前文說到：九成的影像辨識應用不需要也不應該使用機器學習，我想多數沒有真的實作研究過相關問題的人，還是不容易抓到重點，很精確理解我說的意思，所以我想用上面這張影像補充說明一下。

多數機器學習或深度學習的宣傳資料都會用類似上圖左的案例，強調AI影像辨識的強大能力！反而很少會用如上圖右的明確(車牌)目標辨識成果做示範。你們認為這是因為右圖比較「簡單」，所以他們覺得不值得作為展現實力的範例嗎？事實根本不是這樣的！

我問過好幾位如上圖左，用機器學習工具辨識果實的使用者，真的每次都可以這麼聰明的完全正確辨識嗎？他們說大概只有七八成的成功率，展示照片時當然只是選剛好完全正確的案例。這無可厚非！我在展示車牌辨識照片時也是一樣的，那些極難辨識的車牌照片也許成功率只有一半，我也不會刻意選失敗的案例展示，只讓大家看到我成功辨識的案例的！

對於前景與背景如此複雜交錯的影像來說，這真的已經很棒了！如果要我用非機器學習的方式製作辨識核心，成功率大概也是七八成而已，研發期也需要一兩個月，研究資料一樣是數十到數百張類似情境的照片。我的作法真的沒把握贏過機器學習，但是要說我望塵莫及？根本沒這回事！我只是不好意思拿辨識率那麼低的研發成果發表或收錢而已。

在如此複雜狀況的影像辨識議題上，多數使用傳統技術的影像辨識者都是直接放棄，說這是不可能的任務。即使有不死心「勉強」做的人，也「不過」只能做到七八成！對於個性嚴謹的傳統科學家來說，七八成的辨識率就算是失敗了！完全沒有公布的價值了！所以一般人根本不知道他們「也」可以作到七八成的辨識率，只知道他們會說：「這種狀況無法辨識」？

但是使用機器學習與深度學習的那些人士們則敢於大聲說：我們可以做到七八成的辨識率！這無疑是很棒的成就，但大家不知道的是：不用機器學習，只用傳統影像辨識技術，也一樣可以做到！所以臉皮厚的就在此狀況下勝出了！外面的人不知道，就覺得那些不用機器學習的傳統科學家遜斃了！真的是他們很笨嗎？

像我這種使用傳統技術，堅持追求高辨識率，堅持要達到實用目標的人！我們通常只會在如上圖右的較明確目標辨識上努力，讓辨識率高到>95%。即使我們知道左邊的辨識較難，也不會刻意在那邊說嘴：我可以辨識到八成哦！因為八成辨識率還是完全不夠精準，要變成大量生產的農場辨識工具還是不夠好！產量估計誤差>10%？任何農場都會倒閉的！但是辨識車牌到95%，甚至98%，則是可以達到的目標，也會有實用價值，所以我們都會致力於此！

機器學習派不願意認真面對的是：那些兩三成的錯誤真正的原因是甚麼？他們希望一般無知民眾相信的是：只要我改善數學模式，那些辨識錯誤一定可以解決，一定可以經過數學模式與資料量的大量灌溉，讓最終的辨識結果和人的智慧一樣好，甚至更好！你只要給我錢和時間，AI就會實現了！

事實是我們已經給了「這種AI」超過十年的時間，和無數的資金了！多數導入這類技術想做好影像辨識的產業，依舊沒有獲得明顯的進展，不論人臉辨識、車牌辨識或指紋辨識等等需要高辨識率的軟體，或其他特殊目的的影像辨識，機器學習或深度學習其實都還沒有帶來實質的可觀效益。使用傳統影像辨識技術的廠商還是居於優勢地位！包括我在內！原因就是以統計學為基礎的影像辨識方法永遠難以精確地達到高辨識率，這與資料量多少或他們的努力與否無關，而是學理上就不可能！

我認為不是他們真的不好，沒價值，而是他們基本上就是統計學，不是真正研究原因解決問題的踏實科學，他們能做到的是資料探索先驅，而不是達成目標的最終最佳手段。大家對他們期望過高了！這個學派的人也走火入魔了，希望用更多的數學方法解決他們的問題，但是數學永遠不會讓事實資訊無中生有，最多只是不浪費資訊而已。這一點，傳統科學永遠會做得更好！

所以大家別傻了！影像辨識業界需要的是精確的正統科學研究，絕對不是更多：始終模糊，不願針對性研究辨識目標的特性與事實的，以統計學為基礎的機器學習或深度學習技術！