客戶捎來這樣的案例，說「要監看的車道上明明沒車，我的軟體卻報出有車？」這真的尷尬了！也顯現出「人工智慧」真的很難做到讓人滿意，軟體要像人一樣聰明，真的不只是辨識車牌能力的問題，我的軟體其實是辨識到隔壁車道的車牌了！這算是誰錯了呢？

盡量辨識到可見的車牌已經是一件困難的事情，辨識到了，卻因為不是目標車道而被怪罪真的好冤枉！因為我的軟體其實是有辨識區設定的，如果他們框定的區域不包含隔壁車道就不會有這種問題，如下圖！但是我也可以理解他們的困難，因為我的辨識區設定還是以簡單的矩形為基礎的，如果避開可能辨識到的隔壁車道，其實也損失了本車道一些可以辨識到合理車牌的區域。

如果要我設計一個不是矩形，而是可以任意設定辨識區形狀的介面，不是不行，只是有點複雜，可能使用者也會有點困擾？要我的軟體像人一樣聰明的直接辨識出車道範圍嗎？那就真的很困難，即使作得到，也會比辨識車牌的時間還要長很多！客戶應該又會抱怨辨識速度太慢了！總之，不是很難解決，但是需要溝通一下！

我想應該也不必很多年，軟體一定可以變得聰明到不必讓客戶擔心這些事情，但這總是有過程的！也就是人工智慧一定可以繼續進步，但是我希望大家可以理解：這些進步的過程不只是影像辨識本身的技術問題，而是我們必須將我們「解讀」影像意義的邏輯也逐步加入到辨識軟體之中！

簡單說，影像的物理意義，以及在真實世界中除了影像的RGB與字元意義之外代表的意義，也是人工智慧的重點！如果你希望不必傷腦筋去好好的處理這些問題，讓機器自己去「學習」？讓機器自己去「理解」這是不同的車道？那你就有得等了！或許人工智慧的演進會因此延誤幾十年吧？

所以我想說的是：人工智慧絕對不是只靠機器學習就能大步前進的！真正的人工智慧精髓，在影像辨識這個領域，其實是影像在真實世界中代表的物理與人文意義！我們最重要的工作不只是辨識出他是甚麼東西？而是這個東西(目標)在真實世界中代表的意義！隔壁車道的車牌再清楚都不是答案，本車道的車牌即使很不清楚也是我們急需的資訊！這些邏輯和影像辨識技術其實無關。

如果你還是不懂我在說甚麼？或覺得這些事情不重要！那麼奉勸你還是不要嘗試到業界做影像辨識的生意了！因為你根本不會是我的對手！即使你學完所有類神經網路、機器學習到深度學習的精深招數，你依舊是影像辨識研發的門外漢！你或許可以騙到學界的研發經費或笨蛋投資者的投資，卻絕對無法做出能賣得出去的東西！