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(tǒng)整合進應用于現(xiàn)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(shù)據(jù)集。Scheirer將容差與工廠里依靠統(tǒng)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(shù)據(jù)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(xiàn)不好，實際上是參數(shù)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(xiàn)了很多有趣的問答。有人問我們用人類使用的數(shù)據(jù)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(fā)展。