丹妮拉·L·拉斯是一位罗马尼亚裔美国计算机科学家，现任麻省理工学院帕纳索尼计算机科学教授，并担任麻省理工学院计算机科学与人工智能实验室（CSAIL）主任。她因在机器人学和人工智能领域的贡献而受到认可，包括分布式和网络化机器人、自重构机器人系统、软体和仿生机器人、计算设计与制造、人机交互、自主系统以及自适应机器学习。她研究中的一个反复主题是机器人本体、计算智能与物理环境的整合，这一方向她公开描述为“物理AI”，，即体现在能够感知、移动、学习、适应并在现实世界中行动的系统中的人工智能，正如她在2024年TED演讲中所呈现的那样。
拉斯的工作还扩展到AI用于科学发现，包括通过Project CETI（鲸类翻译倡议）研究非人类交流的机器学习和机器人方法。她曾担任Project CETI的首席研究员和创始科学团队成员，该项目在The Audacious Project的催化支持下启动，部分灵感来自罗杰·佩恩的鲸歌研究和保护遗产。她的荣誉包括麦克阿瑟奖学金、IEEE爱迪生奖章、约翰·斯科特奖章、恩格尔伯格机器人奖，以及当选为美国国家工程院、美国国家科学院和美国艺术与科学院院士。她还被《时代》杂志评为AI领域最具影响力的100人之一。
传记
早年生活与教育
拉斯出生于罗马尼亚，随家人移民到美国。她的父亲特奥多尔·拉斯是一位计算机科学家，母亲埃琳娜·拉斯是一位物理学家。她于1985年在爱荷华大学获得计算机科学和数学学士学位。她于1990年在康奈尔大学获得计算机科学硕士学位，并于1993年获得计算机科学博士学位，她的博士导师是约翰·霍普克罗夫特，论文题目为《灵巧操作的精细运动规划》。
职业生涯
拉斯在达特茅斯学院计算机科学系开始了她的学术生涯。她于2004年加入麻省理工学院，并于2012年成为MIT CSAIL主任。作为CSAIL主任，她领导了麻省理工学院最大的跨学科计算实验室之一，支持人工智能、机器人学、自主性、数据系统、网络安全、隐私、机器学习应用以及行业合作方面的研究和转化项目。她的研究小组，，分布式机器人实验室（DRL），，研究自主性的科学，包括网络化和协作机器人、计算设计与制造、可审计机器学习，以及支持人们完成身体和认知任务的系统。
创业
拉斯基于机器人学和AI研究共同创办了多家公司，包括Liquid AI、Themis AI、Venti Technologies和The Routing Company。Liquid AI开发高效通用AI系统和液体基础模型。Themis AI专注于可信赖和安全的AI以及模型不确定性估计。Venti Technologies为港口、工厂、仓库和工业场地开发自主物流系统，而The Routing Company开发按需共享交通技术。拉斯还曾在多家公司董事会任职，包括Symbotic、Gartner和SymphonyAI，并且是MBZUAI董事会创始成员。
组织
拉斯是美国国家工程院（NAE）、美国艺术与科学院（AAAS）、美国国家科学院（NAS）的成员，并且是ACM、AAAI和IEEE的会士。她还是法国国家医学科学院（ANM）的外籍成员。她获得了NSF职业奖、阿尔弗雷德·P·斯隆基金会奖学金，以及2002年麦克阿瑟奖学金。
研究
拉斯的研究集中于在物理世界中运行的系统的自主性科学与工程。她的工作将智能视为身体、大脑和世界之间的相互作用：身体决定了哪些行动在物理上可能；计算系统决定了可以感知、学习、规划和控制的内容；环境则引入了不确定性、约束和变化。这一视角将她在机器人学、物理AI和AI用于科学发现方面的贡献联系起来。
分布式、网络化和自组织机器人
在分布式和多机器人系统中，拉斯贡献了用于多台机器之间协调、覆盖、运动规划、控制和协作的算法和系统。这项工作探讨的是，许多各自拥有有限局部信息的机器如何协调以实现共同目标。她的团队探索了自重构模块化机器人、群体和集体机器人系统、模块化机器人立方体、空中和地面机器人团队，以及通过局部感知和通信进行协调的机器人系统。在Roboat和FloatForm项目中，小型自主船能够感知、导航、协调、连接并自组装成更大的浮动结构，如临时桥梁和平台。这项工作将网络化机器人学框定为自组织问题：独立机器如何成为连贯的集体系统。
软体、模块化和仿生机器人
拉斯是软体机器人和仿生机器人系统的先驱和早期贡献者。她的团队研究了由柔顺和非常规材料制成的机器人，包括硅胶、纸张和可食用材料，作为刚性工业机器的替代品。代表性系统包括用于体内潜在医疗任务的可摄入折纸机器人、用于水下观察的软体机器鱼、软体操作器、模块化机器人系统，以及受动物运动启发的机器人。这项工作有助于更广泛地定义机器人，即它们可能是软体、小型、可折叠、模块化、水下、医疗或环境嵌入式的机器，而不一定是人形或工业形态。其基本研究问题是形态、材料、感知和控制如何共同决定机器的智能和能力。
计算设计与制造
拉斯还致力于计算设计与制造，包括结合算法、材料、制造过程、感知和控制的方法，以生成定制机器人和功能设备。她在这方面的研究旨在自动化机器人的设计和生产，使创建针对特定任务和环境定制的机器成为可能。这项工作与深度学习和优化交叉，探索计算工具如何加速物理系统的创建，从软体执行器到完整的机器人平台。