我最近在做手寫數字辨識的研究，當然會不時查看Google AI的這個報告！僅僅在一個月前，Rule based方法不是完全被排除在外，就是僅列出60-80%的辨識率，被認定為已經過時落伍的技術。但是現在呢？不僅已經名列「傳統機器學習」之上，辨識率數字其實已經高過DL/CNN了！99.91>99.86嘛！這可是Google AI認證的哦！

事實上如上圖99.924%才是我的最新成績單！但是這些微小的差距我已經說過意義不大，那甚麼是意義重大的呢？就是我可以用Rule based方法達到跟DL/CNN完全一樣的辨識率高度！須知一個月前這個報告都說Rule based方法僅能達到80%的！現在的99+%辨識率完全就是我一個人短時間內創造的成績！我真的大幅度改變了這個生態系統！

Rule based為何被遺棄，甚至遺忘快20年了？我記得二三十年前初接觸影像辨識時看到的論文都是描述Rule based方法的！現在看網路資訊或搜尋相關論文時已經完全不見這類論文的蹤影了！原因就是ML/DL/CNN等技術確實可以輕鬆突破95%以上的辨識率，讓傳統的Rule based方法相形見絀，甚至可以說是望塵莫及！

但是事實上ML/DL/CNN都是非常低效率高運算量的演算法，所以在三十多年前我讀研究所時是被稱為「暴力運算」，被人嘲笑實務上不可行的爛方法！直到輝達的GPU技術出現解圍之後，它們才開始變成「可行方案」的！但在演算法上它們依舊是一樣低效率的代表！效率低於Rule based至少數十倍！

所以Rule based被拋棄的原因不是執行效率不好而是因為辨識率慘敗！有點像電影中的葉問可以一個打十個，但是一百個呢？一千個呢？Rule based就是這樣輸的！ML/DL/CNN可以用無限量的計算彌補它們的愚笨與低效率！葉問的武功再高也無法面面俱到，最後被活活累死了！

但是如果你是一位將軍率兵打仗，一個武功高強的葉問，一份優渥的薪餉，就可以達到上百位一般士卒的戰力！你會希望旗下是多幾位葉問？還是多幾百位戰力普普只領底薪的平庸士兵呢？光是幾百份底薪就比一位葉問上校的薪資高出幾十倍了！領導大批庸才耗費的心力更是會讓將軍累垮的！

所以我認為與其花極大資源投資聘請大量庸才，就不如讓葉問的武功變得更好！讓他從以一當十，提升到可以以一當百！辨識率80%當然不夠，但是如果Rule based也能達到95%，甚至98或99%呢？那一個葉問的經濟效益就絕對超過幾百個「庸」兵的效益了！這就是我的理念，我也真的實現在手寫數字辨識議題上了！

這當然是個巨大的學術成就！如果Rule based在各種影像辨識議題上都能做到這種辨識率的突破，達到跟ML/DL/CNN相近的辨識率，那被遺棄的技術就會是ML/DL/CNN，而不是Rule based了！因為執行效率高數十倍，營運成本也低數十倍啊！不管你有多強大的學術堅持，沒有人會跟自己的荷包過不去的！

所以很顯然的這應該是我讀書做研究大半生來最重大的學術成就了！如前面諸多文章所述，重點就是我在Rule base基礎上有很多前人未曾發現使用的創新技術！當然其中最重要的一個就是我的福爾摩斯辨識法了！能做到這種學術創新發明，此生沒能當上頂大教授已經是微不足道的小小失意而已了！