过去3年，深度学习在计算机视觉领域取得了巨大成功。其中，在物体识别和检测、场景分类、根据图像生成文字描述等领域表现尤为突出。不过，深度学习在机器人视觉领域的表现还相形见绌。
　　虽然深度学习在机器人根据视觉引导进行抓取和控制方面得到了很好的应用，但目前还没有在机器人领域成为主流。而且，在去年的RSS、ICRA等重大国际机器人会议上，很多著名的研究者对深度学习技术在机器人场景中的应用能力公开提出了质疑。
　　因此，本届RSS2016，主办方特地举办了一场小型研讨会，探讨深度学习在机器人技术中的应用及局限(Are the Sceptics Right? Limit sand Potential sofDeep Learning in Robotics)。虽然只是一个小型研讨会(workshop)，但主办方也邀请到机器人技术、深度学习和计算机视觉领域三方面的专家。其中，有的是在深度学习技术出现后很快就将其应用于自己在机器人技术相关领域，也有著名的“深度学习怀疑论者”。
　　下文作者是伦敦帝国理工大学戴森机器人实验室博士生John McCormac。McCormac的导师Andrew Davison是伦敦帝国理工大学计算机系主任，领导该校机器人视觉研究小组，同时也是戴森机器人实验室的负责人。McCormac的研究方向是使用深度学习进行三维语义分割和场景理解。
　　最后，Pieter Abbeel直接问“谁是深度学习怀疑论者”，现场参加讨论的150到200多人中，包括听众和讲者，只有大约5到10人举起了手。而且，这些怀疑论者在被问道时，还都对深度学习表示了肯定，认为这种技术是研究机器人的重要工具之一。
　　让人对深度学习产生怀疑的大致有两点：一是在一些特定情境下无法确保做出规定动作，二则是深度学习在很多方面缺乏可解释的不确定性测量手段。

　　LarryJackel提出了衡量一个人是否是“深度学习怀疑论者”的标准：按正常情况预计，未来10年自己会不会使用神经网络。如果你的答案是“不会”，那么你就属于深度学习怀疑论者阵营。
　　在OliverBrock逼问之下，Pieter给出了一个更宽泛的解释，称深度学习提供了一个工具包，机器人技术研究者有望利用这个工具包实现更通用的智能机器人。有人表示如今对深度学习热潮有可能是寒冬降临前的爆发，但Pieter认为这不大可能发生，鉴于很多大公司已经使用深度学习盈利，比如谷歌的广告系统。
　　与会者普遍对深度学习采取实用的态度：机器人技术研究者要做的，是提出先验约束和模型约束，而深度学习则是之后再去解决这些约束造成的问题。
　　OliverBrock将机器人技术里的深度学习现状和炼金术相比，每个人都有自己设计架构的黑魔法，而这是一个值得全领域从业者注意的问题。Brock呼吁要建立起机器人技术的“元素周期表”，研究者应该注意并且在论文中强调自己使用的方法对解决其他领域问题的适用性。
　　Ashutosh Saxena的观点是，机器人应用场景中的深度学习问题就像一个因子图，每个因子都是一个经过训练的RNN。Saxena认为，形成这样一个主因子图结构，同一个机器人不同时间的子任务和不同机器人之间就都能共享组件

　　Dieter Fox主张将深度框架和先验模型相结合。Fox表示他以前对深度学习抱有怀疑，但如今已经是深度学习的积极拥护者，其原因是深度学习技术在机械手的姿态估计中的鲁棒性。Fox表示，纯粹基于模型的方法虽然能得到明确的置信区间，但在实际应用中很难达到这一点。他以ICP要求为例，至少用CNN做单帧手势跟踪鲁棒性非常好。