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。