事件相機只需要傳統算力晶片1%甚至0.1%的算力，

為自動駕駛帶來了視覺處理技術革命

很難得看到！這其實只是一則廣告，但同時也是一個振聾發聵鞭辟入裡的警世論文！值得每一個研究影像辨識與AI科技的人細看深思！尤其是迷信CNN演算法的人士！因為這種發明概念才是AI影像辨識真正合理的未來發展方向，CNN絕對不是！大家越早醒悟，人類的AI科技才會越早脫離桎梏大步前進！先看看文中的兩段驚世警語吧：

我之前寫過很多文章強調類似的概念，我一直反對CNN與ML在影像辨識領域的角色作法，並不是我的偏激偏執或一時興起，而是我每天工作中必須面對的現實，讓我保持清醒！另一方面，我是學古生物出身的人，我知道生物演化的方向，使用CNN概念發展視覺的生物早就絕種了！因為一隻蒼蠅生存需要的視覺功能，如果以CNN的方式來設計，就需要有一個像人那麼大的腦袋，這隻蒼蠅還能飛嗎？

我是一個資源缺乏的影像辨識研發小廠商，一開始就看出CNN與ML需要過量計算與過量資料的罩門！基本上，我根本沒有足夠的資源使用ML與CNN做研發，但是我確實知道，也用我的實績證實了：其實有很多其他合理的演算法研發方式！都比CNN+ML更好！不然我的公司早就倒閉了！

有錢人都以為資源是無限的，最經典的故事就是「何不食肉糜？」某個古代，人民因為飢荒，都餓到沒飯吃了？衣食無虞狀況外的帝王居然說：「沒飯吃？那就吃肉嘛！」當某些人指出CNN需要太大量的計算時，他們的回應居然是：如果CPU不夠用，那就用GPU嘛！意思是：用更多的資源來消化愚蠢不合理的運算量？這不就是現代「AI版的何不食肉糜」嗎？

因為CNN演算法的基礎概念不對！他們不在意資源浪費，不願意評估需要甚麼資訊時，才針對性的取得必要資訊，不願意花心思減少不必要的無謂計算，所以當他們發現錢再多都不夠如此奢侈浪費時，就陷入困境了！這就是我之前說自駕車前途茫茫的主因了！你能將超級電腦搬上汽車嗎？你有這麼多錢買超級電腦嗎？你的汽車載得動AlphaGo嗎？

各位看出以CNN+ML製造出來的AI災難了嗎？這篇文章中就說了！因為市場上的主流演算法已經被CNN盤據霸佔了！所以即使事件相機取得了重大的突破，但是後續的軟體辨識演算法卻好難接續？CNN+ML是假設家裡很有錢，前端資料是無限供應的！如果前端只提供精簡有效的關鍵資料呢？他們反而不會算了？

所以合理的AI理念一定是貫穿軟硬體的！你不能因為我家有錢，就做出基本上很浪費資源的決策！現在這種事件相機凸顯了CNN與ML概念的荒謬性，這是我們應該通盤檢討CNN與ML演算法合理性的時候了！是事件相機應該配合CNN？還是CNN演算法應該臣服於合理的事件相機提供的簡要資訊呢？

我知道！最終他們需要的，就是我這種始終只專注於最精簡有效的完整影像辨識演算法流程的人！我的動態車牌辨識軟體前端，目前當然沒有這種高效率的事件相機支援，但是我用軟體達到了類似的功效！就是攝影機照樣一秒數十張的取得影像，但我不會每張都做完整辨識處理，而是只用極簡運算的動態偵測，如果前後兩張影像大致相似無擾動，我就Pass了！

所以我的車牌辨識軟體絕對不會像CNN那樣瞎忙的！沒車經過時，我的軟體CPU運算量就會遽降為10%或以下，有車出現時才會開工！其實就是我用軟體達到事件相機的功能了！當然我的演算法也都是基於「必要」的資訊做處理，以最高效率直指辨識目標來設計的！和抓瞎做機率統計的CNN+ML大相逕庭！我相信如果我的軟體設計概念和事件相機搭配絕對會是天作之合！

看懂了嗎？現在不只是只有我在狗吠火車了！CNN的影像辨識概念是不合理走不通的一條死路！終究是必須被AI發展的歷史唾棄的！越早認清事實的人受害就會越小！我覺得自己好像是一個正在超商阻止老先生老太太匯款給詐騙集團的警員？你還在一直匯款給CNN與ML嗎？