【Gene思書齋】運用量子生物學解開生命之謎

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。

本文轉載自顯微觀點

在古典科學觀念中，材料在物理學上的內含性質（intensive property）就如同它們的指紋，足以辨識材料成分的身分、本質，不會因材料大小、形狀而改變。但是 21 世紀的科學家卻發現，將材料剝離分解到無法更薄、僅剩 1 層原子厚的二維平面，竟會出現超導體、超流體、活躍強健的激子等奇特現象，與原本的物理性質大異其趣。

這種新興的「二維材料（2-dimensional materials）」物理不僅召喚著科學家的濃厚好奇心，也具備科技創新的潛力。要探究二維材料這些超越既有材料科學認知的神祕特性，就要從量子世界中的電子行為「能帶理論」談起。

決定材料性質的電子能帶

能帶理論（Energy Band Theory）是以高低不同的「能量帶」空間觀念，對晶體中的電子行為進行解讀：電子平時處於能量較低的價電子帶（亦稱價帶，covalence band）。此能帶的電子受到原子核束縛，不能自由運動，且許多電子塞滿其中，沒有流動空間，因此價帶中的電子不能導電。

若從外來光子獲得足夠能量，電子會躍升到傳導帶（亦稱導帶, conduction band），在此空間充沛的能帶，電子能夠自由移動，在外部電場的作用下形成電流、展現出導電性。

導帶、價帶之間的能量帶稱為「能隙（band gap）」，是電子無法停留的能帶位階，不同種類晶體的能隙大小不同，電子由價帶升往導帶的難易度因此相異。若價帶電子得到的外來能量並未超過能隙大小，就沒辦法升往導帶。

金屬晶體具有極小的能隙，某些金屬的導帶與價帶甚至重疊，因此電子可以輕易進入導帶，展現出良好導電性。而絕緣體的能隙極大，電子難以躍升到導帶，因此困在價帶，無法導電。半導體介於金屬與絕緣體之間，在適當的能量激發或能隙調整下，就能展現導電性，人類得以調控電訊號。

備受眾望的石墨烯，終究因為其沒有電子能隙、導電性過佳，難以成為實用的半導體材料。但是另一種二維材料：過渡金屬二硫族化物（Transition Metal Dichalcogenides, TMD）卻展現出了可調控的導電性，讓半導體產業界的希望之火繼續燃燒，也為物理學界展開寬闊的未知境地。

未來的超級材料：TMD

TMD二維材料的大型原子之間具有原子核、電子的相互作用，產生一般材料罕見的超導特性與巨磁阻，成為具備高潛力的半導體材料。從上方觀察，TMD如石墨烯一般形成六角形晶格平面，但從側面看，會發現上下兩層硫族原子將金屬原子夾在中央，猶如一個原子三明治。

在TMD的原子三明治菜單上，二碲化鎢（WTe₂）、二硫化鉬（MoS₂）、二硫化鎢（WS₂）、二硒化鉬（MoSe₂）、二硒化鎢（WSe₂）等，都是極具潛力的二維層狀半導體材料。

這些潛力TMD與石墨烯相似的不僅是晶格排列模式，同時它們也具有強力的層內共價鍵與薄弱的層間凡德瓦力，這種力量分配讓它們更容易剝離成單層結構。相較之下，其他材料（例如純金屬）通常具備延伸共價鍵或金屬鍵，材料塊不容易層層剝落、難以形成單層二維材料。

TMD 單層分子平面成形之後，電子能帶結構會從原本的間接能隙轉變為直接能隙，使互相吸引的導帶電子與價帶電洞（即為激子）結合時直接放出光子。在間接能隙結構中，激子結合的能量會轉換為熱能，不利於能量或訊號傳輸。單層 TMD 的直接能隙則讓它們在光照之下，可以透過電子活動而激發出螢光，成為光致發光（photoluminescene）的良好材料。

矽或鍺等等電子元件常見材料，在二維狀態下依然保持間接能隙，能量會化為熱能，不會轉換為光。因此 TMD 二維材料取代傳統材料，成為產業界創新光電材料的希望所在。

透過顯微操作，科學家更利用 TMD 的層間凡德瓦力，將不同的 TMD 二維材料疊合、錯位，形成異質結構（Heterostructures），透過材料堆疊位置調整電子能帶，產生如超導體或莫特絕緣體等特殊物理現象。就像在玩奈米尺度的樂高積木，只是成果比樂高更令人驚奇。電子在異質結構中產生的新奇行動模式，有機會應用在量子計算、奈米元件等領域。

此外，TMD 二維材料本質上比石墨烯更加特殊之處，是其中的金屬原子質量較重，導致更強的電子自旋-軌道耦合（Spin-Orbit Coupling, SOC）效應，於是 TMD 在 2 個電子能谷（Energy Valleys）中表現不同的電子特性，使科學家能夠操縱電子的「谷自由度」來進行訊號傳輸（類似1與0的二進位訊號）。

透過不同於傳統半導體的超導、絕緣、谷電子學性質，TMD 二維材料可以提供極快速、低耗能的訊號調控與傳導，在小於奈米的空間中，也能保持訊號精確。此外，由於激子的活動現象，二維材料也更有機會實現利用光子傳輸訊號的計算機元件。

在家裡研究量子物理

提及激子的研究方法，台灣大學人工低維量子材料物理實驗室（Quantum Physics of Artificial Low-dimensional Materials Lab, 又稱 QPALM 實驗室）主持人陳劭宇解釋，雖然量子力學被多數人視為難以捉摸的神秘領域，但製作二維材料的方法卻可以非常貼近日常生活。

陳劭宇說，「我們實驗室最常用來製作二維材料的工具，你一定也用過，就是有名的 Scotch Tape 法。」

Scotch Tape 法又稱機械剝離法（exfoliation）：使用膠帶黏住小塊材料，材塊對面再以膠帶黏貼，接著將兩側膠帶撕開，就會將材料一分為二。如此反覆黏撕，最後出現極為單薄的單層二維材料。這也是當年海姆（A. Geim）與諾沃蕭洛夫（S. Novoselov）將石墨塊製作成單層石墨烯、邁向 2010 年諾貝爾物理學獎的方法。陳劭宇團隊則更進一步，對各種材料塊採用不同的膠帶，以得到最佳的剝離效果。

若你在生活百貨結帳時遇見購買各式膠帶的顧客，除了封箱收納，他也可能是位準備動手研究量子物理的科學家。

得到單層材料之後，科學家透過顯微操作將其放上六方氮硼（h-BN）等基材，再加熱使膠帶與二維材料分離。材料與操作方法相當平易近人，卻可以結合顯微觀察、拉曼光譜等方法從中測得奇妙的量子物理現象。

陳劭宇回憶道，「這是可以自己『在家動手做』的物理研究，在 COVID-19 疫情嚴峻隔離的時候，我們輪班工作、不能持續待在實驗室。只好自己組裝一台顯微鏡，用不同的光線觀察二維材料，竟因此發現某些材料在特定顏色光照射下，才有辦法清晰觀測。」

這個發現雖然尚未發表，但也成為他的實驗秘技之一。而當時「在家動手做量子物理」的研究過程也錄製成影片，作為疫情期間透過網路推廣科學的素材。

在二維材料研究中，材料層數是最重要的數字，而光學顯微鏡就在材料層被剝離後，擔任檢驗的工具。陳劭宇說，不同的材料有各自適合的顯微觀察方式，從常見的穿透光、反射到微分干涉（DIC）顯微術都是他會採用的方法。

確認材料層數之後，便能以光、電與材料互動，或是疊合異質材料，並以顯微鏡或拉曼光譜儀觀測，針對觀測結果進行運算，實驗人員可以得知二維材料的激子束縛能、能量轉換、導電性等物理特質。

例如，因為二維材料的層間空間極小，因此受到激發的電子可能移動到相鄰的異質材料層，而其相應的電洞還停留在原本材料層，電子與電洞在不同材料層互相吸引，形成奇妙的跨層激子（interlayer excitons），產生新穎的電學、光學、磁學現象。

陳邵宇舉例，暗激子的超流體狀態就是其中一種神奇現象。他說，「超導體的節能來自於傳輸電荷時不耗能，而超流體則是粒子移動時不耗能。若能控制超流體狀態的激子，我們就能得到超級節能的元件。」

陳劭宇闡明，超流激子在理論上已被預測，但還沒有人在實驗中成功操縱這項性質。他表示，控制超流激子是物理學界共有的、也是他個人追求的遠大目標之一。二維材料中包含超流體、高效率光電轉換等特質，為未來科技開創了廣大的可能。在陳劭宇等物理學家的持續投入下，我們有機會親眼見到他們利用輕於鴻毛的二維材料，實現宏大的未來科技。

（更多深入淺出的二維材料知識，請看降維展開新宇宙：陳劭宇和激子物理）

參考資料

• Paylaga, N.T., Chou, CT., Lin, CC. et al. Monolayer indium selenide: an indirect bandgap material exhibits efficient brightening of dark excitons. npj 2D Mater Appl 8, 12 (2024).
• 二維量子半導體中的激子物理
• 二維材料：未來科技的新前沿

即使再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？

錯，可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡，頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德（John Hopfield）和傑佛瑞·辛頓（Geoffrey Hinton）。他們以「人工」的方法打造了類神經網路，最終模擬出生物的「智慧」，奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的，竟然會是物理學？物理要怎麼讓 AI 更像人類？

從巴甫洛夫的狗到赫布理論：理解學習的基礎

為了解答這個疑問，我們需要一些背景知識。

20 世紀初，俄羅斯心理學家巴甫洛夫發現，狗在食物還沒入口前，就會開始分泌唾液。他進行了一系列實驗，改變食物出現前的環境，比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之，狗只要聽到鈴聲，就會開始分泌唾液。

大約 50 年後，神經科學家赫布（Donald Hebb）提出了一個假說：大腦中相近的神經元，因為經常同時放電，會產生更強的連結。這種解釋稱為「赫布理論」，不僅奠定了神經心理學的發展，更成為現代深度學習的基礎。

然而，赫布理論雖然描述了鄰近神經元的關係，卻無法解釋大腦如何建構出如此複雜的聯想網路。

霍普菲爾德網路：物理學家對神經網路的貢獻

然而，赫布理論雖能描述神經元之間的關係，卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威（John Conway）的「生命遊戲」（Game of Life）中獲得靈感，試圖建立一個可以在電腦上運行的記憶系統。

「生命遊戲」由數學家康威（John Conway）發明，玩家開始時有一個棋盤，每個格子代表一個細胞，細胞可以是「活」或「死」的狀態。根據特定規則，細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現，這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元，在出生時處於初始狀態，經過刺激後，神經元間的連結會產生或斷裂，形成強大的記憶系統。他希望利用這些理論，創造一個能在電腦上運行的記憶系統。

然而，他面臨一個難題：赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行，必須要有明確的數學規則。

物理學的啟發：易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型：易辛模型（Ising Model）。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中，電子具有「自旋」，自旋產生磁矩。電子的自旋方向只有「向上」或「向下」，這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向，類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響，並通過計算系統能量，得出自旋狀態的分佈。霍普菲爾德借用了這個概念，將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算，以及赫布理論的動態連結，創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

突破瓶頸：辛頓與波茲曼機

然而，霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題，無法找到系統的全局最優解。為了解決這個問題，加拿大計算機科學家傑佛瑞·辛頓（Geoffrey Hinton）提出了「波茲曼機」（Boltzmann Machine）。

辛頓將「模擬退火」的概念引入神經網路，允許系統以一定的機率跳出局部最小值，尋找全局最優解。他還引入了「隱藏層」的概念，將神經元分為「可見層」和「隱藏層」，提高了網路的學習能力。

受限波茲曼機（Restricted Boltzmann Machine）進一步簡化了模型，成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來：跨學科的融合

霍普菲爾德和辛頓的工作，將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸，還奠定了深度學習的基礎，對現代 AI 技術產生了深遠的影響。因此，2024 年諾貝爾物理學獎頒給他們，並非意外，而是對他們在跨學科領域的重大貢獻的肯定。

AI 的發展，離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作，正是這種融合的典範。未來，隨著科學技術的進步，我們有理由相信，AI 將越來越接近人類的思維方式，甚至可能超越我們的想像。