線索二元樹(Threaded Binary Tree)

對於影像辨識演算法的研究，我可以說是毫無學理基礎就開始實作的！我不是資訊科班出身，所以完全沒上過資料結構或演算法的課程，也沒完整的閱讀過相關書籍！基本上就是按照自己既有的科學知識、常識與直覺，寫出程式做了看看效果再說！但是不論成敗效果如何，有空時我都會閱讀相關的網路資訊，看看前人是否有類似的作法？有沒有近似的相關理論可以給我更多的啟發？

有點像是做了爸爸才開始學習怎麼作爸爸的意思！說實話，我認為還毫無實作經驗的學生直接上資料結構等等抽象理論的課程不但沒用，反而會限制思考模式，甚至因為太抽象讀不懂而重創自信心，連像一般頑皮小孩一樣嘗試「KUSO惡搞」一下的興致與膽識都沒了！那真的是沒上過課的野孩子比上過課的資優生更好！事實上就是連資優生也無法在沒有夠多經驗基礎前真的弄懂那些抽象理論的！

我自己就有類似的痛苦經驗，我大學前兩年是讀物理系的！很微妙的是跟真實世界明顯有關的各種物理課程我都是系上頂尖的學霸！但是比較抽象的數學課程，如微積分或工程數學等科目我的成績卻都是幾乎墊底的！因為我根本不知道那些數學的合理用途，只是高來高去做理論計算？我真的一點感覺都沒有！考前讀的書到考試時都忘光了！猶如船過水無痕！

但是等到研究所階段，開始處理比較複雜的實務問題時，就會想起當初以為只是訓練想像力的數學方法模式原來是可以用在這裡？我才開始把數學與物理現象融會貫通，在同儕中變成數學表現特別好的高手！連博士論文都是完全自行發明的自動化地形辨識的一套演算法！創新程度讓台大的教授們都戰戰兢兢不敢貿然批准我畢業？因為根本沒有類似的參考文獻嘛！

甚至我的高中同學甯又明是留美的數學博士，也是名校耶魯醫學院的資深研究員，都對我的影像辨識演算法研究大感驚奇！留美的數學博士統計學專家都常常隔空在網路上給我按讚，我的信心當然更強了！這些年我野人獻曝的很多「著作」他都是搶先來按讚支持的！有這種同學真好！

上述的線索二元樹也是我胡亂搜尋閱讀網路資訊時看到的！跟我作影像辨識的演算架構流程真的很相似！就是起於一個明確的線索開始跑流程，根據不同的狀況就會切換到不同的流程路徑，如果發現缺少某些資訊無法繼續下去還會根據線索回頭做額外的處理，甚至改到另一個跑道繼續辨識下去！

這種做法看似複雜，但每一個轉折都是根據明確的資訊與線索來決定路徑走向的！跟警察辦案或醫生治療複雜的病情也很相似的！重點是：即使路徑好像很迂迴曲折，但都是只作必須做的影像處理與運算！所以整體的辨識演算效率是極高的！最終也讓我的影像辨識速度快得不得了！不作無目的的無謂運算，減少計算量速度就快了嘛！

比較困難吃力的是：你必須親力親為，絲毫不苟地正確精準理解與分析辨識過程發生的所有細節成因與結果！乃至設計最合乎需要的精準也精簡的演算法！整個過程就是一個「傷腦筋」的過程！也就是傳統AI理論說的「專家系統」！掌握所有可能發生的演算過程的因果關係，用科學原理與技術一步一腳印地跑到辨識目標的終點！

這當然不是一件簡單容易的工作！你必須對你要辨識的目標有非常完整精準的專業知識！所以研發這種AI模式的AI知識技術的門檻是很高的！資料的數量不是非常重要，對所有資料內容的理解與數學表達能力的掌握則非常重要！所以「專家系統」真的必須是該議題的專家才可能做得出來的！

也因此，機器學習一出來就大受歡迎！因為不需要那麼高的知識與技術門檻就可以依賴大量資料與電腦算力做出還不錯的結果！在此還不錯是關鍵字！意思是他們只是統計學，怎麼訓練都只是得到資料妥協的折衷答案，想追求完美是幾乎不可能的任務！

也因此很像龜兔賽跑，專家系統靠人的腦袋與知識開發速度確實很慢！但是一步一腳印最終總是可以達到最接近完美的成果！反之，機器學習好像可以快速接近目標？但是會近鄉情切，要趨近高辨識率的完美階段時就會踢到鐵板一塊，幾乎是完全無法推進的！使用更複雜的模型與更多資料作訓練只是不甘心想砸錢蠻幹而已！效果總是不大的！

所以我有點像是AI的文藝復興支持者！早期的AI真的都是像我這樣研發出來的！這種專家系統的AI技術概念並沒有過時需要被淘汰！只是多數人都偏好偷懶，想走輕鬆不傷腦筋的AI研發捷徑而已！但是我相信大家終究會發現：機器學習是絕對無法取代甚至超越專家系統的！大家就等著看戲吧！歐洲歷史上的文藝復興不是成功了嗎？