我是讀理學院讀到博士學位的人，但是老實說，博士之後的工作，從擔任成大的研究員帶隊作海底測繪，到擔任教授教程式設計，再到業界開公司作影像辨識，都是工學院性質較重的工作。但是我發現我的理學院背景讓我的工科工作做得更好！更有效率！反而覺得純工學院背景的人比較死腦筋，常常浪費很多無謂的時間。

年輕時我是堅持不想讀工學院的！以我的認知，工學院會教你很多「解決問題的方法！」會的招數越多你可以解決的問題就越多，會的招式越複雜，你就能解決越困難的問題。這是不是很像惡補參加考聯考的過程？懂不懂問題本身或使用方法的原理無關緊要，能否答對題目才是重點。

相對的，理學院會著重的並不是「如何解決問題？」而是要研究問題的本身，希望知道「到底發生了甚麼事？」問題看清楚了就心滿意足地下課了！看起來好像不太實用？因為怎麼不繼續教到真的將問題解決呢？我讀理學院時確實有這種疑惑，但是當我很想找出具體解決方案時，老師們反而說我怪怪的！跟我說：「Remember! You are a scientist, not an engineer!」潑我冷水就對了！

我的直覺是：如果問題都沒看仔細，看清楚，亂套公式有可能會套錯，即使方法用對了，因為問題的細節掌握不夠好，參數無法直接往對的方向調整，就會變成Try and error(嘗試錯誤)的漫長工作了！所謂機器學習也不過就是將這些耗時費力的笨工作交給不會抱怨，但是耗電花錢的電腦去做而已。我是看不出這種AI研發主流技術的聰明之處？

合理的工作流程應該是：精確理解問題→組織最合用的方法流程→如果有錯，就分析錯誤原因→回饋修正方法，甚至重新分析問題。這其實就是傳統科學與科技的標準研究與做事方法。但是我到業界看到多數「研發」團隊都慢慢在偏離這種思維。

我看到很多陷入研發困境的團隊都是，一個問題試過很多方法，不斷更改參數仍然無解，他們多半不認為「物理」很重要，就是去看看問題的本質是甚麼？只是堅持在方法論之內「努力」工作！譬如昨天去討論評估一個以雙眼視覺為基礎的辨識專案，其中一個問題是：辨識區內距離較遠的辨識總是不夠準，參數怎麼調整，改善都有限。

我就說用雙眼視差決定距離本來就只適合近距離運作，你們如果只在方法論或軟體上努力，但是物理學上已經證明這是緣木求魚，這一定是浪費時間的！要是我，第一時間發現不準就該想其他解決方案了！不會左踹右踹花上很多時間的。我當場也提出我有一些演算法可以用上，也不需要雙眼視覺資料。

這類例子在我的工作經驗中真的層出不窮，俗話說「窮則變，變則通」這話沒錯！工學院的做事方式當然一樣終究可以解決問題，除非那真的是目前科技無解的難題。但是以我習慣分析問題，充分理解錯誤原因的理學院習慣，我「變」與「通」的速度效率就高很多，變通得更快更準！這也是我的研發速度看起來總是很快的主因，因為我很少做無謂的嘗試！原地打轉跑得再努力都不會前進的。