人工智能的支持者们和反对者们的争论可能直到强人工智能真的出现的那一天都不会停止，但大众可能并不是非常清楚机器人和AI到底发展到什么程度了，www.zr-kuka.com，以及认真思考过当机器人和AI真的普及开来，它们到底会对我们产生什么样的影响？很多人对AI的估计要么过于乐观，要么过于悲观。为了弄清楚这些问题，记者采访了MIT人工智能实验室(CSAIL)的主任DanielaRus，作为全球顶尖高校人工智能实验室之一的主任，Rus教授对AI和机器人的发展有很深的理解，也对人机关系的未来有很深的思考，让我们看看对于这些大家争论不休的问题，这位大神是怎么说的。

记者：您最感兴趣的研究领域是哪个？为什么您会觉得它如此重要？

Rus：我最感兴趣的领域其实是机器人，我们正在研究如何制造更好的自动化系统，自动化系统能深刻的改变这个世界。改变人们完成任务的方式，并且可以让我们更好的理解彼此。

记者：可以举个具体的例子说说它能怎么让我们更好的理解彼此吗？

Rus：我们对我们的大脑是如何工作和智能是如何产生的了解的很少，但是我们现在对研究这个的方法有一个预测：就是如果我们能造出一台各种行为表现的都和生物很像的机器。那这台机器的内在原理可能跟生物的内在原理比较相似，我们可能可以通过这种研究加深对我们自己的理解。

记者：在您研究的所有产品中您最喜欢哪个呢？

Rus：实际上我很难回答这个问题，因为实际上我对我所有的产品的喜爱都是一样的。我可以把机器比作我的孩子，而我爱我所有的孩子。不过我可以告诉你一些我们正在进行的项目。目前我们正在研制一种智能汽车。这种汽车不仅不会卷入交通事故，而且还会成为你的朋友。这台汽车在你驾驶的时候会检查你的状况，如果发现你将要做出错误的举动，它就会暂时接管你的控制权以避免事故发生。它还能同你家的家居设备互动，比如告诉你你的冰箱里快没有牛奶了。并且给出在你回家的路上顺便去超市买一盒的建议和路线。甚至可以在你的父亲生日的时候提醒你打电话给他送去祝福。我很喜欢这个想法。它不仅能帮助它的拥有者安全行驶，还能做出更多的互动。

记者：您觉得这台车是一种AI吗？

Rus：当然，研发这台车的过程涉及，甚至促进了AI很多方面的最先进的应用。比如机器知觉，因为让车辆拥有知觉确实是一件非常有挑战性的事，并且有必要把能安全行驶的车和能开得很快的车区分开。对于一台智能车来说，有一个好的认知系统是很重要的，当然，让人拥有控制权也是很重要的。而汽车与车主的互动也是很重要的。而所有这些内容组合在一起，就敦促着我们需要创造出一种更先进的智能决策系统。

这是我们目前正在进行的一项研究的例子，而我们还有很多类似的项目，它们都让我感到很喜欢和兴奋。除了这个项目之外，我们还有一个项目，在那个项目中我们主要关注于让每个人都拥有制造属于他们自己的机器人的能力。而我们的打算是，人们只要描述出自己想让这个机器人做什么，机器人就能自动理解并且执行这条指令了。比如直接说我想让机器人帮我打扫一下卫生这样就行了。这样就不止是专家，而是任何人都可以定制自己的机器人了。所以我们现在在开发一种叫机器人编译器的编程系统，可以让我们自动完成对机器人的编程。我们现在还做不了太复杂的任务，但是一些简单的任务已经可以通过机器人来完成了。

记者：目前CSAIL有在进行什么关于通用型人工智能（AGI）的研究吗？

Rus：CSAIL有一些研究是研究大脑是如何工作的，也有一些聚焦于建立相关基础理论的研究。我个人认为，KUKA机器人电路板维修，这种通过工程学复制大脑结构来研究智能的运作原理的方法是目前AI科学界最大的挑战也是最为杰出的尝试。

记者：您觉得CSAIL正在进行的项目里，有哪些是在实现AGI上比较有潜力和希望的？

Rus：这很难抉择，有很多有意思的项目都在同时进行。比如，有一个项目是关于研究人们如何去完成一件事的。通过对这些东西的研究我们可以让AI有能力预测在一段视频中接下来会发生什么。在我自己的团队里，我正在进行一个想要让盲人感受和体验这个世界的研究。我们在试图使用一个可穿戴设备探索让盲人像我们一样感知这个世界的方法，www.zr-kuka.com，这也需要相当强力的感知系统。总结一下的话，我们在这方面的研究的一个重要的方向就是使用机器学习（machinelearning）技术让电脑帮助人们做到我们现在暂时还做不到的事情。机器学习让我们有了几乎能做任何事情的能力。

机器学习与AI

记者：您提到了机器学习，您觉得机器学习或者深度学习能最终帮助我们制造出通用型人工智能吗？

Rus：深度学习系统在很多任务上都表现出了极出色的性能。但是我们实际上并不是很清楚为什么深度学习系统是如何工作的，以及为什么它会表现的这么好。而且我们需要做很多研究才能更精确的理解它什么时候能有效，而什么时候不能。我们现在已经知道，深度学习在很多方面的表现都会比其他的传统方法好很多。深度学习系统的一个很重要的组成部分是数据：深度学习系统要做好效果必须要用大量的数据来训练它的算法。比如斯坦福的李飞飞建立的计算机视觉数据库（指ImageNet），其中包含了数以百万计的图片。这个数据库给了我们训练出前所未有的强大的图像识别系统的机会。但是我们没有那么多数据去应对一种通用的情况，那要求的数据量太大了。所以我觉得我们离制造出通用人工智能还有很长一段距离。这其中很多关键的原理我们还不知道。即使有了机器学习的帮助，我们也需要用很多数据组成的数据集来让它们达到最佳状态。而且即使是现在表现最好的深度学习系统也会出错。（除了几个极为成熟的领域外）现在的深度学习系统很多达到了70%到90%的准确率。但是在某些特定的领域其实这个准确度还不够。比如说用在自动驾驶汽车上的话，即使90%的准确率也可能造成很多事故。