手寫數字的辨識已經挺進到94.3%以上的深水區了！我的戰略就是以明顯的簡單形狀特徵為依據，用最寬鬆的條件認定每一個影像可能的候選答案！除了極少數的案例，大多數都會有多個候選答案！我的工作就是將這些答案依序做兩兩相對的比較，盡量使得每一場比賽都有一個勝負的結果！全勝晉級的冠軍就是我選擇的答案了！好像一般人買汽車或買房子，總是會先有幾個候選對象，但是會逐步淘汰選項，最終選其中一個最理想的買。

重點是：我辨識的每一個步驟每一場比賽過程都可以逐步追查檢討改進的！這就讓我的研究有了實質具體的意義！而不只是像機器學習一樣，盲目的嘗試錯誤湊答案找出最高機率，但完全不知其所以然的數學模型了！我無法想像自己每天的工作只是在無法理解過程的機器外面買彩券？希望下一張樂透可以刮出大獎？這樣的人還好意思自稱是科學家嗎？

譬如上面就是一個在我的軟體辨識過程中2與3僵持不下的戰場！當然以人的聰明智慧很容易判定是2而不是3！但是用Rule-Based設計辨識軟體的概念，就是必須明確用量化的指標說清楚：它為何一定是2？或它不可能是3？的具體理由！非常類似大家來找碴的遊戲！僵持不下的和局，以及勝負判斷錯誤的機率越小，我的辨識率就越高了！

上圖左是影像的放大圖，右邊是隨便框選的一些手寫3的影像，大家有找到「碴」了嗎？為何我會認定它不可能是3？或是說3的機率極低？可以找到的理由很多！這個案例我就試過了七八個理由去挑剔它不是3！但是每次我假設的「碴」都會跑一次42000張影像的全體影像，看看這個條件的損益比如何？如果掛一漏萬當然是不能採用的！

就像你因為某個法律事件明顯不公就想立即改變法條，但是有可能新法條在其他案例中產生的破壞性比建設性更大！所以我們才需要民主制度與立法院嘛！獨裁國家要改法律很容易，但是如果要兼顧整體民眾的權益福祉呢？就需要立法單位根據民意審慎評估了！我就是這樣不斷嘗試新的找碴理由，找到其中CP值最高的條件！有點像是機器學習說的要不斷檢視Lost function吧？但他們是只考慮數字，我則是兼顧事實現象的！

這個案例中我最終選擇的找碴理由是甚麼？答案是水平掃描的線段數目！我會嘗試自上而下一一掃描每個Y值會經過幾個線段？就是黑白交替次數除以2，再統計會通過1到3個線段的Y值比率！我發現幾乎所有的數字3都不可能出現三個線段的狀況，但是2字在下方有迴轉圈圈時就會出現3線段的狀況！所以我設定通過三個線段的Y值占比超過字高的10%時就確定它不是3了！可憐的3就是這樣被我找碴輸給了2淘汰出局了！

我相信所有人的視覺「智慧」都是來自辨識這些字元之間的相對特徵！學界習慣的觀點就是想找出一致、完美且統一的數學模式來達到目的！但如果我們實際使用的智慧基礎就不是起源於完美的數學架構，而是這些零碎雜亂的邏輯經驗呢？剛剛學會看東西的小貝比們懂得很多數學原理概念嗎？當然沒有！但是他們已經在每天玩耍的過程中不斷累積視覺經驗了！

當大人說那是數字2不是3時，他們的小腦袋中就會自己嘗試建立這類片段的辨識邏輯了！如果這些片段邏輯互相衝突時，當然就會進一步整合或調整，方向就是盡量多答對題目，不要看錯數字囉！經過幾年的衝突矛盾整合妥協之後，所有人「學習」到的辨識手寫數字的智慧表現就會很接近了！

這個減少錯誤提高辨識率的原則是跟機器學習概念一樣的！但是機器學習似乎對於如何模仿複製這些原始邏輯完全沒興趣？只想抄捷徑直接用這些已經成熟的人腦智慧建立標準答案，讓可以自我調整的數學模式去嘗試錯誤自我調整找出可以答對最多題庫答案的模型！他們宣稱這個過程是「學習」或「訓練」！但是完全跟可以定性或定量表達的「影像辨識智慧與邏輯」完全無關！

所以如果硬要說這種機器學習模式是人工「智慧」？太抬舉他們了！如果我們相信所謂的智慧必須以事實或科學原理為基礎，那這種做法是完全「反智」的！他們所謂的Groud Truth(基本事實)居然是無法用科學證明或說明的某人的主觀判斷？某人說某影像是3！對它做了標記，它就是Ground Truth了？很不科學的！MNIST資料庫中才有那麼多不合乎常識的標準答案，硬是要根據錯誤資訊做到辨識率百分百，不是沒智慧的笨蛋做的事嗎？

所以我做的事情在某方面來說，就算是一種對機器學習概念的挑戰或革命了！我希望真的用數學概念去理解與模擬人類最底層原始的認知邏輯！我覺得這才是最合理的「人工智慧」發展方式！我的研發內容完全可以用大家都能理解的事實與科學原理解釋的！只是似乎大家覺得這條路太難？只想偷懶走機器學習的捷徑？但是至少不應該反而貶低我這種人？說我不AI？他們才是AI的主流？太荒謬了！

不論如何？我走到這個程度時，已經證明我的方式是可行的！一旦成功就表示我有了一個可以檢視、修理與維護升級的精密儀器！而不是一個內容不知所云的黑盒子？而且執行效率也會高出那個黑盒子數十到數百倍！我追求的是真正商業化的產品！就是要夠便宜，也要能面對客戶的質疑時可以修理維護的東西！