雖然不懂拉丁文、希臘文，但我也盡己所能以一個理工人的身分，盡己所能地探究。
更深的認識我的大概知道，我一天花在閱讀和思考的時間至少 2 小時，撇開特殊日子。
我還夢到過我被倒下的書櫃砸到喘不過氣而驚醒，不瞎掰，真的。
因為我有太多書放不上書櫃，疊在地上和桌上，可能這樣才恐慌吧。
當然正如大家所知，我除了「愛智慧」我也追求我學得一定要能實踐、身體力行。
我今天讀這麼多哲學思考的東西，目的無他，就是我要更有遠見地去把握各種機會。
而這種「學以致用」的自信的來源，以及和啟發法對我的意義是有關的。
如同我在圖像式思考的文章中提到，我是在大學二年級之後接觸到圖像式思考。
我大學一年級在系上成績並不突出，我的微積分、線性代數只有 60 多分，班排 10 名左右。
但是就在大二接觸到圖像式思考，我轉換思維重新學習。
我在數學系高等微積分上下學期拿到 99 分，老師沒有放水。
我厲害到，我可以只看到「定理編號」，例如定理 4.3.4 ，我就可以把證明全部默寫出來。
而這個證明可能是 3-4 面 A4 ，非常冗長，就因為我用圖像式思考。
就算是我打文章的當下，我也能回憶到大概，大概記得證明的流程，可不可怕。
也因此，我從大學二年級開始，每學期都是我們數學系第一名。
後來我因緣際會，去美國俄亥俄州立大學工工所跟一位老師 Theodore Allen 做研究。
他是 Agent-based Modeling/Simulation (代理人建模、代理人模擬）的權威。
簡單來說，這位老師的專長就是「情境模擬」，而我正好超級擅長「圖像式思考」
只能說... 我不知道，我覺得冥冥之中或許上帝在我身上有工作吧...
| 本書還探討離散事件（通常是決策環境，而非物理環境）模擬會遇到的問題 |
我那時候主要負責的是美國投票機的地理位置分布
在美國投票是要排隊的，因為是用機器投票，所以要決定怎麼分布這些投票機
所以就使用一波啟發式搜尋，搭配實際地理資料、交通資料、人口資料
不斷尋找參數，最後決定分布方式，也順利投入俄亥俄州的首度哥倫布市使用
最後估計是節省了 20-25% 左右的成本，我非常開心
與此同時，我還有另外 2 個研究方向在做，分別是：
1.我想用代理人模擬進行造市商的模擬，考慮各種掛單機制、市場微結構
2. 那時候 Ted 老師有一個馬可夫決策過程 (MDP) 的框架，我就順勢學習了
沒錯！ 也就因為 (1) 這一點，我才開始接觸到 MAE/MFE
所以我整個的思考的脈絡，就是 圖像式思考 → 情境模擬 → 造市商模擬 → MAE/MFE
所你問我，我怎麼會想到 MAE/MFE ，很多人也都知道 MAE/MFE 啊
但是我是因為曾經親自去搭建造市環境，寫 Java 程式去模擬造勢環境
所以我對 MAE/MFE 才感觸更深，你們這樣就知道我的來龍去脈了
 |
| 那段不會寫程式又要寫 Java 的日子 |
(2) 這點我要講一下，其實如果你去看美國柏克萊大學的 2018 人工智慧導論課程
網路上找得到投影片可以下載，點這裡：
https://inst.eecs.berkeley.edu/~cs188/fa18/assets/archives/fa18_cs188_lectures_pptx.zip
像這個導論課程，著重在如何搭建決策的人工智慧，為什麼課程如此設計？
答案已經顯而易見了。
我也是剛好有幸在美國的時間，做了第一手的學習，我的主力是放在前兩條線
所以這方面當初主要就只有上課學習而已，工作才開始實際使用
 |
| 蠻推薦可以抓來看看，前面文中有連結 |
其實在美國那段時間，我最大的感悟就是「學以致用」
就是我才明白，理論能拿來實際應用的關鍵，並不是理論，而是理論產生的過程。
真正的關鍵是「黑科技」，而我想走的就是能實用的東西。
又剛好我是在碩士期間拿一個學期去美國，所以回來之後我還要上課。
有一次我就和台大財金所的教授何憲章老師懇談，因為我上過他的投資學。
他其實給我的是更高格局的答案：去美國唸工業工程或財務工程的 PhD。
他說我弄髒手，固然可以做，但是在台灣起跳點不高，應該往世界格局去。
但是 只有我自己知道我自己的性格，其實我還是偏向文組。
交易、數學當然我實力爆幹強也有自信，但我覺得我的熱情永動機是在思考、哲學方面。
所以其實我很針扎，也就在那段時間，我認識現在的合夥人，而有了目前的公司。
 |
| 之前參加活動，朋友請我做一點自介 |
可能講偏了，我就是想講一些話而已。
沒有留言:
張貼留言