正在繼續研究我發明的一套手寫數字辨識法，如果我是頂大教授現在就可以發動我的所有研究生大家一起玩，開始量產很多SCI論文了！但是即使只有我一個人在玩也很有趣的！如上圖，我想建立的一個特徵是整個字形從右側觀察往左凹陷最深的點。

用常識來看當然是紅色圈圈標示的那一點，但是我之前寫的程式有BUG，偶爾會認定是綠色圈圈標示的那一點，當時我也做了整體的辨識率評分是94.99，之後我發現了這個BUG，修正之後每次都會選對了！但是整體辨識率評分卻略微下降到94.96！按照機器學習訓練的邏輯這就是這個修改就是負面的！放棄吧！因為不問是非求取高分才是AI的終極目標！你同意嗎？我是不同意的！

因為這是一個很複雜的系統，就像一個工廠中一個錯誤的工序可能歪打正著讓整體產能增加了！但這只是這個錯誤的負面效果剛好沒被觸及而已，當環境改變時，錯誤的不合理工序就可能忽然讓製程大亂甚至卡關當機！機器學習的概念是讓模型受到所有可能狀況的考驗，所以理論上任何可能發生的錯誤終究會被發現並調整到變得合理，但現實上無限量的資料測試是不可能達成的！這只是一個夢想！

我當然是一個沒有無限量資料與運算資源的研究者，所以我雖然會用有限的資料做評估，幫助我掌握大概的方向，但我更重視的是每一個調整的合理性！如果我確定我的修改是往更正確、更合理也更合乎科學的方向，即使整體辨識率分數略為下降我也是會尊重事實也尊重科學，不會因為分數低了就放棄「修正」我的系統！

我是個資深的老師嘛！照我看這也很像教育系統，只重視單一指標的考試分數會產生很多問題的！考題是人為設計有選擇性主觀性的，無法完美呈現學生的學習效果！譬如我的思考方式比較龜毛，所以數學考試常常想得比老師還多！解題速度超慢！所以讀書時數學分數都不高！但是現在用於我的真實事業時，我對數學的理解與操控力是極為優秀的！

事實上上一波的研究我已經可以達到94.66%的辨識率，但是我也已經發現類似上面的基本特徵擷取程式有些不完美的漏洞？很像義大利著名的比薩斜塔就是蓋到一半發現地基開始傾斜，他們不願意打掉重做，那就把上層蓋成一邊高一邊低，希望負負得正，至少不要繼續更歪斜傾倒就好！據說某座埃及金字塔也是這樣的！蓋到一半發現傾斜度太大會崩塌才硬生生改變傾斜度的。

當然軟體不像上面這些硬體建築，打掉重蓋不必太大成本的！所以一樣的資料修改程式重新計算一次就好，機器學習和我都是這麼作的！但是我和機器學習最大的差異是：我把辨識邏輯的合理性放在第一位！分數評估僅供參考放在其次！但是機器學習是完全不管科學和理性的！只唯一追求根據人為標記的「Groud Truth」為計算基礎的辨識率！

理論上只要資料量與狀況涵蓋度趨近無限大，而且人為標記永遠是對的，加上擁有無限大的算力！機器學習的結果就完美了！但是現實上這三件事都是做不到的！所以他們的目標很像是永遠無法實現的海市蜃樓！而且必須投入的成本會大到無想像！所以才會出現我這種「逆流」思維的業者與科學家！而且還真的可以在影像辨識領域無入而不自得！

反正真實世界是很殘酷也很公平的！機器學習？或Rule based概念？哪一種思維與技術最終可以掌握影像辨識發展的技術主流？大家就拿張板凳繼續看好戲吧！