「捍衛最起碼的學術尊嚴和名譽」因論文造假案遭解聘之台大教授張正琪出面回應

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。

台灣被稱為「洗腎王國」，目前大約有 9 萬 7 千名洗腎人口，盛行率高居全球第一。但你有沒有想過：洗腎機代替腎臟工作了幾十年，卻從來沒有把任何一顆腎「修好」過。面對腎衰竭，多數人只能在「一週三次洗腰子」和「排隊好幾年等換腎」之間二選一。難道沒有第三條路嗎？這一次，就讓挺健康鄭丁靚醫師帶我們一起了解，台灣大學團隊如何站上亞洲先發，利用一顆比「花生米」還小的組織，試圖完成讓壞掉的腎自己「長回來」的醫學創舉。

為什麼腎臟壞了就回不去？

要搞懂這項新技術，得先知道腎臟為什麼這麼脆弱。腎臟負責過濾血液的基本單位叫做「腎元」，兩顆腎臟加起來大約有快兩百萬個。你可以把它想像成一間擁有兩百萬名員工的濾水工廠，這批員工在你出生前就已經全數到職，而且「遇缺不補」。這跟切掉七成還能長回來的肝臟完全不同，腎元只要死了一個就少一個，永遠不會再生。

很多人直到腎功能掉了一半都毫無感覺，是因為這間工廠特別會「硬撐」。當一批員工倒下，剩下的就會自動補位，一個人當兩個人用，醫學上稱為「代償」。短期內這招非常有效，讓你完全沒有症狀；但長期下來，無異於慢性自殺——過勞的員工加速陣亡，剩下的班加得更兇，形成惡性循環。當健檢報告上的 eGFR（腎絲球過濾率）開始往下掉時，通常已經是崩塌的中後段了。

值得注意的是，慢性腎病雖然女生較多，但真正走到「非洗腎不可」這一步的，卻是男生明顯較多。國際研究顯示，校正年齡、三高等干擾因素後，男性進展到末期腎病的風險比女性高出整整 50%。這也不是老年人的專利，許多人在 35 到 50 歲時應酬、熬夜、三高不控制、腰痠就吞止痛藥，看似在拚事業，其實都是在「拚腎」。

用「花生米」大小的細胞救腎，是怎麼回事？

既然腎元天生無法再生，換腎又面臨供體嚴重不足的死結，全球再生醫學近年開始轉向同一個目標：「能不能不靠捐贈者，用自己的細胞把腎修回來？」這正是台大參與的研究核心。

這項技術的底層技術來自美國 AcroCyte 公司，由台大與美國芝加哥大學共同進行臨床試驗，背後更有美國「醫療高級研究計畫局（ARPA-H）」撐腰。ARPA-H 是美國政府專門投資「可能改寫醫療遊戲規則」的高風險突破性研究單位，台大能被選中，是亞洲第一家參與此等級計畫的醫學中心。而台灣會入選，正是因為我們洗腎病患多、健保資料完整且醫療成熟，過去「洗腎王國」的痛點，反而成了再生醫學最需要的臨床沃土。

這項技術的做法並不複雜：先從患者腎臟取下一小塊不到「花生米」大小的健康組織，挑出裡面的腎細胞，在體外培養放大約一萬倍，存成你的「專屬細胞庫」。未來有需要時，再透過影像導引注射回腎臟。

不過要釐清的是，這批細胞打回去，並不是幫工廠「增聘兩百萬個新員工」（憑空生出新腎元）。面對發炎、纖維化的慢性腎病現場，這批細胞更像是一支「維修兼精神喊話小隊」——它們負責滅火（抑制發炎）、敲掉結疤的水泥（延緩纖維化），並把奄奄一息的員工拍醒叫他們回去上工。這項技術目前能做到的是「修與保」，讓工廠產能不再直線下降，甚至稍微回升。

換豬腎或生物列印不行嗎？為什麼要用自己的細胞？

你可能會想，如果只能延緩惡化，那為什麼不乾脆換一顆新的？近年備受矚目的「異體移植」——例如將經過基因編輯的豬腎移植到人體，確實帶來過希望。美國病患 Tim Andrews 曾帶著豬腎存活 271 天，但最終仍因排斥反應與功能下降，不得不摘除豬腎並重回洗腎機的懷抱；另一名病患 Towana Looney 的豬腎也僅撐了 130 天。異體移植不僅需要終身服用抗排斥藥，還有跨物種病毒與倫理疑慮。

那「3D 生物列印」呢？2025 年確實有團隊成功用腎臟萃取物製成生物墨水，印出帶有血管的結構，並在動物體內長出類似腎絲球、腎小管的組織。然而，這項技術距離「在人體印出完整且能運作的腎臟」還有非常遙遠的一段路。

相較之下，利用「自體腎細胞擴增」的技術，因為用的是自己的細胞、自帶身分證，能完美繞過免疫系統的攻擊，不需吃一輩子抗排斥藥。雖然目前台大這條線還在動物實驗階段，但美國已有類似概念的人體試驗，看見了病患腎功能下降速度減緩的曙光。台大的研究樂觀估計在 2 到 3 年後可能規劃人體試驗，是非常值得期待的第三條路。

新技術還要等，現在該如何「逆轉腎」？

腎元用一個少一個，但我們絕對不能只是坐著等。關鍵在於「時機」——趁著腎臟存款還沒花光前及早介入，就有機會把退化速度壓下來，甚至一路撐到自然終老，都不用走進洗腎室。

其實，不用等好幾年後的再生技術，現在你家附近的診所就有能幫你踩煞車的武器。例如俗稱排糖藥的「SGLT2 抑制劑」，原本用於治療糖尿病，卻在大型試驗中被證實超級護腎，能讓慢性腎病惡化的風險相對下降約四成。它的證據力強到台灣健保從 2025 年 3 月起，有條件將其腎臟保護功能納入給付。此外，像 GLP-1 或是新型口服藥 finerenone，也都被證實能延緩腎功能惡化。（溫馨提醒：任何藥物都有副作用，怎麼用請務必遵照醫師指示，切勿自行亂加亂停。）

掌握關鍵指標，別讓腎臟默默崩盤

台灣延緩病人進入洗腎的時間，已從 2016 年的 1.8 年拉長到 2025 年的 2.9 年。在斷崖來臨之前提早介入，永遠是成本最低的策略。如果你年過 40 或有三高，請主動去驗血與驗尿。國健署資料顯示，有高血糖或合併三高的人，每 5 個就有 1 個腎功能已經出問題。

檢查時除了看血液中的 eGFR（腎絲球過濾率），一定要驗尿看「UACR」（尿液白蛋白對肌酸酐的比值）。蛋白尿通常比 eGFR 更早出現異常，是你的腎臟最早發出的求救訊號，成人健檢就有給付，千萬別跳過。

如果你已經是慢性腎病患者，請更主動地詢問醫師三個問題：第一，「我適不適合 SGLT2 抑制劑？」第二，「我有沒有被收進慢性腎臟病的照護計畫？」第三，「我現在吃的藥裡，有沒有傷腎的？能不能調整？」

如果這篇文章對你有幫助，請把它分享給身邊那位「應酬很兇、腰痠就吞止痛藥、健檢紅字當沒看到」的親友——你可能正在拯救他的一顆腎！

參考資料

1. 台灣器官移植困境與腎病現況，中央通訊社
2. AcroCyte Therapeutics Awarded ARPA-H Funding, PR Newswire

延伸閱讀｜實證醫學專欄｜循證長壽、失智預防、更年期、睡眠科學｜叮噹醫師
以同儕評審論文為根據的長壽科學深度解析。睡眠科學、光線生物學、更年期醫學、認知儲備、失智早期檢測。

本文轉載自宜特小學堂〈CoWoS, EMIB, SoIC等先進封裝如何精準貼裝且順利重焊(Rework)？〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

一顆高階 AI 伺服器晶片的成本動輒百萬台幣，若只因焊接不良就直接報廢，無疑是研發預算的一大惡夢！如何把昂貴晶片毫髮無傷地拆下、清理乾淨電路板，再精確地焊回去，是極具挑戰的技術門檻。這場高難度的「晶片手術」該怎麼完成？

隨著 ChatGPT、生成式 AI 與大語言模型（LLM）的爆發，輝達（NVIDIA）的 Blackwell（如 B200）、Ultra系列，以及 AMD、英特爾（Intel）的高階伺服器晶片，都高度依賴 2.5D / 3D 異質整合先進封裝技術。

為了追求運算極限，晶片不再只是單一矽晶圓，而是 CPU、GPU 和好幾顆 HBM（高頻寬記憶體）用先進封裝「拼貼」在一起。這導致整個封裝完的晶片尺寸變得奇大無比，隨便就突破 90 X90 mm的尺寸，這在以前的消費性電子，例如手機晶片頂多 15 X15 mm，是難以想像的大小。

一顆高階 AI 晶片的報價動輒幾萬美金，如果在最後打上印刷電路板（PCBA）時，才因為焊接不良（如冷焊、橋接）導致測試失敗，若要整顆報廢，所費不貲。這時，就是「返修系統」上場的時候！如何完美地拆下這顆昂貴的晶片、清理乾淨電路板，再精確地焊回去，是極高難度的維修門檻。

面對晶片巨大化的硬體挑戰，業界普遍遵循的 IPC-9701 規範（焊接性能與可靠度實驗標準）也更加嚴格。從組裝到 Rework（重工）都是重要環節；所謂 Rework，就是將已組裝的元件拆下、修復或更換後再重新組裝，尤其適用於高價值元件的修復與再利用，也是確保 AI 伺服器在高溫、高負載環境下維持可靠度的關鍵。

本文將探討在 AI 算力大爆發的時代下，如何提供一套能跨越物理限制、確保高良率與高可靠度的「大尺寸晶片貼裝與自動返修關鍵解決方案」，協助AI供應鏈上下游克服硬體演進的最後一哩路。

一、AI伺服器晶片巨大化帶來的製程痛點

近期業界最常面臨的痛點是：「現在的大尺寸晶片可能達到 150x150mm，能用什麼工具貼裝？晶片重工維修時又該如何確保品質？」

（一） 現有設備的尺寸限制：

現行普遍的貼片設備（Pick and Place, P&P）受到物理限制，最大僅能支持邊長約 90×90 mm 的元件，面對現今尺寸動輒超過 90×90 mm 的巨型晶片，已完全無法滿足對位與貼裝的需求。

（二） 手工返修帶來的重工風險：

當大尺寸晶片需要進行重工（Rework）或維修時，若使用傳統人工或非專用設備加熱，容易導致以下缺陷：

1. PCB剝離（Peeling）：因加熱不均勻或過熱，導致印刷電路板層壓結構受損。

2. 零件燒焦與冷焊（Cold Solder）：溫控不精準導致元件表面燒焦，或是錫膏未完全熔化而形成冷焊，嚴重影響焊接品質。

3. 焊墊缺陷：傳統人工除錫製程中，容易因物理接觸刮傷或拉扯，造成電路板焊墊（Pad）損壞。

二、解密「晶片手術」：高階返修與自動除錫技術

從上面的案例可以了解，在面對大型 AI 晶片的貼裝與返修，真正的挑戰不只是「拆下來再焊回去」，而是如何在不傷害晶片與電路板的前提下，精準完成拆除、除錫、對位與重焊。要完成這場高難度的晶片手術，尺寸、精度、溫控與除錫，每個環節都是關鍵。

因此，專為大型晶片開發的「高精度返修系統解決方案」誕生了！透過精準的溫控技術與光學對準功能，確保BGA元件的可靠拆裝與高效返修，避免因焊接不良導致的損毀。

（一）超大尺寸晶片的也能拆裝：

現行普遍的貼片設備（Pick and Place, P&P）受到物理限制，最大僅能支持邊長約 90×90 mm 的元件，面對現今尺寸動輒超過 90×90 mm 的巨型晶片，已完全無法滿足對位與貼裝的需求。

（二）高精度光學對位控制更精準：

晶片拆下後，要重新對準電路板上的焊點並不容易。透過高解析彩色相機與光學影像重疊技術，可微調 Theta 角與 X／Y 軸，將對位精度控制在 ±25 μm 以內，降低貼裝偏移的風險。

（三） 複合溫控提升受熱均勻度：

大型晶片若局部溫差過大，可能造成基板翹曲甚至損傷，採用大功率紅外線（IR）結合熱風循環複合加熱，並配備即時監控系統，確保大面積基板受熱均勻，避免板材翹曲或損傷。

（四） 不傷板清理殘留焊錫：

晶片移除後，電路板上仍會留下殘錫，傳統人工除錫可能增加焊墊受損的風險。自動吸錫技術則能以完全不接觸 PCBA 的方式，自動把殘錫吸取乾淨，徹底杜絕手工除錫帶來的焊墊損壞缺陷 。

三、實際案例分享

宜特經常收到客戶緊急送修、搭載大型 AI晶片的高價伺服器主機板。為了兼顧「高精準貼裝」與「無損維修」，以下是我們將核心技術應用在真實案例的分享。

案例一：大尺寸晶片（> 90 X 90 mm）光學對位貼裝

客戶研發出一款全新的超大尺寸AI晶片，常規SMT（表面黏著）產線根本無法精準貼裝，也會擔心焊接過程溫度不均，導致高價晶片損壞，而以下是我們針對大型晶片的貼裝流程建議。

1. 精密光學重疊對位（Optical Superposition）：
在實機對位時，系統配置了5 MP GigE高解析彩色相機，利用光學影像重疊技術，將晶片接腳（下圖的橘點）與電路板焊墊（下圖中的綠方塊）的影像同時呈現在螢幕上。
工程師就能非常直覺地在畫面上進行Theta角度微調（旋轉修正與 X-Y 軸向微對齊，將貼裝精度控制在極精準的±25 μm以內。當對位完成，真空吸嘴便會自動放開，安全地將元件放到極其精準的座標上。

2. 即時溫控多點監控（Real-time Profile）：
在焊接階段，系統採用大功率紅外線（IR）與熱風循環複合加熱。我們在電路板上拉出多達7個位置的溫度感測線（熱電偶），在螢幕上即時繪製動態溫度Profile曲線。此技術能確保這顆超大晶片的每一處受熱都完美均勻，徹底杜絕了傳統加熱不良導致的翹曲（Warpage）、零件損壞或焊接問題。

案例二：高價大尺寸 BGA 元件無損重工返修（Rework）

當客戶測試完的 AI 伺服器主機板上的大尺寸晶片，因焊接不良需要更換。此時最擔心的是拆下舊晶片後，人工清理電路板殘錫可能會刮傷、扯斷脆弱的焊墊（Pad），導致整片百萬級主機板報廢。
針對此案例，我們以自動無接觸的除錫手法解除了人工除錫可能刮傷焊墊的問題，將焊墊損傷機率降為零，讓後續重新貼裝（Remount）的新晶片能夠再次擁有完美的焊接基底。

四、自動無接觸除錫技術（Auto Scavenger）：

當系統自動將舊晶片安全解焊並移除後，電路板上留下了參差不齊的殘錫。此時，「Auto Scavenger 自動吸錫模組」立即啟動。這是一個完全獨立的智慧模組，不需要操作人員費時設定。吸嘴會自動下降至板材上方，在「完全不與PCBA發生物理接觸」的前提下，自動、快速地將殘留焊料吸取乾淨。

隨著 2.5D／3D 先進封裝技術發展，AI 晶片越做越大、成本也越來越高，一旦焊接出問題，直接報廢的代價可不小。如何在不傷害晶片與電路板的情況下完成返修，並確保後續使用的穩定與可靠，也成為 AI 晶片製程中越來越重要的一環。

本文出自 www.istgroup.com