【系友介紹】B96 林顯仲 系友
【專業領域】機器人運動控制最佳化
自2018年加入矽谷灣區先端技術研究所（FANUC Advanced Research Laboratory）至今，林顯仲很高興能夠發揮所學，做自己有興趣的工作。他提醒學弟妹，工業製造上尤其講究可靠度和穩定度，是贏得他人信任的重要關鍵。在研究方面，保持開放彈性的心態，不一定非要專研在某個方向，陷入只見樹不見林或是拿著槌子狂找釘子的景況，而是找到對的工具去解決對的問題和痛點。
《不侷限傳統的運動規劃》
取得柏克萊大學博士學位後，林顯仲加入FANUC，今年邁向第六年，研究實驗室主要做機器人相關產品，他個人的研究主要讓運動控制最佳化，因為不管是機器人或工廠自動化最在意的是效率，希望能提升產量、生產節拍更快，因此也是實驗室很重視的課題之一。為順應AI強大的趨勢，實驗室結合了AI先端科技提升電腦的視覺，強化機器人感測智能，做到不僅是傳統重複人的動作，而且不需要去教導機器人，只需透過它自己的感測器，即知道如何從視覺和聲音去判斷做哪些事，這也是研究室重視的課題之一。
實驗室離柏克萊大學的車程為半小時，林顯仲的工作內容包括跟學校的教授和學生一起合作，他在學生時代就在FANUC實習三個暑假，優秀的表現受到公司肯定，畢業後分發到公司，目前的工作即是review 學生現在做的研究。在百花齊放的現在，有些學生的研究相當新穎有趣，而且不只侷限在機械手臂，也有做機械狗，上次還聽到教授說，有學生在做目前學術界滿夯的人形機器人。因為AI的關係讓高自由度的人形運動控制，變得比以前更容易實現，這樣的題目在學術界有許多可以玩的地方，雖然離實際的工廠製造可能還有一段路要走。
雖然他目前主要做運動控制最佳化，卻不侷限在傳統的運動規劃，也會去參與其他的課題，討論和發想可以嘗試的方法。他很高興能在這實驗室有個小天地可以去試試做自己有興趣的東西。主管給予他很大的空間，發想自己的想法，主管也不會干涉太多，只會給他要朝哪個大方向的指導，中間的鋪路則由他自己去構建。FANUC因為是傳統的日本公司，聘用人的態度是把員工當家人，不像美國公司會任意資遣，所以不會一次招太多人，主要也是因為擔心經濟狀況難以預測，而採取較穩健的做法。他工作的部門常會接觸到學術界的活動，參與過後再內化其中的資訊，轉化成未來公司研發的方向和課題。實驗室的角色是直接對接日本公司總部，公司用一個小的團隊部門，比較少的人力去探索最新不同的領域和方向，嘗試最新的科技之後，再延伸給研發部門去執行。
《一直在學習的課題》
職場一路走來，林顯仲一直都在學習以下重要課題。
1.建立他人對你的信任
一件事情能否推動，各個部門能否一起動起來，是成敗的重要關鍵。雖然技術本身很重要，但要讓其他部門的人理解這個東西有價值，這也是林顯仲一直都在學習的課題。工作上尤其需要建立和其他部門的信任度，因為金錢買不到信任，只有透過時間的累積，讓他人覺得你是可靠的人，工作態度絕不能馬虎，更不能說得太滿，實際上卻做不到。工業製造的工作領域講究可靠度和穩定度，不像發表論文時很注重光鮮亮麗的表面功夫，如何讓人覺得你推出去的東西是可靠的，這一點十分重要。FANUC 推出的產品在市面上有一定的水準，即是基於它長年累積的可靠度和信賴感，雖然不是最便宜，但服務很到位，讓客戶很安心。
2.換位思考
在職場的團隊合作當中，每個問題的解法有很多種，也都可達到同樣目的，為什麼要挑你的方法，你除了提出數據的佐證，有時「人和」很重要，這也是林顯仲一直在學習的課題。這一種社會磨練到哪裡都會遇到，有時不能強硬的說這件事非得如此做，而是要透過他人角度，稍微理解對方的想法，換位思考去想，說出這個方法對他的好處讓他理解，在推動事情上相對也比較容易。
3. 保持開放彈性的心態
做研究不一定非要專研在某個方向，而陷入只見樹不見林的情況。也不要拿著槌子狂找釘子，而是要找對的工具去解決對的問題。這是他在學術研討會以及在學校的研究生容易陷入的狀況。以現在AI當紅的情況來來看，有些問題應該先了解要解決的是什麼，再去找尋最適合的工具來解決。工作需求和學校需求不同，學校需要更高深和新潮的一個理論或驗算法，工作上反而希望你的東西越簡單越好，也越不容易出錯。就好比一套武功看似愚拙，卻蘊藏著強大的力道。新潮fancy的東西也不是不好，端看它是否能解決痛點，如果硬要去套反而落入殺雞用牛刀，變成很奇怪的作法，有時他會看到這種事在學術界發生。即將剛畢業進到職場的學弟妹，盡量早點知道這一點比較好，遇到問題時，先去思考它的本質再去找尋適合解決的方法，而不是看到現在什麼方法很好，硬要套到問題上面，而且不會得到好的結果，甚至還會被質疑這個方法有這麼好嗎?
《謹慎善用AI工具》
林顯仲認為AI自1980年興起後，歷經許多起起伏伏，以後當然也會出現過熱的情況。AI確實改變工作上使用的情境，他因為常要跟日本人溝通，利用copilot 工具，即可將輸入的文字翻譯成很接近的正確日文，溝通也變得更簡單，減少了溝通障礙。雖然很多人說AI寫程式變得更簡單，生產力也提升，但你的想法會變得會更重要，還是要給AI下好的指令，如同在google 要快速搜尋資料，know how to下對的關鍵字很重要。
AI雖越來越進步，但並不是全都能套用，舉例來說，如何讓馬達轉起來，事實上用傳統的方法即可做得很好，因此有需要用大型模型與AI套用很多的GPU去轉一個馬達嗎? 這例子雖有些誇張，但有時會看到類似這種情況。現在AI的限制其實像人一樣，通用性很高但不一定精確，它可能會犯錯，尤其在工廠製造上很在意精確度，差之毫米可能失之千里，這時就不是最佳工具。AI或許在有些場景適合，但在追求精確度的事上就要小心使用AI，不要硬套一個很有力的工具在不對的事情上面，反而可能會凸顯出缺點，這是他在實習和工作上曾經歷過的問題。
從台大畢業多年，他看到B96的同學們畢業後在不同領域展現亮點，同學們互相幫忙引薦工作，同窗友誼的溫度不減當年。身為台灣人的他感到莫大光榮，台灣在很多地方發光發熱，有許多隱形冠軍令人刮目相看，人才濟濟優秀的程度不亞於外國。台灣對世界的影響力很大，如果沒有台灣這位功臣，現在的AI無法變得這麼強大。希望自己曾走過的工作經驗，能帶給年輕學子們一些幫助。
後記 :
2017年，林顯仲第一次接受專訪時仍就讀柏克萊大學博士班，如今他已蛻變為職場菁英，投入喜悅的熱情樂於其中，同時也是兩個孩子的好爸爸。他十分感謝賢內助，像是一個有強大力量的女超人，白天是忙碌的職業婦女，在他常要出差的日子裡，獨力單挑一打二照顧孩子，給予他莫大的後盾。
林顯仲 簡歷
學歷 : 台大機械系學士，美國柏克萊大學機械工程博士
現任 : FANUC 主任研究員
Email : hclin@berkeley.edu
照片說明
1. 與今年剛買的小老婆model Y合照
2. 兒子滿週歲，邀請親朋好友來家裡幫忙慶祝
3. 趁出差日本的空檔，與旅居日本的大學同學陳思詠一起參觀吉卜力美術館
4. 全家人與太太的家人們一起去北海道旅遊，背景為北海道神宮
5. 與朋友們到 金州勇士球場 看球，拿到Curry奧運奪冠紀念品
6. FANUC在IMTS展示會的合照
7. 先端研究所工作同仁們的合照
