“If a machine can do a job, then an automatic calculator can be programmed to simulate the machine.”

一台机器能做的事，自动计算机都可以通过「编程」去模拟它。提案里还老实承认：真正的障碍不是机器不够强，而是我们还不会写能发挥它全部能力的程序。

→ 后来长成了：通用计算机与算力 —— 今天动辄上万张 GPU 的算力中心，就是在追这句话。

“It may be speculated that a large part of human thought consists of manipulating words according to rules of reasoning and rules of conjecture.”

有人猜测：人的思考，很大一部分可能就是按照「推理」和「猜想」的规则，摆弄一个个词。这个想法当时还从没被精确地写出来过。

→ 后来长成了：机器翻译 → 语音助手 → 今天能跟你聊天、写作文的大模型。

“How can a set of (hypothetical) neurons be arranged so as to form concepts.”

把一堆「假想的神经元」怎么连接起来，才能形成概念？当时 Pitts 与 McCulloch、Minsky 等人已经做出了一部分结果，但还缺理论。

→ 后来长成了：神经网络 → 深度学习（第 8 课那个认数字的 LeNet，就是它的后代）。

“...one way of solving it is to try all possible answers in order. This method is inefficient, and to exclude it one must have some criterion for efficiency of calculation.”

一个问题如果只能「把所有可能的答案挨个试一遍」，那就太慢了。要判断哪种算法更聪明，得先有一套衡量「计算有多复杂」的理论。

→ 后来长成了：算法和「算法复杂度」——研究「同一个问题，怎么算才能更快」，这是计算机科学最重要的地基之一。

“Probably a truly intelligent machine will carry out activities which may best be described as self-improvement.”

真正聪明的机器，很可能会做一件事：自己改进自己。提案说这个想法值得继续研究，也可以先抽象地研究它。

→ 后来长成了：机器学习 → AlphaGo 自己跟自己下棋越下越强 → AI 帮忙写代码。

“A direct attempt to classify these and to describe machine methods of forming abstractions from sensory and other data would seem worthwhile.”

从看到、听到的一堆数据里抽出「概念」，是智能的关键一步。提案建议：把这些抽象分门别类，并研究机器自己怎么形成它们。

→ 后来长成了：知识表示、概念学习 → 今天能「看图说概念」的多模态大模型。

“...the difference between creative thinking and unimaginative competent thinking lies in the injection of some randomness. The randomness must be guided by intuition to be efficient.”

有创造力的思考，和「熟练但没有想象力」的思考，差别也许就在于掺进了一点随机——但随机要被「直觉」引导着用，才有效。

→ 后来长成了：生成式 AI —— 大模型每挑下一个词都带一点概率随机，只是被训练引导得「不乱来」。