人工智能的支持者們和反對者們的爭論可能直到強人工智能真的出現的那一天都不會停止，但大眾可能并不是非常清楚機器人和AI到底發展到什么程度了，m.dekuna.com，以及認真思考過當機器人和AI真的普及開來，它們到底會對我們產生什么樣的影響？很多人對AI的估計要么過于樂觀，要么過于悲觀。為了弄清楚這些問題，記者采訪了MIT人工智能實驗室(CSAIL)的主任DanielaRus，作為全球頂尖高校人工智能實驗室之一的主任，Rus教授對AI和機器人的發展有很深的理解，也對人機關系的未來有很深的思考，讓我們看看對于這些大家爭論不休的問題，這位大神是怎么說的。
記者：您最感興趣的研究領域是哪個？為什么您會覺得它如此重要？
Rus：我最感興趣的領域其實是機器人，我們正在研究如何制造更好的自動化系統，自動化系統能深刻的改變這個世界。改變人們完成任務的方式，并且可以讓我們更好的理解彼此。
記者：可以舉個具體的例子說說它能怎么讓我們更好的理解彼此嗎？
Rus：我們對我們的大腦是如何工作和智能是如何產生的了解的很少，但是我們現在對研究這個的方法有一個預測：就是如果我們能造出一臺各種行為表現的都和生物很像的機器。那這臺機器的內在原理可能跟生物的內在原理比較相似，我們可能可以通過這種研究加深對我們自己的理解。
記者：在您研究的所有產品中您最喜歡哪個呢？
Rus：實際上我很難回答這個問題，因為實際上我對我所有的產品的喜愛都是一樣的。我可以把機器比作我的孩子，而我愛我所有的孩子。不過我可以告訴你一些我們正在進行的項目。目前我們正在研制一種智能汽車。這種汽車不僅不會卷入交通事故，而且還會成為你的朋友。這臺汽車在你駕駛的時候會檢查你的狀況，如果發現你將要做出錯誤的舉動，它就會暫時接管你的控制權以避免事故發生。它還能同你家的家居設備互動，比如告訴你你的冰箱里快沒有牛奶了。并且給出在你回家的路上順便去超市買一盒的建議和路線。甚至可以在你的父親生日的時候提醒你打電話給他送去祝福。我很喜歡這個想法。它不僅能幫助它的擁有者安全行駛，還能做出更多的互動。
記者：您覺得這臺車是一種AI嗎？
Rus：當然，研發這臺車的過程涉及，甚至促進了AI很多方面的最先進的應用。比如機器知覺，因為讓車輛擁有知覺確實是一件非常有挑戰性的事，并且有必要把能安全行駛的車和能開得很快的車區分開。對于一臺智能車來說，有一個好的認知系統是很重要的，當然，讓人擁有控制權也是很重要的。而汽車與車主的互動也是很重要的。而所有這些內容組合在一起，就敦促著我們需要創造出一種更先進的智能決策系統。
這是我們目前正在進行的一項研究的例子，而我們還有很多類似的項目，它們都讓我感到很喜歡和興奮。除了這個項目之外，我們還有一個項目，在那個項目中我們主要關注于讓每個人都擁有制造屬于他們自己的機器人的能力。而我們的打算是，人們只要描述出自己想讓這個機器人做什么，機器人就能自動理解并且執行這條指令了。比如直接說我想讓機器人幫我打掃一下衛生這樣就行了。這樣就不止是專家，而是任何人都可以定制自己的機器人了。所以我們現在在開發一種叫機器人編譯器的編程系統，可以讓我們自動完成對機器人的編程。我們現在還做不了太復雜的任務，但是一些簡單的任務已經可以通過機器人來完成了。
記者：目前CSAIL有在進行什么關于通用型人工智能（AGI）的研究嗎？
Rus：CSAIL有一些研究是研究大腦是如何工作的，也有一些聚焦于建立相關基礎理論的研究。我個人認為，KUKA機器人電路板維修，這種通過工程學復制大腦結構來研究智能的運作原理的方法是目前AI科學界最大的挑戰也是最為杰出的嘗試。
記者：您覺得CSAIL正在進行的項目里，有哪些是在實現AGI上比較有潛力和希望的？
Rus：這很難抉擇，有很多有意思的項目都在同時進行。比如，有一個項目是關于研究人們如何去完成一件事的。通過對這些東西的研究我們可以讓AI有能力預測在一段視頻中接下來會發生什么。在我自己的團隊里，我正在進行一個想要讓盲人感受和體驗這個世界的研究。我們在試圖使用一個可穿戴設備探索讓盲人像我們一樣感知這個世界的方法，m.dekuna.com，這也需要相當強力的感知系統。總結一下的話，我們在這方面的研究的一個重要的方向就是使用機器學習（machinelearning）技術讓電腦幫助人們做到我們現在暫時還做不到的事情。機器學習讓我們有了幾乎能做任何事情的能力。
機器學習與AI
記者：您提到了機器學習，您覺得機器學習或者深度學習能最終幫助我們制造出通用型人工智能嗎？
Rus：深度學習系統在很多任務上都表現出了極出色的性能。但是我們實際上并不是很清楚為什么深度學習系統是如何工作的，以及為什么它會表現的這么好。而且我們需要做很多研究才能更精確的理解它什么時候能有效，而什么時候不能。我們現在已經知道，深度學習在很多方面的表現都會比其他的傳統方法好很多。深度學習系統的一個很重要的組成部分是數據：深度學習系統要做好效果必須要用大量的數據來訓練它的算法。比如斯坦福的李飛飛建立的計算機視覺數據庫（指ImageNet），其中包含了數以百萬計的圖片。這個數據庫給了我們訓練出前所未有的強大的圖像識別系統的機會。但是我們沒有那么多數據去應對一種通用的情況，那要求的數據量太大了。所以我覺得我們離制造出通用人工智能還有很長一段距離。這其中很多關鍵的原理我們還不知道。即使有了機器學習的幫助，我們也需要用很多數據組成的數據集來讓它們達到最佳狀態。而且即使是現在表現最好的深度學習系統也會出錯。（除了幾個極為成熟的領域外）現在的深度學習系統很多達到了70%到90%的準確率。但是在某些特定的領域其實這個準確度還不夠。比如說用在自動駕駛汽車上的話，即使90%的準確率也可能造成很多事故。