随后，他离开了越南到澳大利亚的堪培拉大学学习，主要研究计算机视觉一类的AI任务。当时，这一领域使用的方法，是要给机器填入大量的关于事物的定义性概念，这让他觉得像是在作弊。Le 当时并不知道，或者说不是清楚地知道，世界上另外一些地方至少有几十名计算机科学家和他一样，也同时在情不自禁地想象：机器是能够从零开始学习的。

　　2006年，Le 在德国的马克斯普朗克研究所生物控制部门任职。在那里的一个读书小组中，他看到了Geoffrey Hinton 的两篇论文，他觉得自己的双眼瞬间明亮了。

　　“当时有很大的争议”，他告诉我说，“非常非常大的争议”。他看了一眼自己画在白板上曲线，又轻声重复到，“我从来没有见到过那么大的争议。”

　　他记得自己在阅读小组中站起来，并说：”这就是未来。“ 他回忆说，在当时，这并不是一个很受欢迎的决定。他在澳大利亚的旧导师曾写邮件问他，”你为什么做了这个决定？“

　　”当时我并没有想到好的答案，我只是好奇”，他说，“（论文）提出了一个很成功的范式，但是老实说，我只是对这一范式感到好奇。”随后，他去了斯坦福，加入了吴恩达的团队，开始追求Hinton的理念。“2010年年底，我已经非常确信，会有一些事情发生了。”

　　随后，他到伦敦开始第一份实习，并完成了毕业论文，这也是“识别猫”的论文的前身。

　　在一个简单的层面上，Le想看看计算机是否可以被训练，从而自己识别对于给定图像绝对必要的信息。他给神经网络填入了一个他从YouTube采取的静态片段。然后他告诉神经网络丢弃图像中包含的一些信息，虽然他没有指定应该或不应该丢弃的东西。机器抛弃了一些信息，最初是随机的。然后他告诉计算机：“刚才是开玩笑！现在重新创建初始图像，你只是根据你保留的信息进行显示。“就像他要求机器找到一种方法来”总结“图像，然后从摘要再回溯到最初的图像。如果摘要是基于不相关的数据 ， 如天空的颜色，而不是胡须 ， 机器就不能执行好的重建。

　　机器的反应跟远古时期的人类很像，他们对于一只老虎的印象，是在自己看见狰狞的老虎时跑开的过程中留下的。但是，与人类的祖先不同的是，Le的神经网络，需要进行一次一次又一次的尝试。每一次，从数学的层面上，都会选择对不同的信息进行优化，然后表现会越来越好。

　　但是，神经网络是黑箱。它确实产生了一个模型，但是模型本身通常很难被人类理解或者观察到。

　　Le 并没有觉得“猫脸识别”的成果让他变得更有发言权，但是，他感受到了一种动力，这种研究也许跟他早年希望开发的聊天机器人有联系。在“识别猫”的论文发表以后，他意识到，如果你能让一个神经网络对照片进行总结，你也可以让它对一些句子进行总结。在接下来的两年中，这些想法一直缠绕着Le，以及他在谷歌大脑的同事——Thomas Mikolov。

　　有一段时间，他们与谷歌的高管分享同一个办公室。后来有一天他们从管理员处得到一封电子邮件，要求他们不要再让团队成员在Larry Page和Sergey Brin的套房前面的沙发上睡觉。后来，他们终于在街道对面分到了一个办公室。

　　在谈到Mikolov 时，Le变得很严肃，但是又不断提起他们的合作。后来才知道，原来Mikolov 后来去了Facebook。

　　Google Brain 团队成员 2012年合影，他们著名的“计算机识别猫脸”展示了神经网络分析未标记数据的能力。来源：谷歌

　　他们在这段时间试图设计出的神经网络架构，不仅可以适应简单的照片分类，这是静态的，而且还复杂的结构，随着时间的推移变化的，如语言或音乐。这些概念许多是在20世纪90年代首次提出的。Le和他的同事回到了那些长期被忽视的概念中，看看他们可以收集什么。他们知道，一旦你建立了一个具有基本语言预测能力的设施，你就可以继续做其他各种智能的事情， 例如预测一个合适的电子邮件回复，或预测一个智能的谈话的流程。你就可以侧重于那种看起来很像思维的能力，至少从表面看是这样的。

第二部分：语言机器

　　语言学的转折