上圖是我查到的CNN手寫數字辨識模型的耗時狀況，下圖是我用Rule based開發的系統耗時，我的Time就相當於他們說的「訓練時間」，我的Tave就相當於他們說的「推論與單張辨識時間」！即使他們使用GPU協助時辨識一張影像也需要數毫秒，我的系統不須GPU也只需要約0.8毫秒！這是多少倍的差距？

我的42000張的單次訓練時間，不必GPU協助，也只需要33秒！他們如果不用GPU就至少需要數分鐘！這又是多少倍的效率差距呢？很高興我的努力成績Google AI已經注意到了！所以在上面Google AI報告的「效能瓶頸」項目上，算是對我的研究做了一個公允的評論介紹！

簡單說，CNN與深度學習等模式就是非常耗時低效率的！類似下面的很多研究論文都會提到，實驗室的訓練與真實使用環境的差異還是有落差的，想要更符合真實狀況，模型總是要繼續訓練調整的！如果是我的Rule based系統，所有異常辨識案例為何失敗的原因都是透明可追蹤的！所以只要針對性調整即可。調整後錯誤案例保證可以變成成功，對其他案例的影響也可以準確掌握！

但是CNN與DL就必須拿更多資料重作完整的全程訓練，而且因為是個操作者也無法精準掌握的黑盒子嘛！費事做了更深度的訓練，也不能保證之前失敗的案例訓練之後就一定可以辨識成功的！這就是Rule based與DL/CNN方法上極大的差異！不論是開發訓練或上線執行的效率都是數十，乃至上百倍的差距！如果Rule based的辨識率真的遠不如CNN，那就是不得已必須遷就CNN的低效率！如果Rule based的辨識率事實上已經超車CNN了呢？為何還是不用Rule based系統？