上面是Google AI的最新手寫數字辨識率報告！終於跑出了一個具體的冠軍辨識率99.857%！這馬上就激起了我的鬥志！我昨天的辨識率是99.852%，距離只有一步之遙，哪能不更進一步積極奪冠？於是再打開程式強攻剩餘的數十個昨天尚無法辨識的案例，也立即多破解了11個案例！辨識率達到如上所示的99.879%！立即搶下世界冠軍的寶座！

覺得我太浮誇嗎？那就下載我的展示軟體自己測試吧！它可以一一匯入MNIST(規格)的灰階圖案例做辨識的！我不會作假，也不屑於作假的！

http://www.ezonesoft.com.tw/EzoneSoft_HWdemo.rar

其實因為我是使用明確的規則(Rules)作辨識的！所以對於極端特殊的案例只要努力思考出夠多的細節資訊加以限制，就可以針對性地將困難案例精準掌握辨識成功！相對的DL與CNN的方法都是隔靴搔癢，要透過非常龐大複雜難以掌握的間接統計方式才能提高辨識率。所以只要我的基礎建設做得夠好了，要在這個牛角尖裡面比拚極端的辨識率，我是更具優勢的！

當然說實話，這種微小也極端的辨識率差異，對於日後實質應用時的辨識能力差異是微不足道的！只表示我們的程式可以辨識出MNIST字集裡面非常詭異不合理的極端案例，但那些都算是隨機誤差了！真實世界剛好會出現那種怪例的機會微乎其微！所以認真比拚這種極高辨識率，真的就是在鑽牛角尖了！

我這麼執著爭取世界冠軍的意義，首先就是要破解Rule based方法無法達到高辨識率的錯誤觀念！證明設計良好的Rule based方法，在有特定範圍的影像辨識議題上，絕對可以挑戰甚至超越深度學習的表現！一旦做到了，就表示我們可以同時享受到高辨識率與高效率，製作出低成本的AI辨識軟體！

事實上，如我之前一再強調的，在此手寫數字的辨識議題上，98%以上的辨識率其實就算是Overfitting了！根本沒有必要繼續追高！以深度學習的理論上來說，只要使用更多細節特徵(與組合)，讓模型複雜度無限擴大，在有標準答案的集合裡，辨識率當然可以繼續挑戰極限！但是使用極高成本，追求極微小的效能有必要嗎？還是他們也沒正經事好做了？就繼續誤導麻醉AI迷吧？

我刻意搶奪這個議題的世界冠軍，只是希望以為DL與CNN就是影像辨識唯一主流的AI迷們可以醒醒了！那絕對是一個錯誤的迷思！Rule based之前表現不夠好，不是這個概念方法本身有問題，只是大家還不夠努力而已！尤其是機器學習盛行之後，幾乎所有人都放棄努力了？不再繼續研究的技術怎麼會進步？現在Rule based方法真的成了辨識率冠軍，你該怎麼說？又該怎麼想？還要繼續說DL與CNN最棒嗎？