各位知道當下大雨時車牌看起來是甚麼樣子嗎？「雨滴」在影像中顯示出來的並不是「水滴」，而是如上圖的長直線段。以純粹物理的觀點，雨滴事實上還是水滴狀的，只因為每個影像都是「底片」以一小段時間曝光累積出來的結果。在這一小段曝光期間，因為雨滴下落速度很快，已經跑了一段距離，加上如上圖的環境中車燈很亮，水滴反光很強，就變成亮線狀的影像了！

以影像辨識的角度來說，雨滴就是很多隨機的近似垂直的白色線段雜訊。很像一張油畫，被人用美工刀割出很多裂痕。這樣的影像還能辨識嗎？如果是用一般人的眼睛，加上大腦的「影像處理」，當然是「可以辨識」的！你問誰都知道上圖中的車號是「LB 8555」，但是要用目前水準的「人工智慧」辨識，那就很難了！我也做不到，除非我運氣好，雨線剛好沒割到任何一個字元。

多數的影像辨識專家可能會想從很多數學方法，也就是所謂空間域或頻率域的數位濾波演算法，去嘗試「濾掉」雨滴重現完整的車牌影像。但是如果是我要做，根本不會這麼嘗試，我甚至可以從數學證明他們成功的可能性是趨近於零！

如果是我，一定會放棄任何濾波或強化影像的演算嘗試，直接以物理的觀點，就是雨滴的形狀、顏色與大小等特徵，辨識出所有應該是雨滴的目標，刪掉這些雨滴目標內的顏色與亮度資訊，然後用鄰近的「非雨滴」影像資訊內插補足！這是我發明的嗎？你自己想想：你是不是這樣看出上面車牌號碼的？其實我是「學你」的！

當我們看到上圖時腦袋會怎麼想？第一個想法是：哦，下雨了！那些白線就是雨，我想看車牌應該忽略掉那些白線。此時你的腦袋已經辨識出那些雨線了！但是把那些切過字元的雨線拿掉後，雨線後面應該是甚麼樣子呢？黑色的字被白色的雨線割掉的部分，「我猜」應該也是黑色的吧？補上旁邊的顏色是最合理的，那就補吧！

我的影像辨識哲學就是這樣的！如果只用簡單的數學方法就能達到目的，就直接用，但是這麼簡單的辨識誰都會做，我也不能因此賺到錢！難一點的，其他人都是努力的找出，或拼湊出更複雜的數學方法，來解決問題！但是我不一樣，我總是一開始就嘗試模仿人的辨識思維，先認知雜訊或目標的物理意義與影像特性，根據這些資訊來設計我的辨識流程。

我目前還無法辨識被雨線破壞的車牌，卡關的是我還無法很準確的辨識雨線目標，如果可以！加上鄰近內插補洞的機制，我就可以跟人一樣聰明的辨識出雨中的車牌了！我的研究是不會落空的，因為人人都可以辨識圖中的雨線，必然有共通的邏輯，只是我還沒整理清楚而已。

對我來說，影像辨識即使是我還沒做過的，我都覺得慢慢琢磨一定可以做出來。因為我知道已經「有人做過」了！就是千千萬萬人的眼睛與大腦，既然「大家」都會做，我只是嘗試把大家腦中的想法與作法用程式寫出來，怎麼可能會毫無頭緒？怎麼可能會遙不可及？所以我說：我確確實實是在研究「人工智慧」，「機器學習」就根本不是！

他們研究的是「機器」智慧，不是「人」的智慧。他們的「研究成果」是基於一堆已知答案的資料，做出最高正確率的反應，很像訓練人的反射動作，但是為何要如此反應？他們不在意，也不知道！所以遇到新的狀況就完全不知所措，很可能做出不合理的反應。正確的人工智慧應該是根據「原因」做出回應，而不只是根據「經驗」做出回應。合理的「智慧」是如果知道原因應該根據原因反應，實在不知道原因時才根據近似的經驗「試試看」。這就是機器學習在人工智慧研究領域應有的地位，他們是備案！