在深度學(xué)習(xí)技術(shù)和人工智能越來越普及的今天互捌，每個人都或多或少需要了解一些深度學(xué)習(xí)的知識柑晒。深度學(xué)習(xí)技術(shù)真的幾乎可以輔助解決任何問題。深度學(xué)習(xí)技術(shù)不僅被廣泛用于我所在的計算機視覺研究領(lǐng)域臭觉，更是被其它基礎(chǔ)學(xué)科研究和生活的方方面面知残。
智能駕駛
目前深度學(xué)習(xí)被廣泛用在智能駕駛技術(shù)里，來自MIT的著名的X教授Jianxiong Xiao致力于開發(fā)出只需要50美元就可以買到的智能駕駛技術(shù)云石，其創(chuàng)立的AutoX公司目前收到了大量的風(fēng)投唉工，其核心技術(shù)就是深度學(xué)習(xí)。我可以很認(rèn)真的告訴你們留晚，Xiao教授是一個大帥哥酵紫，拿到無數(shù)大獎，是MIT科技評論選出的全球10個35歲以下的發(fā)明者之一错维。以下是他的臉書頭像和背景奖地，他作報告的時候基本是全場爆滿。想了解他更多赋焕？你們可以訪問他的個人主頁http://www.jianxiongxiao.com/参歹。
我絕對不告訴你我放這張照片是為了炫耀。恩隆判，不告訴你們犬庇。（跑）
除了這個公司以外僧界，Google，百度臭挽，特斯拉捂襟，蘋果，豐田欢峰，Uber等等科技巨頭都在研發(fā)無人駕駛汽車葬荷。目前處于領(lǐng)先地位的無人駕駛技術(shù)公司是以色列的Mobileye，目前已經(jīng)被收購纽帖。
在智能駕駛里宠漩，傳統(tǒng)的方案是采用各種傳感器去測量距離，路況懊直，速度等等扒吁。整個系統(tǒng)非常龐大，而且造價昂貴室囊。有很高的消費門檻〉癖溃現(xiàn)在的方案是用“攝像頭+算法”替代“傳感器”。攝像頭是非常廉價的波俄，算法一旦寫好晨逝，只需要不斷升級就可以了，本身是可以無限復(fù)制的懦铺，還不像傳感器那樣占空間（默默替程序員們心疼3秒鐘，寫出來的代碼非常實用卻不占任何空間）支鸡。
此外冬念，攝像頭拍照片之后，會上傳到云平臺牧挣，然后云平臺會自動分析出車輛所在的位置急前，從而提供最優(yōu)的駕駛路線。
當(dāng)然瀑构，攝像頭里的芯片可嵌入的算法功能還有很多裆针，比如在雨天的時候，芯片的去雨算法可以去掉照片里的雨跡寺晌。如果攝像頭拍到的照片比較模糊世吨，我們可以用去模糊的算法把圖像變的更加清晰。現(xiàn)有算法還可以輔助汽車計算拍攝到的物體與汽車之間的距離呻征，從而代替距離傳感器耘婚。這些算法都是可以用深度學(xué)習(xí)去做的。
當(dāng)然陆赋，這些技術(shù)都還處于發(fā)展中沐祷，并不是非常完善嚷闭。我們不妨把這些不足看成是機會，感興趣的小伙伴未來可以投身于這個行業(yè)當(dāng)中赖临。
應(yīng)用物理
因為導(dǎo)師的項目需要胞锰，我開始和應(yīng)用物理系、生物系合作兢榨，這真是讓我開眼界了嗅榕。就在我寫這篇文章的幾個小時之前，清華大學(xué)的科研人員發(fā)現(xiàn)深度學(xué)習(xí)和量子物理重要關(guān)聯(lián)[1]色乾，相關(guān)工作發(fā)表在Nature系列的著名期刊《Nature Commun? ? ? ? ications》上誊册。
在上月月底，Nature雜志在線發(fā)表了一篇文章[2]暖璧，天體物理學(xué)家用深度學(xué)習(xí)研究星系對光的重力作用案怯。此外，生物學(xué)家已經(jīng)把深度學(xué)習(xí)技術(shù)用于改進(jìn)榮獲14年化學(xué)“諾貝爾獎”的超分辨率熒光顯微技術(shù)（目前該文章還沒發(fā)表澎办，我在香港大學(xué)醫(yī)學(xué)院聽報告得知）嘲碱。
我目前也在學(xué)習(xí)深度學(xué)習(xí)技術(shù)，期待解決一些計算機視覺領(lǐng)域的重要問題局蚀。
深度學(xué)習(xí)的不足
深度學(xué)習(xí)目前唯一的不足就是需要大量數(shù)據(jù)麦锯。這也意味著我們必須在進(jìn)入智能時代之前先經(jīng)歷一段時間的數(shù)據(jù)時代。而目前并不是所有領(lǐng)域琅绅，所有問題都有那么充分的數(shù)據(jù)扶欣。如何產(chǎn)生比較好的數(shù)據(jù)，如何儲存這些數(shù)據(jù)千扶，如何用現(xiàn)有技術(shù)分析這些數(shù)據(jù)料祠，如何開發(fā)出新的方法解決現(xiàn)有問題等等，都是未來值得研究和探討的問題澎羞。
PS:
剛才和辦公室同事探討了很久髓绽，發(fā)現(xiàn)研究軟件技術(shù)的人，研究無線通信技術(shù)的人也開始關(guān)注人工智能和深度學(xué)習(xí)妆绞。希望未來能有更多的內(nèi)容分享給大家顺呕。
參考文獻(xiàn)：
[1] Gao, Xun, and Lu-Ming Duan. Efficient representation of quantum many-body states with deep neural networks. Nature Communications 8, Article number: 662 (2017). doi:10.1038/s41467-017-00705-2
[2] Yashar D. Hezaveh, Laurence Perreault Levasseur, and Philip J. Marshall. Fast automated analysis of strong gravitational lenses with convolutional neural networks. Nature, 548, 555–557, 2017.
[3] Chen, B.-C. et al. Lattice Light Sheet Microscopy: Imaging Molecules to Embryos at High Spatiotemporal Resolution . Science, 346, 1257998/1-1257998/12 (2014).
