靈魂伴侶此生唯一──《如果這樣，會怎樣？》

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

隨機性，在許多領域都扮演了不可或缺的角色。例如電腦信息的加密，還有模擬複雜物理系統等技術，都需要用到巨量的亂數資料。不過，這些隨機是怎麼來的呢？

當電腦計算 1+1 是多少時，它可以遵從既定的程序算出正確答案；但如果叫電腦隨便給你一個數字，它肯定不知道該怎麼辦。畢竟電腦不像人，可以隨便「想到」一個數字。電腦只能根據你的命令，算出你要的結果。

要得到「真正的隨機」並不如想像中簡單。當我們到廟裡擲筊，或是玩桌遊時丟骰子，得到的結果看似沒有規律，但其實不然。它們可以用簡單的電腦計算來預測，像是丟硬幣的結果，便早已被研究透徹。只要對初始條件有足夠良好的掌握（像是丟出的速度與角度等等），這類物品的行為都能用兩百年前確立的力學定律來精準預測，因此稱不上是「真正」的隨機；另外一個缺點在於，這類方法產生隨機結果的速度實在太慢，跟不上現代社會對於隨機資料的龐大需求。

至於使用電腦計算的結果呢？常見像是串流平台的隨機播放功能，以及粉專抽獎會用的亂數產生器，它們所呈現的隨機是演算法算出來的。隨機播放功能利用特殊的演算法，排列出一個讓你聽起來很隨興的歌單；一般的電腦亂數，只是將特定的「種子」數字丟進一個超複雜的算式，算出成串毫無規律的數字。這些方法雖然快速又實用，但終究是可以預期的。當亂數數量夠多時，往往可以發現某些規律；而可被預期的亂數若是用於加密或認證，便會成為駭客眼中的肥羊。

由量子世界尋求真正的隨機！

既然手邊的物品和電腦都不管用，科學家於是轉向微觀的量子世界。量子物理對世界的描述本身就是機率性的，因此物理學家可以從實際測量結果中汲取「正港的」隨機亂數。像是物質的放射性衰變或電路中的雜訊，都是常見的選項。這類過程雖然可以確保隨機性，但效率還是稍嫌太差，相關的實驗架設也相當費工。

不過就在今年二月，研究人員利用半導體雷射技術，打造出有史以來最快的亂數產生器：每秒 250 TB 的隨機位元，比先前的紀錄高出一百多倍。

雷射的產生牽涉到原子內的「電子躍遷」。在一般狀態下，大部分原子中的電子會按照高中化學課本中提到的「電子軌域」排列，這種排列方式稱為「基態」，代表原子中的所有電子，都處在最低能量狀態。

在原子接收一定的能量後，會有部分電子跳入高能量的軌域中，變成「激發態」，這時原子內的電子組態不穩定，電子會跳回低能量軌域中回到「基態」，並以光（輻射）的形式放出能量。

而這些跳回的電子，如果都從同一個激發態回到基態，就會釋放出特定「頻率」與「能量大小」的光，以愛因斯坦的說法，從相同的激發態回到基態，會得到固定的「光子」，這是舊量子論的重要發現之一。提供原子特定的能量，讓原子放出光子，就可以激發出雷射。

利用電子躍遷的隨機性

但這件事情跟隨機性有什麼關係呢？電子躍遷本身就是具有隨機性的。

要激發雷射，其實事情並沒有那麼簡單，需要克服這個機率性。讓我們回頭看上面的敘述，「『大部分』原子中的電子會按照……」、「在原子接收一定的能量後，『有部分』電子跳入高能量的軌域中」，這些「大部分」、「有部分」，使得我們就算給原子固定能量，也未必能平穩釋放出特定光子，讓雷射光的強弱不穩定，也不會朝同方向射出。

因此雷射技術的重點之一，就是「光學共振腔」，將激發光子的物質放在共振腔中，放出的光子會在共振腔中來回游走，再次激發原子放出更多的光子，來增強雷射強度，並讓雷射光往特定方向射出。

但是，「光學共振腔」強化雷射強度以及方向，但實際上雷射光的強度，仍然是由量子力學的隨機性所決定！如果我們能用感光元件捕捉雷射光線起伏不定的強度，再轉換為數位訊號，就能獲取珍貴且無法破解的隨機亂數。

蝴蝶結狀「光學共振腔」

這種想法雖有十幾年的歷史，不過由於技術上的限制，產率一直相當有限。而且一般方形共振腔產生的雷射，容易讓光強度陷入特定的規律，產生的隨機性也較低。為了解決這個問題，研究人員將共振腔的形狀改良為蝴蝶結狀。如此一來，在其中反彈的雷射光便能保有其當初紊亂的特性，且往特定方向射出。

隨機的雷射光源被 254 像素的高速攝影機拍下，每個像素受到的光強度也被證實為相互獨立，因此成就了 254 條同步生產線，一同產出隨機亂數，使效率遠遠勝過以往一次只能記錄一個像素的做法，創下每秒 250 TB 的紀錄。

現今電腦運作的時間尺度最快不超過幾 GHz，因此這次的 250 THz 創舉難以發揮全部的實力。如果犧牲一些效率，用較簡單的偵測裝置來取代高速攝影機，可以讓整個裝置變得更加輕巧，提升實用性。在不久的將來，史上最速的亂數產生機制，或許可以直接容納於單一晶片之上。

參考資料：

• Kim, K., Bittner, S., Zeng, Y., Guazzotti, S., Hess, O., Wang, Q. J., & Cao, H. (2021). Massively parallel ultrafast random bit generation with a chip-scale laser. Science, 371(6532), 948-952.
• https://www.nature.com/articles/d41586-021-00562-6
• https://cointelegraph.com/news/lack-of-randomness-why-hackers-love-it

民進黨初選民調，其五個執行單位的結果一致且相近，是否值得懷疑？

關於這個問題，民進黨的官方答覆是：「此次總統初選民調方式，各執行單位的成功樣本高達 3200 份以上（95％信心水準下，抽樣誤差為正負1.7%），且為本黨民調中心抽樣提供給五家民調單位同時訪問，在相同的抽樣架構、相同的問卷題目、相同的訪問原則、相同的訪員訓練，相同的加權方式之下執行。有相近的民調結果才顯見此次總統初選民調的品質值得信賴，如果五家單位的民調結果差異過大，那才是值得擔憂的事。」

這個答覆令人滿意嗎？

民調得出接近的結果，究竟是否有「異常」？先從假設談起

五個單位關於蔡英文支持度的結果分別為：36.5721%、36.1190%、36.6532%、34.5323%、35.5072%，其平均數為 35.6768%。五單位的結果偏離平均數最大值為 1.1445%，這個值比 95％ 信心水準下的抽樣誤差正負 1.7% 要小很多。

按照民進黨的說法，似乎各單位民調結果越相近，民調的品質越值得信賴，真的是這樣嗎？五個單位的結果距離其平均數不超過 1.1445% 的機率是多少？如果這個機率甚小，難道我們不應該擔憂？

要探討這個問題，必須要做一些假設，以下的假設其實不盡成立，但本文的目的並不在於檢定這些假設的真假，而是在於利用統計學「抽樣分佈」（sampling distribution）的概念來看在「正常」狀態下，五個重複樣本結果相近的程度是否有「異常」的跡象。做這些假設只是為了要提供一個「正常狀態」的框架而已。

假設一：各民調單位的樣本是同一母體的的隨機樣本，其樣本數同為 N=3200。

這個假設除了樣本數外，會有很多爭議。

第一、所謂母體是指甚麼？全體合格選民？當然不是。

民進黨所從以抽樣的母體其實有兩個：市話號碼和手機號碼。這是兩個不一樣的母體，而且不論分別開來或合併起來，都不能反映全體合格選民。

第二、各單位的樣本是市話加手機混合母體的隨機樣本嗎？當然不是。

根據民進黨的計算，市話被抽中的機率是 0.19%，手機被抽中的機率是 0.05%。既然市話跟手機被抽中的機率不一樣，各單位的混合樣本就不是混合母體的隨機樣本，更不是全體選民的隨機樣本。

如果民進黨能把市話樣本和手機樣本分別開來，則市話樣本可以說是市話母體的隨機樣本，手機樣本可以說是手機母體的隨機樣本。但因為民進黨只公布每單位市話和手機混合樣本的資料，這裡的假設只是純粹正常狀態的假設。

假設二：支持度的母體參數值（π）可以用各單位樣本支持度（Ｐ）的平均數來估計。

本來在同一母體重複抽取足夠多的隨機樣本時，樣本的平均支持度會是母體真正支持度的不偏估計。但如果這些重複樣本不是隨機樣本，則這個假設不必然成立。另外，五個重複樣本並不能算「足夠多」，所以這個假設也只是純粹假設。

假設三、各樣本對人口變數的加權對結果的影響可以忽略。

這個假設通常是可以接受的，但因為民進黨未公布未加權的結果，加權究竟影響有多大也無從得知。

根據這些假設，得到此結果的機率是……？

根據假設一，應用中央極限定理（CLT）可以導出樣本支持度 P 的「抽樣分佈」是常態分佈：

P~N(π，π(1-π)/N)

其期望值π 是母體支持度，變異量是 π(1-π)/N。值得注意的是：變異量是 π(1-π) 的函數，因為 π 增加時 1-π 減少，π 減小時 1-π 增加，這個分佈的「胖」、「瘦」對 π 並不敏感。因為這樣，以下機率的計算與母體支持度大小的關係不大，關係較大的是五樣本支持度相近的程度。

我們先分析蔡英文支持度的相近程度，再用同樣的方法分析賴清德、韓國瑜、柯文哲的支持度。根據上面的假設，蔡英文母體支持度參數值估計為π=0.356768，由此求出的變異量是 0.0000717139，標準差是 0.008468。所以：

P~N(0.356768，0.008468^2)

也就是平均數為 0.356768，標準差為 0.008468 的常態分佈。這個常態分佈就是上面所說的「正常狀態」，當足夠多的機構「在相同的抽樣架構、相同的問卷題目、相同的訪問原則、相同的訪員訓練，相同的加權方式之下執行」執行民調時，其所得到的樣本支持度理論上應該遵行這個常態分佈。我們要算五個單位結果那麼相近的機率必須要在這個常態分佈之下來算。

在這樣的常態分佈之下，每一樣本支持度距離 35.6768% 不超過 1.1445%，也就是落在 (34.5323%，36.8213%) 區間內的機率是 0.823463，這就是下圖曲線下藍色區域的面積。

如果要算五個民調的支持度同時落在此區間內，則其機率是 0.823463^5≈0.38。

這個機率是大是小呢？

一般所說的「信心區間」可以有兩個意義。 以支持度比例來說，教科書所說的信心區間是指樣本比例加減由樣本比例算出來的抽樣誤差估計值所得到的區間。但如果我們知道母體比例，則也可以把母體比例加減由母體比例算出來的抽樣誤差來建構信心區間。

這裡因為假設二，我們可以從第二種意義來看待「95%信心區間」：樣本支持度落在以母體支持度為中心的這個區間的機率為 0.95。如果我們有五個重複樣本，則這五個樣本的支持度全部落在「95%信心區間」之內的機率是 0.95^5≈0.77。

上面算出的 0.38 是在正常狀態之下，五個重複樣本支持度距離母體支持度不超過 1.1445% 的機率。

現在民進黨五個執行單位得到的蔡英文支持度均在此區間之內，因此有 0.38 機率發生的事件發生了，這樣奇怪嗎？如果摸彩中獎的機率約 0.40，而你中獎了，你會覺得有人作弊讓你中獎嗎？我想多數人不會覺得這樣中獎有什麼好奇怪的。

這機率可以看做是統計檢定的 p值，也就是數據與假設相諧的程度。0.38 比 0.77小，但它並未小到讓我們得出數據與假設不相諧的結論。

當然，就如統計檢定 p>0.05 並不代表虛無假設為真一樣，它也不足以讓我們做出假設一至三為真的結論。（請參考拙作〈看電影學統計：ｐ值的陷阱〉）

用同樣的方法分析各單位測得的賴清德、韓國瑜、柯文哲對比支持度，都可以得到類似的結果。五個重複樣本的支持度落在實際發生區間內的機率為：0.30（賴清德）、0.60（韓國瑜對比蔡柯）、0.58（韓國瑜對比賴柯）、0.49（柯文哲對比蔡韓）、0.40（柯文哲對比賴韓）。這些機率均未小到令人起疑的地步。

統計上，差異過大或差異過小都可能有問題

民進黨說「有相近的民調結果才顯見此次總統初選民調的品質值得信賴，如果五家單位的民調結果差異過大，那才是值得擔憂的事。」其實是不對的。差異過大固然值得擔憂，太過相近也是問題。

比如我們把五單位的蔡英文支持度偏離其平均數的最大值減半至 0.5723%，則母體支持度加減 0.5723%的區間便縮小為下圖藍色區域。單一樣本的支持度落在此區間內的機率大約是 0.5，五個樣本支持度全部落在此區間內的機率只有 0.5^5≈0.03。這樣小的機率只能讓我們得到數據與假設不相諧的結論。

民進黨應該解釋的是五單位民調的結果並沒有相近到不可思議的地步，而不是說相異過大才值得擔憂。民調太相近或太相異都是品質可能有問題的跡象。

後記

本文完成後，看到ptt上有高手（raiderho）更早就用模擬的方法得到五單位民調相近程度並非小機率事件的結論。該文雖然用的是模擬的方法，卻能以對比民調中四個比例（蔡／賴、韓、柯、未表態）的聯合常態分佈為基礎來計算機率，可以補本文只用邊際分佈計算機率之不足。

請參考：

• Raiderho（冷顏冷雨）：〈綠營初選民調分析１〉、〈綠營初選民調分析2〉

本文轉載自作者部落格，原文標題：民進黨初選民調的「抽樣分佈」