图1：图片来源Coursera的概率图模型课

　　一、逻辑和算法（常识性的“思考”机）

　图2：AIMA的封面，它是CS专业本科AI课程的规范教材

机器人

　二、概率，统计和图模型（“测量”机）

　图3：来自宾夕法尼亚州立大学的概率论与数理统计课程的PDF文件

视频

（图4：概率图模型的计算方法介绍|DatoCEO，CarlosGuestrin教授）

视频

三、深度学习和机器学习（数据驱动机）

　图5：LeNet-5，YannLeCun开创性的论文《基于梯度学习的文档识别方法》

你在阅读LeNet模型导读时，能看到以下条款声明：

　结论：

　　我没有看到传统的一阶逻辑很快卷土重来。虽然在深度学习背后有很多炒作，分布式系统和“图形思维”对数据科学的影响更可能比重度优化的CNN来的更深远。深度学习没有理由不和GraphLab-style架构结合，未来几十年机器学习领域的重大突破也很有可能来自这两部分的结合。