如上是我問Google AI的問題與答案！我是以影像辨識為業的業者，開業11年至今有關影像辨識的各式產品專案都做得很好，我們也不會刻意排斥任何新技術理念，完全以商業上的成本效益決定如何研發產品！但確實至今從未真的使用過任何深度學習概念的方法在我們的實際研發上！

我們的做法正如上面說的「傳統方法」(或稱專家系統)就是由「專家」(就是我們自己囉！)直接定義我們想要找的特徵！直接按照我們自己定義的特徵寫程式找到答案！當然我們也會出錯，按照自己的想法寫出程式後才發現思慮偏差或不夠周延，無法找到正確答案，那就分析失敗原因，檢討修正特徵定義與資料處理程序，來回個幾次就OK了！

當然要用我們的方式，前提是所謂的「專家」必須真的是「專家」！對影像辨識的知識理解必須夠好，否則就會像鬼打牆或遇到魔神仔，來回嘗試幾十次都無法成功的！就是我們對影像與相關的物理數學知識都必須有深入的掌握，只要知識正確清楚了，研發效率就會很快很好！

相對的，深度學習是強調讓電腦「自行學習」到辨識特定目標應該有的特徵！這是一個相當浪漫，也很抽象的說法！如何才能做到？需要多大的時間金錢成本才能做到？是否真能做到？都是很大的問號！但是絕對可以吸引其實沒有足夠影像辨識的相關專業知識能力的開發者！畢竟踏實讀好大學研究所的專業課程一定比購買使用XX學習的程式模組耗時費力許多！

所以對於真正想從事影像辨識事業的人來說，深度學習並不是一個可以做得比「傳統技術」更好的「進階」技術！只是一個可以不需要影像辨識的專業知識也可以開始操作的「捷徑」而已！而且所謂的捷徑也只是研發人員本身的專業知識學習投資較少，其他方面需要的投資，如資料的取得標記與電腦硬體成本則是非常驚人的數十甚至數百倍！

更驚悚的關鍵是：深度學習終究只是以統計學為基底的數學方法，「正確」永遠不是他們可以保證的特質！簡單說，就是他們先天上就不是可以追求百分之百可理解、可分析、可追求精準合理、合乎科學原理的方法！怎麼統計都只是追求答對率最高的妥協方案！而不是合乎科學原理的精準答案！

所以他們先天上可以達到的終極準確度，就絕對不會超過傳統的以科學明確定義設計出來的專家系統AI成果！所以說他們絕對不是甚麼「進階」的較佳系統！深度學習是永遠不可能比專家系統的AI影像辨識更準的！這不是我的個人觀點意見！這是學理上可以證明的事實！

在科學還無法充分掌握的領域議題，XX學習的成果確實是有可能超越傳統專家系統做法的！但是如果我們的應用必須達到最精確的程度，必然要回歸傳統科學的解決方案！譬如車牌辨識、人臉辨識與指紋辨識等應用，都是必須追求百分之百的正確，在這些議題上深度學習永遠是不夠好的！

另一方面，除了研發人員本身的知識學習成本之外，深度學習每一個環節都必須耗費超過傳統影像辨識的研發數十到數百倍的成本！譬如少量的車牌影像就足以建立堪用的車牌辨識軟體雛形，但是一旦用到XX學習的方法就需要巨量且經過標示的資料，以及算力驚人的高規格電腦，還加上長時間的高耗電量！讀書學習只需要一次終身受用，用深度學習作研發的高成本呢？每次研發都需要重新投入一次！

所以我們公司為何會始終不使用深度學習？這絕對不是草率莽撞的個人偏見！而是非常合乎科學精神，審慎且務實的合理經營策略！至今為止都非常成功！基本上在同樣的影像辨識議題上，我們在業界的研發競爭戰場上從未輸給使用深度學習的團隊，而且每次都是大勝凱歸！如下的工地揚塵辨識就是我們打贏國立科大影像辨識中心的一場大勝仗！台南地區已有近百工地使用中了！