庫克教授的主要研究方向“計算複雜性理論”，這種專業術語大多數人肯定聽不懂，
用兩句人話翻譯一下，大致就是這樣的：
先，用一台電腦來假設人腦麵對問題時的處理模型。 ＷｗＷＣＯＭ比如，當一個人走進一個滿是人群的禮堂時，想知道“禮堂裏有沒有我認識的人”這個問題的答案，那麼他就得一步步搜尋，從頭到尾一個個認，如果全部人看完都沒有一個認識的人，才能得出“禮堂裏沒有我認識的人”。而隻要找到一個認識的人，就能下“這裏有我認識的人”的判斷。
所以，常識一般認為，“從科學嚴謹的角度而言，證明一件事情比證偽一件事情要耗費更多的判斷/計算資源，因為證偽隻需要找到一個反例就可以結束論證、不再繼續往下耗費計算資源。而證明需要推翻所有反例”。
可是實際情況下，人腦在“不刻意追求絕對科學嚴謹”的前提下，做很多大致粗略的判斷時，要比電腦快得多。
比如讓人看一張照片，判斷照片上的東西是不是“貓”，人一眼就判斷出了，而不需要去驗證“圖片上這個疑似貓的生物是否有等生物學上的特征”。
換句話，人類懂得如何抓大放、用“模糊算法”盡快得到一個勉強可用、但不太嚴謹的結論。
而198年代以前，人類根本就不知道如何讓計算機“不嚴謹”。
所以計算機在求解一切問題時都是用嚴謹到爆的暴力算法硬扛的，導致很多因為分支可能性多到量級別而無法窮盡的問題，計算機就沒法解決。
比如圍棋。因為哪怕以1年代的計算機硬件運算度，如果要暴力算法“科學嚴謹”地窮究一切可能性，全世界的計算機加起來分布式運算都算不動。所以在那種思想指導下，人類隻能滿足於“用暴力算法攻克國際象棋之類窮盡運算量也不大的腦力運動”。而平行時空的“阿爾法狗”幹掉那麼多高手，就絕對不能靠近乎低能兒蠻幹的暴力算法。
斯蒂芬庫克的畢生研究，就是在解決“如何讓計算機在資源不允許其徹底嚴謹的前提下、學會像人腦一樣抓大放、用有限的計算資源得到一個相對準確的大概結果”。
顧誠覺得，或許多倫多大學計算機係裏，在庫克麾下，藏著更多從不同角度試探這一領域的人才。而傑夫辛頓有可能隻是因為曆史的選擇而恰好最早在人工智能領域出頭引起了重視。
但這絕不代表這一體係內，其他分支的人才就沒有價值了。
如果可以折服史蒂芬庫克教授，對於顧誠的全盤、係統挖人大計，顯然是很有幫助的。
……
下午點，密西沙加校區，神經網絡實驗室。
顧誠見到了早已收拾妥當、一臉局促的傑夫辛頓教授。
還有成名下垂載、剛剛從聖喬治主校區風塵仆仆趕來的史蒂芬庫克教授。
一番簡單的客套之後，顧誠出了此行的主要來意，先向傑夫辛頓出了延攬的邀約，而且出價不菲。
“辛頓教授，我可以為你成立一個基於‘深度學習算法’的研究所，你個人可以得到萬美元的年薪，以及每年1萬美元的研究經費，合同期至少5年。你的助手和帶的研究生，我也可以給予最優厚的條件。唯一的問題是，你可能會終生失去在學術界的地位。你的論文隻有很少一部分有表的潛力，而且還得簽保密協議。你自己看著辦吧。”
傑夫辛頓有些尷尬，畢竟資格比他老年的學界泰鬥史蒂芬庫克就坐在旁邊。顧誠這樣直截了當地談錢，實在有辱斯文。
“到企業去做事，我們從來是不反對的，學術應該跟產業界結合。不過，就不知道一個明明隻是做社交裹挾和遊戲攀比的公司，能有什麼課題讓人拿出可以上Ieee係列期刊的成果呢。”
庫克教授直接就點出了顧誠的短板。