后世大家听到斯坦福时，多是因为它的声名远播。
    但在创立初期，斯坦福的经营一直比较惨淡，甚至差点到了关门歇业的地步。直到五十年代才真正迎来转机，靠的是充分挖掘学校的巨大的财富庞大的土地面积。
    那么这个“庞大”有多大？以清大为计量单位，大概是九到十个清大，算起来比北大、清大、浙大、吉大、川大、山大这些号称“巨无霸”的学校，加起来还大。
    当时的校领导，充分利用这些闲置的土地，低价租给工厂企业，还鼓励毕业生在此创业，提供各种研究项目和实习机会，于是美国第一大学工业园成立，然后继而成长形成了硅谷。
    因此，斯坦福可以说它本身即带着创业的基因。
    姜斌进入校园的这一刻，也可以理解为是进了一个工业园，周边围绕着90家企业，及25万员工，而且不仅如此，整个科技产业依然在膨胀，未来将更加恐怖。
    不过可惜，姜斌还不能借助这样的优势，因为他的专业人工智智能，此时已经走进了死胡同。
    自1950年图灵在他的论文《计算机器与智能》中第一次提出挑战以来，ai的主导方法就是所谓的基于规则的专家系统，它将人类知识组织为具体事实和一半事实的集合，并通过推理规则来连接他们。
    这种方法理论是可行的，但是生活中却有很多意外，计算机是无法完全复制人类的推理过程的，因此它这个“机器专家”并不能成为真正的专家，存在很多的不确定性。
    这就是姜斌所面临的现实，他的专业前途灰暗的很，好像还有那么一丝不明朗。
    校园实在太大，姜斌在多次的问路后，终于在一个偏僻的实验楼里，见到了胡子拉擦的爱德华.费根鲍姆，一个戴着眼镜的中年男人。
    多本著作中都有这个男人的照片，姜斌倒是一眼认出了他。此时的费根鲍姆，正在埋头演算些什么东西，不时地有些卡顿，似乎是遇到了不小地疑难。
    这种情况下，就像是游戏中遇到了boss，可能失败与成功都在于瞬间地转变。作为理工男，姜斌非常的了解，此刻最好地做法就是安静地等待。
    于是，他随意地找了个门口的凳子静静地坐下，并小心地打量着实验室。一百多平地房间里，摆满了很多台个人电脑，粗略地算下来，比清大全校加起来都多，而且多很多。
    一瞬间，姜斌对斯坦福地财力有了清晰地认识。要知道人工智能只是学校的小众专业而已，简单算一下，也能知道全校地电脑肯定是一个恐怖地数字。
    正当姜斌胡思乱想的时候，费根鲍姆才堪堪停下手中地笔，并拿起演算纸检查了好几遍，才满意地舒了一口气，看来又是有了不小地收获。
    “教授”，姜斌小心的敲了敲门，打着招呼道。
    此时，费根鲍姆才发现门口有人在等候自己，一个陌生的亚裔男子，脑中根本没有此人的印象，于是疑惑的问道，“你是……？”
    “杰克.姜，来自中国的杰克。”
    姜斌在起英文名字的时候，考虑了半天，最后选了个最简单的，他觉着这个名字与钱“有缘”。
    “哦，你是亲爱的姜………”说着，费根鲍姆来了个大大的拥抱，“我早已期待你的到来，见到你真是太高兴了。”
    这个不高的波兰裔美国人，给了姜斌一个非常好的初见印象，作为未来的图灵奖得主，姜斌生怕他也会像图灵一样的孤僻，且难以相处。
    “非常荣幸，能有机会到您这儿读书，您的著作我多有拜读……”无论到哪儿，寒暄是少不了的，而且并不是之国人只爱听赞美之词，美国人也喜欢。
    “走，我们去咖啡馆细聊”，费根鲍姆一边说着，一边拿上了衣架上的外套，就要带着姜斌外出。
    咖啡的美味，姜斌两辈子也没有品出来，但是到了美国之后，也不得不硬着头皮融入这种文化。
    在费根鲍姆的带领下，七拐八绕之后，终于到了一个精致的小咖啡馆，不大的几张桌子，已经被三三两两教授模样的人占据了。
    姜斌本还想记住来时的路线，可是太过复杂，终究抛出了脑后，还是专心应对初次见面的谈话吧。
    美国人很现实，他能来这儿读书也是因为肚子里有货，才吸引了费根鲍姆的关注。不过，之前的了解，都是从论文中得来的，真正的水平还得当面测试，能带来帮助的学生，才是好学生。
    姜斌非常了解这一点，他也知道自己的定位在哪儿。
    两人落座，一阵关于天气的寒暄之后，呷了一口咖啡的费根鲍姆，转入了正题，“我看过你的论文，特别是你关于概率的阐述，非常的感兴趣，不知你是怎么想到的？”
    姜斌在论文中阐述的想法，正是这个时代缺乏的。人工智能处理不确定性问题的方法很多，但都有一个共同的缺陷：他们模拟专家，而不是模拟世界，因此往往产生意外的结果。
    姜斌的方法倒也简单，平平无奇却又激进：将概率作为常识的守护者，仅仅修复计算缺陷，而不是创造新的理论。更具体地地说，不像以前一样，以一张巨大地表格来表示概率，而是用松散耦合地变量网络来表示。
    方法简单，但却有可操作性和开创性，因此姜斌倒也没谦虚，“谢谢，我的想法来自于大卫.鲁梅哈特。”
    “鲁梅哈特？神经网络？”作为计算机界的大拿，对于重量级专家的文章都是耳熟能详的。因此，姜斌稍稍提起，费根鲍姆就想到了出处。
    “是的，就是鲁梅哈特。我在阅读他文章的时候，确信任何人工智能必须建模在我们所知道的人类神经信息处理的基础上，并且不确定性下的机器推理，必须用类似消息传递的体系结构来构建。”
    对于姜斌的阐述，费根鲍姆，听的特别认真，每一个词都在细细推敲。人工智能已经沉寂了很久，很多人都在埋头寻找方向，因此姜斌的建议彷佛给他推开了一个门缝，好似看到了一丝亮光。
    “我明白，但是‘消息’是什么？”逻辑完美，但似乎少了一个环节，费根鲍姆很快找到了关节。
    这也正是姜斌预留的口子，他当然知道‘消息’是什么，但就像要吊人胃口一样，总要留些内容的，于是对着费根鲍姆，道，“我不知道，但我知道方法，我需要时间去推导……”
    果然，费根鲍姆对于姜斌口中的方法非常关注，这让他意识到推导的可能性，也许正是打开人工智能死胡同的钥匙，因此倒是没有丝毫的犹豫，伸出手道，“欢迎加入我的团队！”
    姜斌终于松了口气，这算是过关了，至少专业得到了肯定，因此兴奋的答道，“非常荣幸。”
    “我这儿还有一个助教的职位，不知你是否感兴趣？”似乎为了表示对姜斌的重视，费根鲍姆倒是不吝啬的再次抛出一个邀请。
    “teaching assistant？or graduate assistant？”助教是教授雇佣的，也可算作学校的工作人员，不仅有工资拿，地位也还可以。但对他来说，却有一个坑，还是确认一下好。
    要知道助教也分授课型的和研究型的，这两个类别，差距可是很大。
    授课型助教，顾名思义，就是负责协助教授们完成授课任务，所以工作内容包括审核考勤、批改作业、准备试题、辅助备课、邀请嘉宾等等，简直就是个专职秘书，累的要死。姜斌可不想每周完成自己的学习任务外，还要解答学生们一大堆跟学习直接和间接的问题。
    而研究型助教，则轻松的多，只需要负责教授们布置的研究内容，而不需要直接对接学生，这样正好遂了姜斌的意，有更多的时间放在研究上。
    “当然是后者！”
    有些心想事成地感觉，答案正是姜斌期待的那个，于是欣然地回道，“谢谢！我非常感兴趣，愿意接受您的邀请。”
    ps：进入两周的出差时间，估摸都得一章了。