备注：本文于2016年6月23日发表于云栖社区（20%为翻译，80%为自己的理解），这里仅作备份用。
导语：RSS（Robotics: Science and Systems，机器人：科学与系统） 是机器人领域的世界顶级学术会议。 John McCormac是伦敦帝国学院戴森机器人实验室（Dyson Robotics Lab at Imperial）的一名博士生，师从Andy Davison教授和Stefan Leutenegger博士。2016年6月，McCormac参加了在密歇根大学召开的RSS 2016大会，他在博客中分享参会的一些心得体会，以下为McCormac博客中的部分编译内容，读者朋友可点此查看其原文。
在过去几年里，深度学习技术，在计算机视觉等诸多领域，带来了天翻地覆的变革。在目标识别和检测、场景分类、动作识别等分支，深度学习都有着“惊艳”地成功应用。尽管那边已经“热火朝天”，但在机器人视觉研究这边，深度学习的应用，才刚刚拉开舞台的幕布。
目前，深度学习已经开始在机器人领域“牛刀小试”。例如，在视觉引导机器人的抓取和操纵研究上，就有了成功的应用。
图片来源：谷歌深度思维团队Raia Hadsell在RSS 2016报告幻灯片
但即便如此，深度学习，仍然没有发展成为机器人领域的主流方法。这是因为，有许多著名的机器人、人工智能等领域的专家，直言不讳他们的质疑和顾虑，他们不相信深度学习能在不同的机器人应用场景中，得到普及使用，并质疑深度学习驱动下的机器人安全性能。
质疑者在哪里？
整体来说， 研讨会很有意思。在研讨会快结束的时候，主持人Pieter Abbeel（斯坦福大学副教授）问道，现场有多少的观众，对深度学习在机器人领域的应用，秉持怀疑态度，150～200的观众席中，仅有5～10名观众举手表示质疑。
即使身处质疑者的阵营，他们的立场也并非坚定如铁，因为在被问到为啥质疑时，他们表态说，作为机器人研究的一个辅助工具，深度学习还是有用武之地的。
质疑者的疑虑，并非空穴来风，这些疑虑主要来自两个方面，一是在特定场景下，机器人的行为难以确保。比如说，自动驾驶机器人，在遇到险情时，是保护车上的主人——司机，还是要保护路上的行人？
二是深度学习的可解释性。深度学习在某些领域的应用效果极佳，可是为什么极佳，深度学习的应用者们，目前为止，也未能给出合理的解释。
针对第一点疑虑，著名未来学家Kevin Kelly（昵称KK）在《失控》一书中给出了一点解释。KK预言未来的世界，有两个特征：（1） 自然生命体的机械化；（2） 人造生命体的生物化。对于类似与机器人的人造生命体，KK非常乐观地告诉我们，不必担心：作为造物者，我们要对人造生命体负责，让他们遵循机器人三定律就好。（你信KK所言吗？你不疑虑吗？）
质疑阵营和拥护阵营之间，并非泾渭分明。时间流逝掉得不仅仅是岁月，还有观念的淡化或转化。下面说的就是一个有关质疑者的故事——Larry Jackel（著名人工智能专家、North C .科技公司主席）曾经参与了一个关于神经网络未来的著名赌局。
一场有关神经网络的著名赌局
我们知道，卷积神经网络是深度学习最重要的分支之一。“卷积”和“深度”是神经网络互相独立的两个性质。“卷积”指的是前端有卷积层；“深度”指的是除了卷积层之外还有很多层。现在看来，深度学习在很多领域都是风生水起，大放异彩。但这仅仅是“看见贼吃肉，没见贼挨揍”。
虽然大部分人的感觉，深度学习是最近几年才迅速崛起的，但深度学习的基础理论——人工神经网络，早在上个世纪八十年代，就有了一定的发展，后期遭遇瓶颈，进入漫长的“冬眠期”。其中卷积神经网络在刚面世时，就受到了很多人的质疑，Vladinmir Vapnik就是众多质疑者的一个。Vapnik是何许人也？此君来头不小。他不仅是一名出色的数学家，而且还是目前应用最广的人工智能模式之一——支持向量机（SVM）之父。
那时（1995年），Jackel认为，到2000年，人们能够明确了解人工神经网络能够发挥多大作用。
Vapnik并不认可这个观点。他认为，别说1995了，就算到2005年，也就是十年后，任何思维正常的人，都不会知道神经网络有啥用，怎么用。
1995年3月，在谁也不能说服谁的情况下，二人决定打赌定输赢。赌注是一顿奢华晚餐。
双方在证人面前签字画押，Yann LeCun是第三方签名人（Yann LeCun ，目前炙手可热的人工智能专家，Facebook人工智能实验室主任，纽约大学数据科学中心创始人，当年由 Jackel招进贝尔实验室）。
一开始，Vapnik赢了，因为到了2000年，神经网络的内部工作原理，基本上仍然被神秘所笼罩，研究人员无法明确地判断出，如何让神经网络更好地应用在现实生活之中。
但Vapnik猜到了前头，却没有猜到后头。
在2005年左右（更确切地说是2006年），加拿大多伦多大学教授、机器学习领域的泰斗Hinton教授和他的学生Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的“拓疆扩土”的浪潮。这篇文章提供了两个核心信息：（1）很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻划，从而有利于可视化或分类；（２）深度神经网络在训练上的难度，可以通过“逐层初始化”（Layer-wise pre-training）来有效克服，可在海量数据上展开并行神经网络的参数训练。
现在的局面，大家看到了。在很多领域中，深度学习（卷积神经网络）得到非常广泛而深入的应用。如果Jackel已经兑现了自己的赌注，那么现在的Vapnik，似乎应该回请Jackel两顿奢华晚餐，作为补偿。在现实面前，如果Vapnik不固执己见，那么这名先前的质疑者，是时候转变自己的观点了。
虽然深度学习有了比较广泛的应用，但质疑并没有结束。
比如说，深度学习这项技术虽然很强大，但为啥这么强大？即使是深度学习的领域专家，也不能给出令人信服的理由。也就是说，深度学习的内部工作原理，仍然是云罩雾绕，仍然是个有待破解的谜。
因此，也有人说，深度学习压根就不是什么科学嘛，仅仅是一个工程而已。如同那句人工智能的调侃：“有多少人工，就有多少智能”。深度学习的调参，何尝不是一个体力活？
图片来源：Oliver Brock在RSS 2016报告幻灯片（Oliver Brock为德国柏林大学 机器人与生物实验室研究员）
如果深度学习内部的机理都弄不清楚，就把这套理论应用在更贴近人们生活中的机器人上，这靠谱吗？安全性又如何保证？人们不能不疑虑重重啊！
沉默的大多数
在这次研讨会上，表面上看来，现场表示质疑的人，比例较小（5/150左右），但实际上，这个比例可能要大得多，因为有些观众即使身处“质疑者”阵营，也不会轻易公开发声。所以，不论是问卷调查也好，还是举手表决也罢，不要认为，在这类场景下，就一定能够把大多数人的真实意思表达出来。
之所以这么说，是有其理论依据的。早在1974年，德国社会学家伊丽莎白•诺尔-诺依曼（Elisabeth Noelle-Neumann）就在其名著《沉默的螺旋》（The Spiral Of Silence）中 ，就表达了类似的观点：大多数个人会力图避免由于单独持有某些态度和信念而产生的孤立。因为害怕孤立，他便不太愿意把自己的观点说出来。因此，当发觉自己的某一观点无人或很少有人理会（有时会有群起而攻之的遭遇），即使自己赞同它，也会保持沉默。意见一方的沉默，造成另一方意见的增势，如此循环往复，便形成了一方的声音越来越强大，从而形成“沉默的大多数”，而另一方越来越沉默下去的螺旋发展过程。
质疑还在继续，他们是正确的吗？让时间给出答案吧。
译者介绍：张玉宏，著有《品味大数据》一书。
