提昇大數據可信度，統計學用機率和抽樣優化分析模型－專訪典通公司總經理楊雅惠

本文與 高柏科技 合作，泛科學企劃執行。

當我們談論能擊敗輝達（NVIDIA）、Google、微軟，甚至是 Meta 的存在，究竟是什麼？答案或許並非更強大的 AI，也不是更高速的晶片，而是你看不見、卻能瞬間讓伺服器崩潰的「熱」。

 2024 年底至 2025 年初，搭載 Blackwell 晶片的輝達伺服器接連遭遇過熱危機，傳聞 Meta、Google、微軟的訂單也因此受到影響。儘管輝達已經透過調整機櫃設計來解決問題，但這場「科技 vs. 熱」的對決，才剛剛開始。 

不僅僅是輝達，微軟甚至嘗試將伺服器完全埋入海水中，希望藉由洋流降溫；而更激進的做法，則是直接將伺服器浸泡在冷卻液中，來一場「浸沒式冷卻」的實驗。

但這些方法真的有效嗎？安全嗎？從大型數據中心到你手上的手機，散熱已經成為科技業最棘手的難題。本文將帶各位跟著全球散熱專家 高柏科技，一同看看如何用科學破解這場高溫危機！

運算=發熱？為何電腦必然會發熱？

這並非新問題，1961年物理學家蘭道爾在任職於IBM時，就提出了「蘭道爾原理」（Landauer Principle），他根據熱力學提出，當進行計算或訊息處理時，即便是理論上最有效率的電腦，還是會產生某些形式的能量損耗。因為在計算時只要有訊息流失，系統的熵就會上升，而隨著熵的增加，也會產生熱能。

換句話說，當計算是不可逆的時候，就像產品無法回收再利用，而是進到垃圾場燒掉一樣，會產生許多廢熱。

要解決問題，得用科學方法。在一個系統中，我們通常以「熱設計功耗」（TDP，Thermal Design Power）來衡量電子元件在正常運行條件下產生的熱量。一般來說，TDP 指的是一個處理器或晶片運作時可能會產生的最大熱量，通常以瓦特（W）為單位。也就是說，TDP 應該作為這個系統散熱的最低標準。每個廠商都會公布自家產品的 TDP，例如AMD的CPU 9950X，TDP是170W，GeForce RTX 5090則高達575W，伺服器用的晶片，則可能動輒千瓦以上。

散熱不僅是AI伺服器的問題，電動車、儲能設備、甚至低軌衛星，都需要高效散熱技術，這正是高柏科技的專長。

「導熱介面材料（TIM）」：提升散熱效率的關鍵角色

在電腦世界裡，散熱的關鍵就是把熱量「交給」導熱效率高的材料，而這個角色通常是金屬散熱片。但散熱並不是簡單地把金屬片貼在晶片上就能搞定。

現實中，晶片表面和散熱片之間並不會完美貼合，表面多少會有細微間隙，而這些縫隙如果藏了空氣，就會變成「隔熱層」，阻礙熱傳導。

為了解決這個問題，需要一種關鍵材料，導熱介面材料（TIM，Thermal Interface Material）。它的任務就是填補這些縫隙，讓熱可以更加順暢傳遞出去。可以把TIM想像成散熱高速公路的「匝道」，即使主線有再多車道，如果匝道堵住了，車流還是無法順利進入高速公路。同樣地，如果 TIM 的導熱效果不好，熱量就會卡在晶片與散熱片之間，導致散熱效率下降。

那麼，要怎麼提升 TIM 的效能呢？很直覺的做法是增加導熱金屬粉的比例。目前最常見且穩定的選擇是氧化鋅或氧化鋁，若要更高效的散熱材料，則有氮化鋁、六方氮化硼、立方氮化硼等更高級的選項。

典型的 TIM 是由兩個成分組成：高導熱粉末（如金屬或陶瓷粉末）與聚合物基質。大部分散熱膏的特點是流動性好，盡可能地貼合表面、填補縫隙。但也因為太「軟」了，受熱受力後容易向外「溢流」。或是造成基質和熱源過分接觸，高分子在高溫下發生熱裂解。這也是為什麼有些導熱膏使用一段時間後，會出現乾裂或表面變硬。

為了解決這個問題，高柏科技推出了凝膠狀的「導熱凝膠」，說是凝膠，但感覺起來更像黏土。保留了可塑性、但更有彈性、更像固體。因此不容易被擠壓成超薄，比較不會熱裂解、壽命也比較長。

OK，到這裡，「匝道」的問題解決了，接下來的問題是：這條散熱高速公路該怎麼設計？你會選擇氣冷、水冷，還是更先進的浸沒式散熱呢？

液冷與 3D VC 散熱技術：未來高效散熱方案解析

傳統的散熱方式是透過風扇帶動空氣經過散熱片來移除熱量，也就是所謂的「氣冷」。但單純的氣冷已經達到散熱效率的極限，因此現在的散熱技術有兩大發展方向。

其中一個方向是液冷，熱量在經過 TIM 後進入水冷頭，水冷頭內的不斷流動的液體能迅速帶走熱量。這種散熱方式效率好，且增加的體積不大。唯一需要注意的是，萬一元件損壞，可能會因為漏液而損害其他元件，且系統的成本較高。如果你對成本有顧慮，可以考慮另一種方案，「3D VC」。

3D VC 的原理很像是氣冷加液冷的結合。3D VC 顧名思義，就是把均溫板層層疊起來，變成3D結構。雖然均溫板長得也像是一塊金屬板，原理其實跟散熱片不太一樣。如果看英文原文的「Vapor Chamber」，直接翻譯是「蒸氣腔室」。

在均溫板中，會放入容易汽化的工作流體，當流體在熱源處吸收熱量後就會汽化，當熱量被帶走，汽化的流體會被冷卻成液體並回流。這種利用液體、氣體兩種不同狀態進行熱交換的方法，最大的特點是：導熱速度甚至比金屬的熱傳導還要更快、熱量的分配也更均勻，不會有熱都聚集在入口（熱源處）的情況，能更有效降溫。

整個 3DVC 的設計，是包含垂直的熱導管和水平均溫板的 3D 結構。熱導管和均溫板都是採用氣、液兩向轉換的方式傳遞熱量。導熱管是電梯，能快速把散熱工作帶到每一層。均溫板再接手將所有熱量消化掉。最後當空氣通過 3DVC，就能用最高的效率帶走熱量。3DVC 跟水冷最大的差異是，工作流體移動的過程經過設計，因此不用插電，成本僅有水冷的十分之一。但相對的，因為是被動式散熱，其散熱模組的體積相對水冷會更大。

從 TIM 到 3D VC，高柏科技一直致力於不斷創新，並多次獲得國際專利。為了進一步提升 3D VC 的散熱效率並縮小模組體積，高柏科技開發了6項專利技術，涵蓋系統設計、材料改良及結構技術等方面。經過設計強化後，均溫板不僅保有高導熱性，還增強了結構強度，顯著提升均溫速度及耐用性。

隨著散熱技術不斷進步，有人提出將整個晶片組或伺服器浸泡在冷卻液中的「浸沒式冷卻」技術，將主機板和零件完全泡在不導電的特殊液體中，許多冷卻液會選擇沸點較低的物質，因此就像均溫板一樣，可以透過汽化來吸收掉大量的熱，形成泡泡向上浮，達到快速散熱的效果。

然而，因為水會導電，因此替代方案之一是氟化物。雖然效率差了一些，但至少可以用。然而氟化物的生產或廢棄時，很容易產生全氟/多氟烷基物質 PFAS，這是一種永久污染物，會對環境產生長時間影響。目前各家廠商都還在試驗新的冷卻液，例如礦物油、其他油品，又或是在既有的液體中添加奈米碳管等特殊材質。

另外，把整個主機都泡在液體裡面的散熱邏輯也與原本的方式大相逕庭。如何重新設計液體對流的路線、如何讓氣泡可以順利上浮、甚至是研究氣泡的出現會不會影響元件壽命等等，都還需要時間來驗證。

高柏科技目前已將自家產品提供給各大廠商進行相容性驗證，相信很快就能推出更強大的散熱模組。

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。