在過去幾年裡，深度學習技術，在計算機視覺等諸多領域，帶來了天翻地覆的變革。在目辨別别和檢測、場景分類、動作識别等分支，深度學習都有着“驚豔”地成功應用。盡管那邊已經“熱火朝天”，但在機器人視覺研究這邊，深度學習的應用，才剛剛拉開舞台的幕布。
目前，深度學習已經開始在機器人領域“牛刀小試”。例如，在視覺引導機器人的抓取和操縱研究上，就有了成功的應用。
圖檔來源：谷歌深度思維團隊raia hadsell在rss 2016報告幻燈片
但即便如此，深度學習，仍然沒有發展成為機器人領域的主流方法。這是因為，有許多著名的機器人、人工智能等領域的專家，直言不諱他們的質疑和顧慮，他們不相信深度學習能在不同的機器人應用場景中，得到普及使用，并質疑深度學習驅動下的機器人安全性能。
質疑者在哪裡？
整體來說， 研讨會很有意思。在研讨會快結束的時候，主持人pieter abbeel（斯坦福大學副教授）問道，現場有多少的觀衆，對深度學習在機器人領域的應用，秉持懷疑态度，150～200的觀衆席中，僅有5～10名觀衆舉手表示質疑。
即使身處質疑者的陣營，他們的立場也并非堅定如鐵，因為在被問到為啥質疑時，他們表态說，作為機器人研究的一個輔助工具，深度學習還是有用武之地的。
質疑者的疑慮，并非空穴來風，這些疑慮主要來自兩個方面，一是在特定場景下，機器人的行為難以確定。比如說，自動駕駛機器人，在遇到險情時，是保護車上的主人——司機，還是要保護路上的行人？
二是深度學習的可解釋性。深度學習在某些領域的應用效果極佳，可是為什麼極佳，深度學習的應用者們，目前為止，也未能給出合理的解釋。
針對第一點疑慮，著名未來學家kevin kelly（昵稱kk）在《失控》一書中給出了一點解釋。kk預言未來的世界，有兩個特征：（1） 自然生命體的機械化；（2） 人造生命體的生物化。對于類似與機器人的人造生命體，kk非常樂觀地告訴我們，不必擔心：作為造物者，我們要對人造生命體負責，讓他們遵循機器人三定律就好。（你信kk所言嗎？你不疑慮嗎？）
質疑陣營和擁護陣營之間，并非泾渭分明。時間流逝掉得不僅僅是歲月，還有觀念的淡化或轉化。下面說的就是一個有關質疑者的故事——larry jackel（著名人工智能專家、north c .科技公司主席）曾經參與了一個關于神經網絡未來的著名賭局。
一場有關神經網絡的著名賭局
我們知道，卷積神經網絡是深度學習最重要的分支之一。“卷積”和“深度”是神經網絡互相獨立的兩個性質。“卷積”指的是前端有卷積層；“深度”指的是除了卷積層之外還有很多層。現在看來，深度學習在很多領域都是風生水起，大放異彩。但這僅僅是“看見賊吃肉，沒見賊挨揍”。
雖然大部分人的感覺，深度學習是最近幾年才迅速崛起的，但深度學習的基礎理論——人工神經網絡，早在上個世紀八十年代，就有了一定的發展，後期遭遇瓶頸，進入漫長的“冬眠期”。其中卷積神經網絡在剛面世時，就受到了很多人的質疑，vladinmir vapnik就是衆多質疑者的一個。vapnik是何許人也？此君來頭不小。他不僅是一名出色的數學家，而且還是目前應用最廣的人工智能模式之一——支援向量機（svm）之父。
那時（1995年），jackel認為，到2000年，人們能夠明确了解人工神經網絡能夠發揮多大作用。
vapnik并不認可這個觀點。他認為，别說1995了，就算到2005年，也就是十年後，任何思維正常的人，都不會知道神經網絡有啥用，怎麼用。
1995年3月，在誰也不能說服誰的情況下，二人決定打賭定輸赢。賭注是一頓奢華晚餐。
雙方在證人面前簽字畫押，yann lecun是第三方簽名人（yann lecun ，目前炙手可熱的人工智能專家，facebook人工智能實驗室主任，紐約大學資料科學中心創始人，當年由 jackel招進貝爾實驗室）。
一開始，vapnik赢了，因為到了2000年，神經網絡的内部工作原理，基本上仍然被神秘所籠罩，研究人員無法明确地判斷出，如何讓神經網絡更好地應用在現實生活之中。
但vapnik猜到了前頭，卻沒有猜到後頭。
在2005年左右（更确切地說是2006年），加拿大多倫多大學教授、機器學習領域的泰鬥hinton教授和他的學生salakhutdinov在頂尖學術刊物《科學》上發表了一篇文章，開啟了深度學習在學術界和工業界的“拓疆擴土”的浪潮。這篇文章提供了兩個核心資訊：（1）很多隐層的人工神經網絡具有優異的特征學習能力，學習得到的特征對資料有更本質的刻劃，進而有利于可視化或分類；（２）深度神經網絡在訓練上的難度，可以通過“逐層初始化”（layer-wise pre-training）來有效克服，可在海量資料上展開并行神經網絡的參數訓練。
現在的局面，大家看到了。在很多領域中，深度學習（卷積神經網絡）得到非常廣泛而深入的應用。如果jackel已經兌現了自己的賭注，那麼現在的vapnik，似乎應該回請jackel兩頓奢華晚餐，作為補償。在現實面前，如果vapnik不固執己見，那麼這名先前的質疑者，是時候轉變自己的觀點了。
雖然深度學習有了比較廣泛的應用，但質疑并沒有結束。
比如說，深度學習這項技術雖然很強大，但為啥這麼強大？即使是深度學習的領域專家，也不能給出令人信服的理由。也就是說，深度學習的内部工作原理，仍然是雲罩霧繞，仍然是個有待破解的謎。
是以，也有人說，深度學習壓根就不是什麼科學嘛，僅僅是一個工程而已。如同那句人工智能的調侃：“有多少人工，就有多少智能”。深度學習的調參，何嘗不是一個體力活？
圖檔來源：oliver brock在rss 2016報告幻燈片（oliver brock為德國柏林大學 機器人與生物實驗室研究員）
如果深度學習内部的機理都弄不清楚，就把這套理論應用在更貼近人們生活中的機器人上，這靠譜嗎？安全性又如何保證？人們不能不疑慮重重啊！
沉默的大多數
在這次研讨會上，表面上看來，現場表示質疑的人，比例較小（5/150左右），但實際上，這個比例可能要大得多，因為有些觀衆即使身處“質疑者”陣營，也不會輕易公開發聲。是以，不論是問卷調查也好，還是舉手表決也罷，不要認為，在這類場景下，就一定能夠把大多數人的真實意思表達出來。
之是以這麼說，是有其理論依據的。早在1974年，德國社會學家伊麗莎白•諾爾-諾依曼（elisabeth noelle-neumann）就在其名著《沉默的螺旋》（the spiral of silence）中 ，就表達了類似的觀點：大多數個人會力圖避免由于單獨持有某些态度和信念而産生的孤立。因為害怕孤立，他便不太願意把自己的觀點說出來。是以，當發覺自己的某一觀點無人或很少有人理會（有時會有群起而攻之的遭遇），即使自己贊同它，也會保持沉默。意見一方的沉默，造成另一方意見的增勢，如此循環往複，便形成了一方的聲音越來越強大，進而形成“沉默的大多數”，而另一方越來越沉默下去的螺旋發展過程。
質疑還在繼續，他們是正确的嗎？讓時間給出答案吧。