有人把一篇来自1976年的论文刨了出来，仅一日的工夫已在推特上收获了400多赞。

论文的主人Geoffrey Hinton，许多年后成了神经网络之父，还获得了图灵奖。

如今，回看他的第一篇论文，颇有一番风味。

这篇论文探索的问题是，给你一堆互相重叠的长方形，怎样才能从里面找出一只“人偶 (Puppet) ”？

举个栗子如下，标了字母的就是人形的可能组成部分：

所以，为什么会想做这样画风清丽的任务啊？

松弛，松弛一下

首先了解一下问题。

就像开头展现的一样，人偶都是侧面的，并且有许多严格的规定：

每个部位都要有近端和远端，近端就是离头近的那一端。

躯干必须必四肢都粗，下肢要比上肢粗，头和躯干要比脖子粗。

头要比脖子面积大……

△ 我没有脖子

如果只考虑和一个方块相邻的那些方块：有些方块就可能被许多身体部位争着选，有些部位可能什么部位都选不上。

而松弛算法可以加深AI对空间的理解：从互相冲突的局部解释 (Local Interpretations) 中，找到最佳的全局图形 (Globally Best Figures) 。

论文还列举了这种方法的三大优点：

一是用并行计算的话，可以快速得出最佳全局解释。花费的时间，并不是随着局部可能性的数量指数增长的，因为并没有显式 (Explicitly) 处理各种可能的组合。

二是需要的计算空间，也只会随着可能性的数量线性增长，这样就不像广度优先的搜索那样暴力，会轻松许多。

三是这里能得出全局最佳，而不像启发式搜索 (Heuristic Search) 那样，只找出还算不错的结果。

那么，来看看松弛算法的表现如何。

没用松弛的时候，会找出一大堆可能性 (下图) 。

而且各种部位都给了太多选项：比如“上臂GHIJK”。

然后，加上松弛步骤：

就只剩下一种最佳可能性了。

F躯干，脖子D，上肢GE，下肢KI：

看上去科学了许多啊。

40多年的胶囊

看了论文，网友纷纷想到了2017年Hinton提出的胶囊网络，这种新方法，也是用来解决神经网络不会自己判断空间信息的问题。

这不是胶囊吗？

原来，他一直在做胶囊啊。

蟹蟹你，胶囊。