最近很認真地開始學習大家口中的「AI」科技，原本不會用的C++與Python語言現在大致會用了，不然這些AI的書都用這兩種語言，我想閱讀實作時很不方便的！剛買的某本新書中有車牌辨識的「專題」，很詳盡的敘述如何用所謂AI的方式作車牌辨識？因為跟我的研發專業有關，當然要特別關切了！

但是看完之後完全沒有任何新奇的感覺，而是發現自己本來就會使用這些哈爾特徵之類技術的！三十年前我們的課本上稱呼這類方法是「數位濾波」(Digital Filter)，當時就有人替這種技術取了一個「小波轉換」(Wavelet transform)的新名稱，很多老教授就不以為然了！因為新瓶裝舊酒還是舊酒啊？這樣反而會誤導混淆學習者。

沒想到這些努力「創新」的人們三十年後依舊非常努力，新名詞層出不窮！而且還很刻意地誤導大家這些是「劃時代的新科技」？事實上我二十多年前做博士論文時就天天這樣在玩了！下面就是我當時設計的一個比較複雜的矩陣遮罩示意圖，以及用這些遮罩凸顯出來的大陸棚邊界，顏色特別黑的就是類似斷崖的地形特徵！辨識很成功啊？我也可以因此自誇是AI大師嗎？

事實上在我之前，所謂「非AI」的車牌辨識研究者，也都是用類似的方式在全圖影像中找到車牌的！就是找到黑白分明的特徵點或區塊，只是「非AI」學者經過審慎實驗「人為」判斷決定出遮罩大小與參數，「AI」則是經過統計讓電腦決定參數而已！但是電腦程式也是程式師寫的啊！他們會寫進程式的條件只會比專家少，絕對不會更多！

讓專業的科學家做一樣的實驗與數學推理後判斷的結果，會比使用電腦程式統計定案的結果更笨嗎？這就是現在大家迷信AI的一個盲點了！電腦可以達到的智慧還是由人設計出規則的！他們確實可以算得較快較多，但是不會比專家判斷得更合理正確，他們無謂消耗掉的運算資源也是危害地球環境的殺手！讓地球過度暖化的罪犯之一！

而且即使你用AI鎖定車牌區塊之後，要辨識車牌中每一個字元是甚麼字的時候，傳統OCR的所有辨識程序還是一個都不能少！灰階→二值化→目標擷取→字形正規化→比對字模等等！所以整個車牌辨識的程序，使用AI的方式會比我目前使用的程序還更加繁瑣困難，而且速度慢很多！因為我是直接從全圖尺度就使用OCR程序找到車牌字元的，完全沒有上述這些耗時的矩陣遮罩運算！我的書快也出版了(10/15)，到時大家可以去買來參考比較看看！

說穿了！所謂的AI只是使用更為浪費，不計成本的大量運算，找到最合適的「分類器」，也就是最複雜的矩陣遮罩與參數組合而已！我做博士論文時會大量使用這類技術，是因為我知道分析那些地球物理資料時間再久都沒關係，但是我做商業軟體當然不行！如果每一個像素點都要分別做3*3，5*5，7*7…n*n的「好多層」矩陣運算，那要算到甚麼時候啊？柵欄機都會等到生鏽了！

所以這其實是很沒效率的「研發」過程，但他們又替這種低效率耗時的程序取了一個很好聽的新名詞，就是「機器學習」？其實只是比傳統方式更敗家，濫用電腦資源的作法而已！好處呢？就是使用者不需要傷腦筋搞清楚所有事實現象，也不必知道很多程式設計的細節，這樣大家都可以輕鬆地做「影像辨識」了！真的非常適合笨蛋與懶人使用！

但是這樣的作法很不適合真正嚴謹的科學研究，與需要高效率運算與高辨識率的商業產品開發！這就是機器學習的本質了！他們會辯稱AI正在快速「進步」之中，因為：這些搜尋特徵的數學模組計算速度越來越快了！但是這些遮罩運算原本就比傳統演算法的辨識慢上好幾(十)倍！再怎麼精進也不可能比針對目標設計的演算法快的！這件事你的AI老師有跟你講過嗎？

相較於傳統演算法的研究方式，他們(機器學習等等)真正的優勢是在資料實在太龐大混亂，連正牌的科學家們也還沒有頭緒時，當作探勘資料的工具使用，至於精準地「解決問題」呢？基本上就不是他們的專長，甚至不是他們被設計出來的原始目的！

簡單說，大家不必浪漫到以為AI是個全新的神奇科技，他們只是不斷進化中的傳統科學與技術的分支，你根本無法在「AI」與「非AI」科技之間劃出一條明顯界線的！我現在作車牌辨識不用那些所謂AI特徵擷取的技術，並不是我不會用，我真的用過了！是因為已經認定他們根本不可能成功解決問題，譬如傾斜變形的車牌，才放棄使用的！現在我用自己改良調整的OCR技術真的解決問題了？你說是誰比較有「人工智慧」呢？是誰比較接近未來呢？