我展示了世界上还有更多可能性，他们给了我冒险、故事和想象力。
以前他虽然英语不好，但总是幽默开朗，而现在变得孤僻阴郁。挨打的那一刻是残酷的——身体的疼痛、精神上的屈辱、纯粹的身体侵犯，但让人感觉最不人道的还是这种转变：他与生俱来的积极乐观被剥夺了。
爱因斯坦是我心中最伟大的英雄，看着他的纪念雕像，我能感到这种热情又回来了。
风在树枝间嘶嘶作响，干枯的树叶发出微弱的辅音。苍白的水泥小径将绿色的草坪切割成多边形。褐色的砖墙静静地守望着，表面是几个世纪的历史留下的坑坑洼洼。最重要的是，天空如此湛蓝清澈，有时我还是很难相信这是真的。
如果我要把自己的一生奉献给科学——无论以何种形式，我都要感谢我在人生最低迷、最迷茫的日子里遇到的那些人。我越来越有一种久违的感觉：我怀感恩。
图灵的设想得到了美国计算机科学家同行的呼应。1956 年，他们将好奇心编撰成文，提出了现在广为人知的《达特芧斯人工智能夏季研究项目提案》，“人工智能”一词就是在这份提案中诞生的。提案呼吁举办一次非正式研讨会，探讨如何通过计算机编程来完成类似人类的推理、感知和知识概括等活动。项目主要由约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky）主导，他们二位都是长期对大脑保持好奇心的数学家；此处还有 IMB 701 计算机的设计都纳撒尼尔·罗切斯特（Nathaniel Rochester），以及被誉为“信息论之父”的克劳德·香农（Claude Shannon）。
事实上，人工智能与物理学不仅仅是主题上存在联系，还有更深层次的连接：人工智能的许多奠基人都兼容并蓄，涉足包括心理学和认知科学在内的各种领域，但他们的背景主要集中在数学、电子工程和物理学领域。
20 世纪 80 年代开到 90 年代初，潮流开始转向更自然的方法。杨立昆的成果就预示着一个大胆的未来。随着时间的推移，行业研究重点从”通过明确编程来解决问题“转变为”从示例中发现模式“。
算法不是被告知该做什么，而是去学习做什么。研究人员给它起了一个贴切的名字：”机器学习“。
在科学的发展进程中，思想孕育的过程相对富有诗意。没有任何一条自然法则规定洞察只有在能够付诸实践的前提下才会出现。很多灵感的火花都领先自己所处的时代几年、几十年、甚至几个世纪，历史上的例子比比皆是。而真正鼓舞人心的是，这些早期的思想家对于自己的发现抱有坚定的信念：无论前进的道路看起来多么不切实际，无论实验成功的前景多么渺茫，伟大的科学家都被与生俱来的探索欲所驱使，再艰难的环境也浇不灭他们孜孜以求的热情。机器学习几十年的发展历程即是如此。
机器学习自诞生之初就从人类认识中汲取了一定的灵感，这在很大程度上得益于神经科学等领域的同步发展。
大脑可以被看作由简单元素组成的大型网格，元素之间的联系可以随着时间的推移而改变；通过将复杂的行为分布于网络中，我们几乎可以完成无限的任务，并且可以不断学习新的任务，即使到了晚年也可以。
休伯尔和威塞尔的研究发现，感知不是发生在单个神经元层次上，而是通过由多层神经元组成的层次结构进行的。
由于大脑的网络结构允许无数步骤同时进行，我们的感知体验是连续不断、充满活力的。休伯尔和威塞尔的研究成果改变了我们对感官知觉的理解，二人因此获得了 1981 年的诺贝尔生理学或医学奖。
1986 年，由加州大学圣迭戈分校分校教授大卫·鲁梅尔哈特（David E. Rumelart）领导的一个研究人员小组在科学杂志《自然》上发表短篇研究报告，介绍了一种能让新认知机等算法有效学习的技术。他们将其称为”反向传播“，名字起源于这一技术最显著的特征：在这种级联效应中，每个训练实例（具体来说，是网络对给定刺激的反应与正确答案之间的差异）通过网络的一端传递到另一端，并逐层进行误差的递减调整。
虽然鲁梅尔哈特是首席研究员，但他的两位合著都之一的杰弗里·辛顿（Geoffrey Hinton）才是反向传播联系最紧密的人物。辛顿当时是卡内基梅隆大学的教授，从小就被智能之谜所吸引，其职业生涯致力于探索重视智能的新方法。
那是一个神经网络稳步发展的时代，网络层数越来越多，神经元连接越来越复杂，训练技术也越来越完善。杨立昆是辛顿的第一批学生，他把这些研究成果应用到了识别手写邮编这一极具实用性的场景，引起广泛关注。在不到十年的时间里，机器学习这样一个曾经遥不可及的梦想终于在现实世界中开花结果。
因为观念的不同，我们飞越半个地球，来到陌生的国度，深陷贫困，每天都在为生存苦苦挣扎。但从父亲身上看不出这些。他正在专注于研究别人家的滑雪镜或咖啡机，他的满足感如此纯粹，让我也感同身受，几乎忘却了尘世间的烦恼。
尽管课程内容早已了然于胸，但他们讲起课来总会双眼放光。我一直觉得我的激情定义了我，但这些人真正活出他们的激情，达到了我从未想象过的程度。
”请大家深呼吸，让这张图片荡涤你的心灵。“他措辞严谨，语调轻柔，”那些微小的光点不是恒星，甚至不是恒星系统。它们是整个星系，成千上万的星系，其规模之大，非我们渺小的大脑所能理解。但借助哈勃望远镜这样的工具，人类终于第一次瞥见了宇宙之宏大。我之所以在最后一堂课给大家看这张照片，就是希望你们能够永远铭记这种感受，永远保持好奇心和勇气，永远愿意追问那些看似不可能的问题。‘哈勃深场’的镜面曝光，让我们看到了答案有多么美妙。
我如饥似渴的读着爱因斯坦、费曼和玻尔等思想家的传记，像学习学校的课程一样认真研究他们的个人历史。
薛定谔是我最喜欢的例子之一。他的整个职业生涯都走在 20 世纪量子力学的最前沿，然而他却在那本短小精悍的《生命是什么》一书中探究了遗传学和生物体的行为，甚至研究了生物的伦理意义。这本书对我产生了深远的影响，通过更有机的视角探索世界的想法令我深深着迷。
我的阅读清单越来越五花八门，无所不包。我沉浸在侯世达（Douglas Richard Hofstadter）所写的《哥德尔、艾舍尔、巴赫：集异璧之大成》中，也被罗杰·彭罗斯（Roger Penrose）的《皇帝新脑》的广度和深度所吸引。就这两本书而言，挑战我的不仅仅是其思想之精辟、智慧之高深，还有它们之间丰富的联系。
从本质上说，对智慧的全面描述揭示的不是魔法，而是一种过程，是规则和原则的动作。
当神经元以千亿计的数量级复制，当它们之间的连接达到 10 的 11 次方时，质变就发生了。物质变成了思维，产生了爱、喜悦、悲伤、愤怒、恐惧和欢笑，也造就了我们在科学、艺术、音乐和数学等方面的能力。
正是因为大脑，我们所珍视的一切生命体验才成为可能。
比起普林斯顿大学，伯克利更能代表父母来到这个国家所追求的东西：自由地认清自己的激情，毫不妥协、无怨无悔地活出激情。
父母对无限机会的追求是他们的北极星。这个愿景让他们焕发出无与伦比的活力，在他们的生命中打下了深深的烙印，是他们生而为人的定义。
与此同时，我发现自己开始在天宇中追寻属于自己的北极星，那是每一位科学家都会穷尽一切追逐的坐标，无论是一个问题、一个假设，还是一个赌注。哪怕要追到天涯海角，我也会毫不犹豫。
在一个没有感官输入的世界里，生物没有能力收集关于世界的信息，因此大脑完全没有存在的必要。
我们的大脑多么复杂，其中的思维活动最终都可以追溯到来自其边界之外的刺激。
帕克认为，与其说带来改变的是一种外部力量，不如说是一种内部力量。他认为，引发寒武纪生命大爆发的导火线是一种能力的出现：光敏感性，这也是现代眼睛形成的基础。
光敏感性的出现是地球生命史上的一个转折点。
对光的感知打响了进化军备竞赛的第一枪。
神经网络是一种生物电系统，原理简单，但功能强大。神经网络将对运动功能和感觉功能的控制融合到同一个反应机制中，这种机制适合执行“应对身体攻击”和“觅食”等基本任务。在进化过程中，神经网络虽然原始，却是与竞争日益激烈的外部世界保持同步的权宜之计，即使今天也依然存在，尤其是在水生生物中，例如某些种类的水母。
为了处理五花八门的信息，神经系统不断发展，最终形成一个集中枢纽，其中的组成部分被越来越密集地压缩到一个器官里。我们把这个器官称之为大脑。
大脑并不是内部某种神秘的智力火花的产物，而是对外部世界的反应。愈加清晰和纷杂的外部世界影像，通过感官到达生物体内部，感知周围环境的能力促使我们发展出了整合、分析并最终理解这种感知的机制。视觉就是感知系统最为活跃的组成部分。
随着视野广度和深度的扩大，大脑不得不以更强大的智能来适应环境，逐渐融入了对因果关系、时间流逝，甚至对操纵环境本身的影响的认识。这不仅为强大的捕食者和灵活的被食者创造了条件，也为真正的智能、为现代人类的出现奠定了基础。
视觉研究是对人类认知中一个核心现象的探索。视觉在很大程度上是人类身份和独特性的基础，无论是在生物学上、人际关系方面，还是在文化层面。研究视觉是通往我们体验最基础层面的旅程。
特雷斯曼的研究范围很广，解释翔实，但她的核心理论是统一的，即人类视觉从识别微小细节开始，然后建立它们之间的关系，直到揭示出一幅完整的画面。
事实上，从最早的处理阶段开始，我们在感知周围环境时，并不是将其看作颜色和轮廓的组合，而是以类别的方式来理解。
大脑能够以惊人的辨别力和迅捷的速度识别出无数视觉概念，这是大脑的独特特点，不仅极其强大，而且似乎完全是自动的。
视觉在更高、更有意义的层面上发挥作用，用知识武装我们的头脑——我们可以想象树叶随微风摇曳的样子或夹在指间的感觉，我们也可以立刻估计出一根树枝的质地和重量，这两者都与高悬在数英里高空的不可触摸的大气层和彩色光线截然不同。
分类的能力赋予了我们难以估量的力量。视觉没有把我们埋没在光线、颜色和形状的无数细节中，而是把我们的世界变成了可以用语言描述的离散概念。
从本质上讲，这与人类的感知能力恰恰相反。人类的感知能力是由泛化能力决定的，泛化能力增强了我们的灵活性和适应性，甚至让我们富有创造力，让我们能够随时利用新想法的力量锐意进取，而不是停留在过去的经验中止步不前。
视觉是定义人类思维情感最为重要的能力之一，是通往整个记忆、联想、概念和推理世界的入口，所有这些都交织在我们与周围环境的视觉联系中。
事实上，我想得越多，就越担心像“家”一样舒适的地方在这种时候可能会过于安逸。搬到一个新地方之所以吸引我，正是因为那里不舒适。它会让我感到不确定，甚至可能有些冒险，而我就需要这种感觉。
ImageNet 不仅仅是一个数据集，甚至也不仅仅是一个视觉类别的层次结构。它是一个假设、一个赌注，它受到我们自身生物学起源的启发，即实现真正机器智能的第一步，是沉浸在完整的视觉世界中。
邓嘉认为，ImageNet 不仅代表了规模的扩大，还代表了分类逻辑的转变，类似于物理学领域的“相变”，在这种转变中，甚至现象的最基本属性也会发生变化。ImageNet 极大地拓宽了算法面临的可能性，但因为规模太大，也给算法造成了挑战（相比而言，小型数据集就不会有这个问题）。
一切都很美好，只可惜，这种美好太过短暂。
我的职业生涯致力于理解人类心灵的本质，而我此生最大的荣耀之一就是有机会更好地了解鲍勃的本性。
有时候，假设需要一些时间才能赢得所有人的认同。
神经网络是由生物学启发、层次分明的相互连接的决策单元阵列。
AlexNet 是卷积神经网络（Convolutional Neural Network，CNN）的一个实例。卷积神经网络的叫法源于图形卷积的过程。在这个过程中，一系列滤波器在图像上扫过，寻找与网络所识别事物相对应的特征。这是一种独特的有机设计，灵感来自休伯尔和威塞尔对哺乳运动视觉系统的观察，即视觉处理在多个层次上进行。就像在自然界中一样，卷积神经网络的每一层都会逐渐整合更多的细节信息，从而形成越来越高层次的感知，最终将真实世界的物体完整地呈现在我们的视野中。
技术已经取得了长足的进步，尤其是出现了针对特定应用进行了优化的计算机硬件，价格低廉但性能出色，让大规模数据集训练成为可能。有意思的是，一切都要归功于电子游戏的流行。
与所有神经网络一样，AlexNet 的初始状态是无形的、隋性的，就像虚空中的一块挂毯。然后，学习过程就开始了：面对从 ImageNet 库中随机选择的图片，神经网络的任务是从上千个标签中选择一个正确的标签，对图片进行标注。这个过程周而复始，不断重复。一开始，标注几乎是不可能完成的任务；AlexNet 的数千万个神经元是随机配置的，对世界甚至连一点儿模糊的理解都没有，只会产生错误的结果。把一张蘑菇图片标注为“瓶盖”。错误，把一张拖车图标标注为“电吉他”。错误。把一张棱皮龟图片标注为“浴巾”。错误。
作为整体，这些连接提供了一张巨大的画布，足以描绘整个世界。在一轮又一轮的标注中，权重不断变化，有的变弱，有的摇摆不定，形成了一种柔韧结构，对训练做出有机的优雅反应。承载这些庞大数据的是两个英伟达图形处理器，高度专业化的硅芯片并行工作，以最快速度进行着一轮又一轮运算。
在经过 140 万轮标注后，最后几张图片与其说是一场磨炼，不如说是一场加冕礼。网络的焦点穿过像素，随着熟悉模式的识别而亮起，并传递到下一层，与其他模式相结合，形成越来越强大的感知。算法的反应不再是随机的，大多数也不再是错误的。
我在来时飞机上的狂躁的思绪和焦灼的问题一扫而空，取而代之的是一种意外的感觉。不是平静，而是大悟，是深思。这一次，从起飞到着陆，我一直静静地从着，脑子里只回荡着一个念头：历史刚被创造出来，而世界上只有少数人知道。
虽然对范畴的研究可以追溯到亚里士多德，但罗施的实验方法将简洁清晰的逻辑与经验数据相组合，在 20 世纪 70 年代掀起了范畴研究的热潮。
我一直认为，ImageNet 的真正贡献在于它的双重性质。其庞大的规模之所以强大，是因为其中数据的组织遵循了本体层级结构，而其本体层级结构之所以强大，是因为数据规模足够庞大和全面，涵盖了如此多样化的类别。
科学最伟大的优点之一，就是能够将让人谦卑的一刻重塑为充满可能性的一刻。
早在 20 世纪 70 年代，研究员兼数学家阿纳托尔·霍尔特（Anatol Holt）就总结过在研究领域这种小成既满的短视现象。他说，人工智能这种技术，就算房间着火也会不管不顾，完美地走出下一步棋。即使是现在，这一论断依然非常贴切。现代人工智能的表现就像玩游戏的天才，可以熟练应对孤立的任务，应对“错误率”等狭隘指标，却无法注意到落在棋盘上的余烬正在燃烧。
人类的感知力虽然有种种局限，但与机器截然相反。我们从整体上看待世界，不仅能识别世界的内容，更可以进一步理解不同事物之间的关系、意义、过去和未来。
语言文字和视觉图像像是两个完全不同的领域。图像的基本单位是“像素”，这个术语最初是“图像元素”的缩写，现在已经很常用。像素是一个几乎无法察觉的点，捕捉了场景中单个小点的颜色。要描绘出有意义的画面，可能需要数百甚至数千个像素，或者更多。
递归神经网络是一组专门为处理线性单词序列而设计的算法，能够快速推断文本的基本属性，就像 AlexNet 这类卷积神经网络处理图像的方式一样。
世界各地的实验室都在构建更加丰富的分层网络，与此相对应的，一个新的名字正在流行——这不仅仅是机器学习的时代，更是深度学习的时代。
在我自己的实验室里，我们已经看到，数据中隐藏的东西远超出我们意识到的范围。数据从来都不仅仅是图像、音频或文本。只有通过数据，模型才能对世界形成表征，而更大的数据意味着更强大、更细致的表征；意味着关系、联系和想法；意味着真理与谬误；意味着洞察和偏见；意味着新的理解，同时也伴随着新的陷阱。深度学习革命已经到来，而我们还没有做好准备。
北极星象征着科学家最独特的品质；充满永不停歇、永无止境的好奇心，这份好奇心跟满足感永远同极相斥。夜空中的一颗星，远方的海市蜃楼，没有尽头的道路。我意识到，这就是人工智能对我的影响。
场景越是混乱，理解场景所需要的时间就越长。
根据美国疾病预防控制中心的说法，“洗手是预防感染传播的最重要手段”，即便在今天也依旧如此。然而，反复的研究表明，在经历了 150 多年的发展之后，不洗手或洗手方法不当仍然是造成医疗环境中疾病传播的重要因素。
如果想让人工智能帮助人类，那么我们必须从人类自身开始思考。
我对医院中人类脆弱的程度感到震惊，也为有机会为此做出一些贡献而备受鼓舞。但我学到的最深刻的一课是，个体的尊严是至高无上的——这是任何数据集都无法解释、任何算法都无法优化的变量。
人工智能最伟大的胜利不仅是科学上的，也是人文上的；伟大的胜利，没有他人的帮助是不可能实现的。
ResNet 是教科书式的范例，充分说明了在人工智能领域，创造力是推动着辉煌时刻出现的力量。
有果必有因，正如记者兼评论员杰克·克拉克（Jack Clark）所言，问题的根源在于人工智能“男性之海”问题：科技行业的代表性不足，导致算法无意中带有偏见，在非白人、非男性用户身上表现不佳。
人工智能已经走出了实验室，基本脱离了我们的控制。虽然新思想、新面孔和新机构的旋风令人振奋，但也带来许多新的担忧。对我们这样经费极其紧张的研究人员来说，对人工智能领域进行商业投资的承诺似乎是天赐之物；但商业资金以巨大的力量冲刷着一切，好像是一场豪赌，让人感到的不是幸运，而是不详和担忧。
用机器学习模型来设计机器学习模型，并且能够迅速超越人类的能力，的确非常富有诗意。
人工智能正在成为一种特权，一种排他性极强的特权。
先进技术无法辨认野生动物照片的场景可能会让人觉得好笑，但如果对抗攻击的目的是愚弄自动驾驶汽车，导致汽车对停车标志，甚至人行横道上的儿童进行错误分类，就绝对不能用好笑来形容了。
世界正在逐渐意识到，数据不仅有价值，而且具有影响力，甚至可以产生前所未有的决定性影响。
在几十年的新生活之下，埋藏着他最古老、最深沉的悲伤，现在他把这份悲伤挖掘出来，这样我们才有勇气共同面对新的伤痛。他是在保护我。这么多年来，我一直以为他的青春期从未结束，但事实是，他的青春期早已结束了，而且结束得太快。他一直像个被时间定格的孩子，但在医院的那一刻，我看到了新的一面。在这一切的背后，是一颗父亲的心在跳动。
但当我穿过首都的街道返回酒店时，一个新词占据了我的思维。如今，人工智能是一种责任，是我们所有人共同承担的责任。
我一遍又一遍地看到类似的情况：才华横溢的技术专家几乎可以建造任何东西，但问及工作的伦理问题时，他们却一脸茫然。
我们要从根本上重新构想人工智能，使其成为以人为本的实践，这个共同的目标就是下一颗北极星。
人工智能一直以来都是追求科学性，而现在，它必须也追求人性。人工智能应该秉承最优秀的学术传统，保持合作和敬畏，同时不惧怕直面现实世界。
要使人工智能成为真正具有包容性的追求，我们还有很长的路要走，但国家研究云平台这样的成就就是朝着正确方向迈出的重要步伐。
最好的研究往往不是在我们各自的领域的象牙塔中孤立完成的，而是在科学的整体共享空间中实现的，研究人员应该毫不犹豫地在全球范围内展开跨学科合作。
我认识到，人工智能应始终致力于提高人类的能力，而不是与人类竞争。
要形成现实生活的整体观，为了创造比以往任何时候都更加真实的世界表征，我们需要深度和保真度，而在我看来，即使目前最先进的技术也达不到这种需求。
这个模型是如此庞大，却又如此浓缩，只需要简短的提示，就可以让想法的种子变成茂密的参天大树，将一句话（无论是问句、陈述名还是对话）扩展成一篇洋洋洒洒的生动散文。这些模型现在通常被称为“大型语言模型”，其所呈现的语句极为流畅，与人类的语言能力惊人地接近，让读者很容易忘记自己阅读的人字其实并不是真人写的。
我们要做的，只是把一个简单的想法变得足够宏大而已。
随着大型语言模型生成的文本、图像、语音和视频越来越复杂，真与假之间的界限愈加模糊。越来越多的评论家开始质疑，为我们敲响警钟：作为个人、机构，甚至社会，我们究竟有没有能力区分真实和虚构？当人们意识到这一切还只是 1.0 版本时，这种发问尤其令人警醒。
即使是现在，北极星依然照耀着我前行的道路。旅程仍在召唤，还有更多的目标等待我去追逐。
萨贝拉一家无疑是我自己家庭的延伸。我无法想象没有他们的生活，就像我无法想象没有父母的生活一样。这就是为什么十多年后，鲍勃的离去仍然让我感到心痛。但我们的对话从未停止过，他的记忆仍在倾听，我仍在向他倾吐心声。
在我们创造的过程中，是什么在激励着我们的心灵和思想？我相信，这个问题的答案也许比其他任何问题的答案都更能决定我们的未来。很多事情都取决于问题由谁来回答。随着人工智能领域逐渐变得更加多元、更加包容、对其他学科的专业知识更加开始，我也越来越有信心：我们能正确回答这个问题。
在现实世界中，存在着一颗北极星，那是小熊星座中最明亮的恒星。而在思想的世界里，却存在无数个类似的导航指引。每一种新的追求，每一个新的痴迷，都悬挂在黑暗的地平线上，闪烁着耀眼的光芒，向不懈追寻的人们招手致意。这就是为什么我最大的快乐在于知道旅程永远不会结束，我也永远不会停歇。总会有新的事物等着我去追逐探索。对科学家而言，想象力就如同布满北极星的璀璨天空。
做母亲是最令我谦卑的体验，我相信，这也将永远是独属于人类的体验。