机器人如何进行深度学习？还有哪些跨不过的坎？

柳友娟 制图

一个人独处时，感觉有点孤单，怎么办？微软亚洲研究院推出的“微软小冰”，或许可以像闺蜜一样地跟你聊天解闷。3.0版本的“小冰”除了具有“评颜值”“选搭配”等功能外，还基于深度学习技术具备强大的视觉识别能力。它在看到一张图片后，可以基于情感给出人性化回复，且秒回速度缩短到250毫秒。

不仅仅是“微软小冰”和围棋高手“阿尔法狗”，从互联网搜索到语言翻译，乃至识别患有自闭症风险的基因……凡是需要从大量数据中预测未知信息的领域，都是深度学习可以一展拳脚的地方。那么，什么是深度学习技术？它将怎样改变人类的生活？

万张图片中发现重复的猫

2011年，谷歌一家实验室的研究人员从视频网站中，抽取了1000万张静态图片，把它“喂”给谷歌大脑，目标是从中寻找重复出现的图案。3天后，谷歌大脑在没有人类帮助的情况下，从这些图片中发现了“猫”。

这个谷歌大脑就是一个采用深度学习技术的大型神经网络模型，由1000台电脑组成。这件事当时在科技界引起了轰动，被认为深度学习复兴的里程碑。

所谓深度学习，就是用多层神经元构成的神经网络，以达到机器学习的功能。这些多层的电脑网络像人类大脑一样，可以收集信息，并基于收集到的信息产生相应的行为。

传统的机器学习方法一般只能挖掘简单的线性关系，如1+1等于2。然而，大千世界并不是这种简单关系所能描述的，如收入与年龄、性别、职业、学历的关系。深度学习的出现改变了这种现状，它的灵感来源于模仿人类大脑神经网络。

科学家发现，人类大脑皮质不是直接对视网膜传递过来的数据进行特征提取处理，而是让接收到的刺激信号通过一个复杂的网络模型进行筛眩这种层级结构大大降低了视觉系统处理的数据量，并最终保留了有用的信息。

上世纪60年代，生物学家在研究猫的脑皮层时，发现其独特的网络结构能有效降低反馈神经网络的复杂性，继而提出“卷积神经网络”。利用这种网络结构编写的深度学习程序，适应性很强，成为人工智能的突破口。

语音识别改变人机交互

简单地讲，深度学习技术是对人脑的一种模拟，因而可以完成很多人脑所具有的功能。

最为人所熟知的是视觉功能。我们的相机可以像眼睛一样看到这个世界，却不能像大脑一样看懂这个世界，深度学习恰恰补上了这个短板。有了深度学习，百度识图可以准确识别照片中的物体类别，并对照片进行自动归类或搜索。有了深度学习，我们可以很方便地刷脸付款。有了深度学习，特制机器可以检测一定空间内所有人员、车辆的行踪，并对可疑和危险事件及时报警。

同时，深度学习技术在语音识别方面，也有广泛的应用。在深度学习的帮助下，计算机拥有越来越强大的语音识别能力，这可能改变目前仍以键盘为主的人机交互模式。

深度学习还和增强学习相结合，正深刻改变着机器人领域。所谓增强学习，指的是机器人通过与环境交互中得到的奖赏和惩罚，自主学习更优的策略。前段时间引人关注的“阿尔法狗”就是增强学习的产物，它通过跟棋手下棋或跟自己对弈的输赢情况，摸索出更好的下棋策略。

什么让深度学习实现超越

不过，创造一个强大的神经网络需更多处理层。而由于硬件限制，早期仅能制造2至3个神经层。那么，是什么让深度学习实现超越呢？

显然，高性能计算能力的提升是一大助力。这些年GPU(图形处理器)、超级计算机和云计算的迅猛发展，让深度学习脱颖而出。2011年谷歌大脑用了1000台机器、16000个CPU处理的深度学习模型大概有10亿个神经元。而现在，我们已经可以在几个GPU上完成同样的计算了。

“深度学习还得到大数据的助力，就像火箭有了燃料。”格灵深瞳计算机视觉工程师、清华大学自动化系博士潘争介绍，深度学习技术建立在大量实例基础上，就像小孩收集现实世界的信息一样。而且，“喂”的数据越多，它就越聪明，并且不会“消化不良”。因为大数据的不可或缺，所以目前深度学习做得最好的基本是拥有大量数据的IT巨头，如谷歌、微软、百度等。

现在，深度学习技术在语音识别、计算机视觉、语言翻译等领域，均战胜传统的机器学习方法，甚至在人脸验证、图像分类上还超过人类的识别能力。专家预计，再过些年，我们口袋里的手机也可以运行像人脑一样复杂的神经网络。

不过，就目前的趋势来看，深度学习技术仍然无法代替“坐在后台监控室的人”。举个例子，如果你和朋友在一家饭店里用餐后抢着结账，这种推搡过程，智能摄像头尚难以判断是在打架还是怎么了。可见，逻辑判断和情感选择，是深度学习尚难以逾越的障碍。

◇案例◇

一眼就能识别坏人的系统

专注于计算机视觉及人工智能的科技公司格灵深瞳，将基于深度学习技术研发的智能识别系统，运用到银行安防监控领域。

考虑到传统光学镜头在识别图像时会丢失“深度”维度，格灵深瞳专门为银行安监开发了一套三维传感器。在它的背后，一套奖惩机制训练成的算法模型能够主动识别异常。“看见有人走近了一个有人的自动柜员机，而不是旁边那个空着的，此时要识别他的轨迹、判断其行为是否正常，就牵涉到深度学习。”格灵深瞳CEO何搏飞介绍，如果系统识别出异常，它就会推送给后台监督者。而为了教会机器判断准确，背后需要提供几十万量级的图片数据。

何搏飞指出，给这个智能识别系统一张侧脸或者是没有脸的全身照，它也能以超过99%的精度迅速锁定目标。前提是建一个6000到1.5万的样本库，“一旦样本达到百万级，可能精度要下降20%或更多。”