核心观点与关键数据
人工智能与机器人学的交叉融合
Daniela Rus 强调，机器人学与人工智能的结合正在推动自动化从预设任务向动态环境智能转型。制造业和物流领域，机器人将超越重复性工作，与人类协作并适应工作流程变化；医疗领域将出现能感知个体需求和情绪的辅助机器人；农业和建筑领域，软体自主系统将适应非结构化地形。这些进展得益于机器人技术（物理交互）、移动计算（连接性）和数据科学（智能决策）的协同。
“物理AI”的挑战与突破
物理AI通过将AI嵌入物理交互机器中，使机器人能实时适应环境。当前主要障碍包括：物理世界数据获取成本高、实时场景下安全可靠性难保证、现有AI架构不适用于资源受限的物理任务。液态神经网络（LNNs）作为新型AI模型，因高效、紧凑和可解释性强，成为解决这些问题的关键方案，特别适用于实时传感器驱动应用。
技术误区与社会责任
误区一：将AI与机器人学混同，二者分别侧重决策学习与物理交互；误区二：高估当前机器人自主性，实际系统高度专业化；误区三：忽视基础设施、数据支持等隐性需求。社会责任方面，需通过模块化硬件、低功耗算法等技术实现公平设计，并推动政策监管透明化，确保技术普惠。
能源与伦理平衡
为应对AI能耗增长，需从架构优化（如LNNs）、模型压缩（稀疏化、量化）和边缘计算三方面入手。同时，将可持续性作为核心设计指标，包括优化数据中心能耗、推广可再生能源，并纳入生命周期评估。
未来展望与人才培养
未来五年关键突破将是通用物理自适应机器人，其能通过形态重构学习全新任务。对青年研究者建议：保持跨学科好奇心、夯实基础理论、重视团队协作；对女性研究者特别强调：打破“完全准备论”，通过伦理、应用等领域探索，并建立支持性社群。
社会影响
技术发展需兼顾公共利益，如教育、养老等非商业领域应用。当前AI尚未达到科幻中的通用智能，但需警惕高风险场景中的潜在风险，通过可解释AI和多元设计实现负责任创新。
