我目前的主要研究領域是影像辨識，算是模擬人的智慧，將人對影像的判斷能力盡量的用電腦程式表現出來。雖然電腦有運算快速與準確的優勢，但是因為人類智慧的運作非常複雜，我們都還在研究摸索人類思考判斷的邏輯，事實上距離「一般人」的智慧都還差很遠！我的車牌辨識系統能力還是不如人眼判斷的。

研究人工智慧，有另一派的說法是：其實人常常是從經驗去學習的，很多事情我們自己也不知道原理，只是很多經驗累積後讓我們知道如何去做正確的事情。所以如果讓程式可以自我調整，經過正確答案的回饋修正，只要「例題」夠多，電腦也可以「學會」作出正確的判斷，這大致就是機器學習(Machine learning)的概念。

我對機器學習的知識技術了解不算很深，但是基於一些常識性的考慮，我其實一直沒有打算將機器學習納入我的研究之中。原因有好幾個，首先如果是我們已經知道正確計算方式的工作，直接寫成程式就可以了，又快又準確，不需要收集大量範例讓電腦自我學習。

其次和人的經驗學習一樣，機器學習的結果很難變成可以解釋的「知識」只是一種行為模式，對於進一步的研究幫助不大，只能解決眼前的問題，而且它的「學習」也會受限於程式給的初始條件，它可以調整參數，或固定範圍內的幾個運算模式權重，但是要無中生有的發明新的邏輯方法，還是很匪夷所思的！

簡單說，要讓程式變得可以解決特定模式的問題，機器學習或許有用，但是要說機器因此真的會變得有「智慧」，可以自我組織出理論，知其然也知道所以然，我認為即使可能做到，也是百年之後的事情，短期內是不可能成真的！

對我目前來說，我面對的車牌辨識情境是很複雜的，變數多到我也不知道如何設定初始狀態條件，才能涵蓋所有可能發生的狀況，即使可以，我也無法立即收集到所有情境的測試學習範例，讓機器學習程式有正確充分的訓練題庫。

即使它學會了處理某個情況的辨識，有點像棒球選手學會一種姿勢可以打中曲球，我也不能確定那是「最佳」的方式！我除了必須辨識對，還必須速度最快，不能因為某個程序並不影響結果就保留它，必須將可有可無的計算通通刪掉，這樣才會讓辨識速度最快！就像運動選手必須改掉無用的習慣動作，才能做得對又做得很快。

另一方面，一個可以自我調整的程式，而且自我調整的「智慧」不比設計者高時，事實上就代表「不穩定」！我費盡心血研發的產品，給客戶用一兩年後，一樣的影像辨識的結果會漸漸不同，產生誤判時誰要負責任呢？

所以在我還無法理解這些事情之前，我應該不會貿然將機器學習納入我的研究方法中的！