摩尔定律四十年来一直“快要死了”

Fridman 从“大脑与计算机”的对比谈起。Keller 的第一步是拒绝这种比较。没人真正理解大脑如何运作，所以这个类比基本只能耸耸肩。到目前为止，计算机只做两件事：存储和计算。几乎所有架构都是全局内存：取数据，做相对简单的运算，再写回去。两者是解耦的。大脑看起来则是一团乱麻：神经元分层，局部与全局连接交织，信息以某种分布式的方式存储。人们搭建的神经网络与这幅图景相呼应，背后也有数学支撑，但 Keller 认为理解并没有那么深。没有人能指着某个神经元说，它在做这一种计算。在两边都更清楚之前，把它们拿来比较，只是猜测。

他说，计算机工程的迷人之处，在于人们对抽象层次有相当好的把握。原子变成硅、金属这样的材料，材料变成晶体管，再变成逻辑门，然后是功能单元，比如加法、减法和指令解析。这些再组装成处理单元。一台现代机器就是十到二十个相互协调的处理单元，运行程序，软件层层堆叠在上面：汇编、C、C++、Java、JavaScript，一直到数据中心。一个上千人的组织之所以存在，是因为每一层都需要不同的训练，有些是科学，有些是艺术。被问到最喜欢哪一层时，Keller 没有特别偏爱，对此持中立态度。至于乐趣，就在于能聊聊其中的任何一层。

指令集是那个保持不变的层次。ARM 和 x86 编码的无非是加载、存储、乘法、加法、减法和条件分支，真正有意思的指令并不多。看一个正在运行的程序，90% 的执行时间集中在大约 25 个操作码上。这些指令已经稳定了几十年，因为基础在很久以前就定下了。每天都在变化的，是底层的实现。Keller 在 1998 年参与编写了 x86-64 规范。这套指令集至今仍在使用，并被扩展过很多次。但干活的那块硅，已经不再是同一台机器了。

老式计算机一次取一条指令，按顺序执行：先做加载，再做加法，然后做比较。现代计算机一次取来大量指令，大约 500 条，找出它们之间的依赖图，再把这些小型依赖图分派到彼此独立的单元上执行。人们喜欢说，计算机应该简单、干净。Keller 的市场调研结论是：简单、干净、又慢的计算机，市场需求为零。手机和数据中心买的，是能计算依赖图、保存内存顺序记账表的机器，并且让操作看起来是按顺序完成的，而它们内部其实是高度乱序地运行。

他把并行性分成两类。发现的并行性（found parallelism）来自串行的叙述，比如一本书、一段程序，其中有些句子可以调换顺序而不改变意思。“他又高又聪明”不在乎哪个形容词在前面。“那个高个子男人穿着红衬衫——是什么颜色？”则突然出现了依赖关系。CPU 的任务，就是把这段叙述的结构画出来，并从中挖出可以并行的部分。另一类是给定的并行性（given parallelism）。一块一百万像素的屏幕，并不在乎你先画哪个像素。这正是 GPU 的用处：程序很简单，因为你说它是并行的，它就被当作并行的来处理。一旦你掌握了如何取出 10 条指令并描述它们的依赖关系，把窗口做得更大，主要就是晶体管数量的问题。

现代程序按顺序执行时，因为延迟的缘故，每条指令大约要三个周期。乱序机器则大约在 0.2 到 0.5 个周期之间。两者相差约 10 倍，这来自叙述中的并行性，也来自叙述本身的可预测性。平均每 6 条指令就会遇到一次分支判断。如果你想让 500 条指令的窗口真正有用，就得大约每 100 次判断里猜对 99 次，否则你搭建的依赖图就是虚构的。

二十年前的预测器简单得近乎荒唐：记住这条分支上次走了哪边，这次就猜同样的方向。准确率大约是 85%。后来有人用了一个小计数器：跳转时加一，不跳转时减一，根据一个两比特数的符号来预测，这把准确率提高到了 92%。下一个洞见是历史。同一条分支，如果你刚才聊到的是 Bob 和 Jane，它会走一个方向；如果刚才聊的是 Bob 和 Jill，它就走另一个方向。把路径信息加进来，准确率就会持续上升。

现代的预测器有点像神经网络。它从多种不同的角度，对执行流程做深度的模式识别，再由一个选择器挑出最好的结果。计算机里有一台小型超级计算机，它唯一的工作就是计算分支会往哪边走。代价才是这个故事的包袱。达到 85% 的准确率用了 1000 比特，达到 99% 则需要几十兆比特。把有效窗口从 50 条指令延伸到 500 条，存储量需要增长三个数量级。没有这笔押注，乱序机器的其余部分就无法发挥作用。

猜错了，也不必全部推倒重来。流水线会被清空，这会损耗性能，但已经完成的工作并不全是垃圾。Keller 打的比方是读书：读错了一段，下一段有时对这个错误不敏感，有时却完全依赖它。处理器会记录数据是否真的发生了变化，因此当结果回来时，它可以决定哪些需要重新计算，哪些可以保留。在错误的路径深处，也可能有一个结果，并不在乎你是从哪条路走过来的。

被问到这里面有多少是艺术时，Keller 描绘了一条路：上面有数百个决策点，而各个选择相互影响。有些人能做出直觉式的跳跃；有些人跳不出去，却很擅长评估各种备选方案。计算机是由技能完全不同的团队设计出来的，一个好团队需要各种各样的人。他说，计算机科学是 99% 的汗水加 1% 的灵感；这 1% 的灵感非常重要，但你仍然需要那 99%。有些人只想要那 1%，有些人只愿意做那 99%。两者都需要。

同一个 C 程序运行 100 次，它的执行路径却从来不会两次完全相同：哪条指令先执行，哪条分支什么时候预测错了，机器什么时候绕了远路。但结果每次都一样。这是语言定义上的说法，而不是物理上的说法：规范规定，同样的输入给出同样的输出。早期的三维图形每次运行都可能渲染出不同的画面，一些人觉得无所谓，直到严肃的计算工作证明这是非常糟糕的主意。输入现代计算的几乎所有东西都带有噪声，比如摄像头、传感器、语音；一些 AI 研究人员甚至刻意让数学计算也带有噪声，在收敛的图还没收敛完时就提前截断，开始下一轮迭代。开发时，每次运行得到不同的答案令人抓狂。大家都想要一个开关，强制走确定性的路径。

Fridman 问他最以什么为傲。Keller 觉得把他说成“传奇”的说法有些怪，还说他的小孩子们觉得这个问题很好笑。他感兴趣的，是计算机如何组合在一起，也是人如何组合在一起。最好的计算机架构师往往对人不太感兴趣，而最会带人的管理者往往并不擅长设计计算机。多年来，他用晶体管、逻辑门和功能单元造机器，之后开始把人当作功能单元来看，并把组织设计当作一个计算机架构问题来处理。人和计算单元一样，各不相同，喜欢做不同的事。通往同一个好结果的路径，可以有很多条。

他说，大多数人想得不够简单。区别在于配方与理解。面包配方写的是：面粉、水、酵母，搅拌，发酵，入模，入炉。而理解面包，就涉及生物学、供应链、研磨机、酵母、物理学、热力学，一个面包背后是无穷无尽的层次。如果你要做的正是某件事，配方的效率高得惊人。一本好的面包书，教不会你做煎蛋卷；而对烹饪的深入理解可以。专家希望走得更深，而不是收集更多的配方。如果你时时刻刻都要把一切拆开、深挖，你就什么也做不成；如果需要的时候你不拆开，就会做错事。至于与人打交道时何时介入，因为人有上百万种可能的反应，这在计算上是无解的问题。

常见的做法是渐进式的。有人想让机器快 10%，于是你扩大一个缓冲区，加一个加法器，把 3 路发射改成 4 路。每一块都变得更复杂一点。然后再加一个功能，也不能让它更快了，人们就宣布已经触及根本性的极限。另一个人来看，指出限制你的，是你划分问题的方式，以及各个功能之间的相互作用。这件事必须重新思考。做过重写的团队，常常发现新设计不仅更快，而且复杂度只有原来的一半。

整套东西多久需要推倒一次？Keller 属于经常重写的那一派：每 3 到 5 年一次。如果你想在计算机架构上取得大的进展，那就每 5 年从头做一次。英特尔和其他公司往往更接近 10 年。指令集会不断扩展，但实现方式应该更快地更替。当然，这很吓人。重复原来的配方是高效的。公司要的是季度数字，个人想的是成功。据 Keller 回忆，乔布斯的说法是：旧产品的曲线先上升再衰减；新产品的第一个点低于旧产品的峰值，然后再攀升到更高。短期的灾难和长期的灾难，是不同的恐惧。那些长期取得成功的公司，其领导者每次看到有必要时，都会把东西重做一遍。

一种办法是一边优化旧机器，一边并行地研发新机器。市场部门仍然会要求承诺：新电脑在每一种工作负载上都更快。架构师只能说，平均来看它会更快，而其性能分布中仍然包含一些更慢的异常情况。这很难，因为总有一个客户，只在乎那个异常值。

Gordon Moore 当年的简单表述，大致是晶体管数量每 2 年翻一番。Keller 的工作模型是：计算机性能每 2 到 3 年翻一番，但节奏和性能的兑现方式都有很大的波动。目前的缩小系数大约是每两年 0.6，而不是 0.5，但在芯片面积不变的情况下，仍然能放进更多的晶体管。他了解摩尔定律已经 30 年，设计计算机也已经 40 年。他刚入行时，有人告诉他摩尔定律 10 到 15 年后就会失效。过了 10 年，又有人说 10 到 15 年后会失效。一度变成 5 年，然后又回到 10 年。他加入英特尔时，同事们说摩尔定律已经死了。他觉得这很可惜，因为英特尔本来就是摩尔定律的那家公司。后来他注意到，摩尔定律一直都“快要死了”。人们喜欢讲各种“马上就要耗尽”的传说，比如食物、空气、空间。现在认为它已死的人，只是加入了过去 50 年的这个传统。

人们以为摩尔定律就是一件事：晶体管越来越小。但掀开来看，里面有成千上万的创新，几乎每一项都有自己的收益递减曲线。把它们画出来，就是一连串曲线；合起来的结果，是指数增长。如果你恰好是那条刚刚变平的曲线的专家，你就会告诉别人这一切已经结束了。与此同时，另一些人正在做别的事情。现代晶体管大约是一千乘一千乘一千个原子的大小。量子效应大约在 2 到 10 个原子的尺度上出现，所以可以想象一个 10 乘 10 乘 10 的器件，体积小了一百万倍。当前晶体管的鳍片宽度大约是 120 个原子，还可以变得更薄；栅极包裹着它，几何结构上仍有余地。人们已经能够铺设单原子层。难点在于稳定、可重复、并且便宜地做到这一点。如果放置一个原子要花 10 分钟，而你需要 10^23 个原子，那就得花很长时间。设备、光学、化学、物理、材料、冶金：需要数千种技术。

Keller 做过一次演讲，要求团队给出一份通往 100 倍提升的路线图。两周后，团队说他们只拿到了 100 倍缩小里的 50 倍。他让他们再给 2 周时间。他相信，接下来的 10 到 20 年，缩小还会持续发生。于是计算机设计者有两种立场：一种是预期会有更多晶体管，并且设计时就要让人能驾驭它们，而不被复杂性淹没；另一种是不这样做，等它们来了就被淹没。他用砌砖来打比方：如果砖块每 2 年缩小一半，而每个人每天仍然砌同样数量的砖，那么建造时间就会呈指数增长。知道这件事迟早会发生，你就会设计出能更快搬运砖块的机器，并且用更小的砖做出更好的东西，墙更坚固，用料更少。制造商已经宣布了纳米线：把一个带栅极包裹的鳍片做成一根小小的线，控制更好，体积更小，而在冶金方面还有明显的进一步缩小空间。100 倍是很大的数字，而时间只有 10 到 15 年。

大量涌入的晶体管，最难应付的是两个常数。人的智力不会提升多少；营养可能稍微起过一点作用，但没人知道这种影响是否仍在持续，证据也不支持有很大的效果。团队也不可能无限增长。10 个人刚好，100 个人仍然能彼此认识，超过这个规模，就得划分组织边界。这些都是硬约束。设计越来越大，于是就需要分而治之。抽象是这里的工具：一个团队把晶体管变成逻辑单元，另一个团队把逻辑单元变成功能单元，再一个团队把它们变成计算机。设计者固然可以拿更快的机器来辅助设计新机器，问题在于许多算法的耗时是按 n 的平方膨胀的。晶体管多出一倍，运行时间可能膨胀到四倍。光靠搭上新硬件的便车是行不通的，软件本身也得重新改造。

数学层面也在不断攀升。老式计算机做的是 A 等于 B 加 3 乘以 D 这类运算，之后出现了向量单元和矩阵。现代 AI 则是卷积网络，把一个大数据集拿去对照另一个。数据集已经大到人们把数据当作拓扑问题来处理：一个巨大的形状，从中取数，并在上面做计算。Fridman 想把这一切都称为搜索。Keller 不这样认为。看一个能识别猫的网络的内部层，你会看到各种投影：尖耳朵、圆润感、毛茸茸。把这些层拿掉，它就不起作用了。训练不是在一个棋招数据库里搜索。它是在一个 10 万维的空间里做优化，是另一种性质的事情。深入到芯片层面，你仍然会找到加法器、减法器、乘法器和存储器。数据类型和张量意味着一个优化的集合。构成芯片的基本模块并没有多大变化。量子和模拟计算的研究者认为这会改变。Keller 并不清楚，计算强度与能否触达大规模数学抽象之间是什么关系。

他引用了 Fridman 的朋友 Rich Sutton 的话：计算量每增加一个数量级，计算所做的事情本身都会发生根本性的改变。量变就是质变：神经元与大脑，温暖的房间与地狱。这件事在数学里已经发生过不止一次，Keller 猜测它还会继续发生。过早优化是一个“匹配陷阱”。你写出一个庞大的软件栈，然后去调你最先写的那部分；那部分恰好是瓶颈的概率很低。等它能跑起来，你也许通过优化正确的地方，能让它快 2 倍。而在你做这些的时候，把整个栈重写一遍，可能会快 10 倍。与此同时，底层的硬件一直在变快。如果摩尔定律继续下去，AI 研究就应该预期到这一点，并做出不同的选择。押注硬件已经撞上了墙，从此只剩下算法重写，这种思路在过去 30 年里屡屡失败。

Keller 在某处读到，GRE 成绩最高的两个大学专业是物理和哲学，它们都在试图回答“为什么会有东西存在”。哲学家多从神学一侧来看，物理学家则从物质一侧来看。一千亿个星系，每个星系都有一千亿颗恒星，这充其量也只能算重复；而一百亿人到底是为了什么，也很难说清。物质世界显然会产生数学：坐标、球面、随 r 平方增长的曲面。直到不久前，计算还只是平庸的二进制代数，而那些其他的“部落”却去四处闲逛。机器学习改变了这一切。过去，你要先猜一个函数，再检验它能否预测新的数据。现在，你可以拿一个没有任何直觉的大数据集，让学习过程找出一个没有函数形式的模式，得到的结果可能无法被完全用数学描述。这离“A 等于 B 加 C”已经很远了。

人类是地球抽象栈的顶点，还是处在中间某个位置，比如加法器、C++ 程序、网络之中？有人估计大脑的运算量约为 10 的 18 次方，而 10 的 20 次方的计算机是可以造出来的。大脑有什么神奇之处吗？Keller 的个人体验是：你以为自己知道自己是怎么思考的，然后想法就冒出来了，而你却想不明白它是怎么来的。物理证据表明没有什么神奇之处，但很多人的个人体验却说有。他说，要是大脑真有什么魔力，而我们仍能靠更多的计算把大脑造出来，那才叫好笑。意识、爱，以及那些深刻的人类特质，那是一场十个小时的谈话。生物体在许多层次上运行，从一个感觉神经元和一个运动神经元，一直到计划、情绪、驱动力，以及一个没人搞得懂的做梦系统。他觉得这件事实在太好笑了。这一切都是计算吗？大概是。有没有极限？他认为没有。

宇宙看起来像一台计算机吗？看起来像，只是一种很怪的计算机。描述量子效应需要难以置信的大量计算，所以如果它真的是一台计算机，那么它应该会用更容易计算的东西来搭建。仔细看，它是不确定的；光速限制了你能看到多远；纠缠让遥远的事物看起来像是同时发生的。物理学几千年来一直是一团乱麻：50 个方程，50 个变量。那些角落要么不可计算、无法定义，要么充满不确定性，几乎像是有一个模拟器在阻止我们完美地理解它。每一小块似乎都需要巨大的计算量，大到接近无限；如果宇宙真是一台计算机，那它可真是一台了不起的计算机。两千年过去了，物理学家和哲学家在“为什么会有东西存在”这个问题上都彻底失败，他觉得这挺酷。以宇宙的时间尺度看，两千年什么都算不上。接下来的一千年，前景也不见得好。每个阶段，大家都是这么说的。

Keller 曾是特斯拉 Autopilot 的早期硬件人员之一。马斯克的问题是：快 2 倍、5 倍、10 倍？这在短期内只是时间或价格的问题。Keller 的立场很直接：开车并不需要特别聪明。汽车是遵循轨迹运动的物体，速度会有概率性的变化。道路是固定的。你可以把世界完整地绘制出来，标出每一个物体，计算它们的轨迹。最大的安全问题在于注意力，这一点计算机非常擅长，而不在于技能。Fridman 提出反驳。人类的视觉不只是检测。它能理解场景，推断被遮挡的车辆，还能用物理知识把二维投影还原为三维世界。Keller 认为其中大部分是数据问题：更多数据、更多计算、更深的算法。语音识别从频域分析走到深度学习，走的正是这样一条路。

当有人突然别到你前面，你的大脑会编出一套解释：这人没素质、分心了、笨。如果开车必须有这样的叙事，那么现在的 Autopilot 做不到。Keller 怀疑这种叙事是否必要。汽车只需要做一个简单的计算：缓缓前行、让行，还是保持不动。要尽量利用已知条件，就像在瓶盖上贴一个红点，这样机器人就不用费力去辨认瓶盖。人类会记住一条新路线，但到了第 50 次通勤时，却会在不知不觉中到达目的地。自动驾驶汽车始终处于自动驾驶状态，从来不需要停止注意。切入车流看起来很有攻击性，他说，你会惊讶于这个计算其实有多简单。进展在短期内令人失望，在长期却会令人惊讶。他估计 10 年后，它会像 GPS 一样被视为理所当然，成为一个 50 美元的方案，没人会再多想。

媒体和公众对 Autopilot 安全性的审视，在他看来是合理的。他同美国和欧洲的监管机构交流过，担心监管部门会把液压刹车技术一字不差地写进法规。监管机构真正关心的是各种场景：正面相撞、偏置碰撞、行人、冲出道路、闯红灯。他们手里有数据，知道哪些情况会致人死亡。这些交流大多围绕下一步应该怎么做。既然目标是比人更安全，那么设定更高的标准，并逐起事故地审查，在哲学上看来是正确的。他是安全的坚定支持者。能防止你撞到人的巡航控制，车道保持，把事故数量减少 80%，是完全可以做到的。

汽车计算机有两条线。软件和机器学习团队在快速更换算法，因此你一边在做加速器，一边又担心它会做错方向。就硅片而言，一台好的通用计算机性能记为 1。同样面积下，GPU 大约能提供 5 倍的性能，因为它的并行性是给定的，而不是挖掘出来的。专用 AI 加速器则可以在 GPU 之上再提升 2 到 5 倍，方法是精准切入一个狭窄的数学空间：比如把整数运算累加到 32 位的累加器里，只覆盖数学可能性的一个子集，同时保留足够的可编程性。这里的矛盾在于，既想要这种专用化，又不能专用到下一个算法在 GPU 上反而跑得更好。

其他创业公司把服务器放进后备箱，预算一两万美元，因为那台计算机本来是要取代司机的。马斯克的约束则不同：每辆车都配一台计算机，无论车主是否购买自动驾驶功能，所以成本必须很低。要做到这一点，靠的是系统设计，Keller 把它称作工匠的活。一把斯特拉迪瓦里小提琴，要选木料、打磨、切割、粘合，还要等到合适的日子再上漆，免得出差错。你可能是个天才工匠，发明了一种新技术。但大多数工程工作仍然是这样的，而人们很喜欢做这样的事情。

他上大学时挖过沟，也在流水线上干过活。掌握复杂技能的过程很令人满足：学习本身有趣，一项已经掌握的简单任务就没那么有趣了，而一连串你擅长的复杂步骤，则很让人满足。有一天生产线停了，一些强壮的大个子被裁掉了，因为他们为了打破新纪录而重新调整了安排。在移动中的汽车上装上亮条装饰，一分半钟内要完成 25 个安装点，这件事难得惊人，他说它比开车还难。选定了 Autopilot 的架构之后，剩下的就是 10 个 CAN 接口还是 8 个，这辆车和下一辆车有什么不同，安全模块应该放在哪里。往里面看，你仍然会看到加法器、乘法器和存储器。落到实处，归根结底还是晶体管和导线。

Keller 喜欢和马斯克共事的地方，在于他的思考方式。你以为自己已经掌握了某件事的第一性原理，跟他一聊，才发现连表面都还没有触及。马斯克深信，无论你正在做什么，它都只是一个局部最优解。有个朋友发明了一种好得多的电动机，过来给大家看，却对 Keller 没有表现出足够的惊叹感到失望。Keller 问，如果超级智能的外星人来了，他们会去找那个造出这台电动机的人吗？大概不会。令人满足的状态，是既有创新、又有工匠精神的工作：用同样的第一性原理习惯，去拆解汽车，也拆解火箭。SpaceX 第一次让火箭成功着陆时，特斯拉在大厅里架起一台投影仪，五百人来看，火箭触地的那一刻，大家欢呼，有人还哭了。

要摆脱所有的假设，并不会轻松。Keller 估计，你的思考过程中有 99% 都在保护你既有的认知，而其中 98% 是错的。有用的信念也许只占百分之几，也许是 99.9%，而不是 50%。你回到那个有用的部分，保持开放，就能做出不同的事情。他很早就怀疑，人可以想得更清楚。但他也会忘。有时候他会连续几天想不起来第一性原理可以用，因为把事情做完、让自己开心、还有随便玩玩，都比它优先。然后他会重新想起来，那样工作一阵子，累了，又忘了。这是一种需要不断回到的观察，而不是一个开了就能一直保持的设置。

人们以为他读了很多书。他每周读两本左右，持续了 55 年左右（学会阅读的那几年除外）。作者常常花上 20 年的热情，把它们压缩进 200 页；至于谁写出了最好的书，网上一查便知。这是一个很奇特的筛选过程。他有一次接了一份管理岗位，读了 20 本管理类书籍，发现自己比那些跑来跑去的副总裁们多读了 19 本。书里的东西，有一半第一次尝试就管用。也并非什么高深的学问。核心是看清真实的情况，然后把它用到实际中去。

以几年还是一个世纪为时间尺度来看，Keller 认为自动驾驶肯定能解决。他的信心来自弹道学、道路、地形，以及语音识别的经验：频域技巧行不通，深度学习经过几轮迭代之后才成功。Autopilot 已经越过了频域分析的阶段。数据、算力和对算法的理解都在上升。Fridman 仍然认为，加入人之后，问题就不只是弹道学了，还说他会再跟马斯克这么说一次。汽车有很大的阻尼；和计算机相比，转向和加速都很慢。大脑的运行大约滞后现实 0.5 秒，这一点同样没人真正搞懂。Keller 已经准备好会感到惊讶。

他是否也担心奇点？担心指数增长的 AI、超越人类的通用智能、一去不返？并不太担心。社会本来就是分层的。动物界本来就有不同的能力、兴趣和生态位。聪明人、普通人和工匠，各有各的位置。一个聪明 10 倍的东西，会因为我们喜欢在星巴克喝咖啡就把我们逐一猎杀，这种说法看起来并不可信。与一个聪明得多的东西为邻，所带来的自尊问题，只是一个 0.1% 的问题。其他人从出生起就一直在和比自己聪明的人相处。有趣的经验的范围非常广阔。超级智能似乎很有可能出现，除非我们结果证明是有什么神奇之处，而他怀疑我们并没有。它的兴趣为什么会变成一场争夺 1 平方英尺土地的斗争，并不明显。

它会不会继承我们阴暗的一面？人类一直生活在善与恶两股力量的创造性张力之中，他不知道为什么这一点会有所不同。在竞争的世界里，你的善，可能正是别人的恶。恶的部分看起来会自我限制，尽管偶尔也会极其可怕。关于观点的辩论本身就是一个过程。他不认为整个过程会以一种新的痛苦把人类抛在后面，除了那同一小部分人。每个人本来就对“什么能让自己满足”感到压力。他的侄子称他是“看透了的乐观派”。被问到想重温哪些非家庭的最幸福时刻时，他一个也不想重温。他喜欢一点乐观，再加上对未知的焦虑，那会让血液沸腾。在这颗淡蓝色的小点上，生命的意义是什么？看来就是它所做的事。宇宙制造原子，原子组成了我们，我们做事、找出答案、探索。这就是它本身。Fridman 引用 Gordon Moore 的一句话作结：如果你尝试的事情每一件都成功了，那说明你还不够努力。