與大成鋼公司合作，算是進度超前，螺絲釘的影像辨識研發成效不錯！一年的合約只用了半年就幾乎達標了，他們不想浪費錢嘛，也怕我太無聊吧？繼續找到這個題目來考我！就是研究如何用AI提供最佳的貨櫃裝載方式？這當然是超越了我們簽約時預設的影像辨識範圍，但是我也很喜歡新鮮事，所以欣然接受！

說是欣然？其實也像洗髮精的廣告詞「既期待又怕受傷害」！畢竟是我沒接觸過，與影像辨識性質很不一樣的AI問題。往好處想，這種AI判斷的基礎都是明確的資訊，貨櫃與貨物的長寬高重量等屬性，包括能否受壓？是否必須放在最上層等等，都是很明確的資訊，不像影像辨識那麼多隨機不確定的雜訊。

簡單說，影像辨識最難的部分是如何穿越重重迷障(雜訊)，找到那個關鍵的寶物！就是目標的字元或圖案！如複雜街景中的車牌，或是螺絲釘頭上很模糊的刻字！那種題目其實比較適合我這個不拘泥於形式的游擊隊，嚴謹的學界AI科學家是一定搞不過我的！我知道！

但是這個新專案的性質卻是：沒有雜訊，但是解題的邏輯會是超複雜的幾何運算！比較像是下棋或遊戲破關的AI！我會不會陷入如深藍電腦面對的下圍棋的麻煩問題啊？我可沒有超級電腦的運算資源啊？我的純數學功力也未必超過學界的教授學者專家的！這個我行嗎？

這也讓大家可以陪我深思一下：AI的研發目標、內涵與性質，可以有多麼大的差異！絕對不是幾個技術名詞，甚麼ML(機器學習)、DL(深度學習)或CNN(類神經網路)就可以簡單呼攏涵蓋搞定的！真正AI專家學者需要專注思考的，當然不是如何操作ML、DL或CNN，而是你面對問題的性質與內涵時，必須建立的解決問題策略！

不論如何，工作既然接了就要開工！我只是卑微的鄉下公司老闆，有工作進度績效才能繼續請款領錢嘛！我可不是國家制度保障的教授，在研究室坐著發呆，上課胡說八道都有薪水的！我還必須擔心我的員工有沒有薪水可以領咧！我的具體策略是：先從他們既有的實務案例資料為研究起點。請他們給我幾個之前用人為判斷完成裝載的資料，譬如某個貨櫃裝了那些貨物？如何配置的結果等等。

如上圖就是右表載入該貨櫃實際裝的品項，我用程式依據資料產生各個貨物的大小標籤物件，放在貨櫃外，讓它們可以被滑鼠拖曳，拖進貨櫃範圍內就可以像真實世界一樣，依據重力原則「掉到」最低可達的位置，還可以按鍵盤上的左或右鍵，讓它們如工人裝載時一樣，可以向左或向右貼齊牆壁或相鄰的物件。 

其實大成鋼的工程師們在跟我簡報此案需求時，就已經展示了類似的手動規劃軟體，我如果只是製作出類似的軟體，當然沒有讓他們的工作更有效率。但這是一個必要的過程！我必須先建立出這個模擬的環境，也就是一個符合物理事實的虛擬環境，之後才可以在這個環境下，用演算法取代人工手動的拖曳，就是讓AI演算法代替人工的規劃啦！

事實上如上的程式也只是二維(2D)環境的配置，真實的貨櫃裝載是立體3D的！從裡層到外層，長長的貨櫃實際上可以裝載如上的斷面兩到三層！但是我必須一步一步來，先建立可以操作驗證裝載效益的程式環境，從2D到3D，之後開發演算法時才能隨時得到合理的數值模擬數據，知道我的演算法到底行不行？

具體來說，這個AI的研發，很像一個物件長寬高很多元複雜的立體俄羅斯方塊堆疊！我必須開發出堆疊方式最有效率，每個貨櫃可以裝載最多物件，還要合乎體積重量限制，也不能讓物件被壓壞毀損的裝載建議，就是讓電腦學會玩一種非常複雜的3D俄羅斯方塊遊戲啦！

很有趣的觀點是：我們一般人常常做一些我們「以為不難」的智慧工作，但是解析成數學公式時，卻可以讓絕大多數的人退避三舍嚇到腿軟！以為那是天才學霸的領域？這就是AI玩家與專家可以玩弄我們普通人的地方了！其實我現在需要做的事情只是跟那些已經有裝載經驗的工作人員學習，將他們的經驗與邏輯數學化程式化而已！

只要我可以用電腦「模擬」出與現有工作人員差不多的智慧，我的工作就算達標了！我預期要做出超越這些熟練工作人員智慧的程式是很難的！但是有了AI，他們可以省力很多，可以直接看AI的演算結果，像是老師傅看菜鳥的規劃一樣修正一下就好了！電腦可以補足人工的思慮漏洞，但是說到「比人聰明」？那是AI詐騙集團才敢亂說的！我可不敢！