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隻能做簡單的事情，它們不能按照人的大腦的方式工作。然而機器學習确實很難，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确的互動方式可能更難。
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。研究人員讨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、下雨或者下雪天識别它們）。
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僚交流的最佳過程。事實證明，這比教機器人了解物體或者如何适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僚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。
資料使機器人更聰明。無論何種輸入（語音、視覺或某種環境傳感器），機器人都依靠資料來做出正确的決定。研究人員為訓練人工智能模型和建立算法使用的資料越多越好，他們的機器人就越聰明。
好消息是有很多好的可用資料。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确定屬性、特征或重點模型，并編寫代碼使計算機能夠了解這些特征。為了建立一個能夠識别椅子的機器人（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擷取的資料的特點。寫這些算法和優化這些系統很不容易（這就是為什麼深度學習領域的專家享受着頂級的薪酬待遇），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）是吸收和分析大資料的最好方法。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，他加入了中國搜尋巨頭百度，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将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麼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标記的資料集的特征（例如，被正确标記的圖檔），也很善于無監督學習，即在處理大量的未标記資料的過程中學習。這就是ng和他的google brain同僚發表于2012年的著名論文，關于如何區分貓和人臉，同時也在語言了解中取得巨大的進展。
他解釋到：“自然地，當我們嘗試建立機器人時，這些功能很有用，能使機器人更好的傾聽、了解和感覺周圍的世界。”ng展示了一個例子，是關于目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裝置上進行。
随着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确。
ng解釋到：“對于很多應用程式，我們開始耗盡标簽資料。”研究人員嘗試将訓練資料集從50000擴大到幾百萬來提高精度，ng說：“世界上真沒有那麼多的咖啡杯。”即使有那麼多圖檔，它們大多不會被标記。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，有着“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。”
原文釋出時間為：2014-08-02
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号