百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

漫长的人生,最终只剩放大镜下密密麻麻的过去

ztj100 2025-01-27 01:18 17 浏览 0 评论

母亲节刚过,期间520的“网络情人节”又大热了一把,而六月份的父亲节也已近在眼前。我们对于父母的感情,更多的时候都流于节日庆祝的形式。朋友圈那些铺天盖地的旧照背后,父母辈的人生,他们的时代,他们的经历,到底对他们而言意味着什么?回望他们的人生,我们又能收获什么?

金宇澄就这么做了。

金宇澄,1952年生于上海,《上海文学》执行主编。

《繁花》之后,父亲去世,金宇澄才真正开始回望父母的往事,于大堆的书信、日记和照片中,呈现出了一个“跌跌撞撞”的父辈人生。文字在很多时候都是无力的,最好的东西往往也只有自己体会得到。

金宇澄的母亲是就读复旦大学的上海姑娘,父亲出生在吴江古镇黎里,曾是情报人员,后陷于“潘案”,与其母终不得美满。晚年,当金宇澄回望父母,他们一声不响地坐在沙发里,一切已归于平静。漫长的人生,最终只剩放大镜下密密麻麻的过去。

今天,FUN声的声音来自小葵,她为大家分享的是2017年1月16号新京报书评周刊微信端推送的《金宇澄:文学常常是无力的,好东西都烂在肚子里》(撰文:柏琳)。小葵说,之所以选择金宇澄《回望》,要从《繁花》说起,《繁花》让她恋恋不忘。而在《回望》中,金宇澄以一种知其不可为而为之的勇气,让我们在这浮华世界得获片刻停歇。他执拗地回看历史的烟尘,捡拾不慎遗落的吉光片羽。这回望的姿态,已然是一种刻骨铭心,是一种印证。如同泛黄信纸上笔迹浅浅,笨拙而深情,是岁月的味道。

金宇澄:文学常常是无力的 00:0006:07

BGM:The Rain (久石让)

点击收听:
https://mp.weixin.qq.com/s/cFv99Q9uFYTg9wUChugzbA

平静不好吗?我父母经历的时代,祸患接连,幽明互现,是他们这一代命运的寻常了,只能平静来看待他们的一生。我知道记叙历史,往往是散失细部的,细节极其脆弱。《回望》就是想提供那年代的一个标本。非虚构的写作,即便如何蔓生,个人只会徘徊在个人的视野里。

我越来越感觉到,文学的弱点,年轻时一直认为,再没有比文学能更深刻表现人事了,到现在这个年龄,从我自己出发,《繁花》也好,《回望》也罢,都是有所保留的,所有的著作,也不过是选择了能说的部分而已,我所以总是强调八卦和轶事的重要,为什么那么多的作者都希望烧掉日记和书信?卢梭《忏悔录》,会觉得真吗?文学常常是无力的,最好的东西,实际都是烂在肚子里的,只能用平静的调子收拾。记忆鲜活,也随风而逝,如果我们回望,留下一些起码的样本,还有意义。

金宇澄父亲(28岁《时事新报》记者)与母亲(20岁,复旦中文系大二)在太湖留影,1947年4月7日。

FUN声是你们和书评君共同打造的一档声音栏目,每周二和周五准时与大家见面,让我们一起尝试用声音做点好玩的。每阶段FUN声会提前预告一个主题。希望你能围绕这个主题,选取一本你最爱的书或文章,并在其中找到你最愿意分享的段落,朗读出来,录成音频。让你的声音在FUN声放声。

| 本期主题 书评君

一直以来关注书评君的你们,心中一定有一篇文章,让你对书评君念念不忘。所以这一期,我们希望你在《新京报书评周刊》上选出一篇你最爱的文章,把其中你最愿意分享的段落,朗读出来。

我们很期待藉由你的分享,能让更多的人听到书评君的声音,你的声音。

希望你是

|阅读的真正爱好者,不人云亦云,坚持自己的阅读品格

|期待遇见和你拥有相似阅读兴趣的朋友

|愿意自己的声音被更多的人听见

你只需要

|根据我们每阶段预定的主题,选取一本你最爱的书或文章,并在其中找到你最愿意分享的段落,朗读出来,用录音设备录制时长为5分钟左右的音频。开场介绍请统一为,“阅读需要主张。大家好,我是……今天我是书评君的声音”。录制时请保持周围环境安静,并非常推荐自己配乐。音频格式以mp3、wma最佳。

| 写一段话,简短介绍一下你自己,还有这本书以及你为什么选择它。如果你愿意,也可以同我们分享更多有关这本书或这段声音背后的故事,我们很想听。

| 把音频文件和介绍文档发至邮箱 funvoice@163.com,邮件正文末请留下个人微信号或联系电话,邮件标题请以“主题+书名(或文章名)+姓名”统一标识。

如果你的声音被选中,我们还将邀你加入FUN声群,让我们一起用声音做点好玩的。

第一期主题“书评君”仍在寻声。我们期待,FUN声下一个声音就是你。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: