對於迷信狹義的AI，就是迷信機器學習(ML)或深度學習(DL)可以解決任何問題的人來說，碰到上面這種難辨識的案例他們會怎麼作呢？他們會蒐集更多類似的案例，然後用這些資料先以人眼人腦的最佳判斷標記出正確答案(如5B-9325)，然後建立辨識模型，讓機器學習機制就是統計與嘗試錯誤自我調整參數，達到最高的辨識正確率！

如果辨識率還是不好呢？那就設計擁有更多參數，更多處理層次(隱藏層)的深度學習模式，收集與標記更多的資料，就是定義出更龐大複雜的模型，用更巨量的計算，嘗試「訓練」出辨識率更好的模型！他們相信只要資料夠多，模型架構夠大夠複雜，終究可以「訓練」出能力與人眼人腦一樣好的辨識能力！

但結果真的是如他們預期的一樣嗎？作為一個影像辨識軟體的研發者，他們可以始終不必傷腦筋去設計思考具體的辨識流程嗎？他們可以始終不去分析為何某些辨識會失敗的原因嗎？不必懂得任何影像辨識的原理，只靠著會操作機器學習與深度學習的訓練模型，就可以產出跟人一樣，甚至更好的智慧嗎？

事實證明他們在大多數的情況下都是以失敗收場的！而且是代價非常高昂極為慘痛的失敗！因為這種極端資料很少，以我手邊進行中的這批資料來說，總數有六千多張，這種程度的夜間模糊照片大約只有一百張，要找到至少成千上萬足以進行「學習」獲得一定成效的資料本身就要花很多錢。

不只取得大量資料很難很破財，拿到資料後必須一一用人工辨識標記正確答案更是很大的人工成本，當辨識模型的參數與層次變多時，學習訓練的計算量會以幾何級數暴增！一般電腦就完全不夠用了！所以才需要輝達的GPU軟硬體技術與超高規格的運算晶片。DeepSeek會嚇死美國廠商的原因就是他們似乎不必依賴太高階的晶片？也就是較少的運算量就可以達到一樣的AI效果？

簡單說，那些用機器學習產生的AI已經不是一般公司能做的研發業務了！你如果硬是要這麼做，就是拿自己公司的身家財產去賭這種「研發」會出現奇蹟！過程中你完全不知道訓練過程在幹甚麼？也完全無法掌握研發進度與預期成果！就跟拿著大筆金錢交給詐騙集團「投資」希望能真的賺到錢的機會一樣渺茫！

所以如果你站在我的立場，也對這些技術有足夠深入的了解，你也不敢走這條路的！那我怎麼作呢？其實在這些機器學習橫柴入灶來影像辨識領域搗亂之前，影像辨識本來就已經是相當成熟的科技，指紋辨識、人臉辨識與車牌辨識都早就是成熟商品了！你只需要在這些前人的穩固基礎上繼續努力研究精進即可！

影像辨識就是一個基於科學原理的資料處理過程，人腦在這方面的視覺智慧也是完全一樣的！如果每個人辨識同一模糊車牌的答案都是一樣的！那就表示我們腦中都有極為類似的辨識過程與邏輯，我不需要用大量資料讓機器學習去盲目嘗試錯誤找智慧的！根據少數案例一一分析清楚自己的思考過程就可以了！

以上面的案例來說，因為影像有點失焦模糊，所以即使找到了車牌，但是沒有辦法用二值化程序將每個字元都表達得很清晰明確，上面這個結果我用我的字模比對出來的答案是：53-9325！算是很接近了，但畢竟還是錯的！根據監理單位制定的規則，根本不可能有這個車號！我的所有辨識努力就功虧一簣了！

你直接用眼睛看上圖的第二個字可能真的比較像3而不是應該正確的B，但是你考慮到根據此格式前兩碼不可能同時都是數字，除非兩個數字相同算是可允許的例外，譬如55-9325是合乎規則的車號！但是53-9325就一定是錯的！而且上圖兩字都很破碎，我可以猜是S3，SB或5B都是合格車牌，那我應該選誰呢？

這就是我每天都研究不完的「瑣事」了！我要替這幾個可能的答案建立最合理的辨識邏輯，即使最終還是有可能錯誤，但是我用的道理必須說得通，讓我的客戶可以接受我盡力了！

事實是：我在辨識每個字時就已經用所有英數字字模跟候選目標比對過了！每個字模對此目標的符合度都有紀錄了，所以我要在前兩個字之中逼出一個「比較像」英文而非數字的目標，只要比較兩字如果只可能是英文字時，誰的符合度會較高？結果是第二個字有60%的機率是B，第一個目標被視為任何英文字的最高分只有36%！白話文說就是怎麼看都不像個英文字！所以我猜的最好答案就是5B了！

所以我的影像辨識就是一個非常精密的機器，好像醫師或醫院在看病，檢查正常的人就直接出院了！任何檢驗指標有異常的病人就會被用各種合理的藥物療法醫治到合格再出院！我的影像辨識絕對不是甚麼神奇神秘的黑盒子？就是一個每顆螺絲釘為何存在都有道理的精密儀器！

或許「理論上」機器學習與深度學習真的可以經過大量資料充分的訓練達到我的智慧程度，但是需要投入的成本絕對是高到不可想像的！你真的有這麼多錢與時間嗎？奉勸迷信機器學習可以作影像辨識的苦主們：苦海無邊，回頭是岸啊！趁著還沒破產跑路之前快點煞車收手吧！各位買產品使用的顧客也必須知道：機器學習作的AI必然非常貴！而且出錯了問廠商也不會有答案的！他們只是盲人在器瞎馬，甚麼都不知道的！