這是一個很有趣的實際案例，因為車牌小又模糊，我的辨識程式其實勉強辨識出了正確的車牌號碼：LAM-1116，但是原始的字元比對符合度其實只有75%，根據我自己設定的80%算是不及格，應該把它忽略的！但是我偵測到了它明確是一張黃色的車牌，而且第一個字元是「L」，這是黃牌重機非常明確的特徵！

如果是你用眼睛看到這個畫面，即使因為距離遠有點模糊，但是主要特徵已經很明顯是個黃色重機的車牌，你會直接忽略它？說我根本沒看到它嗎？即使因為模糊可能七個字元中有一個字元有錯誤，但「有個黃牌重機」和「沒有車牌」兩者資訊的意義與價值也是差很多的！

一個車牌辨識軟體碰到這種情況時，應該怎麼作？怎麼反應？才能讓使用者覺得這個軟體很「AI」呢？如果我一板一眼按照SOP判斷「沒有車牌」會比較符合使用者的期待，還是報告出「我看到了一個黃牌重機的車牌」呢？根據我的經驗統計，只要是七碼的車牌，字元交叉誤認的機率是很低的，也就是75%的符合度已經幾乎不會誤認任何字元了！答案LAM-1116的正確機率其實是很高的！

我現在做車牌辨識的目標已經不是寫出數學模式漂亮完美的SCI論文了！而是想盡量滿足客戶對於AI辨識軟體的期待與需求！所以如果我放棄這個符合度「不及格」的案例，說此地「沒有車牌」？使用者是不會滿意的！如果他們因此低估我的軟體，認為不夠AI？不買了！那就比論文沒被SCI錄取的傷害更大了！

但是我也不可能守候在我賣的所有軟體旁邊，隨時幫我的軟體做出最合乎客戶想法的判斷，所以我還是必須建立合理的數學模式，讓程式可以做出最接近一般人智慧的決定！這就是我做AI影像辨識的理念，也是我天天工作的方向與內容。所以符合度75%只是我使用的資訊之一，我還會注意到車牌是很特別的黃色，與字首是L這些特徵，給我的辨識結果加權計分，最後就是上面的結果了！

那現在大家說的AI，就是以機器學習為核心的那種AI是怎麼作的呢？他們的核心就是機率統計學的貝氏定理：

即使需要參考的條件很多時也都是以此為架構，「整合」更多條件的整體機率而已，公式會變得看起來很複雜有學問，但是其實只是資料的統計，並沒有辦法實現如上案例的思考判斷！要用數學來辯論嗎？請注意到如上摘自維基百科的公式，貝氏定理適用的前提是「隨機事件」！但車牌是不是黃色？車牌第一個字元是不是L？則都是很確定的資訊，也影響限制了整個最終答案的判斷，光用貝定理是絕對無法實現我前面敘述的「思考」過程的！

我自己是先使用了我的邏輯做出了商業產品，才開始學習機器學習理論概念的！我當然很想利用大家都看好吹捧的AI機器學習讓我的商業產品更上一層樓！但是幾年下來還是覺得格格不入，無法替我的既有產品加值。甚至覺得他們太僵硬愚蠢了！即使我放棄既有基礎，完全改用機器學習，我也想不出任何可以做出合理AI產品的可能性。你們如果聽懂了我的理念和機器學習的原理，拜託幫我想想這個問題吧！

至於最近瘋迷的「生成式」AI大家也不要太高估它們了！他們很像培養生物，用既有的資料，在限制條件與環境下隨機選擇，可以很快產生一些看似「合理」的成果，像是一篇文法沒錯，內容與預設主題不衝突，可以拿到及格分數的報告！

但是要正確辨識一個略模糊的車牌呢？那是一個完全不同的AI，是解決明確問題的AI，過程中沒有隨機選擇的空間，隨機選擇對於得到正確答案也完全沒幫助！這種AI需要的是充分理解問題與分析問題，正確使用所有資訊來解題的AI！如ML、DL與CNN之類的以機率統計為基礎的演算法其實是根本不適合使用於此的！我現在只感嘆它們已被炒作過頭，回頭太難，影像辨識科技的進步至少會被這些假AI技術擾亂耽誤十年以上！