感謝大成鋼公司給我機會挑戰像上面這種困難的影像辨識工作，也沒有嚴格限制我對外討論發表，讓我有實際的案例繼續打臉現在所謂主流派的AI影像辨識技術。他們跟我最大的差異是：我總是認真研究人類視覺所以能辨識成功的「認知」過程，加以分析理解，將思考過程數學化寫出程式，變成一個「人造」的「智慧化」程式軟體，這才是應該被視為正統主流的AI影像辨識的研究方式！絕對不是將科學研發工作交給算命師！

但是目前的所謂AI影像辨識專家們，卻刻意忽略跳過我認為最重要的研究重心！將這部分最難也最關鍵的認知過程交給「機器」，用大量資料去「學習」？認為只要資料夠多夠完整，使用的數學模式夠多夠複雜，終究可以用這些大量的數學模式與資料，「自動」產出一個具有近似人類「認知」功能的軟體？想得美哦！我常覺得他們是因為解析認知過程太繁瑣而崩潰了，乾脆耍賴將難題推給電腦去胡搞瞎搞！還用一般人看不懂的數學模式來誤導初學者和嚇唬外行人，其實目的是掩飾他們的怠惰與無知。

以我這些年歷練各種困難的影像辨識專案的經驗來看，他們這整個哲學體系根本就是天方夜譚！對於需要高辨識準確率的影像辨識來說，他們能做出的軟體確定永遠比人類視覺判斷能力差，差到一般客戶會根本不想用！關鍵就在於他們能模擬成功的「認知」過程一定遠遠不如一般人眼！就像老闆不會請比自己笨很多的員工，眼睛看的正確率90%，我買的辨識軟體至少也要85%吧？不然就是自找麻煩了！

一篇文章能表達的東西不多，我和大家待會都要上班，在此只舉一個小小的例子讓大家體會一下我的概念。上圖是我從兩張類似第一張圖的影像中經過千辛萬苦二值化切割，並清理各式雜訊，還做了正確旋轉之後跑出來的結果。左邊的案例兩個字的輪廓都剛好很完整，所以辨識成功為JH沒有問題，但是右邊這種破碎的字元呢？

明明是在數學定義上破碎分離的五六個目標，我要如何將它們視為「兩個字」呢？如果我沒辦法做到任何人都能做到的這個「簡單」認知過程，我就絕對無法用程式告訴你：那裏有「兩個」字！如果連只認識ABC的小學生都能認出的J與H，我的「AI」程式卻做不到？我還好意思自稱是AI影像辨識專家嗎？卸下招牌退隱山林吧！

事實上我做的事情一點都不神秘，正是大家都會思考的辨識過程！首先我們會預期影像上面會有「像字」的目標，何謂「像字」不只是影像處理上的二值化結果，還包括字與字之間有間隔，字元大致是長寬差不多的一個區塊等等。如果將這些非影像的條件資訊加入我的程式運作，我的軟體就可以輕易辨識成功了！

以上例來說，我當然也會先用簡單的想法假設兩個字都很完整，剛好是最清楚最大的目標，如左邊案例一比對就中了！但是遇到右邊的案例當然結果會四不像，此時我就會啟動另一個認知過程：我知道這一群碎片可能是兩或三個橫排的字，先掃描看看此區域是不是有空白區間？有的話就以字元間的空白為界線，強迫同區域的碎片融合為一個字，很容易的J與H的答案就出來了！

但是當然這種條件假設，或認知過程，只適用於影像中我們認為可能有字的局部區域，如果像CNN說的那樣必須先做鉅細靡遺的全圖掃描，還要掃好幾次不同解析度來找到「基本」特徵資訊？那就笨到讓我說不出評語了！沒有一個活人(或動物)會笨成這樣來看東西的！根據這種邏輯寫出來的軟體會很AI嗎？笨死了啦！要靠這個技術過活的話，我的公司早就倒閉了！

我的作法不就是所有人都會有的認知過程嗎？我只是盡量模仿人的想法，直接寫成程式，這是簡單精確迅速可以完成的工作方式，我一向就是這樣上班的！但是想像一下，如果你已經將你的影像辨識過程架構成CNN + ML + DL，那麼複雜龐大，而且基本上是要希望它「自動」運作的體系，機器要如何「自己學會」我上面完成的工作呢？即使可以做到，它會「想」多久呢？我是一個上午就把上面的程式做好了！

所以你應該可以體會到：在我眼中，現在所謂主流派的AI影像辨識理論與作法有多荒謬了！我不是為了批評他們而生的，我有自己的工作要做，也用很不一樣的思維方式天天在做他們說的那種工作！每次與他們相遇，我都是囂張傲慢的贏家，因為他們的做法真的很蠢！

這樣說吧！影像辨識不是不能用ML、DL或CNN，但它們絕對不應該是主體或必要的方法，所以我和我的RD也是一直在學習這些「新」技術的！希望它們「偶爾」可以幫上一點忙。如果你以它們為主要研發工具，你就是腳上綁著鉛塊和我賽跑了！就像葉問電影中的台詞：「拳不是那樣打的！」還敢說影像辨識一定要用深度學習，一定要用類神經網路，才夠專業？聽你在XX！