上面的案例很有趣，對於想做出正確辨識的人來說則是很不幸！一個不知道是意外或人為的刮痕，剛好切斷了R字的右腳，二值化之後就會讓R字完全像個P了！所謂的影像辨識目標就是：極盡一切手段，讓辨識結果與事實相符！上例的事實就是正確的車牌字元是R而不是P！我們必須找出合乎邏輯的程序做出判斷：這是個R而不是P！

上面狀況的疾病起因診斷與醫治方式設計都不會太難，就是在二值化之後，必須檢視每個我們初步認定的字，如上例P的矩形範圍內有沒有明顯的碎片？如果有，拼合之後會不會更接近另一個字？如上例的R？如果整體相似度與原本以為的P很接近，那就應該當作是R而不是P了！一小塊意外的髒污是很難讓拼合後的目標與某字元符合度很高的！這是常識！

我的影像辨識軟體確實就是這麼作的！所以即使偶爾會判斷錯誤，也不會讓客戶很錯愕！因為我已經盡量以一般人的視覺判斷為師！我的軟體程式或許複雜，但絕不神秘！客戶只會笑笑說：「這個狀況我也很可能看錯！」這就是所謂的「科技始終來自於人性」的新解了！我的軟體很少讓客戶覺得難以理解的！

這就是我作影像辨識研究的基本理念！我覺得是非常合理，非常科學，也非常人性化的思考模式，就是我認為的AI啦！但是現在流行的AI呢？在大家心急想找到捷徑的心態下，都被機器學習派誤導甚至綁架了！他們絕對不會談類似上面的這種個案細節！只會讓大家相信只要資料夠多，電腦算力充裕，機器就可以自己學會任何的智慧？

這很像有間醫院，標榜他們不需要醫學，不需要專業醫生，只要有充足的病歷資料讓電腦自動學習，就可以自動產生最好的藥方與療程，就能治好所有的病！如果現實世界中出現這種醫院，你會怎麼想？你敢去這種醫院看病嗎？怎麼看都覺得比較像詐騙集團，而不是可以信賴的醫療機構嘛！

但是很詭異的！現實上ML、DL與CNN等演算法所形成的AI產業鏈，就是已經如此大張旗鼓地霸佔了影像辨識領域的舞台！何以致之？我覺得就是大家太期待AI，卻又不耐煩像前面幾百年的科學家一樣穩紮穩打，好好地逐步研究真正的科學事實與原理！每個人都期待自己能參與AI的研發，但是都不耐煩好好讀書踏實做研究的意思！

另一方面，AI畢竟是一個可以賺錢的產業，而且還沒成熟到真的完全靠AI產生的實質效益賺錢的成熟階段！很多人都在濫用「人們以為的AI期望」賺錢！炒作ML、DL與CNN的神效，就能大幅提高算力的需求，電腦硬體業就賺翻了！加上ML等技術是較新的技術，軟體業也可以趁勢推出很多工具軟體與教材課程大賺錢！但真正用這些技術做出來的賺錢AI影像辨識軟體幾希？非常少到會讓我這個業者都找不到的！

我們終究必須面對：「AI是不是真的可以在真實世界產生經濟效益」的考驗！效率不高或成本太高的AI，終究會經不起考驗泡沫化的！我認為以ML、DL與CNN建構的影像辨識，就屬於必定會失敗崩潰的AI類型！統計學為基礎的技術基本上就不是精確的科學！但影像辨識必須是高精確高準度的應用軟體！怎麼可能成功呢？我現在就是以承接ML、DL與CNN的失敗案例過活的！還非常忙碌成功，又不必大量投資GPU電腦！所以我真的是靠AI影像辨識的合理效益賺錢的！

信不信我的說法？你自己判斷！我只是分享我自己實際工作的經驗！十年來我始終沒有跟隨主流派的腳步使用ML、DL與CNN等技術開發產品，但是我的產品研發勢如破竹，一直做得很好！還越來越好！預期的ML、DL與CNN的強力競爭對手產品卻始終沒有出現？歷史一定會證明我是對的！絕對無庸置疑！