毕业典礼结束后，罗素教授也是找到了白冰跟杨杰。
“白冰，我是希望像你这样的优秀的人才能够留在伯克利这边担任助教教授的，你真的不考虑一下？”罗素教授一脸惋惜地看着白冰说道。
“老师，我们国家缺少这方面的人才，我回到国内也是想带出这方面更多的人才出来。”白冰说道。
“真是可惜了，像你这样在人工智能算法上有着卓绝天赋的天才太稀少了，如果之前我没有去过HX国的话，我是建议你留在MI国发展的，不过你的这位男朋友既然这么支持人工智能，我还是尊重你个人的意见。”
罗素教授点头道。
白冰在伯克利大学这边就读的期间，在顶级的期刊上发表了几篇重要的论文，被引用的次数非常多，都是关于概率程序语言跟编译器方面，现在的她已经成为了概率程序语言方面的顶尖人才。
其实后世人工智能三个流派已经出现了，罗素教授主攻的方向就是概率程序语言这一流派，在罗素教授的帮助下，白冰他们提出了一种图灵完备的概率编程语言，是一个用于快速实验和研究概率模型的测试平台，其涵盖的模型范围从包括了很多小数据集上的经典层次模型。
这个概率语言却是让伯克利大学之前机器学习的效率提升了十五倍！
也正是如此，这种概率程序语言在机器学习研究人员中变得无比风靡起来，从而也让从很早就开始的逻辑算法的人工智能变得黯淡起来。
基于逻辑的人工智能遮掩了感知问题，而了解感知的原理是解开智能之谜的金钥匙——感知是属于那类对于人很容易而机器很难掌握的东西。
逻辑是纯粹的，传统的象棋机器人也是纯粹算法化的，但现实世界却是充满了不确定性。
这也意味着很早就变成主流的基于逻辑的人工智能注定变得前途黯淡。
而此时的深度学习的泰斗级人物YannLe前年的时候发表了开创性的论文《基于梯度学习的文档识别方法》，他此时也是折腾出了深度学习模型。
这位家伙为了证明自己的示例在论文里面做出了以下声明——
要在GPU上运行这个示例，首先得有个性能良好的GPU。GPU内存至少要1GB。如果显示器连着GPU，可能需要更多内存。当GPU和显示器相连时，每次GPU函数调用都有几秒钟的时限。这么做是必不可少的，因为目前的GPU在进行运算时无法继续为显示器服务。如果没有这个限制，显示器将会冻结太久，计算机看上去像是死机了。若用中等质量的GPU处理这个示例，就会遇到超过时限的问题。GPU不连接显示器时就不存在这个时间限制。你可以降低批处理大小来解决超时问题。
杨杰前世的时候也是看过这篇论文，也看过这位大神通过Facebook说自己在深度网络方面的工作工作可以追溯到1989年，当时他就在一台SUN4机器上花了大约个星期训练USPS数据集，其中有8000个训练样本，这也是他在贝尔实验室的成果。
现阶段来说，人工智能的三个流派都是在MI国诞生的，这些年也是培养出来了大量的人才，尤其是最顶尖的人才也不过几百个，基本上都是集中在MI国，而HX国这方面的顶尖人才非常稀少，虽然HX国在人工智能方面起步从八十年代就开始了，这也归功于已经年逾古稀的吴文俊这位人工智能的泰斗级人物。
这位七十年代才接触计算机的老者大数学家当时已经六十岁了，他当时也是敏锐地察觉到计算机，敏锐地觉察到计算机将极大地推动数学的发展。
在这位老者的自学编程的过程中他也是产生了一个初等几何定理的机械化证明思想。
经过试验，终于在77年的春节前成功地用这一思想证明了一些定理，这一研究开创了机器定理证明的时代，国际上称为“吴文俊方法”和“吴消元法”，实现了初级几何与微分几何定理的机器证明，却是无意中闯入了人工智能的领域，一举将HX国在逻辑人工智能的地位提到了非常高的地位。
不过HX国在概率程序语言和深度学习方面却是远远地落后于MI国，在后世的记忆中，国内这方面的人才都是有过从MI国留学归国的，在这两个流派都是跟在MI国的屁股后面跑，而且国内的人工智能培养出出来的人才都是基于逻辑推理的人工智能，在这两个最接近真正人工智能的技术领域就落后了。
“白冰，我是希望像你这样的优秀的人才能够留在伯克利这边担任助教教授的，你真的不考虑一下？”罗素教授一脸惋惜地看着白冰说道。
“老师，我们国家缺少这方面的人才，我回到国内也是想带出这方面更多的人才出来。”白冰说道。
“真是可惜了，像你这样在人工智能算法上有着卓绝天赋的天才太稀少了，如果之前我没有去过HX国的话，我是建议你留在MI国发展的，不过你的这位男朋友既然这么支持人工智能，我还是尊重你个人的意见。”
罗素教授点头道。
白冰在伯克利大学这边就读的期间，在顶级的期刊上发表了几篇重要的论文，被引用的次数非常多，都是关于概率程序语言跟编译器方面，现在的她已经成为了概率程序语言方面的顶尖人才。
其实后世人工智能三个流派已经出现了，罗素教授主攻的方向就是概率程序语言这一流派，在罗素教授的帮助下，白冰他们提出了一种图灵完备的概率编程语言，是一个用于快速实验和研究概率模型的测试平台，其涵盖的模型范围从包括了很多小数据集上的经典层次模型。
这个概率语言却是让伯克利大学之前机器学习的效率提升了十五倍！
也正是如此，这种概率程序语言在机器学习研究人员中变得无比风靡起来，从而也让从很早就开始的逻辑算法的人工智能变得黯淡起来。
基于逻辑的人工智能遮掩了感知问题，而了解感知的原理是解开智能之谜的金钥匙——感知是属于那类对于人很容易而机器很难掌握的东西。
逻辑是纯粹的，传统的象棋机器人也是纯粹算法化的，但现实世界却是充满了不确定性。
这也意味着很早就变成主流的基于逻辑的人工智能注定变得前途黯淡。
而此时的深度学习的泰斗级人物YannLe前年的时候发表了开创性的论文《基于梯度学习的文档识别方法》，他此时也是折腾出了深度学习模型。
这位家伙为了证明自己的示例在论文里面做出了以下声明——
要在GPU上运行这个示例，首先得有个性能良好的GPU。GPU内存至少要1GB。如果显示器连着GPU，可能需要更多内存。当GPU和显示器相连时，每次GPU函数调用都有几秒钟的时限。这么做是必不可少的，因为目前的GPU在进行运算时无法继续为显示器服务。如果没有这个限制，显示器将会冻结太久，计算机看上去像是死机了。若用中等质量的GPU处理这个示例，就会遇到超过时限的问题。GPU不连接显示器时就不存在这个时间限制。你可以降低批处理大小来解决超时问题。
杨杰前世的时候也是看过这篇论文，也看过这位大神通过Facebook说自己在深度网络方面的工作工作可以追溯到1989年，当时他就在一台SUN4机器上花了大约个星期训练USPS数据集，其中有8000个训练样本，这也是他在贝尔实验室的成果。
现阶段来说，人工智能的三个流派都是在MI国诞生的，这些年也是培养出来了大量的人才，尤其是最顶尖的人才也不过几百个，基本上都是集中在MI国，而HX国这方面的顶尖人才非常稀少，虽然HX国在人工智能方面起步从八十年代就开始了，这也归功于已经年逾古稀的吴文俊这位人工智能的泰斗级人物。
这位七十年代才接触计算机的老者大数学家当时已经六十岁了，他当时也是敏锐地察觉到计算机，敏锐地觉察到计算机将极大地推动数学的发展。
在这位老者的自学编程的过程中他也是产生了一个初等几何定理的机械化证明思想。
经过试验，终于在77年的春节前成功地用这一思想证明了一些定理，这一研究开创了机器定理证明的时代，国际上称为“吴文俊方法”和“吴消元法”，实现了初级几何与微分几何定理的机器证明，却是无意中闯入了人工智能的领域，一举将HX国在逻辑人工智能的地位提到了非常高的地位。
不过HX国在概率程序语言和深度学习方面却是远远地落后于MI国，在后世的记忆中，国内这方面的人才都是有过从MI国留学归国的，在这两个流派都是跟在MI国的屁股后面跑，而且国内的人工智能培养出出来的人才都是基于逻辑推理的人工智能，在这两个最接近真正人工智能的技术领域就落后了。