如同前文所說，碰到這種類似車牌的文字目標很多時，會讓我的車牌辨識邏輯陷入兩難！想限時或限次收工以節省時間，就可能在還沒找到真正的車牌之前就放棄了！只是保證能以無限的資源找到目標，我覺得還不算AI，如何在有限的運算資源下，盡快找到真正的車牌？那才是真正的AI！如ML、DL與CNN就是假設資源無限的演算法，所以我根本不認同他們是夠格的AI！

前文也說了，為了保證能找到這種影像中的車牌，我的平均運算時間多出了5-10%！我很想找到複雜程序中的某個地方，將這個時間省回來！因為我賴以揚名立萬的影像辨識產品特色，不只是辨識率高，速度飛快也是極大的特色！今天早上5-10%的時間就被我省回來了！怎麼作到的？很像挑水果的邏輯。

我概略算過，簡單影像中我只會找到約兩三組的可能排列組合，依序找到其中之一高符合度是個車牌時就會停工！真的車牌不是第一就是第二個候選人，時間差很少。但是如上案例卻有超過十個的組合，真的車牌還會排在後半段，所以辨識程式如果堅持要找到車牌為止就會很慢了！

面對大賣場裡面堆積成山的某種水果，你只需要買其中一顆最好或夠好的！你會怎麼作？一顆一顆拿起來仔細看？你會看到水果爛掉都還挑不出來！當然是先掃描顏色與大小，讓快篩較可能是好水果的優先被仔細檢視，只要撿到一顆夠好的就可以去結帳了！

我之前的程式就是依序找到兩三個排列組合，依序接受檢視，排隊的字組並沒有特別排序，但如果可以讓十幾個候選人大略排序，最佳人選排在第三或第十，找到他確認結案的時間差距就很大了！就是這樣而已，我損失的5/10趴時間就省回來了！

這也很像每次發生山難，要搜救可能生還人士或遺體時類似，搜救的人力設備資源是有限的！如果規劃正確精準就可以很快，以很省資源的達到搜救目標。反之，就很可能耗盡資源仍找不到人，徒留遺憾！從這個角度就可以知道CNN不是個好點子！太浪費運算資源了！電腦要花錢買，運轉也需要電費的！

最終我認為好的AI影像辨識，還是必須從物理的角度去解析不同目標的特性，精確地設計出最有效率的演算法，如ML(機器學習)、DL(深度學習)或CNN(類神經網路)那種地毯式搜索或大海撈針的演算法，是極不合理的方向，充其量只是不得已的無奈方案，絕對不夠格稱之為「智慧」的！真的不能繼續被騙了！全世界都受假AI之害夠深了！