Restaurant City and Operation Research

前一陣子在朋友邀請下玩了 Facebook 上的 Restaurant City 這個遊戲，發現這簡直是個 operation research 的教材，當真是寓教於樂的經典範例。

這個遊戲該怎麼玩，可以參考網路上眾多的攻略，比方說這個，但這不是這篇介紹的重點。這篇要說的是這個遊戲是為什麼富有教育意義。

基本上，餐廳的擺設、人力配置和菜色，直接的決定了玩家升級的速度，而遊戲的進行基本上是一個 simulation of operation 的過程：街上的客人會隨機的選擇進入餐廳（機率可能受到餐廳評價的影響），進入餐廳之後，在一個「等待時間」內，如果能完成上菜的動作，則評價會上升，否則評價就下降。而「等待時間」可以透過很多設計來延長，例如：加入「等待區」，放置遊樂設施，延長入座距離等等；而完成上菜的時間則是透過人力配置來調整。

這個模擬的過程，其實跟一般做流程控制，模擬交通跟生產線的方法是一樣的。我們先觀察並紀錄所要最佳化的的系統（比方說交通的流量，工廠的訂單、生產過程跟出貨流程，物流的每個節點等等），然後找出系統中每個事件的參數（比如說每個路段每分鐘通過的車輛數，或是工廠每個月收到訂單的數量跟規格等等），然後在電腦裡建立系統的模型，進行數值模擬，等確認模型跟真實系統有相當程度的相似之後，再進一步分析如何透過改變系統的設計來得到想要的結果（比方說減少車輛擁塞的時間，最大化工廠的產能，或是在這個遊戲裡提高餐廳的評價跟收入）。

當然，這個餐廳經營遊戲的目的並非訓練玩家做系統分析，而系統分析做得好也不見得遊戲就可以得高分。根據攻略跟其他人的經驗，是要讓餐廳不間斷的營業，一直連線著升級最快，嚴格說來是個挺花時間的遊戲。不過這也真是個不錯的練習就是了，或許可以用來當作 operation research 教學軟體的雛型，讓學習者透過觀察和實驗找出系統的參數設定，或許還可以投 GDC 的 serious game session 呢。

[新書] The Neuro Revolution

最近的新書，The Neuro Revolution，談的是「腦科學正如何改變這個世界」。作者回顧了近年來神經科學的研究以及應用，並且揚言「神經革命」將是繼「農業革命」、「工業革命」與「資訊革命」之後，人類文明的另一個大突破。

這本書的網站上有長約 15 分鐘的電視專訪，Tech Nation 上週也有訪問的 podcast，很遺憾都是英文的，有興趣的可以參考。

我是還沒機會看這本書，不過因為自己目前也算是吃這行飯的，所以簡單介紹一下好了。

這幾年神經科學領域投入了相當大量的研究人才跟經費，也累積了相當多新的知識，像是「讀心術」、「影響人的決策」等等過去認為是「神通」的能力，現在雖然還做不到，但也已經不是毫無頭緒、遙不可及。

像是「快樂藥」、「聰明藥」、「後悔藥」這些「仙藥」，目前技術尚未成熟，但是即使做出來了，後續也會引發許多的道德爭議，不見得就可以合法販售。屆時深怕孩子「輸在起跑點」的亞洲父母，不知道又會做出什麼樣的因應？

一些將神經科學應用在行銷、財務工程和競選的嘗試，已經悄悄的在進行，等應用全面成熟，那可能掀起的不僅僅是技術上的革新而已。

這本書算是將目前神經科學的進展，以及在各領域的應用，整理成給一般大眾閱讀材料，有興趣更進一步瞭解的，可以看 Amazon.com 上的專業及讀者評論。

PhD Comics

這是最近幾年來在學術研究圈子裡火紅的玩意兒，Piled Higher and Deeper (PhD Comics)。作者 Jorge Cham 是 Stanford 的工程博士，畢業後到 Cal-tech 當博士後研究員。他在研究生的時期開始畫漫畫，沒想到真的讓他名揚國際的是他的自娛娛人之作。自 2005 年起，他受邀到全球 80 多所大學進行演講，這個漫畫受歡迎的程度可見一斑。

除了巡迴世界演講之外，Jorge 今年三月還上了 Science，介紹他的作品，以及職業從學者轉變為漫畫家的心路歷程。

事實上 Jorge 的作品不是學術界內的人（包括研究生跟學者）是不太容易看懂好笑在哪裡的，因此他的成功事實上也表示「學術研究」已經變成一個相當龐大的產業。

如果你 follow 這個漫畫，你會發現這個產業跟一般的公司行號並沒有太大的區別：一樣的上司/下屬關係，一樣的要到處招攬生意（寫企劃書爭取研究經費），一樣有業績的壓力（時間到了要有研究成果），唯一的不同是業績的評定方式：學術成就的評判標準比較複雜一點，但是在美國要當上終身職教授，「累計申請到的研究經費」其實也是重要指標，就像要成為「超級業務員」一樣。

另一方面，這個產業的壯大，表示全世界的博士人數越來越多，這就跟「18分上大學」一樣，不盡然代表「人類文明素質的提昇」。事實上這個產業供需失恆的現象已經慢慢浮現，即便是歐洲的富裕國家，也有許多人拿到博士學位、做了四年博士後研究，然後再也無處可去（法國尤其嚴重）。如果是學工程的，放下身段進業界重來，還有一條生路，但至少我看到過去十年高唱生技產業的美好前景下，培訓出過量的生物學博士，很多現在都處於失業的狀態。

台灣相較於歐洲，明顯的沒有民間的純學術研究機構可以吸納相關的研發能量，而政府已經債台高築，更不可能無限制的讓公營研發單位續擴編，所以因為不知道要做什麼而繼續追求學歷的人，最好要利用這段緩衝期想清楚自己未來的目標，因為世界實在變化得太快了。

CCA09

這應該是一個月前的新聞了，上個月初寫了一篇 CCA09 投票的介紹，投票結果在 7/24 就公佈了，這裡有官方新聞稿跟頒獎典禮的剪影。


今年的兩個大贏家分別是 PortableApps.com 跟 OpenOffice.Org，分別拿括了總計 12 個獎項中的四個和三個（典禮主持人說的，但是新聞稿裡 OpenOffice 只拿到一項）。

PortableApps.com 拿到的四個獎項分別是：「最佳商業開源專案」、「最佳開源專案」、「最佳視覺設計」跟「最可能改變你做一切事情的方式」，看來是個極具影響力的軟體。實際上這個專案已經做了四年以上，期間內該公司不斷地推廣這個概念，事實上我也是收到該公司的通知才知道 CCA 的投票的。

我自己是在 2006 年開使用的（請見很久以前的一篇），當時容量 1G、讀取速度 20m/s 以上的隨身碟慢慢開始普及，「在隨身碟上執行軟體」變得比較可行，加上很多人在工作時常常更換所使用的電腦，「把個人資料跟軟體設定帶著走」其實是個不錯的解決方案。

後來很多隨身碟的公司都有附贈類似的軟體，像是 sandisk 搭配的 U3。不過這類軟體有個局限性：非跨平台，因此這一年多來我幾乎沒有使用它的機會（公司用的是 Linux 作業系統）。無論如何，這類軟體抓到了一個使用者重要需求：「可攜性」。目前雖然我不能把軟體帶著走，但是我可以把 firefox profile 指定到隨身碟上，工作目錄透過 subversion 同步，基本上還是維持一個可攜的工作環境。

事實上，現在幾個大公司在推廣的 cloud computing（台灣翻譯成「雲端計算」），是實現「可攜性」的另一種解決方案：使用者把資料跟軟體都放在遠端不知道在哪裡的電腦上，只要透過網路登入，就可以使用已經慣用的軟體跟個人化的設定。不過「雲端」的成功與否相當仰賴網路連線的速度，因此在寬頻網路連線跟電線水管一樣普及之前，建立在隨身碟上可攜性還是有相當大的優勢的。

OpenOffice.org，我想就不用多做介紹了，這兩年來我幾乎經不再用 Microsoft Office（但還是裝了，以免同事寄來 .docx/.pptx 檔案），光用 Open Office 其實也過得很好。這兩年來歐洲、中南美及美國政府都陸續在推動公家機關使用 Open Office，相信微軟近期內也勢必要做出策略性的改變來因應。

比較讓我覺得興奮的，是這些開源專案不只是全世界工程師無私的奉獻，也有很多成功的商業案例，讓人有一種身在 "change, yes, we can!" 之中的感覺（或錯覺？）。

失敗學與學失敗

作者按：有鑑於幾位善心的朋友誤解了我的意思，好意的關切了小弟的近況，在感謝各位的關心之餘，我想這篇還是重寫好了，以期能更清楚的表達我的意思。

前幾天看到一個專訪，受訪者提到：「成功」這兩字，對任何一個人來講，就是你做到了；相對於失敗，就是沒做到。對於年輕人來說，不可能所有事情都做到，也不可能什麼事都沒作到。

近來「失敗學」再度成為媒體的焦點，但往往講得是「如何從失敗中獲致成功」，我個人卻有一點不一樣的觀點。

我想不只是對年輕人，對所有人來說都是如此。我們想達成的目標通常很多，有的做到了，有的沒做到。如果沒做到想做的事情算是失敗，那麼除了極少數的幸運兒之外，大多數的芸芸眾生應該都蠻失敗的。

其實這件事情有兩個層面。第一個層面，是「人生不如意事十有八九」，事情即使再有把握，也總是會在不該出錯的地方出錯，導致失敗；另外一個層面是，當我們做到了某些事，通常就想要得更多，一直到做不到為止。由於以上兩個因素，人生通常就是一連串的失敗構成的。

如果考慮到以上兩點，其實失敗好像也不是什麼太糟糕的事情：事情沒做到，很可能來自於失誤，或是對自己能力與情勢的錯估。若是如此，事情沒做到，調整策略再試一次，或是乾脆改變目標，都是可行的行動方案，似乎不必過度放大每個失敗的意義，弄得自己倒地爬不起來。

然而，不知道為什麼，我們的文化裡似乎把「成」與「敗」的象徵意義放得很大，以至於大部分的人都很怕「不小心走錯一步」，因而在行事上總是採取最保守的策略，以降低事情沒做到的可能性。這樣的觀念造成的結果，就是很多人一輩子都不走出舒適圈，不願意接受新觀念，不願意嘗試新的可能性。

但是，其實「想要更多」的心態，是讓人向前進步的動力，對失敗的恐懼在讓我們降低失敗機率的同時，也阻礙了我們求新求變的動力。所以，我們才更應該有比較健康的心態去面對「失敗」這件事，這也是我之所以覺得除了瞭解「失敗學」，也要「學失敗」的原因。

即使所謂的「成功人士」，其實多少都還是有覺得 "life sucks" 的時候（雖然他們不見得會告訴你），差別只是在於個人如何走出這個低潮。最怕的是，把某次負面的回饋（或是所謂的「失敗」）擴張解釋成對整個人存在的否定，那就很難收拾了。

我在舊的版本裡提到自己的諸多失敗，其實只是想表達「成敗難以論定」這件事情而已。即便很多同事對我的學經歷感到羨慕，但客觀上比我「成功」的人大有人在，而且我那奇怪的學經歷在不知道何謂「認知科學」的人眼裡，簡直就是「胡搞」（在很多懂的人眼裡我想也是一樣亂來）。但對我自己來說，我只是單純的覺得：「人生只活一次，不如賭大一點」，目標在那裡，此路不通我就繞路，真的一點也算不上成功或失敗。

所以，我是真的覺得人應該要多學失敗，練到成功失敗都不在乎，練到跌倒爬起來再上就是了，那麼，人生真的會快活許多，也會比較有效率。

當初寫這篇只是想安慰一些沉溺在自己失敗的哀傷當中無法自拔的人，不料引來許多好朋友安慰我說「其實你沒有很失敗啦」，雖然是始料未及的，但依然感覺溫暖，多謝。

大腦裡的非線性動力

應該從哪裡說起呢？有這個想法其實已經很久了，要說明反而有點千頭萬緒的感覺。

之前在美國的時候，我蠻堅持一定要做 nonlinear dynamics，很多人不知道為什麼，以前的老闆也勸我「換個熱門的題目就會有獎學金了」，但是其實我並不是故意要難搞，而是有其他的目標。

這兩個禮拜所裡正好在辦 International Summer School in Biomedical Engineering，Brain Modeling 也是其中一個主題，剛好可以當作這件事情的註腳。

現在這應該算是熱門的主題了，有好幾個陣營從不同的角度來研究這個問題，不過短期內大概看不到什麼有實質應用的成果。話雖如此，相較起我還在念心理系的時候，現在這個領域可以說是欣欣向榮了。當時全世界好像只有少數機構在做這個，甚至我在某個考試的「自由發揮」題裡提到這樣的想法，得到的回應是個大叉叉，零分，跟一句「真的嗎」？（然後我就放棄心理學了 ^_^ ）


這個主題，主要是透過電腦模擬神經系統的運作，來理解人腦運做的方式，目前應該是分類在 Computational Neuroscience 內，因為是新興的跨領域學門，因此從不同背景出發的人就有不同的做法。

比方說，從事醫療影像、醫療工程的人，主要走的是 neural mass model 的路線：建立一個由神經元交互連結構成的複雜系統，然後用 EEG/MEG 的模擬資料來做比對，調整模型的參數。這個路線最終的目的，是希望能建置一個手術模擬系統：讓病患先做一些簡單的檢驗，然後建立出該病患的腦部神經結構，讓醫師可以在實際進行手術前可以事先做模擬與評估。

物理學家們採取的則是相當不同的策略，當然也是我比較熟悉的方法：這個複雜的神經模型是一個非線性系統，所以我們要找的是模型裡的 attractors 跟 equilibrium states，然後把這些特殊點對應到「心理狀態」上。幾個月前到所裡來演講的 Mikhail Rabnovich 可以算是代表人物之一，他的著作清單跟我以前做的東西其實有很大的同質性，只是分析的系統不同。

有趣的是，以上兩種取向，前蘇聯在冷戰期間都曾投入大量的資源從事研究，所裡的一位同事取笑說：「其實大家只要學好俄文，然後把三十年前的論文翻成英文來出版就可以了」。


無論是跟測量訊號比對，還是直接詮釋成高階的認知功能，用模型從事研究其實有一個共同的困難點：怎麼證明你的模型是對的？

Dynamic causal modelling (DCM) 也是目前炙手可熱的工具，基本上是用 Bayesian inference 與儀器資料結合，來做模型的選擇。

例如，我們透過儀器觀測到一組腦電波的資料，然後我們有好幾種可能的神經模型，這些模型也都可以模擬出儀器資料，然後透過 Bayesian inference，可以選出「最有可能」的模型以及參數。

DCM 在理論上當漂亮，可以選擇的模型空間是無限大，但是實際應用上，同類模型不同參數的選擇很容易，要把不同種類模型放在一起進行 Bayesian estimation，在數學上是得要花很大的功夫的。


這篇只是想對這個領域做個簡介，所以細節部份就不說了。簡單的總結，neural mass model 是用 bottom-up 的神經結構來推導模型，偏重的是生理學上的現象；而非線性物理模型是建立在已知的腦部結構與連結，意圖透過非線性動力的分析，直接來解釋心理現象，相較於 neural mass model 來說應該是 top-down approach。這兩者都有非線性動力的分析，但是解釋的現象相當不同，短期之內看來也還不會有交會。DCM 則是一套用觀測資料來選擇理論模型的方法架構，理論上可以選擇任何種類的模型，但是目前實作上僅僅是與 neural mass model 結合來調整參數。


人腦的確是相當複雜的構造，非線性動力看來也是必要的工具，不過我想我的努力應該要到此為止了。倒不是我覺得這個問題無法解決，或是不感興趣，而是這麼多年來，我看似很早就發現了一些趨勢，然後在保守的系統限制下繞了一大圈，但當我自問：「瞭解了又如何？」說真的，我沒有答案。

Life is short, don't waste time on things you don't like.

傲慢與偏見，以及殭屍？

這....真不知道這應該說是文學名著的同人小說，還是電玩遊戲的同人小說。 Pride and Prejudice and Zombies（中文介紹請由此去），把浪漫文學經典（Jane Austen 的傲慢與偏見）跟恐怖遊戲經典（惡靈古堡、生化危機）混搭在一起，今年二月出版後第一刷就賣了六萬本，已經在拍電影，還讓作者高價拿到下一本書的合約。

前面的連結裡有詳細的介紹，這裡就不多說廢話。網路小說很多都是以暢銷故事的背景來延伸書寫，不過這位作者 Seth Grahame-Smith 挑選了兩個八竿子打不著關係的故事來熔於一爐而冶之，也算是極富創意了。