剛剛找到這個MNIST手寫數字辨識率的評比網頁，才發覺這個辨識率遊戲其實已經被玩爛玩壞了？排行榜上前18名都是100%的辨識率？我的99.924%只能排到第27名？可見跟我之前想像的一樣！只要有標準答案的資料庫，努力玩「湊答案」的遊戲總是可以拚到極限高分的！機器學習就是湊答案的技術嘛！只要願意無限提高算力與擴大模型，總是可以達到滿分的！

這是一個自行上傳資料的排行榜，所以審查機制可能不太嚴謹，所以我問Google AI時，他說的最好成績(99.879%)大概是不會看這個榜單的！應該是來自某些有嚴謹考核監視的比賽成績吧？我既然沒參加比賽，所以大概也只能被歸類成這種自說自話的成績爛帳之一了？

比較不同的是：他們都是在使用ML/DL/CNN的玩家，我則是硬橋硬馬的Rule based研究！而且真的提供了測試軟體讓大家下載測試！所以可信度當然不可同日而語！或許也因此，Google AI與Bing AI都真的把我的報告當一回事！他們有如實報導我宣稱的辨識率，但沒有理會(相信)這個榜上高達18個100%的紀錄！

但是我覺得這些都不重要！重要的是這個現象已經充分證明了ML、DL與CNN其實只是一個根據標準答案硬湊答案的遊戲！只要有題庫，也有標準答案就一定可以經過充分的「訓練」與龐大的模型，拼湊出極高辨識率的結果！跟甚麼影像辨識的技術原理一點關係都沒有！那些達到100%辨識率的玩家，應該根本對影像辨識一無所知！只是很會玩湊答案遊戲的超級玩家而已！

如果這樣就真的可以達到影像辨識的實務需求，其實也無可厚非！但事實上就是辦不到！首先是資料集再大都跟真實世界有差距，MNIST字集100%辨識率的模型未必比95%的模型在真實世界表現更好！真實世界如何辨識是甚麼字的Rules當然還是非常重要的！但是ML/DL/CNN的方法完全沒參考這些！

更重要的關鍵是：效率！ML/DL/CNN拚出高辨識率的代價就是無限擴充模型，增加變數！讓計算量變成天文數字！最後讓這些ML/DL/CNN模型變成龐大笨重速度很慢還超級耗電的怪獸！辨識率高又怎麼樣？一般電腦跑不動，成本太高無法商業化，高辨識率的好成績意義何在？

所以我在做這個研究之初到現在，一直都在強調辨識率只是一個門檻！我的主要目標不是「贏過」ML/DL/CNN！如上面那排行榜，他們總是可以湊答案到100%的！我的目標是讓我的Rule based方法辨識率「跟得上」ML/DL/CNN！只要Rule based方法不要因為太低的辨識率被放棄，他任何方面都優於ML/DL/CNN！

首先當然是數十倍的高效率，其次是Rule based是透明的白盒子，ML/DL/CNN是黑盒子！對於軟體日後的升級維護，成本效益差距更大！白盒子很好維護升級，黑盒子呢？那就是軟體商營運上的噩夢了！所以大家體會到我的核心理念與動機了嗎？

我不在乎有一大堆ML/DL/CNN玩家的辨識率比我高！那是必然的！重點是我的辨識率完全不輸那個頂尖的等級，99%辨識率就已經非常足夠了！因為辨識率之外的其他方面ML/DL/CNN本是不堪一擊的！只有想賠錢倒店的廠商才會選擇辨識率差不多，但貴上幾十倍的M/DL/CNN解決方案的！