這也是我研究中的「簡易版」辨識成功的困難案例！即使車牌處於陰暗的角落，需要的辨識時間依舊是很「正常」的75毫秒！所謂的舉重若輕若無其事地做到困難的事情就是這樣了！為何不需要更多的辨識時間？關鍵就是辨識流程依舊是我的SOP(標準辨識流程)！即使有些細節例外處理的程序，需要的運算量都非常少。

我的辨識過程基本上就是一個幾何學的解題過程，看起來好辨識或難辨識的案例使用的解題程序基本上都是一樣的！頂多就是發現目標沾連或破碎時會有一點例外的補救處理，耗時不會太多的！所以就是一個合理的主要SOP，加上很多看到特殊情況才會選擇性使用的不太耗時的例外處理，大致就是局部的目標組合整理罷了！

但是如果你是用CNN與DL的技術面對這種案例，還希望開發出來的軟體跟辨識其他較正常的案例一樣正確呢？那就表示你的辨識模型必須更大更複雜！才能經過更大量的資料，更長時間的訓練，在模型中累積蘊藏更多的經驗值！才有可能同時辨識出簡單與正常的所有案例！

這種模式「訓練」出來的SOP當然就會變得非常龐大笨重了！每一個案例不論難易都必須經過這個複雜龐大的機器做全程辨識！計算量一定會嚇死人的大！不知道要買多少GPU才能消化運算，讓軟體執行起來的速度不會慢到像是當機？更不用說開發期必須取得的資料與訓練成本一定會更恐怖的！現實就是：任何需要大數據訓練的AI產品都不可能由中小型公司開發維護的！因為成本實在太高了！

這還是很樂觀的假設CNN+DL真的可以做到我做的這些事情？就是相信只要資料足夠，模型夠大夠複雜，訓練量也足夠，就真的可以訓練出能辨識這些極端案例的模型？但是據我所知：這種奇蹟從來沒有發生過！努力試過但沒成功的情況我倒是常常聽到！須知這些以統計學為基底的AI技術，先天就只是一個嘗試錯誤與妥協的系統！而不是精準解題的系統！永遠不可能面面俱到達到很高辨識率的！

所以小心了！一步踏錯，你不但永遠無法做出商業影像辨識的產品！還會因此傾家蕩產的！所以我才會聲稱：鼓勵大家用CNN與DL做影像辨識本質上就是一個惡意的詐騙！如我之前談到的淘金熱議題！那些AI專家們都是賣鏟子鼓勵大家去淘金的人！他們知道其實淘不到甚麼金子的！自己當然不會真的去淘金！賣鏟子騙笨蛋去淘金就穩賺不賠了！如果真有金子可找？他們自己就不必賣鏟子，直接淘金去了！這就是合理的懷疑！