姜斌本还想记住来时的路线，可是太过复杂，终究抛了脑后，还是专心应对初次见面的谈话吧。

“我这儿还有一个助教的职位，不知你是否兴趣？”似乎为了表示对姜斌的重视，费鲍姆倒是不吝啬的再次抛一个邀请。

“teachingassistant？orgraduateassistant？”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。

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。

ps：两周的差时间，估摸都得一章了。

这也正是姜斌预留的，他当然知‘消息’是什么，但就像要吊人胃一样，总要留些内容的，于是对着费鲍姆，，“我不知，但我知方法，我需要时间去推导……”

姜斌非常了解这一，他也知自己的定位在哪儿。

本章已阅读完毕(请击下一章继续阅读!)

“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的人类神经信息理的基础上，并且不确定下的机推理，必须用类似消息传递的系结构来构建。”

姜斌终于松了气，这算是过关了，至少专业得到了肯定，因此兴奋的答，“非常荣幸。”

有些心想事成地觉，答案正是姜斌期待的那个，于是欣然地回，“谢谢！我非常兴趣，愿意接受您的邀请。”

“我明白，但是‘消息’是什么？”逻辑完，但似乎少了一个环节，费鲍姆很快找到了关节。

两人落座，一阵关于天气的寒暄之后，呷了一咖啡的费鲍姆，转了正题，“我看过你的论文，特别是你关于概率的阐述，非常的兴趣，不知你是怎么想到的？”

要知助教也分授课型的和研究型的，这两个类别，差距可是很大。

果然，费鲍姆对于姜斌中的方法非常关注，这让他意识到推导的可能，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，伸手，“迎加我的团队！”

“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，费鲍姆就想到了。

姜斌的方法倒也简单，平平无奇却又激：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。更地地说，不像以前一样，以一张大地表格来表示概率，而是用松散耦合地变量网络来表示。

“当然是后者！”

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。

国人很现实，他能来这儿读书也是因为肚里有货，才引了费鲍姆的关注。不过，之前的了解，都是从论文中得来的，真正的平还得当面测试，能带来帮助的学生，才是好学生。

，七拐八绕之后，终于到了一个致的小咖啡馆，不大的几张桌，已经被三三两两教授模样的人占据了。

对于姜斌的阐述，费鲍姆，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，很多人都在埋寻找方向，因此姜斌的建议彷佛给他推开了一个门，好似看到了一丝亮光。

姜斌在论文中阐述的想法，正是这个时代缺乏的。人工智能理不确定问题的方法很多，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。

方法简单，但却有可作和开创，因此姜斌倒也没谦虚，“谢谢，我的想法来自于大卫.鲁梅哈特。”