在視覺辨識方案中，什麼是機器學習? 與傳統作法有什麼差別?

雖然我一再的明確批評機器學習不應該是影像辨識合理的解決方案，但也必須把事情講清楚！這不是說機器學習沒有價值，即使在影像辨識的領域，ML還是有他合理的定位！只是絕對不應該是主角而已！你絕對不應該一開始就設定以ML、DL或CNN為主要演算法軸心的影像辨識解決方案，除非你錢太多，或決定讓你的研發一開始就註定會徹底失敗！

這篇文章的「前半段」就寫得很好！我也相信作者是真的有實作成功經驗的工程師！因為我就是有很多成功完成影像辨識專案的人，我可以體會到他說的所有狀況！跟很多只是胡吹大氣的AI專家或網紅的胡說八道很不一樣！即使是我也曾多次撰文表述：我並不是完全不會用ML的技術概念來解決問題！

但是必須說清楚的是：ML是當我們已經用罄所有明確的科學知識與資訊，還是難以做決定時才應該上場的救援投手！甚至只能稱之為「敗戰處理投手」！他們的專長是在無計可施時可以得到「堪用」的判斷決策而已！絕對不是可以得到最佳解決方案的手段，說他們是AI？是智慧？那實在太抬舉他們了！他們只是Better than nothing的估計選擇方案而已！

但是這篇文章的後半段我就礙難認同了！我也相信他自己都沒有使用深度學習的實際成功經驗！只是「希望」或「覺得」深度學習有可能跳脫機器學習的層次產生奇蹟而已！我是認為根本不可能！因為機器學習(ML)與深度學習(DL)的本質並沒有太大差異，還是依據資料統計得到需要的答案，不是真的研究「為何如此」？以及應該如何因應的科學推理方案？

這就是目前大多數影像辨識研究者被迷惑，甚至被詐騙的關鍵盲點了！當大家開始熟悉機器學習，也漸漸知道知道他們的限制天花板之後。AI詐騙集團就繼續推出「深度」學習的概念！但本質上依舊不強調研究物理事實！還是在資料細節與歸納之中打轉，希望只用統計與排列組合偵測到的資料就能得到「智慧」！

這只是讓這個假AI技術虛幻的泡沫破滅的時間延後而已！我認為最終的科學正途還是必須回歸到事實真相與成因等等的研究！如果永遠只看影像資料的本身，不考慮它們形成的物理條件、成因與環境因素，判斷事實的資訊就永遠是不夠，也不明確的！

是的！我們一定要好好「學習」！才可能徹底解決影像辨識的問題！但絕對不只是讓「機器」去讀影像資料自主學習！那樣即使可行，也是極沒效率浪費資源的作法！多數影像辨識的目標，我們用傳統方式很快的用極少資料就可以達到高辨識率了！根本不必大量資料與暴力運算就可以做得更好！我們公司接的影像辨識專案，都是只需要約百張的影像資料，一個多月就可以完工，做出高辨識率核心結案的！

忽略影像之外的物理資訊是愚不可及的！譬如我們知道台灣車牌只會有ABC-1234這種格式，不可能有A8C-1234這種答案，你要不要考慮把8改成B呢？如果你在停車場入口辨識出只有聯結車的拖車才有的車牌如：AB-77，你應該認可嗎？停車場當然不可能有聯結車入場的！這違反物理現實，你要裝瞎嗎？還是試試看改變辨識參數看有沒有其他的可能答案？

我以自己的經驗告訴大家：影像辨識是一個需要通盤考慮的智慧，要做出最正確合理，也就是很「AI」的答案，絕對不可能只用「影像」資料去自我學習歸納就做得到！不管你是用機器學習或深度學習其實只是換湯不換藥，解決不了根本的問題！最簡單的方式還是模仿人腦對該種影像的辨識邏輯！一定可以很快做到極高的辨識率！