最近繼續接受更多條件繼續精進研究貨櫃裝載最佳規劃的程式，這種東西無疑地會被認定是一種AI程式！但是仔細想想，其實比一般我們常見的，用於做單一判斷的AI，譬如影像辨識更為困難！要辨識一個車牌我們是從很多凌亂的資訊中「找到」我們需要的少數有意義的資訊加以整理確定回覆使用者即可！

但是如上這種幾百個貨物要規劃安排到很多個貨櫃之中的複雜工作呢？不但要考慮如何堆疊？空間利用要最佳化，還要考慮不能超重，有些東西很脆弱不能受壓，必須放在最上層！有些特別重的貨物又好相反，必須放在最下層，否則任何其他貨物都可能被它壓壞！

最麻煩的是：一個都不能少！每一個貨物都必須處理，規劃過程中沒有簡化忽略這種事情！如果規劃出來的樣貌有任何地方違反一般人的常識，就必須徹底檢討修改整個流程！光是做到不要有某處看起來怪怪的，就是非常困難複雜且龐大的設計工作了！

有趣的是：如果這種工作可以視為AI？那AI就絕對不必與機器學習掛勾了！因為這個工作真的毫無可能用機器學習來完成的！不然你就試試看！原因是縱向的相關性流程太多太複雜，你根本無從建立出一個類似貝氏定理的數學模式架構來讓機器開始「學習」！

即使你真能建立出複雜的學習模型，因為資料的可能性狀況太多，理論上你需要的訓練資料會大如天文數字！你根本無法收集完備的！更重要的是：客戶也根本不需要一個包山包海通用的AI規劃軟體！他們的貨物種類是有限的，你應該只需要考慮「客製化」的需要，準確比通用更重要！

所以這種AI其實比較像傳統上說的專家系統，想讓這種研究跟機器學習扯上關係嗎？實在太難了！根本是牛頭對不上馬嘴！要做這種事情，跟大家認為的所有AI數學技術，機器學習或類神經網路都完全扯不上邊的！

機器學習的核心概念是用大量資料抽取出與答案有關的特徵！但是專家系統解決問題的主軸是明確的科學原理！一個是機率統計，一個是明確的原理原則！當原理原則不夠用，走到模糊地帶時，我們當然可以局部使用機率統計來「猜答案」！那就是「雖不中亦不遠矣」了！

但是以機率統計為主軸的機器學習呢？那就是「盲人騎瞎馬，夜半臨深池」了！明明可以選擇一匹眼睛看得到的正常好馬，你卻偏偏堅持選擇用瞎馬代步？然後洋洋得意說這是最先進的AI科技？這種思維真的是有病！還病得不輕！