严肃：Vicarious似乎开始将一些研究成果应用用来解决一些行业的具体的问题，会有哪些具体的应用？听说是机器人领域？为什么要从这些问题开始？

　　Scott Phoenix：我们认为产品是在有根本性的科研发现和重点研究后的自然结果。我们的第一个产品将帮助今天的机器人更多样化和更广泛的使用。一直以来，这个世界拥有制造数十亿的机器人的材料和零部件。这个世界上充满了廉价的传感器、电机、塑料和芯片，开奖，然而普通人每年看到的机器人几乎是零，普通工厂里拥有的机器人也是零。Vicarious旨在使用其先进的AI技术，使机器人比今天更加有用，使其无所不在。

　　我们选择从机器人开始，因为它对未来使用AI的方式的具有最大的影响。我们正处于机器人革命的黎明，我们的目标是让Vicarious成为机器人界的“Intel Inside”。

　　严肃：Vicarious的研究强调了几个主题和限制，例如“从有限数量的训练示例中归纳”（“Generalizing from a limited number of training examples”），生成模型（Generative models）？这些主题和限制会带来什么局限或挑战呢？什么样的问题是Vicarious的算法不擅长解决的呢？

　　Scott Phoenix：新技术开始出现时，和当前重度优化的现有技术相比，它可能在很多层面上反而没有优势。例如，当晶体管收音机出来时，它比现有的真空管收音机在许多方面差得多。但它更加便携，随着时间的推移，它从各个层面超越了真空管。构建新类型的AI也是类似的。我们的技术在许多方面优于深度神经网络(DNN)，但还有其他一些方面还不如深度神经网络。例如，我们尚未把优先级放在建立必要的规模来测试像ImageNet这样的数据集上的算法。随着时间的推移和不断的努力，我们将在大多数事情上变得更好，但是为了达到这个目标，我们有许多技术挑战和研究问题需要解决。

　　严肃：Vicarious面临最大的潜在的挑战是什么？

　　Scott Phoenix：Vicarious面临的主要挑战是技术本身。建立人工智能是一个很有难度的问题。创建第一个智能的机器人系统是具有挑战性的，因为它需要许多不同领域的专业知识。但这些挑战也是驱动我们前进的动力，非常荣幸能够和一些世界上最聪明的头脑来一起解决这个人类面临的最重要的问题之一。

　　Vicarious的技术特点：强调建模的重要性

　　Vicarious发表的这篇论文《Generative Shape Models: Joint Text Recognition and Segmentation with Very Little Training Data》是Vicarious技术的一小部分的一个尝试性的应用，他们发表的一个原因是希望吸引学术界更多人参与这种神经科学和脑科学引导的、建模为主的人工智能研究。

　　在采访中，我们也和Vicarious的商业化总监楼兴华博士（NIPS论文作者之一）讨论了Vicarious技术的特点。

　　Vicarious的技术特点一：生成性模型

　　Vicarious的研究重点是通用人工智能，研究重点是生成模型。

　　生成模型区别于判别式模型(Discriminative Model)，生成模型可以通过贝叶斯得到判别模型，但判别模型无法得到生成模型。

　　简单的说，拿到一张图片，生成模型需要懂得图片中需识别的物体的较为完整的信息，需要懂得此物体的构建的过程（所谓“生成”）。因为生成模型本身“懂”物体，天然地它就可以“创造”新的、未见的物体实例。如下图，一旦Vicarious的模型懂得了字符“A”，它就可以“想象”出很多种可能的“A”的实例。也就是说，如果在实际场景中观察到这些不同变化的“A”，Vicarious的模型都可以很好的识别出来。