圖一 不同隱藏層數的學習效能差異

不要說我總是胡亂批評AI，我其實一直都是很認真在學習AI相關技術概念的！譬如上面的圖片就是摘自「台大資訊 深度學習之應用」視訊課程，這個課程很棒的！我已經看完大半了，而且自覺收穫良多，對於深度學習的理論概念與實作方式都有了更深的認識。

此課程開宗明義就指出機器學習(ML)並不代表AI的全部技術內涵，更多目前已經實用中的AI其實是來自更早出現的「專家系統」理念，就是根據已知的科學知識，以程式設計精準建構的有認知判斷能力的軟體！他們與機器學習技術是無關的，但也絕對合乎AI的定義！我就是個依舊在使用專家系統理念，從事AI影像辨識研發的產品供應廠商！目前市場上還沒有出現比我厲害的深度學習競爭產品！

大家不必因為我認定ML、DL與CNN「不適合做車牌辨識」的論點，就以偏概全認為我反對這些新科技？我沒有的！我是依據學術理論與市場現實提醒大家一些嚴肅的科學事實！即使上圖出處的課程是個非常好的深度習課程，讓我更懂深度學習的很多內涵，但此課程的論述也依舊完全支持我之前的評論觀點。包括這些技術極端仰賴大量資料與極大的運算資源，很多狀況下是不切實際不宜使用的！這是上課的老師自己說的！

如上圖一是深度學習使用不同架構層次時表現差異的一個統計圖表，本意是表達：在深度學習架構下(圖二)，較多個隱藏層(hidden layers)可以在較少參數的情況下達到更高的正確率(Accuracy)！這點我完全同意，越多的隱藏層，表示深度學習的函數成果會更具彈性與可能性，更有機會產出聰明，也更接近人類智慧的函數！

圖二 深度學習的理論架構

但是我批評的深度學習的先天缺陷，卻也非常明確地在圖一中展現了！不論你的隱藏層與參數多到甚麼程度，正確率都會達到一個無法繼續提升的高原區！以圖一來說是大約95%，但現實上環境背景狀況較複雜(自然)的車牌辨識情境，即使是最好的深度學習成果也沒辦法達到這麼高的！

可是幾乎所有的影像辨識商業化產品，正確率要求都是必須接近完美的！低於98%的車牌辨識、人臉辨識或指紋辨識都沒有商業價值的！所以使用深度學習或許可以在沒有真正的影像辨識專家的情況下，還是可以迅速產出辨識率八成以上的辨識軟體，讓投資者信心高漲，以為產品研發達標98%，可以開香檳慶祝的時刻已近在咫尺！

但如上圖一所示，辨識率一旦進入統計學極限的高原區，接下來即使再投資十倍百倍的金錢、資料、人力、隱藏層與參數，都還是無法明顯提升正確率的！當然就無法達到原有專家系統的高辨識率！更不必說超越了！在影像辨識領域來說，ML、DL與CNN不是「不可能」超越既有的辨識技術，但是那個障礙非常巨大！大到足以讓多數想依賴它們做出商業化影像辨識產品的公司虧損倒閉！

專家系統製作的AI影像辨識產品，不同於機器學習之處，是它們不以產生單一最佳化函數為目標，而是不斷的利用錯誤案例回饋，增加新的條件程序來解決既有辨識系統發現的新例外狀況。所以它們所有的辨識能力都是可以穩定提高的！不會有出現辨識率高原區，再也上不去的問題！系統會穩定成長升級成熟，最終就是可以達到接近完美的辨識率，完勝深度學習的！

這才是我認為ML、DL與CNN不適合用於多數商業影像辨識產品開發的核心原因！我很希望有深度學習專家能給我指導指正，讓我的工作可以受益於這些AI技術，我已經等了好多年！專家還是沒出現！因為我是既得利益者，如果自私一點缺乏學術良心，我不必做這些批評的！悶聲大發財，看著很多競爭同業深陷AI投資的泥潦無法自拔，對我的商業利益是比較好的！