库克教授的主要研究方向“计算复杂性理论”，这种专业术语大多数人肯定听🗭🞺不懂，🃔🗤🝥
用两句人话翻译一下，大致就是这样的：
首先，用一台电脑来假设人脑面对问题时的处理模型。比如，当一个人走进一个满是人群的礼堂时，想知道“礼堂里有没有我认识🅹的人”这个问题的答案，那么他就得一步步搜寻，从头到尾一个个认，如果全部人看完都没有一个认识的人，才能得出“礼堂里没有我认识的人”。而只要找到一个认识的💃🏇人，就能下“这里有我认识的人”的判断。
所以，🂁常识一般认为，“从科学严谨的角度而言，证明一件事情比证伪一件事情要耗费更多的判断/计算资源，因为证伪只需要找到一个反例就可以结束论🗏🚫证、不再继续往下耗费计算资源。而证明需要推翻所有反例”。
可是实际情况下，人脑在“不刻意追求绝对科学严谨”🗪🞞的前提下，做很多大致粗略的判断时，要比电脑快得多。
比如让人看一张照片，判断照片上的东西是不是“猫⚵🕴”，人一眼就判断出了，而不需要去💇验证“图片上这个疑似猫的生物是否有xxxxx等生物学上🉠🈰的特征”。
换句话说，人☋♚🈻类懂得如何抓大💨🔔🀙放小、用“模糊算法”尽快得到一个勉强可用、但不太严谨的结论。
而1980年代以前，人类根本就不🐙知道如何让计算机“不严谨”。
所以计算机在求解一切问题时都是用严谨到爆的暴力算法硬扛的，导致很多因为分支可能性多到天量级别而无法穷尽的问题，计算🅹机就没法解决🝊。📺☒
比如围棋。因为哪怕以2010年代的计算机硬件运算速度，如果要暴力算法“科学严谨”地穷究一切可能性，全世界的计算机加起来分布式运算都算不🜵🆣动。所以在那种思想指导下，人类只能满足于“用暴力算法攻🗆🙖克国际象棋之类穷尽运算量也不大的脑力运动”。而平行时空的“阿尔法狗”干🔮掉那么多高手，就绝对不能靠近乎低能儿蛮干的暴力算法。
斯蒂芬.🎦库克的毕生研究，就是在解决“如何让计算机在资🅀🃙源不允许其彻底严谨的前提下、学会像人脑一样抓大放小、用有限的计算资源得到一个相对准确的大概结果”。
顾诚觉得，或许多伦多大学计算机系里，在库克麾下，藏着更多从不同角度试探这一领域的人才。而杰夫辛顿有可能只是因为历史的选🛪择而恰好最早🙪🍋在人工智能领域出头引起了重视。
但🅸这绝不代表这一体系内，其他分支的人才就没有🅒🅿🌓价值了。
如果可以折服史蒂芬.库克教授，对于顾诚的全盘、系统挖人大🄛计，显然是很有帮⚣助的。
……
下午3点，密西沙加校区，♉神经网络实验室。
顾🅸诚见到了早已收拾妥当、一脸局促的杰夫.辛顿教授。
还有成名天下垂2🆫0载、刚刚从圣乔治主校区风🚍💈尘仆仆赶来的史蒂芬.库克教授🚀🐖。
一番简单的客☋♚🈻套之后，顾诚说出了此行的主要来意，首先向杰夫辛顿发出了延揽的邀约，而且出价不菲。
“辛顿教授，我可以为你成立一个基于‘深度学习🅒🅿🌓算法’的研究所，你个人可以得到200万美元的年薪，以及每年1000万美元的研究经费，合同期至少5年。你的助手和带的研究生，我也可以给予最优厚的条件。唯一的问题是，你可能会终生失去在学术界的地位。你的论文只有很少一部分有发表的潜力，而且还得签保密协议。你自己看着办吧。”
杰夫.辛顿有些尴尬，毕竟资格比他老20年的学🅒🅿🌓界泰斗史蒂芬.库克就坐在旁边。顾诚这样直截了当地谈钱，实在有辱斯文。
“到企业🎦去做事，我们从来是不反对的，学术应该跟产业界结合。不过，就不知道一个明明只是做社交裹挟和游戏攀比的公司，能有什么课题让人拿出可以上ieee系列期刊的成果呢。”