嚴肅：你認為大家對于Vicarious的常見誤解是什么？
Scott Phoenix：我最常聽到的兩個相關聯(lián)的問題是：為什么Vicarious融這么多錢？我們什么時候要發(fā)布產品？
我們融了一大筆錢，因為構建一個AI系統(tǒng)需要長時間的投入和多學科的努力。為了取得大的進步，需要一大批來自不同背景的人在一起工作很多年。就像建造第一架飛機、燈泡或電話一樣，這個產品是一個非常長的科學實驗和迭代的結果。
嚴肅：你認為深度學習有哪些局限性？
Scott Phoenix：深度神經網絡（DNN)需要大量的訓練數(shù)據，不能很好地適用于新的任務或環(huán)境。
此外，深度學習往往側重于學習輸入感知與輸出動作之間的映射（如用于做分類決策或者是圍棋、Atari游戲上的移動的決策）。
我們認為智能的本質是能夠學習一個所處在世界的心理模型(mental model )，然后能否在這個模型上進行模擬（所謂想象力）。
嚴肅：Vicarious似乎開始將一些研究成果應用用來解決一些行業(yè)的具體的問題，會有哪些具體的應用？聽說是機器人領域？為什么要從這些問題開始？
Scott Phoenix：我們認為產品是在有根本性的科研發(fā)現(xiàn)和重點研究后的自然結果。我們的第一個產品將幫助今天的機器人更多樣化和更廣泛的使用。一直以來，這個世界擁有制造數(shù)十億的機器人的材料和零部件。這個世界上充滿了廉價的傳感器、電機、塑料和芯片，然而普通人每年看到的機器人幾乎是零，普通工廠里擁有的機器人也是零。Vicarious旨在使用其先進的AI技術，使機器人比今天更加有用，使其無所不在。
我們選擇從機器人開始，因為它對未來使用AI的方式的具有最大的影響。我們正處于機器人革命的黎明，我們的目標是讓Vicarious成為機器人界的“Intel Inside”。
嚴肅：Vicarious的研究強調了幾個主題和限制，例如“從有限數(shù)量的訓練示例中歸納”（“Generalizing from a limited number of training examples”），生成模型（Generative models）？這些主題和限制會帶來什么局限或挑戰(zhàn)呢？什么樣的問題是Vicarious的算法不擅長解決的呢？
Scott Phoenix：新技術開始出現(xiàn)時，和當前重度優(yōu)化的現(xiàn)有技術相比，它可能在很多層面上反而沒有優(yōu)勢。例如，當晶體管收音機出來時，它比現(xiàn)有的真空管收音機在許多方面差得多。但它更加便攜，隨著時間的推移，它從各個層面超越了真空管。構建新類型的AI也是類似的。我們的技術在許多方面優(yōu)于深度神經網絡(DNN)，但還有其他一些方面還不如深度神經網絡。例如，我們尚未把優(yōu)先級放在建立必要的規(guī)模來測試像ImageNet這樣的數(shù)據集上的算法。隨著時間的推移和不斷的努力，我們將在大多數(shù)事情上變得更好，但是為了達到這個目標，我們有許多技術挑戰(zhàn)和研究問題需要解決。
嚴肅：Vicarious面臨最大的潛在的挑戰(zhàn)是什么？
Scott Phoenix：Vicarious面臨的主要挑戰(zhàn)是技術本身。建立人工智能是一個很有難度的問題。創(chuàng)建第一個智能的機器人系統(tǒng)是具有挑戰(zhàn)性的，因為它需要許多不同領域的專業(yè)知識。但這些挑戰(zhàn)也是驅動我們前進的動力，非常榮幸能夠和一些世界上最聰明的頭腦來一起解決這個人類面臨的最重要的問題之一。
Vicarious的技術特點：強調建模的重要性
Vicarious發(fā)表的這篇論文《Generative Shape Models: Joint Text Recognition and Segmentation with Very Little Training Data》是Vicarious技術的一小部分的一個嘗試性的應用，他們發(fā)表的一個原因是希望吸引學術界更多人參與這種神經科學和腦科學引導的、建模為主的人工智能研究。
在采訪中，我們也和Vicarious的商業(yè)化總監(jiān)樓興華博士（NIPS論文作者之一）討論了Vicarious技術的特點。
Vicarious的技術特點一：生成性模型
Vicarious的研究重點是通用人工智能，研究重點是生成模型。
生成模型區(qū)別于判別式模型(Discriminative Model)，生成模型可以通過貝葉斯得到判別模型，但判別模型無法得到生成模型。