2016 深度學習機器人領域最新應用及趨勢總結

　　尚待解決的DL問題

　　一個經常提到的問題是如何將訓練后的深度學習系統整合進應用于現實世界的機器人產品，不論是家用機器人還是自動駕駛汽車。絕大部分講者認為，將測試中的每一個可能情形列舉出來是不可能的，因此必須設定一些標準的故障容差數據集。Scheirer將容差與工廠里依靠統計模型進行測試作類比。NicholasRoy則認為基于模型的方法更好。

　　WalterScheirer從數據的角度討論了CNN魯棒性低的問題。CNN顯然適用于單個圖像分類任務，但魯棒性低有時候確實是個問題。Scheirer借用心理物理學(Psychophysics)評價神經網絡的方式，測試識別模糊圖像和遮擋問題。結果得到了很多性能一流的網絡，結果分辨率用人眼看也沒有什么顯著降低。因此，Scheirer指出，CNN在圖像識別方面性能“超人”，但應用起來表現不好，實際上是參數沒有設置好，導致算法魯棒性評估出了問題。

　　在討論中還出現了很多有趣的問答。有人問我們用人類使用的數據訓練機器，這樣的機器是否能夠擁有超過人的能力，OliverBrock回答說“AlphaGo”。另一個則是研究中在線訓練時間的問題，有人問網絡線下訓練的權重是否重要時，Raia回答說“是”。不過她之后具體闡述了這個問題，也是谷歌DeepMind在強化學習研究中的核心問題。

　　總結

　　最后，Pieter說相比以前，人腦也沒有得到很明顯的進化，但除了吃喝，我們還從中“得出”了很多充滿智慧的發展。