深度學習：未來機器人的進化途徑

【編者按】隨著人工智能的發展，機器已經可以完成更多的操作，然而讓機器人如人腦一樣的思考仍遙遙無期。同時，業內對“深度學習有幫助機器人大腦進化的可能”已達成共識。這里我們看Derrick Harris對“Robotics: Science and Systems”會議內容的總結。

免費訂閱“CSDN大數據”微信公眾號，實時了解最新的大數據進展！

CSDN大數據，專注大數據資訊、技術和經驗的分享和討論，提供Hadoop、Spark、Imapala、Storm、HBase、MongoDB、Solr、機器學習、智能算法等相關大數據觀點，大數據技術，大數據平臺，大數據實踐，大數據產業資訊等服務。

以下為譯文：

下次你看到機器人給人遞咖啡，問簡單的問題，甚至開車，千萬不要大驚小怪。

是的，很多所謂的智能或學習機器人仍然只能做簡單的事情，它們不能按照人的大腦的方式工作。然而機器學習確實很難，大多數人工智能事實上非常工程化。發現人類與機器人之間的正確的交互方式可能更難。

然而，深度學習（當今人工智能研究員的常用手段）可能成為機器人大腦的進化途徑。本月早些時候，我參加了 Robotics: Science and Systems會議，對研究機器人技術的數量印象深刻，機器人技術似乎都可以用深度學習技術解決，在過去的幾年，深度學習技術因為Google、Facebook 以及Microsoft而出名。

大會幾乎涉及機器人智能的所有方面，從使用“Tell Me Dave”的工具來訓練機器人助手完成家務，到教機器人選擇從點A到點B的最佳路徑。研究人員討論了在自動駕駛車輛上的應用，從分析土壤類型以增加越野車牽引，到學習地理位置的潛在特征（為了在白天、黑夜、下雨或者下雪天識別它們）。

我最喜歡的一個演講是關于機器人“ikeabot”的，它專注于組裝家具。它的研究人員正在試圖找出機器人和人類同事交流的最佳過程。事實證明，這比教機器人了解物體或者如何適應裝配過程需要的多得多。例如，機器人如何請求幫助會影響人類同事的工作效率和工作流程，甚至會讓他們感覺，他們正在和機器人一起工作，而不僅僅在它旁邊。

數據使機器人更聰明。無論何種輸入（語音、視覺或某種環境傳感器），機器人都依靠數據來做出正確的決定。研究人員為訓練人工智能模型和創建算法使用的數據越多越好，他們的機器人就越聰明。

好消息是有很多好的可用數據。壞消息是很難訓練這些模型。

基本上，機器學習的研究人員往往需要花費幾年的時間來確定屬性、特征或重點模型，并編寫代碼使計算機能夠理解這些特征。為了創建一個能夠識別椅子的機器人（或算法），需要利用成千上萬的圖像訓練計算機視覺系統，這中間有很多的工作要做。

這是人工智能的新方法（包括深度學習）起作用了。我們已經在許多場合解釋過，目前人們在系統方面付出很多努力，這些系統讓他們了解所獲取的數據的特點。寫這些算法和優化這些系統很不容易（這就是為什么深度學習領域的專家享受著頂級的薪酬待遇），但是他們可以幫助消除大量繁瑣并費時的手工勞動。

事實上，在機器人技術大會上，Andrew Ng指出深度學習（不僅限于深度神經網絡）是吸收和分析大數據的最好方法。Ng作為Coursera的合作創始人出名，在2011年領銜Google Brain項目，并在斯坦福大學教授機器學習。最近，他加入了中國搜索巨頭百度，成為其首席科學家。

但Ng也了解機器人。事實上，自從2002年加入斯坦福學院，他的大部分研究都集中在將機器學習應用于機器人，讓它們行走、飛翔以及看得更清楚。就是這項工作，或者是它的局限性激勵他花這么多時間來研究深度學習。

他說：“如果想在機器人技術上取得進展，就必須把所有時間都用在深度學習上。”

Ng發現，深度學習非常善于學習標記的數據集的特征（例如，被正確標記的圖片），也很善于無監督學習，即在處理大量的未標記數據的過程中學習。這就是Ng和他的Google Brain同事發表于2012年的著名論文，關于如何區分貓和人臉，同時也在語言理解中取得巨大的進展。

他解釋到：“自然地，當我們嘗試創建機器人時，這些功能很有用，能使機器人更好的傾聽、理解和感知周圍的世界。”Ng展示了一個例子，是關于當前斯坦福研究汽車上的AI系統的，它可以實時區分轎車與貨車，并且強調了GPU使一些繁重的計算工作可以在相對小型的設備上進行。

隨著深度學習的重心移向無監督學習，它可能對機器人專家來說更有用。他談到曾經做過的一個項目，項目的目的是教機器人認識位于斯坦福大學辦公室的物體。該項目包括追蹤50000個咖啡杯的圖像，用來訓練機器人的計算機視覺算法。它是很好的研究，并讓研究人員受益匪淺，但機器人并不總是非常準確。

Ng解釋到：“對于很多應用程序，我們開始耗盡標簽數據。”研究人員嘗試將訓練數據集從50000擴大到幾百萬來提高精度，Ng說：“世界上真沒有那么多的咖啡杯。” 即使有那么多圖片，它們大多不會被標記。計算機需要自己學習。

此外，Ng補充到，大多數專家相信人類的大腦仍然是世界上最令人印象深刻的電腦，有著“非常松散靈感”的深度學習技術，在很大程度上以無監督的方式學習。他開玩笑說：“無論你是多好的父母，都不會教孩子認50000個咖啡杯。”

原文鏈接： Robots helped inspire deep learning and might become its killer app（翻譯/海霞  責編/仲浩）

生活不易，碼農辛苦
如果您覺得本網站對您的學習有所幫助,可以手機掃描二維碼進行捐贈