Ng发现，深度学习非常善于学习标记的数据集的特征（例如，被正确标记的图片），也很善于无监督学习，即在处理大量的未标记数据的过程中学习。这就是Ng和他的Google Brain同事发表于2012年的著名论文，关于如何区分猫和人脸，同时也在语言理解中取得巨大的进展。 他解释到：“自然地，当我们尝试创建机器人时，这些功能很有用，能使机器人更好的倾听、理解和感知周围的世界。”Ng展示了一个例子，是关于当前斯坦福研究汽车上的AI系统的，它可以实时区分轿车与货车，并且强调了GPU使一些繁重的计算工作可以在相对小型的设备上进行。 随着深度学习的重心移向无监督学习，它可能对机器人专家来说更有用。他谈到曾经做过的一个项目，项目的目的是教机器人认识位于斯坦福大学办公室的物体。该项目包括追踪50000个咖啡杯的图像，用来训练机器人的计算机视觉算法。它是很好的研究，并让研究人员受益匪浅，但机器人并不总是非常准确。 Ng解释到：“对于很多应用程序，我们开始耗尽标签数据。”研究人员尝试将训练数据集从50000扩大到几百万来提高精度，Ng说：“世界上真没有那么多的咖啡杯。” 即使有那么多图片，它们大多不会被标记。计算机需要自己学习。 此外，Ng补充到，大多数专家相信人类的大脑仍然是世界上最令人印象深刻的电脑，有着“非常松散灵感”的深度学习技术，在很大程度上以无监督的方式学习。他开玩笑说：“无论你是多好的父母，都不会教孩子认50000个咖啡杯。” 原文链接： Robots helped inspire deep learning and might become its killer app（翻译/海霞 责编/仲浩） |
