有讀者來信這麼問：

請問一下，關於您的車牌辨識核心，是否可以在像是Raspberry Pi或是Jetson nano這類的低功耗設備上執行?

我的回覆是：

如上所述，我知道這位讀者是相信邊緣運算可以帶來經濟效益的，所以才會問這個問題！我以影像辨識為專業那麼多年了，當然會關注任何環境變化對我的產品開發可能有利的因素！如果我判斷有利的事情，我會跑得比任何人都快！判斷對我的研發生意不利的事呢？廣告說得再神奇美好我都不為所動的！

其實2015年創業之初我受邀到某研討會演講時，我的題目就是支持邊緣運算概念的！認為用網路傳遞影像到雲端辨識是沒效率的做法，我支持將我的車牌辨識功能到前端設備譬如手機或樹莓派微電腦上！但是演講後不到半年，4G乃至5G等先進網路陸續出現，我的想法就逆轉了！

我看到這封信之後上網做了一些功課，樹莓派我是很熟悉了，多年前還真的在這種微電腦上實作了我的車牌辨識，甚至在尚未談好授權金之前就被合作廠商盜版拿出去賣了！但是效能不是很好速度很慢，盜版者沒有我的後續支援當然也賣不下去。Jetson nano則在此之前還沒聽過，看完資料知道是支援CUDA架構的NVIDIA產品：

NVIDIA® Jetson Nano™ 為數百萬種小巧且低耗能的人工智慧系統提供令人驚豔的新功能，也開啟嵌入式物聯網應用程式的新世界，包括入門級網路錄影機 (NVR)、家用機器人，以及具備完整分析功能的智慧閘道器。

如我的回覆所說，這顯然是一個特殊化為了實現CUDA架構，也就是偏重使用GPU完成多數運算工作的特殊設備！他們設計的主要目標客群當然是使用ML、DL與CNN等所謂AI演算法的人！所以如果你就是使用這些技術實作你的軟體，應該會賓至如歸！

但是常來的讀者都知道，以作影像辨識這件事來說，我是極端不看好這些以機率統計為基礎的技術的！我自己的影像辨識產品也至今都不曾積極使用過這些演算法技術，所以如果硬要將我的演算法移植到這些「AI」設備上，應該會格格不入的！

不是不能做，但是無法充分運用到他們提供的所有資源！因為我的綜合性辨識演算法多數是無法用GPU的簡易功能運算的！我只需要好的CPU，但是這些設備的CPU已經被邊緣化了，GPU才是主角！所以我需要的資源被弱化了，我不需要的資源卻過剩了！因此不必期望這些設備可以讓我的辨識產品加值的！

我感慨的是：這些設備都假設ML、DL與CNN會是未來影像辨識的核心主流技術？但是我看到的未來不是這樣的！機率統計對於未知資料的探索是個利器，但是對於需要科學原理支援做出最高正確率判斷的影像辨識應用來說，他們是先天上就無法達到目的的跛腳演算技術！

這很像你相信只要持續加強訓練後人可以跑贏汽車一樣！確實世界紀錄隨著科技進步與訓練量增加不斷的推升，但是有可能跑贏汽車嗎？統計學並不是可以追求精密精準的科學，所以辨識率有其極限，資料再多學習訓練再多，也不會統計出98%辨識率的！

要達到高辨識率絕對必須以傳統科學原理為基礎，也就是回歸到「早期AI」的專家系統的設計理念！我就是這個理念的成功實踐者，我的事業是一路壓著那些AI影像辨識技術前進的！但我的信心其實不是來自我的產品優勢，而是我對科學與學術理念的充分理解：

如果人體的先天限制條件不可能跑贏汽車，就不要做這種荒唐的夢！想出遠門還是乖乖地開車騎車或搭飛機比較好！跑步健身就好，硬是拿來當交通工具？幻想可以擁有上天賜與的神奇力量？終有一天可以學習訓練成功，像動漫中的超人或閃電俠一樣跑贏汽車？不切實際的！

具體的說：要在車水馬龍的街上辨識出七八成的車牌，AI或許辦得到？要每張車牌影像的辨識正確拉高到98%呢？不可能的！人臉辨識或指紋辨識也都一樣！因為統計學不擅長根據科學原理精準地做例外處理，也就不可能追高辨識率，但是所有影像辨識的應用中99%都是需要極高辨識率的！ML、DL與CNN根本就不符合影像辨識市場的基本需求！