本周，在GeekWire播客上，我们与位于匹兹堡的卡内基梅隆大学计算机科学学院院长马西尔·赫伯特一起探讨机器人和人工智能的最新进展。
作为计算机视觉领域的资深计算机科学家，Hebert是CMU著名的机器人研究所的前主任。作为一名法国人，他还有幸成为两年来第一个亲自做客的播客嘉宾，在最近的西雅图之行中，他访问了GeekWire的办公室。
正如你将听到的，我们的讨论作为GeekWire新闻团队即将前往匹兹堡之旅的预展，重新访问了2018年GeekWire临时总部第二季的主办城市，并在卡斯卡迪亚资本的支持下报道了卡斯卡迪亚连接机器人、自动化和人工智能会议。
请继续阅读下面的对话节选，这些对话经过了编辑，便于清晰和长度。
请在下面收听，或者在Apple podcast、谷歌podcast、Spotify或任何你收听的地方订阅GeekWire。
你来西雅图做什么?你能告诉我们一点吗你这次西海岸之旅的目的
Martial Hebert:我们与一些合作伙伴和一些行业合作伙伴合作。因此，这就是这次访问的目的:在围绕人工智能和机器人的各种主题上建立和加强这些合作。
GeekWire在匹兹堡已经四年了。计算机科学和技术领域发生了什么变化?
自动驾驶汽车公司Aurora和Argo AI正在迅速且成功地扩张。机器人公司的整个网络和生态系统也在迅速扩张。
但除了扩张之外，这里还有一种更强烈的社区意识。这在旧金山湾区和波士顿地区已经存在很多年了。在过去的四年里，我们的社区发生了很大的变化，通过像匹兹堡机器人网络这样的组织，我们的社区已经巩固了很多。
自动驾驶汽车仍然是计算机视觉和汽车最有前途的应用之一吗nomous系统?
在人们的生活中，它是一个非常明显的，潜在的非常有影响力的应用:交通，交通等等。但还有其他一些不那么显眼的应用，也可能相当有影响力。
例如，围绕健康的事情，以及如何使用来自各种传感器的健康信号——这些潜在的影响深远。如果你能在人们的习惯上做一点小小的改变，就能在人口的整体健康和经济上做出巨大的改变。
你现在看到的机器人技术和计算机视觉方面的一些前沿进展是什么?
让我给你们介绍一些我认为非常有趣和有前途的主题。
- 其中之一与机器人或系统无关，而是与人有关。它的理念是理解人类——理解他们的互动，理解他们的行为，预测他们的行为，并利用这一点与人工智能系统进行更综合的互动。这包括计算机视觉。
- 其他方面包括使系统具有实用性和可部署性。在过去的几年里，我们已经取得了巨大的进步教授深度学习和相关技术。但这在很大程度上依赖于大量数据的可用性，管理数据，监督数据。所以很多工作都是为了减少对数据的依赖更灵活的系统。
感觉，理解和预测人类行为的第一个主题似乎可以在课堂上应用，在感知学生如何互动和参与的系统方面。这些在我们现在看到的科技中发生了多少呢?
有两个答案:
- 有一个纯粹的技术答案，那就是，我们能从观察中提取多少信息，多少信号?在这方面，我们取得了巨大的进步。当然，有些系统在那里的性能非常好。
- 但是，我们能否在互动中有效地使用这种方法，以改善教育方面的学习经验?要真正部署这些系统，我们还有很长的路要走，但我们已经取得了很大的进展。特别是在CMU，与学习科学一起，我们在开发这些系统方面有很大的活动。
但重要的是，它不仅仅是人工智能。这不仅仅是计算机视觉。它是技术和学习科学的结合。这两者的结合非常关键。任何试图使用这种计算机视觉的东西，例如，以一种幼稚的方式，实际上可能是灾难性的。所以把这些学科恰当地联系起来是非常重要的。
我可以想象，在许多不同的领域，各种各样的创举中都是如此。在过去，计算机科学家、机器人专家和人工智能领域的人可能会试图在没有学科专家的情况下进行开发。这是改变了。
事实上，我认为这种进化是非常有趣和必要的。例如，我们与CMU的亨氏信息系统和公共政策学院(Heinz College of Information Systems and Public Policy)合作开展了一项大型活动，以了解人工智能如何应用于公共政策。你真正想要的是提炼出通用的原则和工具，将人工智能应用于公共政策，然后将其转化为课程和介于两者之间的教育产品。
我们必须明确人工智能的局限性。我认为这还不够。即使对于那些不是人工智能专家，并不一定了解人工智能的技术细节的人来说，了解人工智能可以做什么也是很重要的，但更重要的是，了解它不能做什么。
[在我们录制这期节目后，CMU宣布了一项新的跨学科负责任的人工智能计划，涉及亨氏学院和计算机科学学院。]
如果你刚开始研究计算机视觉和机器人技术，有没有什么特别的挑战或问题让你迫不及待地想要在这个领域里解决?
一个主要的挑战是要有真正全面和有原则的方法来描述人工智能和机器学习系统的性能，并评估这种性能，预测这种性能。
当你观察一个经典的工程系统，无论是汽车、电梯还是其他什么东西，在这个系统的背后，有几百年的工程实践。这意味着正式的方法——正式的数学方法，正式的统计方法——但也意味着测试和评估的最佳实践。对于人工智能和ML，我们没有这样的技术，至少没有达到那样的程度。
这基本上就是从系统的组件开始，一直到能够对整个端到端系统进行表征。所以这是一个很大的挑战。
我以为你会说，一个能在你看钢人队比赛时给你拿啤酒的机器人。
这与我之前所说的局限性有关。我们仍然没有支持来处理这些组成部分。这就是我的观点。我认为这是关键的一步，让送啤酒的机器人变得真正可靠和值得信赖。
关于他在计算机视觉和自主系统方面的工作的更多细节，请参阅Martial Hebert的研究页面。
由柯特·弥尔顿编辑和制作，丹尼尔·l·k·考德威尔作曲。
