致勝關鍵—重新思考的能力

修改時間:2021年8月26日 10:31

內容

致勝關鍵—重新思考的能力

採訪編輯:廖唯辰

受訪者:瑞昱半導體總經理室資深幕僚 魏士鈞


此刻的你我,都處在變化急遽的世界當中。在這樣的環境下,我們應該要如何面對?應該要如何提升自己的競爭力?在學生時期應該要做些什麼?非常榮幸能邀請到魏士鈞先生進行訪問。魏士鈞先生是瑞昱半導體總經理室的資深幕僚,同時兼任波比特科技的營運總監和台灣AI晶片聯盟新興運算架構副主席。


 

在多變的國際局勢中,臺灣應該如何面對?

近年來國際情勢多變,先有中美貿易戰、又有疫情席捲全球。臺灣在這樣多變的國際局勢裡,應該如何因應?魏士鈞指出,國際情勢雖然重要,但並非我們的決定因素,關鍵還是我們自己本身能否堅守價值;在這種國際關係的變化之下,臺灣最好的競爭方法,就是提高臺灣自己的實力。

提升臺灣的競爭力,就能讓臺灣在全世界的影響力變大,同時也能提高臺灣的話語權。他舉出了兩個例子。第一個例子是被稱為「護國神山」的台積電及整個半導體產業。長期以來,臺灣完整的半導體發展成果,讓我們在全世界的產業鏈佔有十分重要的地位。若戰事波及臺灣,全球的各種產業及整體經濟都將受到嚴重牽連。具體來說,近期國外很多車廠搶不到晶片產能,正紛紛透過外交關係尋求我們政府協助。第二個例子是臺灣在防疫工作上的成果,疫情處理的表現為臺灣得到更多國際關注與尊重,更凸顯了台灣民主自由透明開放的制度,能讓人民真正安心,也更能自發地保護自己與關懷他人,達到全民防疫一心。

 

臺灣的機會在哪?

魏士鈞提醒我們要思考:「有什麼是臺灣可以做而別人不能做的?」他告訴我們,有些人直覺的回答是「半導體」,但全世界也有不少做半導體的公司,為什麼台積電與聯發科能勝出?都是因為堅持核心價值。至於臺灣真正的機會在哪?魏士鈞認為臺灣的機會在於我們有「自由化的思考」。他提醒大家,要有重新思考的能力,不要一味跟隨老一輩的做法。習慣於重頭重新思考,才有機會找到原創突破。

魏士鈞強調臺灣唯一可以贏的原因在於「年輕人能夠重新思考」。臺灣的年輕人普遍擁有良好教育且思想開放,更具備高度同理心,這樣的條件非常利於嘗試錯誤與創新。他非常鼓勵年輕人養成勇於犯錯,於不疑處有疑,提出新問題的習慣。

 

回原點思考的重要性

魏士鈞表示,因為人工智慧、量子物理、虛擬社群等發展,加上瘟疫與國際局勢變化,未來的世界會和現在的世界有著巨大的差異,使得過往經驗的可參考性將變得非常低,此時打破既有框架思考的能力顯得特別重要。他指出,若一個人有過往成功的經驗,很有可能會依循前例;但由於世界的變化太快,以前的成功經驗難以複製,過往的成功經驗甚至會變成限制自己前進的束縛。

魏士鈞告訴我們,不被現有的框架侷限,回到源頭重新思考問題,從各個角度問很多問題,就能幫助自己重新理解事物的本質,並看到更多的可能性。在訪問的過程之中,他分享了數個他重新思考的例子。

疫情很長一段期間內,出現股票和黃金同時上漲的現象。魏士鈞表示,通常股票高,黃金就會較低,因為股票高意味著市場活絡、經濟狀況良好;而黃金通常被認為是避險資產,所以每當經濟活動不佳、世界經濟變差,甚至是發生戰亂或能源危機,黃金通常會上漲,而股票會下跌。而在這段期間裡,罕見的出現股票和黃金都上漲的情況。他表示,舊的思維告訴我們,股票漲黃金就不漲、黃金漲股票就不漲。在這種狀況下,如果只按照舊思維行事,可能會帶來投資上的不利。這個世界變化太快,許多舊思維已不再適用,面對問題的態度應該是要重新思考問題的本質,而不是被問題所框住。如果能突破現有框架限制,並學會高效率嘗試錯誤,就有機會找到新的規律,也才有更好的槓桿點,更有競爭力。

另一個議題是魏士鈞對未來半導體產業的猜想。他告訴我們,現今的半導體製程以「數位」為主。數位講究的是資料能用數位訊號表示,製造相對容易但極度耗電;另一種訊號處理型式稱為「類比」,簡單來說就是連續性的訊號。近年來非常熱門的人工智慧,在做決策時主要是以機率來判斷。假設有個人工智慧在識別一張圖片裡的動物是貓還是狗,它有98%的信心覺得圖片裡是一隻狗;那如果對它進行修改,讓它降到變成只有61%信心覺得是一隻狗,這個人工智慧還是有應用的價值,可見類神經網路的運算並不需要百分之百準確。他表示:「如果運算是可以不精準的,那為什麼要用現在專精於處理數位電路的半導體呢?」正因為人工智慧的運算可以不精準,所以應用在人工智慧的半導體有採用類比或其它新的運算機制的可能性,也因此打開除了傳統CMOS以外的新元件與製程的可能性。類比電路相較於數位電路有其優點,但運算的結果較不精準。人工智慧不需要完全精準,意味著運算架構和製程需要改變,所以未來即使還有半導體,也不見得是現在的這樣的模式。大家習以為常的馮紐曼運算架構,也會逐漸被新的運算架構取代。

訪談之中,魏士鈞說過一段令人印象深刻的話:「未來的世界將通通不一樣,千萬不要相信老人家說的,包括我說的。為什麼要聽我的呢?」不要盲目的遵循他人,真正的答案應該經過自己的重新思考。魏士鈞還提到臺灣的教育在訓練人們有效率地找尋答案。他說:「過往我們在教育上,習慣把國中學的拿到高中,高中學的拿到大學,將學過的東西作為基礎往下學,但是我們可能已經很少回去思考為什麼一加一等於二。要回到原點思考這些問題,我們才能有辦法看到別人看不到的東西。」魏士鈞補充說:「不過老人家敬業刻苦的做事態度,還是值得學習啦!」

 

如何重新思考?

關於「如何重新思考」,魏士鈞的答案是:從事物的原始點開始思考,然後用自己已經建立好、反覆磨練多次的邏輯體系審慎思考,而不是「我記得以前老師說過是這樣就是這樣…」。

魏士鈞以類神經網路的研究為例,提醒我們可以思考「類神經網路一定要用現在的架構來計算嗎?」、「現在的架構有什麼好處?有什麼壞處?」、「真正的瓶頸在哪裡?」他提醒我們重新思考類神經網路怎麼做才是合理的,不要被當前的技術所侷限。

同樣的思考方式,可以延伸到更多領域。他舉了職涯的例子,提醒我們可以問「開公司一定要是這個樣子嗎?」、「找工作一定要原本那個條件嗎?」等等的問題。

 

學生應該培養什麼能力?公司比較喜歡雇用哪一種人?

學生應該培養什麼能力?魏士鈞從「如何將一件事情做得成功」這個角度回答這個問題。他表示要將一件事情做得成功,有一些共同的要求,例如:堅持、專注、願意學習、謙虛等等;這些特質是學生應該具備的,但是這些特質「不保證」一定成功。他也提到,如果問題是「具備什麼特質一定會成功」,則需視個人對成功的定義。

如果從較務實的角度來看,學生可能比較想了解的是「公司通常比較喜歡雇用哪一種人」。魏士鈞告訴我們,整體來說現在的不同產業,幾乎各種人才都需要,因為近期在台灣各項投資力度都加大很多,未來幾年每個行業都會缺人,尤其是高科技領域。只要我們擁有基本的要素、態度不要太過於離譜,通常都會有機會。當然,如果對人誠懇有同理心,但對事又能果斷有執行力,就容易被認同,也因此能有更多機會。

 

面試需要注意什麼?

如果從更實際的角度來看,同學們可能想要知道面試時應該要注意什麼。魏士鈞向我們分享了兩個技巧。

第一個是當我們在爭取面試機會時,我們應該要將屬於我們自己的關鍵字盡可能擠進履歷。重點是把自己的關鍵字都放入履歷,而非內容如何撰寫。主管通常沒有那麼多時間慢慢閱讀履歷,大多使用搜尋的方式來找尋想要的履歷。如果關鍵字沒有在履歷當中,內容寫得再好也搜尋不到。擁有許多關鍵字的人可能會被認為是最適合這個工作的人,因此得到面談的機會。

第二個是在面試時的技巧。在一個長達一兩個小時的面試當中,最重要的是「問問題」。魏士鈞用幽默的語氣告訴我們:「你問的越多,你要回答的越少,不是嗎?」

 

如何選擇公司與工作?

一般人找工作大多看的是這個工作喜不喜歡?薪水多不多?至於工作的「發展性」,魏士鈞告訴我們:「通常好的工作都代表錢多的工作,只是有些是短期的錢,有些是長期的錢。」此外,魏士鈞表示,如果我們希望的是讓自己的能力能夠好好的發揮,就要確保這個工作在公司裡面是重要的、是幫公司賺錢的核心項目。

有些人可能會有疑惑的是「好的工作跟好的公司哪個比較重要?」對此,魏士鈞的回答是:「好的公司。因為成功不必在你,跟著大家一起成功,有你會更成功,也因此錢可以分多一點,就是好公司。」

另外,找工作的人可能也想了解「應該選大公司還是小公司?」魏士鈞告訴我們,大公司的共同問題是「處理人比處理事重要」;而小公司的最大問題是,由於公司人數不多,必須樣樣皆會,造成「雜而不精」的狀況。魏士鈞建議我們,若要練基本功一開始最好在大公司,因為它比較有制度;練資歷的話到小公司,小公司較容易歷練不同職務。

在「找工作」這個議題上,魏士鈞表示,做自己愛做的才是重點。他表示臺灣未來五到十年的經濟表現基本不會太差,不用擔心找不到工作而餓死。找到自己有熱忱、會讓自己感到「這輩子做完這個就太高興了」的工作,才是真正重要的。

 

該不該念博士?

魏士鈞告訴我們,博士生和碩士生的最大差別是:通常博士生可以自己定題目,而碩士生通常是老師或學長姐訂題目。他認為定義題目、問好的問題是教育所培養的重點。他表示只會解題目的人就像是個「工匠」,能定義題目的人才是「大師」。他也表示當然各科系需不需要讀博士的狀況不太一樣。

在資訊相關的領域中,魏士鈞認為真正比較搶手的人,是會定義問題、找出適合解決的架構、可以帶團隊協調分工的人,也就是「能用資訊處理與系統方法解決問題的專家」;相較之下,就會比一般屬於被動要有人告訴他怎麼解決問題,才開始寫程式的人來得有價值。就業市場要看的也是供需關係,人人都能做的,當然供應高於需求,相對收益就低,甚至會沒有機會。

 

大學生畢業前要做的兩件事

魏士鈞認為大學生畢業前應該要完成兩件事:經營社群和完成一個你很愛的專案。

第一件事是經營社群。管理一個社團,無論是什麼形式,臉書社團、網路上的社團皆可。經營一個超過一百個人社團,共同討論一件事,學習如何經營一個團體。

第二件事是做一個你很愛的專案。做這個並非為了找工作,也不是為了寫作業。找一個你真的很喜歡的東西,自己花力氣將它完成。例如做商業經營的同學,可以嘗試開個網路商店。

魏士鈞告訴我們,這兩件事情的重點分別是:人際互動、技術的應用。此外,他表示要大學生做這些另外的目的是「犯錯」,學生或是年輕人犯錯成本較低。他告訴我們:「你做一次大概就知道:『喔,原來是這麼回事。』你總有一天要自己獨立或帶一些人完成一個專案,你總有一天一定要有能力,把你的理念講出來,帶著一堆人一起走。」

 

做你真的很愛的事!

最後,魏士鈞告訴大家:「重新思考最大的困難點在於,如果不是你真的很愛的,你很難重新思考。所以要做你愛的事情,你才有動機反覆重新思考,進一步嘗試不同的可能,才會發現更多其他人沒看到的東西,最終才會創造出全世界都沒看過的新產品、新服務,或至少是對人類有幫助的事物。」現在這是突破創新最好的時代,年輕人有比起前面幾個世代都來得更好的創新創業機會,只要不短視近利,堅持價值與同理心,台灣一定會出現更多護國神山!

 

附錄:人工智慧談

為什麼人工智慧在這幾年越來越紅?

在你我的生活周遭,可能聽說過「機器學習」、「深度學習」和「類神經網路」等和人工智慧相關的名詞。但其實人工智慧這個概念,在數十年前就已經被提出,那為什麼近年來人工智慧才變得較廣為人知呢?魏士鈞指出,關鍵點在於電腦計算能力的提升。

魏士鈞向我們分享,類神經網路基本上可以分成兩個部分,一個部分是做特徵提取,另一個部分是進行決策制定。早期的類神經網路主要做的是決策制定,而特徵提取主要是人用經驗去制定的。而現在特徵提取這一部分也能用神經網路達成。使得模型能夠變得更複雜的主要原因是電腦計算能力的提升。

在早期電腦計算能力不足的狀況下,許多模型的訓練時間極長,甚至是訓練的成果無法收斂。雖然以前就有對人工智慧的需求,但是受限於現實的框架中。隨著計算能力的提升,人工智慧有了更大的發展空間,因此整個產業也愈加蓬勃。

 

是什麼原因使得電腦計算能力有大量的成長?

魏士鈞指出真正提升計算能力、促進人工智慧發展的一個重要因素是GPU (Graphics Processing Unit)的效能。GPU採用多核心與SIMD結構,非常適合用來做「對一組資料中每個資料同時做相同操作」的這種工作,因此適合做類神經網路必要的矩陣運算。

魏士鈞表示最早對GPU的需求源自於圖像處理。以玩遊戲為例,有些遊戲需要渲染圖形、繪製出遊戲世界,這些用途換個角度來看,就是在做矩陣的運算。

傳統使用CPU進行矩陣的運算時,使用迴圈一個一個計算,處理器需要許多周期的計算才能算好;而使用GPU能一次計算許多排列整齊的資料,所以GPU做矩陣運算非常快速,也因為這個特質,GPU非常適合用來做人工智慧模型訓練時的所需的數學運算。

 

GPU的運算瓶頸與人工智慧的瓶頸

有關GPU的運算瓶頸,魏士鈞表示GPU受到記憶體的限制,需要找出新的運算架構來解決這個問題。他提到目前還是有許多人嘗試用不同的方式來解決這個問題,其中一個是減少運算量,對類神經網路進行壓縮;另一個常見做法是分散處理,將運算量分散在不同裝置上,降低單一裝置的負擔。

人工智慧目前的瓶頸並非GPU的運算瓶頸,而是功耗問題。他表示無論GPU的記憶體再大再快、演算法再強,硬體裝置皆有其物體極限。若功耗太高將難以散熱,使得溫度過高,甚至破壞晶片結構。

 

讀人工智慧這個領域需要讀到博士嗎?

魏士鈞認為在資訊工程各個領域當中,人工智慧這個領域基本上要念到博士。他表示許多資工的領域並非一定得念博士,因為這些領域的問題已經被提出的很完整,而且產業鏈結構已經非常清晰,畢業就能找工作,或是開一家在產業鏈裡的公司。

但是人工智慧是一個會重新定義很多問題的領域,理論基礎也還不夠完備,所以需要念博士。人工智慧的問世影響了全世界。舉例來說,應用人工智慧技術的自駕車的出現,使得汽車的產業產生非常大的改變。不僅交通運輸,甚至社會制度、政治等等也會因為人工智慧的到來而產生極大的改變。人工智慧將帶給這個世界許多改變,而且程度遠超網際網路對這個世界的改變,但這些都還是未定義的,因此需要有人來研究。

 

人工智慧連策略都能學會?未來不用寫程式?

人工智慧在資料分析這部分的能力有目共睹。魏士鈞表示,一般人可能會這麼想:「先用人工智慧把資料分析好,然後我們再來『寫個程式』決定怎麼用這些資料、『寫個程式』看要怎麼跟人配合……。」魏士鈞告訴我們,這些可以寫成程式的,都屬於「策略」,而這些「策略」,人工智慧也可以學習。

那麼未來是否可以不用寫程式呢?某些程式是否會被人工智慧代替?關於這個議題,魏士鈞向我們分享一個關於人工智慧玩捉迷藏的研究。在這個研究中,人工智慧自己學習到如何阻擋敵人、如何和隊友配合。這些人工智慧經過許多的訓練,發展出彼此合作等策略。從這個例子,可以看出人工智慧連高層次的策略都能訓練出來。

此外,魏士鈞還向我們分享他對螞蟻合作網路的猜想。他問了幾個問題:「一隻螞蟻就知道要怎麼搬東西嗎?螞蟻的腦袋裡有if then else的公式嗎?這些螞蟻透過什麼溝通模式產生搬東西的能力?人類光要讓機器人合作就寫得要死要活,那螞蟻是怎麼知道合作的?」他還告訴我們,設計許多小小的掃地機器人模仿螞蟻互相合作的工作模式,說不定能打掃的更乾淨。他表示一般人太習慣生活在現狀,雖然他不保證上述這些的想法能在現實發揮效用,但是不進行重新思考的話,就不會想到上述的那些想法,而新想法一旦出現,可能新產品就隨之誕生了。

人工智慧在「策略」上也有能被訓練的潛力,而寫程式也是種「策略」,人工智慧能用它的策略直接解決問題,而不用寫程式,因此「未來某些程式可能漸漸被人工智慧代替」這個概念是合理的。另外,魏士鈞提醒我們,在做人工智慧時,要對資料結構、行為、思維邏輯、演算法有更多的了解;學會怎麼設計神經網路或更有效的演算法來適應某種資料,以達成某種目標或行為效果,才是最重要的。最後,魏士鈞告訴我們:「台灣應該要做輔助人、有溫度的分散式人工智慧,而不是要做超大超強取代人控制人的人工智慧,才能真正快速提高國力。」


 

致勝關鍵—重新思考的能力

採訪編輯:廖唯辰

受訪者:瑞昱半導體總經理室資深幕僚 魏士鈞


此刻的你我,都處在變化急遽的世界當中。在這樣的環境下,我們應該要如何面對?應該要如何提升自己的競爭力?在學生時期應該要做些什麼?非常榮幸能邀請到魏士鈞先生進行訪問。魏士鈞先生是瑞昱半導體總經理室的資深幕僚,同時兼任波比特科技的營運總監和台灣AI晶片聯盟新興運算架構副主席。


 

在多變的國際局勢中,臺灣應該如何面對?

近年來國際情勢多變,先有中美貿易戰、又有疫情席捲全球。臺灣在這樣多變的國際局勢裡,應該如何因應?魏士鈞指出,國際情勢雖然重要,但並非我們的決定因素,關鍵還是我們自己本身能否堅守價值;在這種國際關係的變化之下,臺灣最好的競爭方法,就是提高臺灣自己的實力。

提升臺灣的競爭力,就能讓臺灣在全世界的影響力變大,同時也能提高臺灣的話語權。他舉出了兩個例子。第一個例子是被稱為「護國神山」的台積電及整個半導體產業。長期以來,臺灣完整的半導體發展成果,讓我們在全世界的產業鏈佔有十分重要的地位。若戰事波及臺灣,全球的各種產業及整體經濟都將受到嚴重牽連。具體來說,近期國外很多車廠搶不到晶片產能,正紛紛透過外交關係尋求我們政府協助。第二個例子是臺灣在防疫工作上的成果,疫情處理的表現為臺灣得到更多國際關注與尊重,更凸顯了台灣民主自由透明開放的制度,能讓人民真正安心,也更能自發地保護自己與關懷他人,達到全民防疫一心。

 

臺灣的機會在哪?

魏士鈞提醒我們要思考:「有什麼是臺灣可以做而別人不能做的?」他告訴我們,有些人直覺的回答是「半導體」,但全世界也有不少做半導體的公司,為什麼台積電與聯發科能勝出?都是因為堅持核心價值。至於臺灣真正的機會在哪?魏士鈞認為臺灣的機會在於我們有「自由化的思考」。他提醒大家,要有重新思考的能力,不要一味跟隨老一輩的做法。習慣於重頭重新思考,才有機會找到原創突破。

魏士鈞強調臺灣唯一可以贏的原因在於「年輕人能夠重新思考」。臺灣的年輕人普遍擁有良好教育且思想開放,更具備高度同理心,這樣的條件非常利於嘗試錯誤與創新。他非常鼓勵年輕人養成勇於犯錯,於不疑處有疑,提出新問題的習慣。

 

回原點思考的重要性

魏士鈞表示,因為人工智慧、量子物理、虛擬社群等發展,加上瘟疫與國際局勢變化,未來的世界會和現在的世界有著巨大的差異,使得過往經驗的可參考性將變得非常低,此時打破既有框架思考的能力顯得特別重要。他指出,若一個人有過往成功的經驗,很有可能會依循前例;但由於世界的變化太快,以前的成功經驗難以複製,過往的成功經驗甚至會變成限制自己前進的束縛。

魏士鈞告訴我們,不被現有的框架侷限,回到源頭重新思考問題,從各個角度問很多問題,就能幫助自己重新理解事物的本質,並看到更多的可能性。在訪問的過程之中,他分享了數個他重新思考的例子。

疫情很長一段期間內,出現股票和黃金同時上漲的現象。魏士鈞表示,通常股票高,黃金就會較低,因為股票高意味著市場活絡、經濟狀況良好;而黃金通常被認為是避險資產,所以每當經濟活動不佳、世界經濟變差,甚至是發生戰亂或能源危機,黃金通常會上漲,而股票會下跌。而在這段期間裡,罕見的出現股票和黃金都上漲的情況。他表示,舊的思維告訴我們,股票漲黃金就不漲、黃金漲股票就不漲。在這種狀況下,如果只按照舊思維行事,可能會帶來投資上的不利。這個世界變化太快,許多舊思維已不再適用,面對問題的態度應該是要重新思考問題的本質,而不是被問題所框住。如果能突破現有框架限制,並學會高效率嘗試錯誤,就有機會找到新的規律,也才有更好的槓桿點,更有競爭力。

另一個議題是魏士鈞對未來半導體產業的猜想。他告訴我們,現今的半導體製程以「數位」為主。數位講究的是資料能用數位訊號表示,製造相對容易但極度耗電;另一種訊號處理型式稱為「類比」,簡單來說就是連續性的訊號。近年來非常熱門的人工智慧,在做決策時主要是以機率來判斷。假設有個人工智慧在識別一張圖片裡的動物是貓還是狗,它有98%的信心覺得圖片裡是一隻狗;那如果對它進行修改,讓它降到變成只有61%信心覺得是一隻狗,這個人工智慧還是有應用的價值,可見類神經網路的運算並不需要百分之百準確。他表示:「如果運算是可以不精準的,那為什麼要用現在專精於處理數位電路的半導體呢?」正因為人工智慧的運算可以不精準,所以應用在人工智慧的半導體有採用類比或其它新的運算機制的可能性,也因此打開除了傳統CMOS以外的新元件與製程的可能性。類比電路相較於數位電路有其優點,但運算的結果較不精準。人工智慧不需要完全精準,意味著運算架構和製程需要改變,所以未來即使還有半導體,也不見得是現在的這樣的模式。大家習以為常的馮紐曼運算架構,也會逐漸被新的運算架構取代。

訪談之中,魏士鈞說過一段令人印象深刻的話:「未來的世界將通通不一樣,千萬不要相信老人家說的,包括我說的。為什麼要聽我的呢?」不要盲目的遵循他人,真正的答案應該經過自己的重新思考。魏士鈞還提到臺灣的教育在訓練人們有效率地找尋答案。他說:「過往我們在教育上,習慣把國中學的拿到高中,高中學的拿到大學,將學過的東西作為基礎往下學,但是我們可能已經很少回去思考為什麼一加一等於二。要回到原點思考這些問題,我們才能有辦法看到別人看不到的東西。」魏士鈞補充說:「不過老人家敬業刻苦的做事態度,還是值得學習啦!」

 

如何重新思考?

關於「如何重新思考」,魏士鈞的答案是:從事物的原始點開始思考,然後用自己已經建立好、反覆磨練多次的邏輯體系審慎思考,而不是「我記得以前老師說過是這樣就是這樣…」。

魏士鈞以類神經網路的研究為例,提醒我們可以思考「類神經網路一定要用現在的架構來計算嗎?」、「現在的架構有什麼好處?有什麼壞處?」、「真正的瓶頸在哪裡?」他提醒我們重新思考類神經網路怎麼做才是合理的,不要被當前的技術所侷限。

同樣的思考方式,可以延伸到更多領域。他舉了職涯的例子,提醒我們可以問「開公司一定要是這個樣子嗎?」、「找工作一定要原本那個條件嗎?」等等的問題。

 

學生應該培養什麼能力?公司比較喜歡雇用哪一種人?

學生應該培養什麼能力?魏士鈞從「如何將一件事情做得成功」這個角度回答這個問題。他表示要將一件事情做得成功,有一些共同的要求,例如:堅持、專注、願意學習、謙虛等等;這些特質是學生應該具備的,但是這些特質「不保證」一定成功。他也提到,如果問題是「具備什麼特質一定會成功」,則需視個人對成功的定義。

如果從較務實的角度來看,學生可能比較想了解的是「公司通常比較喜歡雇用哪一種人」。魏士鈞告訴我們,整體來說現在的不同產業,幾乎各種人才都需要,因為近期在台灣各項投資力度都加大很多,未來幾年每個行業都會缺人,尤其是高科技領域。只要我們擁有基本的要素、態度不要太過於離譜,通常都會有機會。當然,如果對人誠懇有同理心,但對事又能果斷有執行力,就容易被認同,也因此能有更多機會。

 

面試需要注意什麼?

如果從更實際的角度來看,同學們可能想要知道面試時應該要注意什麼。魏士鈞向我們分享了兩個技巧。

第一個是當我們在爭取面試機會時,我們應該要將屬於我們自己的關鍵字盡可能擠進履歷。重點是把自己的關鍵字都放入履歷,而非內容如何撰寫。主管通常沒有那麼多時間慢慢閱讀履歷,大多使用搜尋的方式來找尋想要的履歷。如果關鍵字沒有在履歷當中,內容寫得再好也搜尋不到。擁有許多關鍵字的人可能會被認為是最適合這個工作的人,因此得到面談的機會。

第二個是在面試時的技巧。在一個長達一兩個小時的面試當中,最重要的是「問問題」。魏士鈞用幽默的語氣告訴我們:「你問的越多,你要回答的越少,不是嗎?」

 

如何選擇公司與工作?

一般人找工作大多看的是這個工作喜不喜歡?薪水多不多?至於工作的「發展性」,魏士鈞告訴我們:「通常好的工作都代表錢多的工作,只是有些是短期的錢,有些是長期的錢。」此外,魏士鈞表示,如果我們希望的是讓自己的能力能夠好好的發揮,就要確保這個工作在公司裡面是重要的、是幫公司賺錢的核心項目。

有些人可能會有疑惑的是「好的工作跟好的公司哪個比較重要?」對此,魏士鈞的回答是:「好的公司。因為成功不必在你,跟著大家一起成功,有你會更成功,也因此錢可以分多一點,就是好公司。」

另外,找工作的人可能也想了解「應該選大公司還是小公司?」魏士鈞告訴我們,大公司的共同問題是「處理人比處理事重要」;而小公司的最大問題是,由於公司人數不多,必須樣樣皆會,造成「雜而不精」的狀況。魏士鈞建議我們,若要練基本功一開始最好在大公司,因為它比較有制度;練資歷的話到小公司,小公司較容易歷練不同職務。

在「找工作」這個議題上,魏士鈞表示,做自己愛做的才是重點。他表示臺灣未來五到十年的經濟表現基本不會太差,不用擔心找不到工作而餓死。找到自己有熱忱、會讓自己感到「這輩子做完這個就太高興了」的工作,才是真正重要的。

 

該不該念博士?

魏士鈞告訴我們,博士生和碩士生的最大差別是:通常博士生可以自己定題目,而碩士生通常是老師或學長姐訂題目。他認為定義題目、問好的問題是教育所培養的重點。他表示只會解題目的人就像是個「工匠」,能定義題目的人才是「大師」。他也表示當然各科系需不需要讀博士的狀況不太一樣。

在資訊相關的領域中,魏士鈞認為真正比較搶手的人,是會定義問題、找出適合解決的架構、可以帶團隊協調分工的人,也就是「能用資訊處理與系統方法解決問題的專家」;相較之下,就會比一般屬於被動要有人告訴他怎麼解決問題,才開始寫程式的人來得有價值。就業市場要看的也是供需關係,人人都能做的,當然供應高於需求,相對收益就低,甚至會沒有機會。

 

大學生畢業前要做的兩件事

魏士鈞認為大學生畢業前應該要完成兩件事:經營社群和完成一個你很愛的專案。

第一件事是經營社群。管理一個社團,無論是什麼形式,臉書社團、網路上的社團皆可。經營一個超過一百個人社團,共同討論一件事,學習如何經營一個團體。

第二件事是做一個你很愛的專案。做這個並非為了找工作,也不是為了寫作業。找一個你真的很喜歡的東西,自己花力氣將它完成。例如做商業經營的同學,可以嘗試開個網路商店。

魏士鈞告訴我們,這兩件事情的重點分別是:人際互動、技術的應用。此外,他表示要大學生做這些另外的目的是「犯錯」,學生或是年輕人犯錯成本較低。他告訴我們:「你做一次大概就知道:『喔,原來是這麼回事。』你總有一天要自己獨立或帶一些人完成一個專案,你總有一天一定要有能力,把你的理念講出來,帶著一堆人一起走。」

 

做你真的很愛的事!

最後,魏士鈞告訴大家:「重新思考最大的困難點在於,如果不是你真的很愛的,你很難重新思考。所以要做你愛的事情,你才有動機反覆重新思考,進一步嘗試不同的可能,才會發現更多其他人沒看到的東西,最終才會創造出全世界都沒看過的新產品、新服務,或至少是對人類有幫助的事物。」現在這是突破創新最好的時代,年輕人有比起前面幾個世代都來得更好的創新創業機會,只要不短視近利,堅持價值與同理心,台灣一定會出現更多護國神山!

 

附錄:人工智慧談

為什麼人工智慧在這幾年越來越紅?

在你我的生活周遭,可能聽說過「機器學習」、「深度學習」和「類神經網路」等和人工智慧相關的名詞。但其實人工智慧這個概念,在數十年前就已經被提出,那為什麼近年來人工智慧才變得較廣為人知呢?魏士鈞指出,關鍵點在於電腦計算能力的提升。

魏士鈞向我們分享,類神經網路基本上可以分成兩個部分,一個部分是做特徵提取,另一個部分是進行決策制定。早期的類神經網路主要做的是決策制定,而特徵提取主要是人用經驗去制定的。而現在特徵提取這一部分也能用神經網路達成。使得模型能夠變得更複雜的主要原因是電腦計算能力的提升。

在早期電腦計算能力不足的狀況下,許多模型的訓練時間極長,甚至是訓練的成果無法收斂。雖然以前就有對人工智慧的需求,但是受限於現實的框架中。隨著計算能力的提升,人工智慧有了更大的發展空間,因此整個產業也愈加蓬勃。

 

是什麼原因使得電腦計算能力有大量的成長?

魏士鈞指出真正提升計算能力、促進人工智慧發展的一個重要因素是GPU (Graphics Processing Unit)的效能。GPU採用多核心與SIMD結構,非常適合用來做「對一組資料中每個資料同時做相同操作」的這種工作,因此適合做類神經網路必要的矩陣運算。

魏士鈞表示最早對GPU的需求源自於圖像處理。以玩遊戲為例,有些遊戲需要渲染圖形、繪製出遊戲世界,這些用途換個角度來看,就是在做矩陣的運算。

傳統使用CPU進行矩陣的運算時,使用迴圈一個一個計算,處理器需要許多周期的計算才能算好;而使用GPU能一次計算許多排列整齊的資料,所以GPU做矩陣運算非常快速,也因為這個特質,GPU非常適合用來做人工智慧模型訓練時的所需的數學運算。

 

GPU的運算瓶頸與人工智慧的瓶頸

有關GPU的運算瓶頸,魏士鈞表示GPU受到記憶體的限制,需要找出新的運算架構來解決這個問題。他提到目前還是有許多人嘗試用不同的方式來解決這個問題,其中一個是減少運算量,對類神經網路進行壓縮;另一個常見做法是分散處理,將運算量分散在不同裝置上,降低單一裝置的負擔。

人工智慧目前的瓶頸並非GPU的運算瓶頸,而是功耗問題。他表示無論GPU的記憶體再大再快、演算法再強,硬體裝置皆有其物體極限。若功耗太高將難以散熱,使得溫度過高,甚至破壞晶片結構。

 

讀人工智慧這個領域需要讀到博士嗎?

魏士鈞認為在資訊工程各個領域當中,人工智慧這個領域基本上要念到博士。他表示許多資工的領域並非一定得念博士,因為這些領域的問題已經被提出的很完整,而且產業鏈結構已經非常清晰,畢業就能找工作,或是開一家在產業鏈裡的公司。

但是人工智慧是一個會重新定義很多問題的領域,理論基礎也還不夠完備,所以需要念博士。人工智慧的問世影響了全世界。舉例來說,應用人工智慧技術的自駕車的出現,使得汽車的產業產生非常大的改變。不僅交通運輸,甚至社會制度、政治等等也會因為人工智慧的到來而產生極大的改變。人工智慧將帶給這個世界許多改變,而且程度遠超網際網路對這個世界的改變,但這些都還是未定義的,因此需要有人來研究。

 

人工智慧連策略都能學會?未來不用寫程式?

人工智慧在資料分析這部分的能力有目共睹。魏士鈞表示,一般人可能會這麼想:「先用人工智慧把資料分析好,然後我們再來『寫個程式』決定怎麼用這些資料、『寫個程式』看要怎麼跟人配合……。」魏士鈞告訴我們,這些可以寫成程式的,都屬於「策略」,而這些「策略」,人工智慧也可以學習。

那麼未來是否可以不用寫程式呢?某些程式是否會被人工智慧代替?關於這個議題,魏士鈞向我們分享一個關於人工智慧玩捉迷藏的研究。在這個研究中,人工智慧自己學習到如何阻擋敵人、如何和隊友配合。這些人工智慧經過許多的訓練,發展出彼此合作等策略。從這個例子,可以看出人工智慧連高層次的策略都能訓練出來。

此外,魏士鈞還向我們分享他對螞蟻合作網路的猜想。他問了幾個問題:「一隻螞蟻就知道要怎麼搬東西嗎?螞蟻的腦袋裡有if then else的公式嗎?這些螞蟻透過什麼溝通模式產生搬東西的能力?人類光要讓機器人合作就寫得要死要活,那螞蟻是怎麼知道合作的?」他還告訴我們,設計許多小小的掃地機器人模仿螞蟻互相合作的工作模式,說不定能打掃的更乾淨。他表示一般人太習慣生活在現狀,雖然他不保證上述這些的想法能在現實發揮效用,但是不進行重新思考的話,就不會想到上述的那些想法,而新想法一旦出現,可能新產品就隨之誕生了。

人工智慧在「策略」上也有能被訓練的潛力,而寫程式也是種「策略」,人工智慧能用它的策略直接解決問題,而不用寫程式,因此「未來某些程式可能漸漸被人工智慧代替」這個概念是合理的。另外,魏士鈞提醒我們,在做人工智慧時,要對資料結構、行為、思維邏輯、演算法有更多的了解;學會怎麼設計神經網路或更有效的演算法來適應某種資料,以達成某種目標或行為效果,才是最重要的。最後,魏士鈞告訴我們:「台灣應該要做輔助人、有溫度的分散式人工智慧,而不是要做超大超強取代人控制人的人工智慧,才能真正快速提高國力。」