[音乐播放] DAVID马兰：这是CS50。这为10周结束时。和男孩，我们有一个良好的班为你今天。我们很高兴地邀请两我们从耶鲁的朋友赶快到我们今天并且看的交集人工智能，机器人技术，自然语言处理，以及更多。事实上，在过去几周，我们已经肯定花了很多时间，特别是在较早的pset，专注于相当低级别的细节。它很容易忽视森林的树木并获得挂在循环和条件和指针，当然，和类似物。但现实情况是，你们现在有配料与你可真解决了一些有趣的问题，其中他们那些我们的朋友在耶鲁工作只是害羞剑桥。所以，首先请允许我介绍一下我们的头教学耶鲁大学，安迪的助手。 [掌声] 安迪：首先，只是感谢你让一对夫妇Yalies 今天流行下到剑桥。我们真的很感激。其次，我们的朋友回home--杰森，感谢保持和运行讲座。希望它在纽黑文都好。所以呀，我超级兴奋今天给大家介绍Scaz。 Scaz运行的机器人实验室。他是一个教授，像五不同的部门在耶鲁大学。在他的实验室，他有很多很多机器人，他喜欢玩。他有一样的最酷的工作在世界上。而他得到一种混乱与整天各地长，做了一些工作，以及。因此，我们实际上增添了一颗与我们今天的人下来。因此，事不宜迟，Scaz是要继续前进，并为我们介绍一下以他的机器人朋友。 [掌声] BRIAN SCASSELLATI：谢谢你，大卫。谢谢你，安迪。它是如此美妙的是这里与大家今天。我想首先要非常清楚，这里的CS50工作人员在剑桥一直令人难以置信的热情好客给我们。我们非常感谢所有他们所做的支持我们。因此，我们希望能返回的恩情。所以今天，我们得到的宣布那我们将有一个新的， CS50的事件之一的一类下周在纽黑文的发生。这是CS50研究世博会。因此，我们将要邀请 everyone-- CS50学生，工作人员来自美国哈佛大学和Yale--到下来和我们一起参观上周五。我们将有各种各样的超过 30个不同的人提出和exhibiting--年级学生展示了一些他们的研究产品。我们将有一些创业公司，甚至，看对于新的高科技人才一点点，初创公司来自哈佛和耶鲁。而且，我们还会有一些学生团体寻找一些新的成员。这将是一个非常激动人心的时刻。希望你们谁是下来的哈佛，耶鲁游戏将能够停止年初由一点点，就在校园中心，斯特林纪念图书馆。我们要有一套展品范围从自主帆船使用软件的方式保存中世纪手稿。我们将有广告组织网络和人员教学软件编码在开普敦。我们将有电脑音乐表演。我们会的过程中有更多的机器人。因此，我们希望你会参加我们这个活动。这应该是一个很大的乐趣，食物一点点，和很多有趣的事情要谈。所以我们今天要谈关于自然语言处理。这是对我们的尝试建立接口的新途径与我们的设备，因为在过去的几个星期，你一直专注于它是如何说您可以编写代码，编写软件那就是能说一个办法机，这就是我要你做的。但是，我们不应该需要预计一切这是在那里这是我们用来每个人都在世界将是精通在这样的结构。因此，我们区分计算机之间语言和自然languages-- 也就是说，事情人类使用与其他人进行通信。我们试图构建一个使用界面这些自然的沟通机制。现在，就像所有其他的话题我们已经开始在CS50，我们将先从最简单的自然语言处理的位我们可以想像。我们将开始与自然语言的历史的一部分。然后，我们将建立以越来越多的最近的系统并有一些有趣的演示沿途。因此，我们要开始什么可能是第一个自然语言处理系统。这是写在一个软件系统 1966年由约瑟夫·魏泽鲍姆叫做ELIZA。伊莱扎被设计成复制类型的相互作用你将有一个罗吉瑞恩心理治疗师。现在，Rogerians，他们有一个想法，心理治疗参与能够反映回给患者和他们交谈，基本上，只给他们一个治疗师的微小点点。也就是说，一切治疗师说：被认为是仅仅反映什么样的病人告诉他们。因此，让我们尝试演示这一点。我们有一个志愿者谁愿意成为愿意分享他们的最深的，最黑暗的，和/或假的秘密与伊莉莎？当然，你为什么不来就到了。太棒了。你的名字？迈尔斯：万里。 BRIAN SCASSELLATI：万里。很高兴见到你，万里。如果你想抓住这一点。而且我们要使用版本ELIZA的我们已经复制内CS50 IDE。并且我们将看看源在一小会儿代码这一点。但现在，我们只是要通过键入伊莉莎来调用它。伊莱扎将会给您回应这将是在所有的首都。而要问你几个问题。我们会作出回应，并键入在应对ELIZA。所以伊莉莎说，“嗨，我是伊莉莎。你怎么了？” 你会想告诉ELIZA今天呢？迈尔斯：我只能入睡如果我有兔子拖鞋上。 BRIAN SCASSELLATI：好吧。好吧。 [笑声] “我只能入睡与兔宝宝拖鞋上“。伊莱扎说，“喂，你有什么心理问题？也许这是一个很好的指标。“ 好。所以，你想回应？迈尔斯：是的。布赖恩SCASSELLATI：是的。人的许多话。我喜欢这一点。伊莉莎说，“你似乎相当积极。” MILES：不，我，其实，一个电子。 BRIAN SCASSELLATI：“没有。其实，我是一个电子。“ “你来我往因为你是一个电子？“ 现在，我们可以看到一些在things--我要去暂停你只是一秒钟，万里。不要去任何地方。我们不跟你做呢。伊莉莎是，在某些方面，回应一些事情那他的说法，但没有任何真正的理解。而且它也学舌距今约他的句子成分。所以我们说，“没有。其实，我是一个电子。“ 伊丽莎也回应道：“你来我，因为你是一个电子？“ 好吧。让我们给它在这里多了一个回应。给它一个很好的，万里。迈尔斯：好一个？是的，请帮助我。 BRIAN SCASSELLATI：“是的。请帮帮我。“”你确定吗？“ MILES：第 BRIAN SCASSELLATI：没有。 “这是什么建议吗？” 迈尔斯：我可能不是一个电子。 BRIAN SCASSELLATI：“我可能不是一个电子。“ “你是说没有刚需负？” 好吧。所以万里，太感谢你了。 MILES：谢谢。 BRIAN SCASSELLATI：非常感谢。 [掌声] 因此，这伊莉莎项目，在许多方面，正在响应只是件我们正在提供，没有任何深了解这里发生了什么。这是一种制度被称为模式匹配，其中，我们正在寻找某些文本位，我们是那么要带出什么作为输入提供，转换，潜在地，以某种方式，然后给它返回给用户。做任何你认为伊丽莎实际上是在这里进行有效的心理？一个人，也许。听众：[听不清]。 BRIAN SCASSELLATI：怎么这是否让你有什么感觉？是的，事实上，它的作用。我们将看到，实际上，它一会儿就好了源代码。所以，你要成为能够做到正是这一点。现在，伊莉莎是一种形式是什么我们称之为今天的聊天机器人。它只是通过文本你提供，提供了最低限度的金额理解或处理，然后鹦鹉回给你。因此，让我们来看看，概念上，并谈什么这是伊莉莎实际上是做什么。伊莉莎走的是一条sentence--让我们说，“我想打动我的老板。” 而伊莉莎期待通过那句话并试图找到与与特定模式匹配。因此，例如，有一种格式伊丽莎正在寻找的话 “我要。” 而且任何时候它看到的东西有“我要”的话，它制定的响应。并且响应是固定字符串。在这种情况下，它是“为什么你要干什么？” 我把一个小明星到底是因为这只是我们的反应的开始。而星指出，我们要采取休息用户的utterance--的 “打动我的老板” - 而且我们要追加的到该字符串的结尾。所以，现在，而不是说，“为什么你想打动我的老板。“ 有额外的一点点处理，我们将尽。也就是说，我们必须转换某些代词在这里，从“我的老板”到“你的老板。” 还有可能是一些其他我们需要做出改变。因此，而不是仅仅坚持到底直接到年底，我们将做什么是我们将采取的其他地方白这里 - 用户utterance-- 我们会把它一件一件时间和转换每串的道理，每一个字，变成了一句。因此，我们将取词“来。” 有没有转换我们需要做的。 “没话说了。” 有没有转换我们需要做的还有。 “我的”将转换为“你的。” 而“老板”，我们就离开的“老大”。然后最后，什么与一期结束，我们将它转换成一个问题。这个非常简单的模式匹配其实是相当成功的。当这个被介绍在1966--约瑟夫·魏泽鲍姆在计算机上编程这一点。现在，电脑在当时不是台式机机型。它们共享资源。而他的学生们去和伊莉莎聊天。最终，他不得不限制对它的访问由于他的学生不让做任何工作。他们只是聊天ELIZA。而且，事实上，他不得不火他的助手，谁花光了所有她的时间交谈ELIZA 关于她的深，令人担忧的问题。大家谁使用这些系统开始人格化他们。他们开始认为他们是是动画和真实的人。他们开始认识到一些的事情，他们说人回来给他们。他们就查不到事他们自己。而且，事实上，即使是专家，即使是心理咨询师，开始担心，事实上，也许ELIZA将取而代之。即使电脑科学家们担心，我们如此接近解决自然语言。现在，这不是任何地方接近真实。但是，这是多么令人印象深刻这些系统似乎可以。因此，让我们先来了解一下下面，并尝试得到的问题一点点在哪里这段代码实际上发生。所以我们会让这个代码可之后。而这是一个非常简单而直接端口的原始ELIZA实施。因此，一些文体的的事情，你会看到这里不文体什么我们希望你做或者是我们一直教你做。但是，我们一直试图让他们跨越许多港口一样这已使得它具有原始的味道。所以，我们要包括一堆东西，然后我们将有一个设置关键字，东西伊丽莎将识别并响应直接。所以，如果你有这样的话 “可你”或“我不知道”或“否” 或“是”或“梦想” 或“你好”，然后ELIZA 将选择性响应那些。我们也有一个一定数量的东西我们会掉，像将“我”到“你的。” 然后，我们将有一系列的反应对于每个这些关键字，我们将通过旋转这些不同的响应。所以，如果我说“是” 在连续三次，我可能会得到三个不同的从ELIZA回应。我们的代码，那么，其实非常简单。如果我向下滚动过去所有这些我们已经编程响应我们踏踏实实地我们主要的，我们要初始化几个不同的变量做家政的一点点在一开始的时候。但后来有绝对的一组，你可以理解的代码。一个大while循环，说我一遍又一遍地重复这一点。我会读成一排，我会存储在一个输入字符串。我查一下，看看它的特殊的关键字“再见”，这意味着退出程序。然后我会检查，看看是否有人只是在重复自己一遍又一遍。我会骂他们，如果他们这样做。我会说“不要重复自己。” 只要这些都不发生，我们将然后通过与环通扫描，上线308至313 在这里，检查，看看是任何这些关键字包含在输入短语我刚才是？如果有匹配对于他们来说，好然后，我会记住的位置。我会记住的关键词。而我就可以建立一个响应。如果我没有找到一个，那么，在我的关键字数组中的最后一件事将我的默认响应，在没有其他匹配。我会问这样的问题：“你为什么要到这里来？“或者”我怎么帮你呢？“ 这只是部分适当不管输入是什么。然后，我们将建立艾丽莎的回应。我们就可以采取该基地的响应，就像我们做的是 “我的老板”的例子。如果这是所有有 is--如果它只有一个那我应该respond--字符串我可以将它发送回来。如果它有一个星号，在它的结束，然后我会在处理每个令牌用户的响应的其余部分并添加那些，换出一个字一个字，因为我需要。所有这一切都是绝对东西，你可以建立。而事实上，该方法，使我们已经处理的命令行参数，在你的方式通过HTTP请求处理遵循相同的种的规则。他们是模式匹配。所以伊莉莎有一个比较重要的对自然语言的影响因为它使人们看起来这是一个很实现的目标，比如在某种程度上我们最好能够直接解决这个问题。现在，这并不是说，ELIZA做一切，我们愿意这样做。当然不是。但是，我们应该能做更多的东西。我们的第一个步骤去超越伊莉莎是怎么回事要能看没有文字被输入进键盘，但讲话，实际语音记录到麦克风。因此，当我们看这些不同的部分，我们将要建立一组模型。我们将必须能从低级别的声去 information--间距，振幅，frequency-- 并转换到这一些单位，我们是能够更容易地操纵并且，最后，操控起来成单词和句子。因此，大多数语音识别今天是在那里系统按照统计模型中，我们建立三个独立的东西表示该音频信号实际上包含。我们先从一个语音模型，讨论刚刚基地声音，我生产。我是不是生产的东西是一个B为男孩或D-如狗？我如何识别这些两个不同手机作为单独的独特？最重要的是，我们会再建一个字的发音模式，东西连接在一起这些个人手机并把它们组合成一个字。在这之后，我们将采取的话我们将它们组装用语言模拟成一个完整的句子。现在，我们要谈谈每个这些独立和分开。但是，这三款车型都是只是要统计。这意味着，当我们与他们合作，我们将能够一起工作他们都同时进行。好吧。让我们先从我们的语音模型。因此，语音模型依赖于一个计算技术叫隐马尔可夫模型。这些都是图形化的模型中，我已经和认识世界的一个状态作为其特征由一组特征。而这种状态描述一个组成部分那我从事的行动。所以，如果我想制作声音“马”像妈妈，有不同组件的声音。还有就是我画的气息的一部分。然后，我的钱包我的嘴唇。而我摇我的嘴唇退后一点位，以使这一“马”的声音。然后还有一个版本。我的嘴唇裂开。空气被排出。 “嘛。” 这三个不同的部分会各国在这个graph--代表开始时，中间和结束。我将有过渡的让我从一个国家旅行到下一个与一定的概率。因此，举例来说，是m 听起来可能有一个非常，很短的摄入量在beginning-- “毫米” - 然后较长，振动阶段时，我抱着我双唇几乎humming-- “MMMM” - 然后在很短的爆破音，我驱逐breath--“马”。的隐马尔可夫模型是用来捕捉的事实这是我做的方式声音“马”是怎么回事是在略微不同的其定时，是频率，其功能比您所做的方式或办法，我可能让我说话的时候对不同用途的信。 “母亲”和“我可以”将声音略有不同。因此，为了识别特定的声音，我们会建立马尔可夫模型，这些隐马尔可夫每一个可能的手机型号，我可能要承认，每一个可能的声音，再看看声学数据，我有并确定统计学哪一个是最有可能的已经产生这种声音。好。通过这种模式，我们再开始建立在它之上。我们采取的发音模式。现在，有时发音模型既简单又容易因为只有一个这样发音的东西。其他时候，他们是一个稍微复杂一些。这里有一个发音指南对于红色的东西就是您所做的番茄酱出来的水果。人们不认为这是一个水果。对？现在，有许多不同的方式人们会念这个字。有些人会说“脚趾5脚趾。” 有些人会说“脚趾麻将脚趾。” 我们可以捕捉与这些图形化的车型之一在这里，我们再次表示过渡作为具有一定概率和相关的概率他们。所以在这种情况下，如果我是跟随通过这整个图上的路线，我将开始在信在最左边的“TA”的声音。我想借此上半部分，的“哦”，然后是“马” 然后一个“a”，然后一个 “TA”和“哦。” “脚趾可能脚趾。” 如果我通过了底部路径这一点，我会得到“TA-MAH-脚趾。” 如果我去了，然后起来，我会得到“TA-MAY-脚趾。” 这些模型捕捉这些差异，因为每当我们部署的其中之一识别系统，这将有工作许多不同类型的人，许多不同的口音，甚至不同用途的同样的话。最后，最重要的是，我们要建立的东西看起来非常复杂，称为语言模型，但实际上是最简单的三，因为这些操作关于所谓的正克模型。在这种情况下，我向你展示一个两部分的正克模型，一个两字组。我们将做出实际的想法有时，某些词更可能跟随一个给定的字比其他人。如果我刚才说的“天气预报” 下一个字可以“今天”很可能是或可以是“天气预计明天。“ 但它不太可能是“ 天气预报朝鲜蓟。“ 什么是语言模型所做的是它捕捉那些统计学通过计算，从一些非常大的文集，所有实例的其中一个词接踵而来。所以，如果我把一个大corpus-- 像每一个华尔街日报自1930年以来，已产生的这是标准的corpuses--之一我期待通过所有该文本，和我算经过长达多少次 “预测”我看“今日” 多少次我看到 “预测”，其次是“朝鲜蓟” 第一个是将要更容易。这将出现更为频繁。因此，这将有一个更高的与它的概率有关。如果我想弄清楚的概率整个话语的，然后，我就打破它。所以，听证会的可能性该句中的“老鼠吃奶酪” 是这个词的概率 “中的”开始一个句子，然后将概率的词“鼠”后面的单词“the” 的概率与所述词“吃”跟随“老鼠” 的概率与 “奶酪”跟随“吃了。” 这听起来像一个不少统计，很多概率。而这一切，它是。但令人惊奇的是，如果你这样做与数据的一个足够大的样品，有用。和它的作品极其良好。我们都知道这些技术。大多数操作系统附带语音识别在这一点上。我们使用的Siri和柯塔娜和回声。而这些东西都是基于这种类型的三层的型号 - 在底部，一个一个语音模型发音模型在中间，并在它们的顶部一个语言模型。现在，他们需要做一点点比，为了回答问题。但是，承认你在做什么确切地说取决于这一点。因此，让我们举一个例子在这里。所以，我有我的手机坐在这儿文件摄像机下方。而我们要问 SIRI几个问题。好吧？因此，让我们在这里醒来我的电话。 Siri的，什么是天气像在纽黑文今天？ SIRI：这里的天气纽黑文，今天康涅狄格。 BRIAN SCASSELLATI：OK。所以，首先你看到Siri的识别每个单独字然后产生的响应。我们将讨论如何这种反应来约在一点点。但是现在我们知道这仅仅是基础对原始数据和这模式匹配类型的方法，我们可以玩一些游戏的Siri。因此，我可以再试一次。 Siri的，什么是天气河马纽黑文，今天？ SIRI：OK。这里的天气新纽黑文，康涅狄格今天。 BRIAN SCASSELLATI：Siri的不是由该气馁因为它找到了pattern-- “天气”，“今天”，“纽黑文。” 这就是它的响应到，就像伊莉莎。好吧。让我们给它一次甚至更可笑的例子。 Siri的，天气朝鲜蓟犰狳河马纽黑文？ SIRI：让我看看这一点。下面是我在网上找到什么是朝鲜蓟犰狳河马纽黑文。 BRIAN SCASSELLATI：OK。所以，如果我走的不够远远离该模型中，我可以，因为它混淆了没有长匹配它有图案。这统计引擎在说，那是什么，你已经得到了可能性的话河马和朝鲜蓟在一起，犰狳？那一定是新的东西。因此，这些技术，我们每天都在使用。如果我们想带他们一步进一步的，不过，如果我们真的希望能够谈论什么的是，这些系统作出反应，进行我们要谈谈，再次，关于更根本的一系列问题。这就是在沟通的话题我们称之为问答。也就是说，我们希望能够用于：是吗？听众：[听不清]。 BRIAN SCASSELLATI：我们得到到潜在语义处理？所以，是的。有很多东西都是发生与Siri的表面下并且在一些例子我要告诉你下一个其中，有相当多的在结构方面你在说什么这很重要。而且，事实上，这是一个伟大前体下一张幻灯片我。因此，在同样的方式，我们的语音识别就建立起来了多层，如果我们想了解它是什么，实际上虽这么说，我们要再次依靠多层分析这正在被识别的文本。因此，当Siri的其实是能说，看，我发现这句话。现在我该怎么处理它们呢？第一组分往往是经历并尝试分析句子的结构。而在我们所看到的上小学的时候，往往，作为排序图表的句子，我们要要认识到某些词有一定的作用。这些都是名词。这些都是代词。这些都是动词。而且我们要承认对于特定的语法，在这种情况下英语语法，有，我可以将它们结合起来的有效途径和无效的其他方式。这一认识，即结构，可能足以帮助指导我们一点点。但是，这还远远不够为我们能够给任何意义，什么正在这里说。为了做到这一点，我们必须依靠一定量的语义处理。也就是说，我们要来看看在下方各有什么这些词实际上承载的意义。并且在这样做的简单的方法，我们将每个单词联系起来我们知道一个特定的功能，一定改造，它允许发生。在这种情况下，我们可能会标记单词“约翰”作为一个专有名词，它承载着一个身份。我们可能标识 “玛丽”为相同的方式。而像“爱”，一个动词，构成了一个特殊的关系我们能够代表。现在，这并不意味着我们明白什么是爱，但只有我们明白它在一个象征性的系统的方法。也就是说，我们可以标记它和操作它。与这些类型的方法的，任何类型的语义处理这里将需要一点点知识位和大量的工作我们的一部分。我们不再领域在这里只是简单的统计数据将要足够我们。现在，为了去从这个角度来被能够谈论的内什么实际发生在这里，以能够操纵这个构建和理解的问题然后能够走出去，寻找，这需要更复杂的认知模式。在这些系统的构建方式是在大多数情况下非常非常劳动密集的。它们涉及人类花费了大量时间构建的方式这些类型的句子可以在一些逻辑表示。它会变得有点更复杂的，虽然。甚至有一次，我们已经处理与语义，我们将还是得看对什么东西被说语。也就是说，我该如何关联的话我有一些身体上出在全球或有至少一些信息源我可以操纵？有时，这些导致精彩的比特模糊性。 “红得发紫的明星结婚天文学家。” 好。现在，我们看到的搞笑类型的标题的我们会在深夜的电视看因为我们不理解的“明星” 有它的天体的含义。我们知道，这意味着更多的司空见惯的演员或女演员有大量的知名度。 “队帮助狗咬伤的受害者。” 难道球队实际上是在那里协助狗在绕来绕去又咬受害者？抑或是有个人谁是咬伤谁需要一些帮助一只狗？单从看语法和句子的语义，我们无法确定。 “直升机人类苍蝇供电。” 在那里，事实上，实际周围飞小事是人的翅膀供电直升机为人类的好？或者是有一个机械装置从一个人获得它的权力？当我们在看问题应答系统，这些是图层我们需要处理。现在，最好的和最排序的普遍的这些系统的今天都能够做到事情在一个水平，是远远超出了我们有10年前。这里是最好的系统之一这是有今天。而这是一个系统来自IBM称为沃森。这是我们的朋友在IBM。这是凯瑟琳银行，甲辰，和百基拉赖斯给我们沃森的演示昨天在IBM约克。 [视频回放] -你好吗？ -我很好。我的时候，我总是很高兴想，特别是当我可以保持冷静在这些服务器机房。 - 谁是你最喜欢的女演员？ - 我最喜爱的女主角安吉丽娜·朱莉的劳拉·克劳馥在古墓丽影因为她的原形式是为像我这样的一个虚拟人物。 - 如何能沃森帮助患者？ -is计划为病人有机会获得直接沃森？访问沃森咨询应用程序将通过使用情况而有所不同。但目前，屈臣氏将只提供可能的诊断和治疗选择医学专业。在适当情况下，患者可以提供信息华生，也许是通过一个门户网站界面，平板电脑，甚至移动电话。例如，一个患者可能要求描述自己的症状在自然语言直接到沃森的解决方案，允许医师将重点放在诊断和不采集数据。 - 谁暗杀了林肯？约翰威尔克斯布斯。 - 在哪一年做了亚利桑那州响尾蛇赢得世界大赛？ -2001。 [结束播放] BRIAN SCASSELLATI：所以这些类型的系统必须依靠首先认识到讲话;第二，将其转换成有意义的内部表示;然后，第三，能够走出去，找到信息源使他们能够回答这个问题。这种复杂程度涉及同类型的编程事你一直在做习题集。我们能够解析HTTP请求，相同类型的低级别的图案的匹配伊丽莎可以做。我们能够将这些为内部表示，然后用它们来查询一些外部数据库，可能使用SQL。所有系统的那今天正在建造做这种类型的天然语言交流在正在兴建这些相同的原则。现在，即使是像系统沃森是不是很复杂到能够回答任意任何主题的问题。而事实上，他们必须给定域中的结构。所以，你可以到网上，你可以找到该操作好沃森版本中医学信息。或者有一个在线只是涉及如何要做出好的建议什么样的啤酒将与哪些食物去了。而这些领域内，它可以回答问题，发现它所需要的信息。但你不能混用和匹配。这就是被训练的系统食品和啤酒的数据库不突然，当你工作得很好把它与医学信息数据库。因此，即使我们今天的最佳系统依靠处理的水平在我们的手编为了建设中的基础设施建设使这个系统的运行。现在，最后一个话题我想到能够得到今天是关于非语言沟通。一个伟大的信息质量的我们彼此通信通过不来约我们正在申请个别单词。它做了这些东西，接近，目光，你的语气，您的拐点。而沟通也这是很多不同的接口关心一个伟大的交易。这不是什么Siri的关心。我可以问Siri的东西用一个声音或语音不同的音调，和Siri的打算给我相同的答案。但是，这不是我们构建许多其他类型的接口。我想向您介绍现在到机器人中的一个。这是我的长期建朋友和同事辛西娅 Breazeal和她的公司基博。这robot--我们要去有一对夫妇的志愿者拿出与此交互。所以我可以有两个人愿意与机器人给我玩吗？你为什么不上来吧，为什么你不来就到了。如果你想和我一起在这里，请。如果我能有你来的权利在这里。谢谢。你好。 ALFREDO：很高兴见到你。阿尔弗雷多。 BRIAN SCASSELLATI：阿尔弗雷多。瑞秋：瑞秋。 BRIAN SCASSELLATI：雷切尔。很高兴见到你们俩。阿尔弗雷多，我要你先走。快来权在这里。我要介绍你 - 如果我能得到这一关不敲门的microphone-- 一个叫基博的小机器人。好不好？现在，基博被设计为互动。虽然它可以给你讲话，多与机器人的相互作用的就是非语言。阿尔弗雷多，我要问你好好说话和免费给机器人，请。 ALFREDO：我觉得你看起来很可爱。 [呼呼的声音] BRIAN SCASSELLATI：OK。它的反应并不言语。然而，它给了你们两个明确承认它听到你说的话也不知怎么理解。好不好？步骤右后卫位置一秒钟。谢谢。瑞秋，如果你会的。现在，我想给你更难就业。如果你站在这里，备份只是有那么一点点我们可以帮你的相机看看这种方式。我要问你说些什么真的是和讨厌的机器人。你才似乎什么做的是完全荒谬的。 [嗡嗡声] 这更是荒谬。你怎么了？噢，不心疼。我给你一个拥抱。 BRIAN SCASSELLATI：好吧。谢谢，雷切尔。阿尔弗雷多，雷切尔，谢谢你们非常多。 [掌声] 因此，这种互动在许多方面的一些相同的规则和一些相同结构我们可能有语言交流。它既是交际和提供一个重要目的。而这种互动，在方法很多，设计有对特定的效果与人交互或听到机器人。现在，我很幸运有吉波今天在这里。萨姆·斯波尔丁是在这里帮助我们用机器人。而我要问萨姆给吉波跳舞我们一个很好的演示我们可以在年底看这里。因此，继续前进，基博。 SAM：OK，基博。向我们展示你的舞蹈动作。 [音乐播放] BRIAN SCASSELLATI：好，大家好。感谢我们的朋友在基博。 [掌声] 并感谢我们的朋友 IBM今天帮忙。沟通是什么你要去看到来了越来越多的作为我们构建更复杂的界面。下周，我们会继续讨论有关如何对接与电脑对手的游戏。但是，如果你有关于这个问题，我就在附近的办公时间今晚。我很高兴能和你谈AI 主题或进入更多的细节。周末愉快。 [掌声] [音乐播放]