几天之后，许毅开始正常上学，他现在基本上是自学，只有几个他认为比较好的老师的课才会挑着去听一听，不然绝大多数时间他都在图书馆中度过。现在，沈立文教授的基本纯理论的书籍许毅已经看了不下两编，那些高干以比较复杂运算的也反复研读，总体说来，他已经将自己的基础打好了。他现在在学习各种人工智能学派的观点，博而不精，追求的是一个大致了解，重点学习的只是沈立文教授的有关理论而已。
当然，基础是少不了的，许毅是在把基础打好之后才进行这些学习活动。
阅读，思考，然后自己通过编程验证，这就是许毅一般的学习过程。许毅还学习了两种专门用来进行人工智能编程的语言，即表处理语言LISP和PROLOG。
LISP语言是1960年J.麦卡锡在递归函数论基础上首先设计出来的，后来几乎成为了人工智能的代名词，研究人工智能的人基本上都知道这种语言。它和后来由英国伦敦大学的青年学生柯瓦连斯基（R.KouraIiski）提出、由法国马赛大学的考尔麦劳厄（A.CoImenauen）所领导的研究小组于1973年首先实现的逻辑式语言PROLOG（PROgnamminginLOGic）并称为人工智能的两大语言，对人工智能的发展起了十分深远的影响。
编程是许毅的强项，所以往往当他学到一种新的理论的时候，他首先就会尝试着自己能不能将这个种思想融合到编程当中去。这样导致的直接结果是他的决斗士的战斗力持续上升，上周末，终于在一次对决中第一次取得胜利，赢了最高级版地那个selina。虽然好景不长，selina的战斗力又突然提升了一个档次，XYZ很快就败阵下来，但许毅并不感到灰心。反而很高兴，因为自己通过学习人工智能方面的理论知识并成功地将其中的一些理论应用到了程序当中。另外，对于selina的成长放毅也并不奇怪，毕竟，时间已经过了这么久，它不可能一点进步都没有。
学习人工智能就不得不提到一个人——阿兰-图灵。在计算机领域，有一个可比诺贝尔将的奖项，那就是“图灵奖”。图灵是“人工智能之父”，也是“计算机之父”。他一生充满着未解之谜，他就象上天派往下界的神祗，匆匆而来，又匆匆而去，为人间留下了智慧，留下了深邃的思想，简直要认为图灵也和他一样。是一个从未来重生的。在计算机领域，有着很多和他有关的专业名词，如“图灵机”、“图灵测试”、“图灵停机”等等，所有的这些都是他提出来的可以让后人研究N年的理论。在真正的计算机还没有发明的时代，他就已经在思考“机器能否思维”这个问题了……现在，人工智能研究还是建立在他地理论基础之上，他提出的那些理论被大家奉为真理。
“他肯定是转世重生的！”许毅看完他的传记之后，最终还是得到了这么一个结论。
研究了这么久的理论之后。许毅发现，这些学派好像有个共同的特点——那就是一直在研究人类智能的某一个局部领域的智能，即将人类地智能细分了，他们的侧重点各不相同。脸部识别，声音识别，自然语言理解、人工神经网络……也就是说。并没有一个哪一个分支在从整体上来研究人工智能。
就这个问题，许毅咨询了有关MIT的人工智能方面的专家赫伯特教授，同沈立文教授一样，赫伯特也是MIT人工智能实验室的权威之一，他地主要研究领域是人工神经网络。
赫伯特教授回答说：“这是因为所有的研究都是从简单到复杂的，这样符合人类人是自然界的规律……”
许毅当时问：“我们怎么确定将人类的智能细分之后简单的呢？或许，细分之后反而变得复杂了也说不定。拿化学和物理来作比方。我们都是从宏观再到微观的，首先是整体考虑其特征，最后才进一步认识到物质地微观结构，他们各有自己的规律，并不妨碍人类去认知。”
“……这根本是两码事，不能混为一谈。”教授说。
许毅不死心。继续追问：”那我就不说别的领域的例子，就直接说人工神经网络。神经网络够复杂了吧，我们现在这样进入微观结构了吗？也许，我们从整体上来研究这个问题会跟简单也说不定。”
“也许？嗯，这是个不错的想法！”赫伯特教授嘴上虽然这么说，但心中其实是不以为然的，这个问题这么简单，前人早就想过了，他显然不想在这个比较“弱智”地问题上再纠缠下去。
许毅也没有再问这个问题，而是转而问请教其他问题。
“教授，现在我们对神经元和神经网络的认识已经很成熟了吗？”
“还没有，目前我们对大脑的认识还是很肤浅。”
“可是现在这方面已经建立起了完美的理论体系了，教授，既然我们对神经元和神经网络还停留在一个相当肤浅的程度，这么快就建立起理论体系，是不是太早了一点？”许毅又提出了一个令自己不解的问题。