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(jī)械人相干的項(xiàng)目。Vanhoucke重要的研討范疇是語(yǔ)音辨認(rèn)、盤算機(jī)視覺和機(jī)械人等范疇，他還行將掌管機(jī)械人范疇的嘉會(huì)CoRL 2017（Conference on Robot Learning）。
Vanhoucke以為，機(jī)械智能如今曾經(jīng)成長(zhǎng)到一個(gè)相當(dāng)?shù)乃疁?zhǔn)，在某些特定情境下的表示可以媲美（乃至超出）人類，好比機(jī)械視覺、機(jī)械翻譯、語(yǔ)音辨認(rèn)，如今是時(shí)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(duì)著一場(chǎng)深度進(jìn)修的改革，完成這一點(diǎn)，須要如今的機(jī)械進(jìn)修從業(yè)者跳出監(jiān)視進(jìn)修的溫馨區(qū)，面對(duì)一些辣手的成績(jī)：數(shù)據(jù)稀缺，若何使機(jī)械完成技巧轉(zhuǎn)換和連續(xù)性的進(jìn)修等等。Vanhoucke也提到，這也是人工智能從實(shí)際到理論的必經(jīng)之路。
Vanhoucke說(shuō)，2011年，語(yǔ)音辨認(rèn)研討者采取神經(jīng)收集技巧下降語(yǔ)音辨認(rèn)，毛病率年夜幅下降，是語(yǔ)音辨認(rèn)范疇十多年來(lái)最年夜的提高；2016年，簡(jiǎn)直就曾經(jīng)到達(dá)人類水準(zhǔn)了。
而機(jī)械翻譯，2014年機(jī)械進(jìn)修的引入也讓機(jī)械翻譯有了質(zhì)的提高，但要說(shuō)到達(dá)人類水準(zhǔn)，照樣比擬委曲……
（看keynote上的名單，為Google的機(jī)械翻譯做出進(jìn)獻(xiàn)的，華人數(shù)目很多。）
這個(gè)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(jī)械進(jìn)修研討比曩昔更輕易了，有更多的開源對(duì)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(jī)能盤算硬件門坎也變低了，研討者也比之前更多。
圖片辨認(rèn)范疇，除底層技巧的完美，Google曾經(jīng)將圖片辨認(rèn)技巧運(yùn)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(shuō)，圖象辨認(rèn)如今遠(yuǎn)遠(yuǎn)沒有到“succes”的田地，有40%基于圖象監(jiān)測(cè)做的決議計(jì)劃，成果是很蹩腳的。
接上去是機(jī)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(jī)械人項(xiàng)目。他先強(qiáng)調(diào)了一個(gè)和許多人認(rèn)知有收支的不雅點(diǎn)：今朝的機(jī)械人研討其實(shí)跟深度進(jìn)修沒有多年夜關(guān)系。
他做了個(gè)示范，讓手里的筆失落在地上，說(shuō)，假如機(jī)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(jī)械人的舉措有甚么差異（按：是以不克不及從中獲得甚么紀(jì)律）。
機(jī)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(jī)械人摔交集錦視頻，說(shuō)曩昔他認(rèn)為這些機(jī)械人摔交很可笑，然則后來(lái)本身開端做機(jī)械人項(xiàng)目以后，看到這類畫面就再也笑不出來(lái)了。研討機(jī)械抓取真的很難，但他很enjoy。）
越是少的圖象辨認(rèn)技巧參與，機(jī)械的魯棒性就越好，能應(yīng)對(duì)更龐雜的物體。后續(xù)有聽眾問及抓取對(duì)象的數(shù)據(jù)庫(kù)時(shí)，Vanhoucke說(shuō)他們（Google）其實(shí)不愿望樹立一個(gè)如許的常識(shí)圖譜。
強(qiáng)化進(jìn)修的引入關(guān)于機(jī)械人的研討能夠有贊助，條件是先有一個(gè)能發(fā)生海量樣本的參照模子。
最初的結(jié)論：
1、robotics和機(jī)械進(jìn)修正在產(chǎn)生成心思的融會(huì)；
2、關(guān)于慣例的robotics成績(jī)，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。
