以前剛開始接觸電腦時，我們理工科學生的電腦作業就是將傳統上要作紙筆計算的工作，依據數學公式邏輯改寫成程式碼，使用電腦更快更穩定不出錯的跑出來！如何改寫的詳細過程技術還變成了一門課程，稱為「數值分析」，英文名稱是Numerical Analysis，凡是會用到電腦解題的學生都必修的！那個年代用商業軟體解題，譬如MatLab或OpenCV，是根本還沒出現的概念！

和使用紙筆計算不同的是，我們常常可以把所有可能的資料或方法列舉去猜答案，讓電腦笨笨的每一個資料、方法或假設狀況都試試看，就可以很快得到正確答案，不必傷腦筋去解數學題了！反正電腦計算比紙筆計算快很多嘛！

那時候前輩們看到學弟這麼作，就會嘲諷這是「暴力運算」！被發現這樣偷懶用電腦猜答案的學生就會尷尬到無地自容！這也算是作弊的一種方式，老師開課是要教你知識理論的，會寫程式除錯只是基本動作，不是重點，能用程式表達出正確的數學演算法才是評分重點。所以當然不會接受這種方式寫的程式作業，畫一個大叉叉給零分就是合理的結果！

但曾幾何時，現在這種投機作弊的解題方式居然變成了「人工智慧」中的顯學？還有了一個漂亮的新名字「機器學習」？機器其實根本沒學會甚麼事情？只是經過無窮的列舉運算，知道某個解法可以得到正確答案？至於何者為「正確」的邏輯？它們還是沒學會的！因為標準答案是工讀生用人腦眼睛判斷寫出來的！這個人工手動的工作，也有個很漂亮的名稱叫作：Tagging，如果工讀生恍神給了一個錯的答案，機器學習就會想出一個錯的解法來得到這個錯的答案，機器甚麼都不懂的！

機器學習這名稱還不夠漂亮嗎？太生硬了！那就把嘗試列舉的方式升級一下，從簡單的資料列舉多加一些方法論列舉組合(多幾個隱藏層)去作暴力試驗，就可以稱之為「深度學習」了！哇！好「深」奧哦！但本質還是一樣，就是不知而行的暴力運算！因為即使作出結果，連設計者都不知道為何應該如此解題的科學原理？只知道是「電腦試過」了！這麼作就會得到「正確」答案！

而且機器學習所謂的「正確」與否還是由人眼與人腦判斷的，那些思考邏輯與判斷能力還是深藏於我們的大腦智慧之中，這些所謂「人工智慧」的專家，使用機器學習或深度學習解題後，對於這些「人的智慧」還是一知半解！這種專家只是猜答案成功，實在對於正統科學以及人的智慧研究毫無貢獻。

機器學習派面對的現實是：放任機器學習找解法通常是不會成功的！套句數學用語就是答案總是傾向於發散，很少會自動收斂的！即使成功找到解出正確答案的方法，因為需要大量嘗試錯誤湊出來，效率很低成本很高。簡單的問題解得很快很好，稍微複雜的問題就會一直踹都踹不出一個洞來！所以程式設計者必須出手干涉，就是所謂的「監督式學習」，其實也就是回歸傳統科學，減低盲目列舉測試的範圍，增加直接使用傳統演算法針對問題作處理的成分。

但是當我們使用越來越多「監督」時，就越來越不需要亂踹的「學習」過程了！都已經解題到剩下兩種可能了，還非要機器學習軟體跑兩次告訴我答案嗎？所以我認為機器學習一定會慢慢被邊緣化到一個可有可無的地位！這其實也是幾千年來所有科學知識演進的過程，對於自然現象的成因機制一無所知時，天氣會如何變化就是一種經驗統計學甚至是宗教議題，24節氣就是這麼來的！

但是當我們對於氣象氣候的成因越來越了解時，我們是看曆書猜明天的天氣？還是看氣象報告呢？氣象局是用觀測資料加上明確的物理原理推算明日天氣的，他們絕對不會用歷年天氣統計資料來推測明天的天氣！但那就是機器學習的標準作法！這樣的「AI天氣預測結果」當然僅供參考，沒人會認真相信的！

這就是機器學習與深度學習的宿命，當我們對於人的智慧運作邏輯越來越理解之後，它們一定會變得越來越不重要，被邊緣化到無足輕重！其實現在它們對於AI實用軟體的貢獻程度也不大！它們實在是一種被過度炒作，終將變成泡沫的技術，想作AI的人絕對不能以為熟悉這種技術就會有甚麼用處！它們可以被視為AI研究的「相關技術」，但絕對不是重點的核心技術！