與南台資工系林泓宏老師短暫的參訪會談其實很有內容，除了上篇文章提到的處事決策態度，林老師本身對於影像辨識領域正夯的機器學習及深度學習技術有很深的素養，不像我其實並未真的深入研究使用過這些技術，卻已經大言不慚的批評過很多次了。

很意外的！林老師對於我針對機器學習技術的負面觀點並未激烈反對，反而多數表示認同？他也根據他正在作或曾經作過的一些研究專案跟我解釋那些技術是如何使用的，讓我學到很多。但是並未讓我增加對於那些技術的肯定，至少我覺得那絕對不是我這種業界人士應該採用的影像辨識解決方案。

具體的說，他認為深度學習在複雜影像中用一些演算法(黑盒子)擷取出易於分析統計的特徵，讓之後的辨識判斷簡化是相當了不起的研究成果。但是我也簡單的用口頭報告的方式解釋我的車牌辨識演算法中也有類似的過程，將複雜的輪廓線整理成可作分析整合的目標物件，但都是使用非常確定的演算邏輯，如果特徵分析不能符合我的最終目的(方便正確的辨識車牌)，我隨時可以因應修改！

但是顯然深度學習演算法的黑盒子產生的結果，不但一般的資料分析使用者無法更改，即使是設計演算法的那個人，自己也無法掌握機器「自主學習」後產生的邏輯與資料。如果我用他們作出車牌辨識產品，發現某種情況下車牌總是辨識錯誤，我該如何回應客戶這種狀況的原因？並立即「修好」它呢？難道真的要將錯誤資料加進原始資料集，全部重算一次，也就是讓系統全部從頭「學習」一次嗎？

據說機器學習派的「專家」們就是這樣辦事的！那要多少時間與成本啊？我的公司沒這麼多錢的，拖延售後服務的反應時間也會被客戶罵死了！所以基本上這種軟體開發架構是完全不可能被我這種開發者使用的！

還有一個問題林老師也深表同意，就是演算效率方面，機器學習的結果，絕對不如直接根據目的客製化的演算法快！辨識準確性更是無法跟針對性設計的演算法比擬，因為他有多次的相關計畫執行經驗，甚麼方法都試過的。如果有必要使用機器學習，只有在資料量大到難以分析，而且根本無法掌握事件發生邏輯時，因為沒魚蝦也好，機器學習可以快速讓我們提出堪用的辨識軟體交差。

換言之，機器學習與深度學習派所以受到青睞的主要原因，並不是他真有神奇的智慧，即使有也是連開發者也無法精準操控的黑盒子，大家愛他的原因其實是想偷懶！不必大傷腦筋就有很聰明的辨識結果。

但是世界上不會有便宜又大碗的午餐，我們現階段應該擔心的並不是機器人開始有智慧倒過來統治我們！而是我們放任這些機器自主學習所虛耗的電腦資源與商業成本，以及因為我們(科學家)偷懶不肯認真研究真實世界影像辨識的邏輯，讓科技研發遲緩停滯的慘痛代價！

簡單說，即使深度學習可以產生一個神奇的黑盒子，負責任的科學家也應該打開它，分析它，理解它，並設法去蕪存菁，變成我們可以精確操控的高效率科技知識，而非慶幸我們發現了甚麼神蹟？事實上目前沒有影像辨識的神蹟，以後也不會有，如果有人堅持說有！那不是騙子就是傻瓜。