人工智慧不是萬能 一張圖讓你秒懂

創設台灣人工智慧學校的陳昇瑋博士也說人工智慧不是萬能！希望大家不要有太浪漫與過高的期望。我相信他也已經看到有太多過度炒作的現象，誤導了多數人的認知，甚至已經達到了有詐騙嫌疑的程度！所以才會有這種可以說是自我貶抑(打預防針？)的誠懇呼籲！

當然他所說的「人工智慧」意義應該還是指目前大家認為主流的：機器學習與深度學習等技術。就是以大量資料的統計迴歸計算為主軸，再「搭配」一些演算法研究的技術。但是我認為人工智慧應該是以針對需要分析的事實設計的演算法為主軸，再搭配諸如機器學習或深度學習等統計方法來配合，作大量資料的分析統計，讓演算法的參數能迅速得到最佳化的結果。

簡單說就是我認為「演算法研發」與「機器學習+深度學習」的主從地位應該是相反的！如果你堅持以「機器學習+深度學習」為人工智慧的研發主軸，我認為是哪裡也去不了的！即使是上圖中說的，「AI擅長」象限中的車牌辨識與人臉辨識，事實也是使用機器學加上深度學習都作不好，也不必使用ML與DL的議題。換言之，所謂的「台灣人工智慧學校」根本就不應該以機器學習為教學的主軸！

如果你限定所謂的人臉辨識或車牌辨識是像下面的特寫影像：

機器學習與深度學習確實可以做得不錯，但也不會比你用針對性的影像辨識演算法作得更好！而且前者需要的成本會比演算法研發成本高出很多倍！這是機器學習派專家刻意隱諱不提的部分，在實務上要開發出高準確度的AI商業軟體，沒有任何中小型公司有可能獲得成功的！因為錢不夠用！大數據是要錢買的，還需要大量人力去寫每一題的標準答案！

如果你要的車牌辨識或人臉辨識目標是像下面的，更「自然」情境下的辨識，那麼即使你是擁有龐大資金人力的大公司，也不可能用機器學習+深度學習達到目的的！

因為車牌可能的變形角度是無限的，背景資訊會如何出現也是毫無限制的！人臉在自然情境中會出現的樣貌，遠近、角度與臉部特徵的細節呈現度可能性也都是無限的！在這種辨識需求下，你用的大數據資料再多都不可能「統計」出高辨識率的解決方案，即使你用傳統演算法的方式作都還常常「不夠聰明」，你希望用大量資料給只有有限演算法的機器學習或深度學習去嘗試錯誤，希望它可以「想出」比專家者更聰明的解題方式？那真的太天真了！

真實應用情境的影像辨識過程的變數太多了！如上的人臉辨識影像，好像他們已經抓到了大多數的人臉位置？但是如果是晚上呢？只是變暗一點，所有演算法都必須因應調整，不然抓到的人臉會只剩下三成，這個軟體還能用嗎？更不必說抓到人臉位置之後你還必須知道它的側向角度，必須幾何校正之後才能套用正面人臉辨識的參數！

這些複雜的變化，如果你可以依據很多周邊環境參數研究出因應的演算法，其實是可以一步一步趨近解決的！我目前賣的車牌辨識核心就是這麼來的！但是如果你覺得只要丟進夠多資料，機器學習或深度學習程式模組可以「學會」如何處理這些複雜現象與程序，代替專家「研究」出最好的演算法？那你就是詐騙集團最佳的肥羊目標了！你真的太好騙了！

我們必須發展人工智慧的方向絕對沒錯，但是目前我看是研究方法與方向錯得離譜了！我們需要的是更多根據科學事實的演算法的研究，不是更繁複的統計學技術。算命用的參數再繁複它依舊只是機率統計，就像用星座算命，只用太陽所在的星座不夠準，加上月亮、火星、土星、木星所在的星座位置，你以為就會算得更準嗎？你相信你出生時火星在哪邊？對你的個性影響比你的成長環境更大嗎？

這就是從機器學習到「深度學習」的研究方向思維！他們重視方法論的參數組合遠多於對事實邏輯的觀察因應，我認為這種「AI」技術觀念幾年之內就會泡沫化，他們一定會大澈大悟回歸正統科學研究的！不要幻想電腦可以自行排列組合出神奇的演算法，能直接取代甚至超越我們人腦數十年的經驗學習結果，真的沒有！人工智慧應該就是逐步探討並模擬出我們腦袋中的經驗與思維的過程，沒有僥倖，也沒有太多神奇浪漫的色彩。

這樣說好了！那些推崇機器學習的AI專家們說得頭頭是道，你有問過他們實際上用他們「熟知」的AI技術完成過多少有實質效益的AI軟體嗎？當教授隨便講講很容易的！我就當過！如果他們自己都沒真的作出過甚麼有用的軟體，你該如何「參考」他們的言論呢？等他們真的作出實質成績時再考慮是否真的要全盤接受吧？我用我的方式可是真的作出了好多能賣能用的影像辨識產品，我就是靠這個方式謀生吃飯的！你要不要多信我幾分呢？