Vincent Vanhoucke是Google的首席迷信家，斯坦福年夜學(xué)電子工程學(xué)博士，今朝在Google Brain主導(dǎo)機械人相干的項目。Vanhoucke重要的研討范疇是語音辨認、盤算機視覺和機械人等范疇，他還行將掌管機械人范疇的嘉會CoRL 2017（Conference on Robot Learning）。

　　Vanhoucke以為，機械智能如今曾經(jīng)成長到一個相當(dāng)?shù)乃疁剩谀承┨囟ㄇ榫诚碌谋硎究梢枣敲溃酥脸觯┤祟悾帽葯C械視覺、機械翻譯、語音辨認，如今是時刻讓這些才能在物理世界中施展效應(yīng)了。他在明天的演講中提到，robotics的研討如今也正面對著一場深度進修的改革，完成這一點，須要如今的機械進修從業(yè)者跳出監(jiān)視進修的溫馨區(qū)，面對一些辣手的成績：數(shù)據(jù)稀缺，若何使機械完成技巧轉(zhuǎn)換和連續(xù)性的進修等等。Vanhoucke也提到，這也是人工智能從實際到理論的必經(jīng)之路。

　　Vanhoucke說，2011年，語音辨認研討者采取神經(jīng)收集技巧下降語音辨認，毛病率年夜幅下降，是語音辨認范疇十多年來最年夜的提高；2016年，簡直就曾經(jīng)到達人類水準了。

　　而機械翻譯，2014年機械進修的引入也讓機械翻譯有了質(zhì)的提高，但要說到達人類水準，照樣比擬委曲……

　　（看keynote上的名單，為Google的機械翻譯做出進獻的，華人數(shù)目很多。）

　　這個柱狀圖是人類翻譯、神經(jīng)收集翻譯和PBMT翻譯的質(zhì)量差異，順次遞加。

　　Vanhoucke以為，機械進修研討比曩昔更輕易了，有更多的開源對象和模子，更多的收集教程（他本身就在Udacity上開了收集課程），GPU和高機能盤算硬件門坎也變低了，研討者也比之前更多。

　　圖片辨認范疇，除底層技巧的完美，Google曾經(jīng)將圖片辨認技巧運用在醫(yī)療范疇，贊助大夫診斷病情，而且取得了一些成效。

　　但他也說，圖象辨認如今遠遠沒有到“succes”的田地，有40%基于圖象監(jiān)測做的決議計劃，成果是很蹩腳的。

　　接上去是機械人的部門。Vanhoucke是電子工程專業(yè)出生，在Google Brain重要的任務(wù)是機械人項目。他先強調(diào)了一個和許多人認知有收支的不雅點：今朝的機械人研討其實跟深度進修沒有多年夜關(guān)系。

　　他做了個示范，讓手里的筆失落在地上，說，假如機械人的義務(wù)是抓取筆的話，那末捉住了和抓不住，從內(nèi)部不雅察不到機械人的舉措有甚么差異（按：是以不克不及從中獲得甚么紀律）。

　　機械抓取特定的物體是有跡可循的，抓取未知的物體還沒有法處理。（Vanhoucke播了一段機械人摔交集錦視頻，說曩昔他認為這些機械人摔交很可笑，然則后來本身開端做機械人項目以后，看到這類畫面就再也笑不出來了。研討機械抓取真的很難，但他很enjoy。）

　　越是少的圖象辨認技巧參與，機械的魯棒性就越好，能應(yīng)對更龐雜的物體。后續(xù)有聽眾問及抓取對象的數(shù)據(jù)庫時，Vanhoucke說他們（Google）其實不愿望樹立一個如許的常識圖譜。

　　強化進修的引入關(guān)于機械人的研討能夠有贊助，條件是先有一個能發(fā)生海量樣本的參照模子。

　　最初的結(jié)論：

　　1、robotics和機械進修正在產(chǎn)生成心思的融會；

　　2、關(guān)于慣例的robotics成績，要有做出分歧謎底的覺醒；

　　3、It hits all the right difficult problems on the road to practical AI。