這段時間最重要的研發進度，是找到了快速決定全圖單一二值化門檻值的合理演算法。可以在絕大部分車牌對比度還算合理的狀況下，不必使用計算量較大的動態二值化程序，就能正確完成辨識！讓我可以建立一個速度大約加倍的快速辨識模式，與原本的動態二值化模式的辨識率差距極小！

意思是說，新的快速模式已經可以取代舊模式，當作標準程序(SOP)，處理絕大部分的案例，大量節省運算時間與運算量！使用動態二值化的舊模式則可以視為備援的加強辨識模式，用於極困難的案例，增加極端狀況時的辨識率！具體來說，就是我的動態軟體都可以預設使用快速模式，只有靜態辨識引擎發現無法辨識的困難案例時才啟動動態二值化模式。

這個新技術更新完成後，對我的車牌辨識軟體意義非凡！基本的辨識速度會加倍，耗電(計算)量則是減半！我的產品應該可以獲得節能環保標章的！重點是幾乎沒有犧牲任何我原本的高辨識率優勢！歪斜、破碎或模糊目標的辨識能力幾乎一樣！只有車牌處於極暗或極亮，或半黑半白的狀態時才需要舊模式的能力。

當然一樣的技術也可用於貨櫃碼的辨識！如上案例就可以讓原本需要135毫秒的辨識，加速到只需要66毫秒！而且這種加速是來自演算法效率的提升，完全不必用到GPU幫忙的！須知「必須使用GPU」其實是AI效能的反指標！今天設定的工作進度就是確認這個新技術的移植可以完全正常運作，辨識率不能跑掉！

說來也很微妙！現在大部分的AI研發都是毫不吝惜大量使用高度浪費算力的演算法！算力不夠時就花錢找輝達買GPU就好了？我的感覺是好像看到會說「何不食肉糜？」的土豪？我從一開始研究影像辨識就知道這是需要大量計算的工作，也知道大部分的人都蠻窮的，不要說GPU了，連好的CPU都斤斤計較要買便宜的！所以如何「減少」運算量才是根本解決問題的方向！如果我的軟體「爛到」必須使用GPU？我會羞於啟齒的！

所以要讓真實世界廣泛接受AI，我認為如何減少運算量才是軟體研發時的重中之重！能夠達到AI需要的目標當然很重要！以影像辨識來說就是辨識率一定要達到可以實用的水準，譬如停車場的車牌辨識率一定要高於98%！但是濫用算力達標的AI產品，必然需要昂貴的硬體支援，計算量越大越浮濫，硬體成本就越高！想導入AI的人都買不起，或覺得投資風險太大時，當然AI就無法推廣了！

我是專做軟體不兼賣硬體的廠商，表面上我的軟體只需要顧到辨識率高就好了！我也真的做到了！但是我認為這只是一個起點與門檻！如果我想推廣AI影像辨識，賣出更多軟體，甚至在市場上擊敗更多競爭者！關鍵就是我的計算量必須持續減少！

辨識率一樣好，甚至更好的軟體，我的產品只需使用平價的一般規格電腦，甚至最廉價的低規格工業電腦就能順利運作！競爭產品都需要買一張好幾萬的特殊顯示卡！客戶當然會來跟我買！如果他們知道昂貴設備代表日後運轉時的電費也比使用我的軟體高好幾倍呢？誰還會笨到去買需要GPU才能作辨識的軟體呢？我拚速度降低運算是想擊敗其他的AI替自己和客戶賺更多錢的！不是想替輝達賺錢的！