有最短路徑卻不走 MIT：大腦是為了進化而非最佳化

這個研究很有意思，點出了一個人類智慧的特性，差不多先生很可能才是最先進最進化的人類！龜毛到事事都追求完美的人，很可能會變成弱勢的族群！尤其是進入電腦網路時代，資訊量遠遠多於以往，以前的智慧優勢可能是如何使用有限的資訊得到最佳化的答案，現在呢？如何只取用有限的資訊最迅速省力的達到你的目的，不必求最好只要夠用即可，才是現代生活中的聰明人！

這種理念其實已經充分展現在我的影像辨識工作之中！我的辨識軟體通常都可以做得非常快，主要原因就是我總是會反覆思考與實驗，哪些資訊是「剛好夠我得到正確辨識結果」的資訊？這包括影像本身的資訊，以及影像外部的資訊，譬如車牌的字數與格式等等。

當你開始做某種目標的辨識流程時，一開始當然會參照一些SOP，建立出「可以」達到辨識目的的程式，但是這一定不是最佳化也不是最快的方案！就像我們剛開始學習做某件工作時，一定會笨手笨腳，既不完美也不快速。這篇文章的重點是說：大腦未必會一直往更完美的方向思考，而是夠用即可，節省腦力以備其他更多的用腦需求。

其實我寫辨識軟體的概念也是如此，我追求的其實既不是完美，也不全然是速度！一個車牌辨識一定需要經過很多資料搜尋與幾何校正的處理，做得越好最終的符合度正確率就越高，搜索得越縝密，遺漏車牌的機率就越低。但是如果用較低強度的搜索方式就可以找到99%的車牌，你需要花兩倍的電腦運算資源來達到99.5%嗎？

如果較粗略的幾何校正方式就足以辨識出那是甚麼字了，你還需要引用更精準複雜的幾何校正演算法嗎？就像考60分就可以拿到學分畢業了，考98分需要的成本效益就值得你想一想了！我有一些同學在頂大當教授，研究績效不比我差，收入地位比我還高，但是當初讀大學研究所的成績都是不如我的，這怎麼說？是誰比較有「智慧」？

我做影像辨識就是會很在意這種剛剛好的資源利用方式，最重要的動機並不是想拚速度，而是節省電腦運算資源，跟這篇文章說的節省腦力很相似。如果我可以節省運算量達到一樣的辨識目的，那就表示我的軟體可以使用在更低成本的電腦上，表現還是堪用！那我的軟體不就更好賣了嗎？一定要高檔電腦才跑得動，買氣就少一半了！

事實上所有的AI研發都有這個問題，為什麼車牌辨識一體機銷路並不好？原因就是他們是使用機器內建的微電腦做影像辨識運算的，不是算太慢就是算太少，辨識率不高或是速度太慢都會讓客戶難以接受。所以我們做AI的人並不是只求盡量算到最好最正確，其實全程都會面對電腦不夠用的困擾，即使夠用我們也會想著如何降低硬體規格，更省錢的完成一樣的AI功能。

那如何讓AI程式更有效率呢？關鍵就是你對自己的演算法與需求必須了解得非常完整透徹！就像精明能幹的家庭主婦，能夠精打細算又不虞匱乏，才是真正的勤儉持家嘛！如果根本不會做家事，就不可能精確掌握需求，把錢用到刀口上，結果不是錢花太多，就是省錢省到買了一堆不堪用的東西，家事當然就做不好了！

所以啦！不要妄想依賴甚麼機器學習或類神經網路之類的黑盒子了！人工智慧不會自動從資料中自行演化產生的，那是AI廣告發明的鬼話！盡量精準理解掌握你要解決的問題，設計出最剛好沒有冗餘運算的程式，你才會是這個行業可以存活的人！機器學習最佳的用法是用於你還無法理解掌握的大量資料，如果可以精準分析的資料也一律套用機器學習(或CNN)模式，只會適得其反，你一定會花更長的研發時間做出很笨很慢的AI。