正文
Scott Phoenix：我们没有在2014年就公开验证码测试的工作的原因是，我们不希望这项广泛被应用的验证码系统被我们搞坏。
(被大量用于广泛应用于区分计算机和人类的CAPTCHA)
在我们宣布了破解验证码测试的消息后，谷歌和其他大型的网站逐步开始减少对图形验证码识别的依赖，这大大减少了我们公布论文后可能对互联网的危害。
我们选择现在发布论文，也是为了增加和学术圈的交流。但是，我们绝对不会像学术实验室一样频繁的发表论文，因为我们的主要重心还是为了推动人工智能的进步，而不是依赖于论文发表和被引用。
严肃：你认为大家对于Vicarious的常见误解是什么？
Scott Phoenix：我最常听到的两个相关联的问题是：
为什么Vicarious融这么多钱？我们什么时候要发布产品？
我们融了一大笔钱，因为构建一个AI系统需要长时间的投入和多学科的努力。为了取得大的进步，需要一大批来自不同背景的人在一起工作很多年。就像建造第一架飞机、灯泡或电话一样，这个产品是一个非常长的科学实验和迭代的结果。
严肃：你认为深度学习有哪些局限性？
Scott Phoenix：深度神经网络（DNN)需要大量的训练数据，不能很好地适用于新的任务或环境。
此外，深度学习往往侧重于学习输入感知与输出动作之间的映射（如用于做分类决策或者是围棋、Atari游戏上的移动的决策）。
我们认为智能的本质是能够学习一个所处在世界的心理模型(mental model )，然后能否在这个模型上进行模拟（所谓想象力）。
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，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。
