有一种特别的游戏吸引了很多人的注意。这款名为“打砖块”的游戏是20世纪70年代最早出现的电子游戏之一：由玩家控制“球板”，将“球”弹到由彩色“砖块”组成的墙上。每当球碰到砖块的时候，砖块就会被摧毁，玩家的目的是摧毁整面砖墙。图18显示了程序在学习玩打砖块的早期阶段(在它玩了大约100次游戏之后)，在这个阶段，它经常漏球。
图18 程序学习玩打砖块游戏的早期阶段
深度思维的雅达利游戏程序在学习打砖块的初期漏接了球，球在这里用一个竖直的小矩形表示，水平的平板状矩形表示玩家的接球板。
但是经过几百轮的训练以后，程序就成了这个游戏的专家：它再也没有漏接过一个球。然后发生了一件不同寻常的事情：程序了解到，最有效率得高分的方式是在砖墙的一侧“钻”一个洞，让球打进去，这样球就会在砖墙和顶部屏障之间快速反弹，迅速消灭砖块，而玩家可以不用额外操作什么(见图19)。深度思维公司的工程师并没有预料到这种行为：它是由程序自主学习的。这个游戏的视频很容易在网上找到：我在自己的讲座中用过十几次。每次我给观众播放这段视频时，都能听见惊讶的抽气声，因为观众明白程序在游戏中学到了什么。
图19 程序经过训练后玩打砖块游戏
最终，程序学会了怎么迅速取得高分，即让球在砖墙一侧“钻”一个洞，这样球就会在砖墙上快速反弹。没有人教程序这么做，这种行为让程序开发者都大吃一惊。
我得反复强调一点：深度思维的程序员并没有编写一个程序来玩雅达利游戏：这并不难。他们所做的是写一个程序，让它学习如何比人类更会玩全部49个雅达利游戏中的29个。程序接收到的唯一输入就是屏上显示的东西，以及分数。
此前已经提到过，雅达利游戏程序使用的是强化学习的方式，通过神经网络来实现，它使用的神经网络具有三个隐藏层。神经网络的输入经过预处理，将图像从原始的210×160像素的彩色格式缩减为84×84像素，并用灰度代替了彩色。程序从可用的输入中提取出样本，由每四幅游戏屏幕图像拼合组成，而不是单独的每一幅图像。神经网络使用经典的深度学习技术(随机梯度下降)进行训练。
这个程序当然不会是完美的，在某些游戏中，它的表现相当糟糕，研究一下为什么会出现这种情况也挺有意思。在程序玩得特别糟糕的游戏中，有一款叫作“蒙特祖玛的复仇”，它的难点在于奖励非常稀少：玩家在获得奖励之前必须执行一系列复杂的任务(这一点与打砖块这种游戏不同，在打砖块游戏中奖励反馈或多或少都是即时的)。通俗地说，如果奖励反馈在相关行动执行后很长时间才出现，就会给强化学习带来困难：这就是前文我们讨论过的信用分配问题，即你可能不清楚是哪些行为导致了奖励的发生。
如果雅达利游戏程序是深度思维团队唯一完成的东西，那也足够让他们在人工智能的历史上留下令人尊重、浓墨重彩的一笔，但是，该团队随后又取得了一系列惊人的成就。
其中最著名的是AlphaGo，在撰写本书的时候，它可能仍然是迄今为止最著名的人工智能系统。AlphaGo的功能是玩一种源自中国的古老棋类游戏：围棋。
围棋是人工智能挑战一个引人关注的目标。一方面，围棋的规则非常简单，比国际象棋简单得多。另一方面，在2015年，围棋程序的水准远远低于人类专业棋手。那么，为什么围棋对人工智能而言这么难？答案很简单，因为围棋的计算量太庞大了。围棋棋盘是19×19的格子，总共有361个位置可以落子。而国际象棋棋盘的格子是8×8，只有64个位置可以放置棋子。正如我们在第二章中所提到的，围棋的分支因子(即棋手在游戏中每一步的平均移动可能性)约为250，而国际象棋的分支因子约为35。换言之，在棋盘大小和分支因子方面，围棋的数据量比国际象棋庞大得多。另外，一盘围棋对弈可以持续很长时间，一场比赛中走150步是很常见的。
对人类而言，围棋是公认最难的棋类，因为计算规模太大：思考一个如此大小的棋盘已经达到甚至超过人类玩家所能管理的极限。这导致围棋中指定明确的战术非常困难。对于机器而言，这也是问题所在。棋盘规模和分支因子让简单粗暴的搜索方式毫无用武之地——我们得考虑别的方法。
AlphaGo使用了两个神经网络：价值网络只负责评估给定的棋盘位置的优劣程度，而策略网络则根据当前棋盘的状况评估下一步棋该放在何处[75]。策略网络包含13层，首先使用监督式学习进行训练，训练的数据则是人类的专业棋手下棋的棋谱。然后进行自我对战的强化学习。最后，这两个网络被嵌入一个复杂的蒙特卡罗树这一搜索技术中。
在这套系统公布之前，深度思维邀请了欧洲围棋冠军樊麾与AlphaGo比赛：最终AlphaGo以5∶0获胜。这是围棋程序第一次在全场比赛中战胜人类专业棋手。不久之后，深度思维宣布AlphaGo将于2016年3月在韩国首尔与世界围棋冠军李世石进行五场比赛。
人工智能界因此兴奋不已，相关研究人员——包括我自己——也很期待看到比赛结果(当时我们猜测AlphaGo大概会取得一到两场胜利，但李世石会决定性地赢得整场比赛)。谁也没有料到围绕这场比赛爆发出空前的宣传热浪，这项赛事成为全世界的头条新闻，比赛的故事甚至都被拍成了电影[76]。
这场比赛中，AlphaGo以4∶1的成绩击败了李世石：李世石输掉了前三局，在第四局中扳回一城，但输掉了第五局。大家都说，李世石一开场就输了。他很惊讶——本来他以为会轻松取得胜利。而且不止一个人开玩笑说，AlphaGo故意输掉第四局，多少给李世石留点面子。
在比赛的很多节点上，人类评论员指出AlphaGo的举动奇怪。很明显，这种落子“不是人类会做的选择”。当然，当试图分析AlphaGo如何下棋的时候，我们是从一个非常人性化的角度来分析的，我们本能地寻找下围棋时人类的动机和策略——我们将AlphaGo人性化了。试图用这种方式理解AlphaGo是没有意义的：它只是一个程序，它的存在只为了一个目的——赢得围棋比赛。我们想把动机、推理和策略归因于程序，但无法做到，AlphaGo的卓越能力是通过其神经网络的权重来体现的。这些神经网络不过是一串很长的数字列表，我们无法提取或合理化它们所包含的专业知识。AlphaGo也无法告诉我们它如此落子的原因，而这正是深度学习需要解决的关键问题之一。
AlphaGo被吹捧为深度学习和大数据型人工智能的胜利，从事实来看，它倒也实至名归。不过撇开表象深入挖掘，你会发现AlphaGo中最能体现智慧的工程都源自经典的人工智能搜索。我们在第二章提到的于20世纪50年代开发了跳棋学习程序的亚瑟·塞缪尔，他在理解AlphaGo使用的搜索技术时不会有任何困难：从他的跳棋程序，到现代最引人注目的人工智能系统，都遵循着同一条发展路径。
两个里程碑式的成就，对大多数人而言应该已经足够了。但是，仅仅18个月后，深度思维再次出现在头条新闻中。这次是一个比AlphaGo更厉害的人工智能，被称为AlphaGo Zero。它的非凡之处在于它是从零开始学习下围棋的，没有学习任何人类棋手的棋谱。在没有人工数据干预的情况下，它达到了超越人类棋手的水平，而这一切，只是通过它自己和自己下围棋来实现的[77]。公平地说，它必须自己下过很多次才能达到超人的水准，但不管怎么说，这都是一个惊人的成就。它的后续版本名叫AlphaZero，进一步推广到玩包括国际象棋的其他棋类游戏。在结束9个小时的自我学习以后，AlphaZero能够在和鳕鱼系统[12]对战中连续击败对方，最少也能保持平局——鳕鱼系统是世界领先的国际象棋程序之一。来自国际象棋编程领域的退役专家纷纷表示他们极其惊讶。AlphaZero自己和自己下了9个小时国际象棋，就能够自学成为世界级的国际象棋手？这种想法简直令人难以置信。而真正令人兴奋的是这种方法的普适性：AlphaGo尽管在围棋方面表现优秀，但它只能下围棋，还必须事先学习许多人类专业棋手的棋谱。而AlphaZero似乎可以自学成才，并且适用于多种不同类型的棋类游戏。
当然，我们得谨慎地下结论，不能过度解读。首先，尽管AlphaZero体现了令人印象深刻的通用性(它在棋类游戏专业的通用性方面超过了此前任何一个人工智能系统)，但它本身并不代表迈向通用人工智能的重大进步。它甚至没有我们人类所普遍拥有的智能，在下棋方面它很专业，但它不能跟人交流，不能讲笑话，也不会煎鸡蛋、骑自行车或者系鞋带。它的卓越能力其实有着相当的局限性。当然，棋类游戏是相当抽象的——它们与现实世界相去甚远，正如罗德尼·布鲁克斯很快将要提醒我们的那样。
但是，尽管还有许多问题和麻烦，我相信一个简单的事实：深度思维的工作，从他们的雅达利游戏机到AlphaZero，代表了人工智能领域一系列非凡的突破性成就。在实现这一切的过程中，他们成功地让数以百万计的人们美梦成真。
迈向通用人工智能？
深度学习已经被证明成就非凡，它使我们有能力构建一些在几年前无法想象的人工智能程序。尽管这些程序赢得了辉煌胜利，但它们并不是推动人工智能朝着宏伟梦想前进的魔法。接下来，为了解释这个问题，我们来看一下两个现在广泛使用了深度学习技术的应用：图像标注和自动翻译。
在图像标注问题中，我们希望计算机能够获取图像并对其进行文本描述。在某种程度上具备这项功能的系统已经得到广泛应用：我的苹果Mac软件在更新照片管理应用程序以后，能够正确将我的照片分为“海滩场景”“派对”等等。在撰写本文的时候，还有好几个通常由国际研究机构运营的网站存在，你可以将照片上传到网站，它会尝试为照片做出标识。为了更好地理解图像标注技术的局限性，进而理解深度学习的局限性，我将一张家庭照片上传到一个网站中(本例中，我使用的是微软的标注机器人)[78]，照片如图20所示。
图20 这张照片的内容是什么呢？
在我们得知标注机器人的回应之前，先请你看看这张照片。如果你是个英国人，或者是科幻小说迷，那么你可能会认出照片中右边这位先生是马特·史密斯(Matt Smith)，他在2010年至2013年的BBC电视节目中扮演神秘博士(左边那位就别去猜了，那是我已故的岳父)。
标注机器人对照片的回应如下：
我想这是马特·史密斯以站姿拍照，他们看上去似乎很:-) :-)
标注机器人正确地识别了照片中的关键元素，并在某种程度上识别了照片背景(站姿，拍照，微笑)，然而这种正确识别容易让我们误以为标注机器人正在做一些它肯定做不到的事情：理解。为了说明这一点，请考虑系统是如何识别马特·史密斯的，正如我们之前所提到的，像标注机器人这样的机器学习系统是通过给它大量的数据作为训练样本训练出来的。每个训练数据都由图片和对应文字组成，最终，在识别了大量马特·史密斯的照片以及对应的文本(即“马特·史密斯”的人名)之后，当他出现在照片里，系统就能正确识别出来，并生成文本“马特·史密斯”。几十年的努力研究毕竟是有用的。
但标注机器人并没有真正“认出”马特·史密斯，为了理解这一点，假设我让你看这张照片，你可能会给我这样的回应：
这不是马特·史密斯吗？演神秘博士那位演员，他搂着一个老人站着，这个老人我不认识。他俩都在笑。马特打扮成神秘博士的样子，可能是在拍摄现场吧。他口袋里有卷起来的纸，大概是剧本。马特手里拿着纸杯，或许是在拍摄现场休息。背后的蓝色盒子，那不是塔迪斯吗？神秘博士的太空船时间机器，博士乘坐它四处旅行。他们是在户外拍摄这张照片的，所以很可能就是在摄影现场，附近可能会有摄制组、摄像机和灯光。
标注机器人无法做到这些，虽然它能够识别马特·史密斯，但无法正确理解此处的文本“马特·史密斯”意味着什么。它也无法利用这些知识来解释图片中正在发生的事情。缺乏理解，这就是此处的要点。
当你看到马特·史密斯打扮成神秘博士的照片，就可能联想到一系列的东西，而不仅仅是简单地识别出图片中的人物和解释图片本身。如果你是一个“神秘博士”的粉丝，甚至还有可能深情地回忆起你最喜欢的由他出演的电视剧的某一集(我选择《等待的女孩》，大家同意吗？)。你可能还会记起跟父母或者孩子一起看马特·史密斯主演的《神秘博士》时的场景，里面的怪物让你吓了一跳，等等；或者它会让你联想起一个摄影棚，或者摄制组什么的。
因此，你对这幅图的理解是基于你在这个世界上作为一个人类存在的经历。这样的理解对于标注机器人而言是不可能实现的，因为它没有这个基础(当然，它也并不打算拥有)。标注机器人完全脱离了现实世界，正如罗德尼·布鲁克斯提醒我们的那样：智慧是具体化的。我强调，这个观点并非认为人工智能系统无法做到理解，而是说理解并不是仅仅将某个输入(本例中指包含马特·史密斯的照片)映射到某个输出(本例中指文本“马特·史密斯”)。这种映射的能力可能是理解的一部分，但绝不是全部。
将一种语言自动翻译成另一种语言，是过去十年中因为深度学习技术而快速进步的另一个领域。来看看自动翻译工具能做到什么，又不能做到什么，有助于我们理解深度学习的局限性。谷歌翻译可能算是最著名的自动翻译系统了[79]，作为一个产品，它最初于2006年推出，最新版本的谷歌翻译使用深度学习和神经网络，这个系统是通过给它大量的翻译文本训练出来的。
让我们看看，2019年版本的谷歌翻译遇见不合理的难题时会怎么处理。我们让谷歌翻译法国作家马塞尔·普鲁斯特(Marcel Proust)在20世纪早期所著的经典小说《追忆似水年华》的第一段，以下是第一段的法文原文：
Longtemps, je me suis couché de bonne heure. Parfois, peine ma bougie éteinte, mes yeux se fermaient si vite que je n'avais pas le temps de me dire: ‘Je m'endors.’ Et, une demi-heure après, la pensée qu'il était temps de chercher le sommeil m'éveillait; je voulais poser le volume que je croyais avoir encore dans les mains et souffler ma lumière; je n'avais pas cessé en dormant de faire des réflexions sur ce que je venais de lire, mais ces réflexions avaient pris un tour un peu particulier; il me semblait que j'étais moi- même ce dont parlait l'ouvrage: une église, un quatuor, la rivalité de Fran?ois Ier et de Charles Quint.
很难承认，尽管努力学了10年，我对法语的理解还是十分有限，只能辨认出上文里一些奇怪的孤立的句子，如果没人帮我翻译，我根本看不懂这段文字。
以下是由专业翻译将它翻译成英文的结果[80]：
For a long time I used to go to bed early. Sometimes, when I had put out my candle, my eyes would close so quickly that I had not even time to say ‘I'm going to sleep.’ And half an hour later the thought that it was time to go to sleep would awaken me; I would try to put away the book which, I imagined, was still in my hands, and to blow out the light; I had been thinking all the time, while I was asleep, of what I had just been reading, but my thoughts had run into a channel of their own, until I myself seemed actually to have become the subject of my book: a church, a quartet, the rivalry between Fran?ois I and Charles V.[13]
这下好多了!但有趣的是，虽然这是一段优雅的英文，但它并不是那么直白好懂，至少对我来说是这样。当作者写下“I. . . seemed actually to have become the subject of my book: a church, a quartet, the rivalry between Fran?ois I and Charles V”(直译：我……似乎真正成了这本书的主角：一个教堂、一出四重奏、弗朗索瓦一世和查理五世的竞争)时，到底指的什么？你怎么能“become”(成为)一个“church”(教堂)？他说的“quartet”(四重奏)又是什么意思？还有Fran?ois I(弗朗索瓦一世)和Charles V(查理五世)之间有什么“rivalry”(竞争)？另外，对一个使用电灯的人而言，
“blow out the light”(吹灭烛火)又是什么意思？
接下来我们看看谷歌是怎么翻译这一段的：
Long time, I went to bed early. Sometimes, when my candle, my eyes would close so quickly that I had no time to say: ‘I fall asleep.’ And half an hour later the thought that it was time to go to sleep would awaken me; I wanted to ask the volume that I thought I had in my hands and blow my light; I had not ceased while sleeping to reflections on what I had read, but these reflections had taken a rather peculiar turn; I felt that I myself was what spoke the book: a church, a quartet, the rivalry between Francis I and Charles V.[14]
谷歌翻译做的是一件很复杂的事情，跟专业的人工翻译工作类似。但你并不需要相当专业的翻译知识或者文学素养，就能够看出这段翻译其实挺烂的。在英语中，“blow my light”(直译：吹出我的光芒)这个短语毫无意义，这就让后面的句子显得也没有任何意义。事实上，这些句子读起来特别滑稽。而且翻译结果中包含了母语为英语的人永远不可能使用的短语。我们得到的总体印象是：这段文本大致可以辨认出是什么意思，但是行文扭曲、不自然。
当然，我们给谷歌翻译出了一道难题——翻译普鲁斯特的小说对一个专业的法译英译者而言都是个巨大的挑战。现在问题来了，为什么自动翻译工具这么难以处理文本呢？
关键就在于，你仅仅是懂得法语并不代表就能做好普鲁斯特小说的翻译。哪怕你精通法语，但普鲁斯特的小说仍然会让你摸不着头脑，不仅仅因为他的文字风格，要正确翻译他的小说，你就得理解它，这就需要你有大量的背景知识。关于20世纪初期法国社会和法国人生活的知识(例如你得知道他们使用蜡烛照明)，法国历史的知识(例如你得知道弗朗索瓦一世和查理五世之间的斗争史)，20世纪早期法国文学常识(例如当时的写作风格，还有作者可能引用的典故)，以及对普鲁斯特本人的了解(例如他最想表达的是什么)。谷歌翻译所使用的神经网络里可没有这些知识。
要理解普鲁斯特的小说需要各种各样的相关知识，察觉到这一点并不新鲜。我们在第三章提到的Cyc项目中就遇见过。还记得Cyc项目的目标是创建“包罗万象的知识库”， Cyc的假设是，这将是创造通用人工智能的基础。基于知识的人工智能研究人员肯定希望我向你们指出，早在几十年前他们就预见到这个问题了(来自神经网络研究界的尖锐反驳就是：基于知识的人工智能界根本没创造出来适用解决这个难题的技术，对不对？)。但是，仅仅改进深度学习的技术就能解决这个问题吗？我认为并不是这样。深度学习将解决问题方案的一部分，我认为，一个合理的解决方案需要的不仅仅是更庞大的神经网络、更强大的处理能力，或者更多无聊的以法国小说形式出现的训练数据。它需要突破现有的模式，需要至少和深度学习本身一样闪亮的突破性进展。我怀疑这些将需要明确的知识表述方式，也需要深度学习：我们必须消除明确表示知识的世界和深度学习以及神经网络的世界之间的隔阂。
重大分裂
2010年，我应邀组织一个大型国际人工智能会议——欧洲人工智能大会(ECAI)，大会在葡萄牙里斯本举行。参加类似ECAI这样的会议是人工智能研究人员生活的重要部分，我们把自己的研究成果写下来，提交给大会，由大会的项目委员会审核。项目委员会通常是由相关领域著名科学家组成的小组，他们决定哪些研究成果值得在大会上发表。权威的会议大概只会接受五分之一的投稿，所以研究成果被大会接受是一件非常有意义的事情。真正大型的人工智能会议能够吸引超过5000份的投稿。所以，你能想象，被邀请担任ECAI的主席，我感到非常荣幸——这意味着科学界信任你，另外跟学院提升职加薪的时候也是值得大书特书的一笔。
作为主席，我的工作包括召集项目委员会成员，我非常希望能有来自机器学习研究领域的代表。但意外的事情发生了：每一位我试图邀请加入项目委员会的机器学习领域专家，都礼貌地拒绝了我。被婉拒是常见的事情——毕竟，这是一项艰巨的工作。但是我连一个人都找不到就很奇怪了，是我的问题吗？还是ECAI的问题？或者别的问题？
我向以前组织过这项活动的同事和组织过其他类似会议的人请教，他们也提到了同样的情况。机器学习研究领域似乎对所谓的“主流人工智能”事件不感兴趣。我知道机器学习领域的两件学界大事是神经信息处理系统(NeurIPS)会议和国际机器学习会议(ICML)。人工智能多数分支领域都有自己的专家会议，所以该领域的专家们更注重这类会议，这不足为奇。但在此之前，我根本没意识到，机器学习研究领域的许多人根本就不把自己视为“人工智能”的一部分。
事后来看，人工智能和机器学习之间的分裂似乎很早就有端倪了，也许是从1969年明斯基和帕普特出版了《感知器》这本书开始。正如我们之前所提到的，这本书似乎在扼杀神经网络人工智能研究方面起到了重大作用，从60年代末一直到80年代中期PDP(并行分布模型)的出现。即使在半个世纪之后的今天来回顾，人们对这本书出版的后果仍然感到痛心。不管分裂的起源是什么，事实就是，在某种程度上，机器学习研究领域的许多人脱离了主流人工智能，沿着自己的轨迹发展。当然，也有许多研究人员认为自己可以轻松跨越机器学习和人工智能之间的隔阂。但直至如今，如果你给不少机器学习专家的研究工作贴上“人工智能”标签，他们会感到惊讶，甚至恼火：因为对他们来说，人工智能只是我在本书其他地方记录的一长串失败的想法罢了。
[1] 传闻汉诺塔来自印度的古老传说，印度教的主神梵天在创造世界之时，在世界中心贝拿勒斯(在印度北部)的圣庙里设置了三根柱子和64个金环，并设定了移动规则。当僧侣按照规则把所有的金环都移动完成时，世界将在一声霹雳中毁灭，梵塔、庙宇和众生都将同归于尽。
[2] P代表多项式时间，在计算机术语中，如果一个问题能够在多项式时间内解决，这个问题就是有意义可解的，即P问题，简单地说就是P问题的有效解决方案不会引起组合爆炸。NP问题指的是不确定能否在多项式时间内解决，但是确定能够在多项式时间内验证某个解是否有效的问题。是否能证明NP问题都可以等同于P问题，是当今计算机科学面临的一大难题，即P与NP问题。
[3] 人们将对于计算机来说最困难的问题，非正式地称为“AI完全”(AI-complete)或者“AI困难”(AI-hard)，以此说明解决了这些计算性问题就相当于解决了人工智能的核心问题——让计算机和人类或者强人工智能一样聪明。将一个问题称为“AI完全问题”，意味着它不能被一个简单的特定算法解决。
[4] 顺势疗法是替代医学的一种，其理论基础是“同样的制剂治疗同类疾病”，意思是为了治疗某种疾病，需要使用一种能够在健康人中产生相同症状的药剂。
[5] MYCIN系统，是一种帮助医生对住院的血液感染患者进行诊断和选药治疗的人工智能。
[6] 1英寸≈2.54厘米。
[7] 在层次系统中，上一层次单元所具有的构成其下一层次单元所不具有的某些性质。这种性质往往是由于下一层次单元及其相互联结方式的非线性性质产生，也即总体不等于其各个部分之和。
[8] 布鲁克斯是iRobot公司的创始人，该公司广受欢迎的产品Roomba智能扫地机器人就来自他的研究成果[81]。
[9] 博弈论的英文为game theory，直译为“游戏理论”。
[10] 信用分配问题(credit assignment problem)，也有译为赞誉分布、功劳分配的，通俗来讲可以比喻成你吃了10个包子后吃饱了，但是你并不知道具体是哪个包子为你吃饱的贡献比较大。
[11] 异或是一种逻辑运算，计算机符号为“XOR”，运算法则为当a、b两个值不相同时，异或结果为1，当a、b值相同时，异或结果为0。
[12] 鳕鱼系统是世界领先的国际象棋程序之一。
[13] 中文翻译如下：我每天都早早躺下，已经持续很长一段时间。有时候，蜡烛刚灭，我甚至来不及咕哝一句“我要睡着了”，就进入梦乡。半小时之后，我才想起应该睡觉，这一想反倒让我清醒过来。我准备把感觉还握在手里的书放好，吹灭灯火。一直到睡着，我都在思考刚才读的那本书，只是思路有点特别：我总觉得书里说的事儿，什么教堂呀，四重奏呀，弗朗索瓦一世和查理五世争强斗胜呀，全都同我直接相关。
[14] 法文原文使用翻译软件翻译结果如下：长久以来，我睡得很早。有时候，我的蜡烛刚刚熄灭，我的眼睛闭得太快，以至于我没有时间对自己说：“我睡着了。”半小时之后，想到是寻找睡眠的时候了，我醒来了。我想放下我还以为我手上还有的书卷，吹出我的光芒。我在睡觉的时候一直在思考我刚才读到的东西，但这些思考却有一点特别，我觉得我就是作品中提到的那个人：一个教堂，一个四重奏，弗朗索瓦一世和查理五世的竞争。