解開高斯相關性猜想，退休統計學家的靈光一閃

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。

家裡有方格玻璃門的朋友都知道，光通過那種玻璃門會變成像是光斑，如果再離遠一點就變成均勻的光。這樣的設計是為要讓光被打亂，所以外面的人看不到裡面，可是光又進的去。不過這樣的模糊特性不是絕對的，經由數學計算，其實清晰的影像可以從這樣的光斑來產生。

影片中的小板子上有很多非等向性的小透鏡，打上光之後，如果離螢幕很近，就只會產生光斑，不過把這小板子慢慢拿遠以後，照出來的光斑慢慢變成聚合成的美女跟愛因斯坦的影像了( 做影像展示的好像很喜歡用愛因斯坦，像之前介紹過的用細菌照相也是！)。

這樣的技術是透過把影像的深淺強度用橢圓的高斯分布來展開，用很多可控制位置的模糊影像來合成清晰影像，最後將可對應造成光斑的小透鏡做成表面的起伏就完成了。以往這樣的系統常常是在傅立葉轉換平面，利用控制光的波前相位分布來達成，不過那樣的技術需要特殊的調變元件，也會損失光強(發光強度)。這影片提出的方式比較直觀跟容易設計，也有可能大規模利用塑膠材質來達成，或許可以用在一些特定的照明場合上~！

學術文獻

本文原發表於科學影像Scimage[2011-05-30]

文／陳宏賓｜UniMath 主編、逢甲大學應用數學系助理教授

2014 年夏天的某一個清晨，陽光如往常一樣穿透白色窗簾照了進來，羅炎起身前往浴室盥洗，一邊刷著牙一邊回想昨晚入睡前那個證明。突然間，一道靈光射進了羅炎的腦袋，困擾數十年的高斯相關性猜想（Gaussian Correlation Inequality Conjecture）終於攻破了大門！

連結機率、統計與幾何的猜想 

高斯相關性不等式（GCI）有許多不同的版本，其中最著名的是 1972 年連結機率、統計以及幾何三大領域的版本：

想像一個射飛鏢遊戲，以正中紅心為目標射許多次，飛鏢落點會以紅心為中心呈現類似鐘形的高斯分佈（或者稱常態分佈），如果以紅心為中心點同時畫一個圓和一個方形，高斯相關性不等式即是說飛鏢落在圓和方形的交集的機率會大於或者等於落在圓形的機率乘以落在方形的機率。

P（圓 ∩ 方）≥ P（圓）× P（方）

這裡不同於下面這種大家比較熟知的獨立事件機率，若 A 跟 B 是統計獨立的兩事件，則我們會有這個等式：

P（A ∩ B）= P（A）× P（B）

直觀來說，由於圓形和方形有重疊部分區域，射中其中一個的情況下，同時也射中另一個的機率會因此提高。

事實上，GCI 猜測是針對任意維度 d 都成立，且兩個同中心的形狀只要是具有對稱性的凸集（symmetrical convex set）即可。

GCI 猜想的原始型態是統計學中關於信賴區間的估算，由美國統計學家奧利佛．丹（Olive Dunn）在 1959 年首次提出。

想像我們要針對一群人（已知平均身高是 170 公分，平均體重是 65 公斤），給出一個身高和體重的範圍，使身高體重同時落在此範圍內的人數佔全部的 90% 以上。 這任務可不太容易，因為人的身高和體重是彼此相關，並非獨立的。假設身高和體重分別都呈現高斯分佈（常態分佈）的情況下，依據［68-95-99.7 法則］我們知道

P（平均加減兩個標準差）≥ 95%

也就是說，如果身高和體重標準差分別是 7 和 8，我們會知道

P（身高介於 156 到 184 的人數）≥ 95%
P（體重介於 49 到 81 的人數）≥ 95%

再由高斯相關性不等式可以推得

P（身高介於 156 到 184 公分且體重介於 49 到 81 公斤的人數）≥ 0.95 × 0.95 = 0.9025

維度 d=2 的情況早在 1977 年就被維吉尼亞大學的羅倫．彼特（Loren Pitt）教授證明出來。受訪時，羅倫緩緩地閉起眼睛，說起 1973 年某次和同事吃午餐時聽到這道「簡單」的數學問題時的回憶：

「嘿～羅倫，你知道有個有趣的數學問題 GCI 嗎? 就是想像一個射飛鏢遊戲，然後……」
「聽起來蠻有意思的，老墨～不過，你說這個還沒有人解出來？！」語氣顯得有點疑惑。
「恩！還沒有。」
「不太可能吧！ 看起來不太難啊，應該很快就可以知道答案了。」我心裡當時這麼想。
「於是，我把自己關進一間房間，打算當我再次走出房門時就已經證明  GCI  是正確的或者錯了。」

說到這裡，羅倫張開眼睛望向窗外不發一語。而時間一轉眼已經過了將近四十年……

湯瑪斯．羅炎

故事回到解開謎底的湯瑪斯．羅炎（Thomas Royen）身上，今年已經 70 歲的他是德國一位退休統計學家，在這次事件之前可能沒甚麼人聽過他，這點倒是和前幾年華裔數學家張益唐有點像，某天突然靈光一現洞悉真理的故事在數學界也不算少數，不過這次倒是有幾點值得特別一提的趣事。

要解決一道難題不妨先把它變得更難

首先，數學界有件事情是外界的人難以想像的。「經常發生一種情況是，解決一道看起來很困難不會解的問題的方法是把這個問題推廣成一個更難的問題，然後解決它。」

聽起來有點荒謬，打個比方，就好像是一個屢次練習中連 10K 都跑不完的跑者，居然去挑戰極地超馬想藉此證明自己可以跑完 10K。羅炎的證明就是走這個套路，把猜想中高斯分佈這個條件推廣到更複雜、更一般的情況。神奇的是，問題居然就這樣解了，證明還只用了 3 頁！！！
（不過，有人覺得羅炎的版本太神了，可能不太好體會其奧妙之處，因此寫了個簡易 GCI 版的。）

差點沉沒的寶石

第二，這個影響重大的論文羅炎居然把它投稿到一個名不見經傳的印度期刊，因此使得他的論文 2014 年發表之後又過了兩年 才漸漸引起學術界的注意。一顆璀璨的鑽石差點就沉沒汪洋大海之中。一個學術上極重要的成果發表兩年後才傳播開來，在這個通訊發達的年代，幾乎是怎麼想都不太可能發生的事情。

而不太可能發生的事情終究還是發生了。

峰迴路轉

羅炎不會用數學界編輯論文常用的 LaTeX 軟體，論文初稿是用 word 打的，完成後一份丟上 arXiv，一份寄給一年半以前曾指出他在一篇嘗試證明 GCI 的論文中所犯之錯誤的賓州州立大學丹諾．理查德斯（Donald Richards）教授，當理查德斯收到信件時，一眼他就知道「Bingo！就是你了！」

事後回想起來，理查德斯有幾分懊惱，這個精簡的證明居然自己三十幾年來都沒有想到。這種心情搞數學的人一生中或多或少都會遇上個幾次吧。

不過，他也慶幸能在有生之年看到 GCI 的美妙證明問世。理查德斯興奮之餘還不忘將這個重大發現通知幾個同事，也熱心的幫忙把論文重新用 LaTeX 編輯，讓它看起來專業一點，符合頂尖期刊的水平。

可惜的是，投稿出去還是撞牆，原因是過去數十年來聲稱證明 GCI 猜想的論文每年都有一籮筐，期刊的審稿委員看都看膩了，通常一下子就能指出關鍵性的錯誤所在，要是碰上像羅炎這樣沒沒無聞的傢伙，通常也不會太認真對待。

羅炎的論文因此被草率忽略了！
羅炎的論文因此被草率忽略了！！
羅炎的論文因此被草率忽略了！！！

雖然有人曾建議羅炎投到最頂尖的期刊，像是統計年鑑（Annals of Statistics），這樣子一來消息很快就會傳到全世界，不過羅炎考量後還是決定投到很快就可以發表的印度期刊 Far East Journal of Theoretical Statistics，這種期刊的壞處就是即使刊出之後也不太有人知道這件事。一直到 2015 年底 Rafał Latała 和他的學生 Dariusz Matlak 重新寫了一個簡易 GCI 版本的論文，2017 年 3 月 28 日知名雜誌 Quanta Magazine 刊出一篇專欄報導，整個事件才得以散播出來。

最後，羅炎教授受訪時表示，他希望這個意外簡單的證明能夠鼓勵年輕的學生，善用自己的創意去尋找新的數學定理，畢竟那並不總是需要具備非常高深的理論基礎才辦得到。

“the surprisingly simple proof … might encourage young students to use their own creativity to find new mathematical theorems, since a very high theoretical level is not always required.”

本文轉載自UniMath，原文為［統計學突破］解開高斯相關性猜想，退休統計學家湯瑪斯羅炎的神來一筆。

作者簡介：陳宏賓 － UniMath 主編、逢甲大學應用數學系助理教授。
數學既深且廣，我懂得不多，最喜愛組合數學相關領域，主要研究興趣是群試理論、圖論及最優化分解。2013 年出版「Partitions: Optimality and Clustering, Volume II: Multi-Parameter」一書（與 Uriel Rothblum 和 Frank K. Hwang 教授合著）。對於數學和教育有強烈的熱忱和使命感，積極創立 UniMath 電子數學媒體，致力於推廣數學文化。

關於UniMath：UniMath (You Need Math)是一個 Online 數學媒體，我們的目的是成為一個線上平台，發表數學相關的科普文章及影音，使數學用更柔軟的姿態走入群眾，提升數學素養。歡迎加入 Facebook 粉絲團知道第一手訊息！

參考文獻：

1. L. D. Pitt, A Gaussian correlation inequality for symmetric convex sets, Ann. Probab. 5 (1977), 470– 474.
2. T. Royen, A simple proof of the Gaussian correlation conjecture extended to multivariate gamma distributions, Far East J. Theor. Stat. 48 (2014), 139–145.
3. R. Latala and D. Matlak. Royen’s proof of the Gaussian correlation inequality. ArXiv http://arxiv.org/abs/1512.08776, 2015.
4. A Long-Sought Proof, Found and Almost Lost, Quanta Magazine, 2017/03/28.