從大學差點畢不了業到電腦視覺的博士後，又發現自己不適合做科學家/工程師而走進了新創的心路歷程

講者：Chen-Ping Yu, 余正平｜Founder, CTO @ Phiar Technologies, Inc. (Phiar)

前言：

正平在大學早期因為沒有很明確的目標而迷失了好一正子，造成底子沒有打好； 但是後來對電腦視覺開始有興趣，才發現背後需要很多的硬功夫：統計、概率、多變數微積分、空間的概念、線性代數、三角函數、建模、隨機過程、數值優化、圖模/論等等，其實都跟 Data Scientist 所需要的背景滿像的。

正平希望經由其掙扎往上爬的過程可以跟 Data Science 這個領域做一些連結及討論，還有分享從新創經驗裡所學到的一些在 Data Science / Technology 相關的職業裡要如何成長，又有哪些不同的道路跟各所需要的能力。

活動主辦單位： Taiwan Data Science Meetup 台灣資料科學社群

大綱：

一、講者介紹 (Introduction)

二、RIT

三、Penn State

四、Stony Brook

五、CV

六、Harvard

七、Phiar

八、結語

九、Q&A

一、講者介紹 (Introduction)

講者：余正平

余正平是 Phiar 的創始人兼首席技術長，Phiar (www.phiar.net) 是位於美國矽谷的一家新創公司 (YC S18)，開發用 AI 來驅動的 AR 汽車導航平台。

在 Phiar 之前，他在哈佛大學的視覺科學實驗室做博士後研究，專注於研究 Neuro-inspired Deep Learning。正平從紐約州立石溪大學獲得 Computer Vision & Machine Learning 的博士學位，並在賓州州立大學取得 Computer Vision 的碩士；曾是美國 NSF summer fellow，獲得了多項相關的學術獎項, 包括發表了15篇以上的學術論文在頂級會議及期刊，例如 ICCV, ECCV, ACCV, BMVC, NeurIPS, PNAS, Journal of Vision, Journal of Neurophysiology, Psychological Science.

學/經歷

• BS, MS #1: Rochester Institute of Technology (NY, 2000–2008)
  - Computer Science, computer vision
• MS #2: Penn State University (PA, 2008–2010)
  - Computer vision, medical imaging
• Ph.D.: Stony Brook University (NY, 2011–2016)
  - Computer vision, machine learning, deep learning
• Postdoc: Harvard University (MA, 2016–2017)
  - Deep learning, neuroscience, cognitive science
• Founder, CEO (2017–2021) , CTO (2021 — ) : Phiar (YC S18)
  - AI powered AR navigation

二、RIT

RIT

高中 - 大學

正平在 14 歲時來到美國，在台灣也經歷過補習班文化的薰陶，到了美國後，高中是就讀寄宿學校，少了家人以及氛圍的約束，投入更多心力於課業之外，也反映在了成績之上，但還是進入了 RIT 就讀 CS，是一所理工為主的學校。

此時，正平其實對於未來有點茫然，CS 的出路主要就是軟體工程師，當時就覺得學校成績似乎也不是那麼重要，也就沒有專注於學業之上。

在 RIT 是 2 個人一間宿舍，先後兩位室友都因為 0 GPA 而被退學，正平也在學業上表現不佳，爾後被學校停學，後通過時間管理的課程重新得到回學校的機會。

但後續也因為沒有目標，學校規定可以在學期結束前 2 週都可以退課不計入GPA，當時正平就退掉許多可能不會通過的課程使得後續畢業年限也達到 6年。

但因為RIT屬於應用為主的學校，至少需要一個實習才能畢業，大二去了 U. Rochester Medical Center 擔任實習生，主要協助 coding。實驗室是研究阿茲海默症以及失智症的課題，希望可以提早發現、提早控制。當時需要透過一個無侵入的方法，讓可能的患者醫院走一圈，透過提問去檢視記憶力，希望可以去分析、檢測是否可能有患病，因此需要幫忙建立一個 VR 系統，減少人力，不用親自走一圈。

VR 系統

此次實習經驗，也讓正平發現CV、人類視覺實在是太有趣了，也慢慢因為熱情開始補足之前落下的理論知識，如AI、CV相關的課程。在大四、大五也產生了學術研究的念頭，後續也從RIT得到機會進入碩士班。

碩士

碩士時，透過對猴子腦部做研究，應用於視覺反饋，將猴子腦部切開，給予猴子看許多 motion 圖片，得到訊號的反饋而收集資料。之後使用模型去模擬其行為，其中用了 Mixture of Gaussian **** 方法，也是第一步認識到 CV 與統計模型的結合。

三、Penn State

文化衝擊

因為 RIT 不是研究型的學校，但因為要走學術，決定往研究型的學校申請，當時也是因為大學埋的坑困擾，最後只有 Penn State 給予機會，便前往就讀。

賓州大學是一個氣候很舒服的地方，但正平卻在這經歷了重大的文化衝擊。賓州大學有超過 200 個研究生，但美國人可能不超過 10 個，與過往的情況不太相同。

在 RIT 的碩士學習表現不錯，有增強了對自身的自信，但在 Penn State 發現身邊的人都是學霸，像是實驗室有一個學長是湖南人，來自清華大學，中國人數眾多，競爭激烈，像清華這些頂尖學校，基本上都必須是一省的前3、5名才能夠進入，對比於正平過往比較崎嶇的的大學生涯，讓正平也不禁思考，MIT、哈佛那邊又會有什麼怪物在那，也讓正平感覺應該更謙虛。

學術研究

2D Brain tumor Segmentation

在 Penn State，主要是做 2D 腦神經研究，對腦部從頭頂到下巴一層層做掃描，因為人腦基本上是左右對稱的，可以透過比較左右腦的相似程度去分析，如果相似度很高，那麼有腦瘤機率就不高，反之亦然。

那麼如何去比較兩邊的相似性就是主要要攻克的困難，也透過這個專案學習到了更多的相似度函數適用於不同場景，此專案 主要是透過 Wasserstein/Earth Mover’s Distance 去衡量。

2D Brain tumor Segmentation

再搭配上 Bayesian Model，融合 Prior Probability 的先驗知識(腦瘤在那一層發生的機率)以及觀察到的 Likelihood of Obeservations，也就是左右對稱的機率，去結合 modeling 解決這個問題。

在這個專案學到許多統計模型的應用，發現統計是多麼的重要，在當時深度學習尚未成熟的階段，CV 主要就是以統計為主軸。

四、Stony Brook

Stony Brook

正平會到 Stony Brook 也是有一些有插曲，當時在 Penn State 表現還不錯，因此比較有信心可以申請不錯的學校，但可能是因為大學成績還是所拖累，導致沒有上其他更心儀的學校。

但能到 Stony Brook 還是很不錯，因為是兩個由 2 位教授一起指導，其中一位是 CS 背景，另外一位則是心理學背景，因此兩方面都可以接觸到，也過得比較充實。

PhD 專案研究

Project 部分則是去做圖像分割，圖像分割其實很像是在做 cluster，但困難的點在於不知道有多少個 cluster，可以用 KMeans 去做，但這樣沒有多少創新，因此希望去做一個自動 cluster 的方法。

第一件事情就是把 image 處理成 Superpixels，先把類似的聚在一起，然後在比較這些 Superpixels ，如果相似程度高代表可能是相同的 cluster，就自動連結在一起，以完成圖片的自動分割，如下：

與其他 cluster 方法，也可以發現 PGP 方法是表現得比較好。

也是在此之後，才真正開始做深度學習的研究。

五、Computer Vision Summary

至此，對於 CV 資料的處理以及 CV 主要的目的以及方法都有全面且深刻的理解。

六、Harvard

轉折

由於在 Stony Brook 讀 PhD 時，對於 CV 有更深的熱情，便想繼續往學術前進，希望可以未來當一個教授，但學術背景可能還需要更進一步，因此，來到 Harvard 進行博士後研究。

在 Harvard 主要做得是將神經科學與深度學習做結合，將猴子的腦細胞結構、視覺區有多少細胞將這些資料作為輸入，去做 modeling。其中也會對輸入資料做一些前處理，因為腦細胞每個區域偵測得機制不太一樣。

本來以為會繼續做學術研究，直到在 Harvard 發現有許多資源，也常常會有名人來演講，但許多學術研究都是在追求 citation，正平發現這樣的追求不是其所期望的未來，希望可以更直接地對世界做出影響。

剛好與一些身邊做新創的朋友交流時，發現做產品似乎可以達到所想要的追求，可以從 paper 走出，進入到生活中，真正被大家使用。

另外，以現實層面的角度，postdoc 的薪水也不算太多，因此做出前往新創發展的決定也不會有太大的困難，只是這時身邊都是學界的人，沒有認識什麼業界的工程師，在一開始找共同創辦人就比較困難，因為需要業界熟練 coding 的人才可以使公司發展得更順利。

正平也在 Ph.D. 實習時，發現做工程 coding 可能不是他最擅長的，high-level 的思考才是其擅長的地方，因此在公司主要也是負責掌舵。

七、Phiar

困難

真正跳出來新創圈之後，發現難題非常多，找資金就是其中一個。為了找到資金，去參加許多會議認識許多投資人。馬雲之前分享被70多個投資人拒絕，這在新創圈其實是家常便飯，正平分享說自己層經也遭遇了300多個 No，被拒絕是常態。

後面很幸運地被 YCombinator 錄取，藉著其名頭得到更多的曝光機會，也最終募到 3M 的種子基金。

產品

Phiar’s Visual Mobility Platform

Phiar 開發用 AI 來驅動的 AR 汽車導航平台，因為過往遇到複雜的道路時，難以辨識導航到底是指哪一條路，發現是不是如果可以讓使用者直接”看到”需要前往的方向會更為方便，也因此產品所需要的核心技術就是 CV。

最早的時候是做在手機上，但因為考慮手機散熱問題，後續開發主要是在車內處理器上(擋風玻璃上也有)，這也面臨了一些挑戰，一般車子是只有一個相機、一個處理器，也針對這些處理，使開發出來的 AI 產品非常簡便，也是產品的特色。

除了最主要的導航功能之外，也有其他的開發功能，例如可以將廣告放入 AR 內，可以直接在路上看到廣告，也是一種新的商業模式。另外，像是找尋停車位也會與外部資料連接做更方便的服務。甚至與家人GPS資料連結，可以直接在 AR 上看到家人的指引方向。

未來是希望產品可以做在 AR 的眼鏡上。

八、結語

• Find your passion, be scrappy and relentless.
• Don’t be afraid to try something completely new.
• Get exposure to more projects, to learn different applications with different methods.
• Evaluate yourself to find what you are good at, and focus on optimizing your strengths.

九、Q&A

Q1：請問您最後沒有選擇腦醫學影像的領域，是不是不看好生醫資訊未來的發展呢?

• 非常好的問題，這邊提到我為什麼離開 Penn State，研究一陣子，發現不太喜歡腦瘤相關的研究，看到腦瘤圖片多到我都覺得我要得腦瘤了，因此萌生了想要轉換跑道的想法，但當時的指導教授只有這個計畫有經費，因此才決定離開。

Q2：有可能把 Phiar 的東西做在擋風玻璃上嗎?

• 有，但可見度很小，因為人的視角只有這麼寬，旁邊的延伸應用會看不到。因此是硬體上的限制，軟體部分則沒有問題。

Q3：Are you worried about the technology becoming obsolete once self-driving is out? How would you pivot?

• 非常好的問題，投資人也會問，有幾個層面，自動駕駛車不會是一次全面提換，而是一層一層演進，而且成本應該會很高，所以有許多人還是會先買車。另外如果是自動駕駛的狀況下，乘客也會更想知道附近有什麼， 使用者內部體驗就很重要了，我們就有做這部分的應用，所以其實可以跟自動駕駛共同成長。

Q4：請問可以介紹一下 Phiar 的員工人數和工作氣氛嗎？

• 大約 20 人，台灣工程師的品質很好，又離亞洲的合作夥伴很近，所以後續有可能會在台灣成立一個團隊。

Q5：想問您現在回頭看，覺得把博士學位念完值得嗎？

• 最大的訓練是問題解決能力，特別在有deadline壓力下， 因為頂尖會議都有deadline，如何去做優先順序的調配，才可以順利發表足夠論文且畢業。
• 問題解決力關聯很廣，這個能力不論在業界/新創都有許多幫助，博士做研究常常會遇到很難解決的問題，我們會嘗試非常多不同的方式，新創也是，車廠看我們團隊只有 20 人，我們就會找不同的人去溝通嘗試，過程中的經驗讓我們發現，我以為我們很幸運，但透過努力去嘗試不同的方法去解決問題才是關鍵。

Q6：能否多分享當初如何找共同創辦人或找到各種創業資源？

• 找合適的共同創辦人非常難，當跟一個人是朋友，但沒有一起工作過，感覺是很不一樣的，盡量要找一起工作過的。
• 我當時都在學界，共創是大學同學與實習的一個同事，他們都是我的朋友，但沒有一起工作過，所以有遇到一些摩擦，都是一些學習的經驗。
• 找資源的時候，對投資人來說，每天有許多公司要看，只能從paper看，一開始就是看你的背景，當時也主打團隊中哥倫比亞學歷、哈佛學歷，但也只能到meeting機會，因為投資人都不想當第一個投資的人，所以一開始真的很困難，也是透過不斷努力把握每一次機會。

Q7：請問以您自身經驗，博士研究的經驗對於您後來做新創公司有什麼樣意外的幫助嗎？

• 博士研究的經驗沒有直接的幫助，但因為我們的產品跟我的研究有相關，所以我對於產品以及背後的技術理解更深刻。
• 博士經歷其實不算是一個幫助，因為會有刻板印象，會覺得學術圈的人可能比較不懂商業、交際，當時也有點想要打破這方面迷思的想法。

筆手： Aaron Yang
校稿： 余正平
👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！