讓記憶力強的不要不要？試試位置記憶法吧！

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。

為什麼我們總是找不到鑰匙？

讓我們想像一個日常中會發生的情況。你下班回家，用手機確認電子郵件，同時把鑰匙插入鑰匙孔，打開大門。你踏入家中，家裡那隻不久前才認養、還沒訓練好規矩的好動小狗撲過來，纏著你跳來跳去，搞得你身上沾滿狗兒的口水。

你聽到女兒的房間大聲傳出卡加咕咕樂團（Kajagoogoo）的歌曲，一小段極易琅琅上口的重低音合成流行音樂鑽進你的腦門。你疲憊的走進廚房，裡面有股腐臭味，告訴你昨晚忘記把垃圾拿出去。然後，忽然一個抽痛，提醒你要冰敷幾週前扭傷的腳踝。

現在，不要轉頭，試著回想你把鑰匙放在哪裡。如果你想起自己把鑰匙留在鎖孔上，那很好，但如果實在想不起來，你也並不孤單。你可能只是被太多事情轉移了注意力，一旦有一大堆訊息襲來，我們對單一事件的記憶會變得混亂。

更糟的是，當我們試圖回想自己最後把鑰匙放在哪裡時，會一一過濾各式記憶，包括自己以前曾放置鑰匙的所有地方，以及我們把鑰匙放在各個地方的各種不同情況，不管那些事件是發生在昨晚、上個星期，甚至去年。會有很多這樣的干擾，所以諸如鑰匙、手機、眼鏡、皮夾，甚至車子等常用的東西，我們經常忘記它放在哪裡。競爭的記憶那麼多，能夠記住這些東西放在哪裡才奇怪。

破解記憶混亂：注意力如何幫助你記住重要細節

試著把記憶想像成一張桌子，上面雜亂的放滿皺皺的紙片。如果你把網路銀行的密碼隨手抄在這種紙片上，要重新找到這張紙片，不僅需要耗費一番努力和運氣，同時也在挑戰你的記憶力。這類經驗就像艾賓浩斯努力背誦的無意義三字母組，要找到當下所需的正確記憶，難度會不成比例的增加。

但如果你把密碼寫在一張亮眼的桃紅色便利貼，要找到就變得格外容易，因為桃紅色便利貼會從桌上所有其他紙片之中凸顯出來。記憶以同樣的方式運作。愈特殊的經驗愈容易記得，因為它會從所有其他記憶裡凸顯出來。

那麼，要如何使記憶從我們堆滿雜亂事物的腦袋中凸顯出來呢？答案是「注意力」和「動機」。利用注意力，大腦能把我們看到、聽到、想到的事情提高優先順序。我們隨時都可能把注意力放在四周的諸多事物上，而環境裡發生的事情常常會吸引我們注意。

在前面描述的假想情況中，你的注意力可能短暫的放在鑰匙上，接著注意力就被門打開後遇到的許多事情給轉移。即使你留意著應該記住的重要事物（一小時後得去機場接妻子，你需要那串鑰匙，否則會遲到），也不見得能幫你建立特殊的記憶，足以對抗各式各樣吸引你注意的干擾（好動的狗、廚房裡的垃圾臭氣，或女兒房間傳出的樂團聲音）。

這就是「動機」登場的時候了。你需要利用動機來引導注意力，讓注意力鎖定在某個特定的事物上，好製造一個之後能找得到的記憶。下次你放下鑰匙這類經常找不到的東西時，花一點時間專注在當時和當地的某個獨特事物，例如檯面的顏色，或鑰匙旁邊那疊未拆封的信件。只要一點點專心的動機，就能對抗大腦忽略日常事件的天性，建立較為明顯的記憶，如此便有機會戰勝那些干擾的喧囂。

——本文摘自《記憶決定你是誰：探索心智基礎，學習如何記憶》，2024 年 7 月，天下文化，未經同意請勿轉載。

「曉得澳大利亞國民平均身高 1.7 米，^[註]我還是不會知道隔壁鄰居有多高。」澳洲蒙納許大學（Monash Univeristy）的博士生 Ashlea Segal，以此比喻精神科學的困境，表示研究「大多都聚焦於群體的平均值，很難瞭解個體的腦部變化」。^[1]於是，她帶領以該校特納腦部暨心理衛生機構（Turner Institute for Brain and Mental Health）為主的跨國團隊，掃描普通人和 6 種精神疾病患者的腦部，並加以比較。他們的研究結果，發表於 2023 年 8 月 14 日的《自然神經科學》（Nature Neuroscience）期刊。^[2]

腦部圖譜

研究團隊總共招募了 3,746 人，從中篩選出 18 至 64 歲，涵蓋注意力不足過動症、泛自閉症障礙、雙極性情感疾患、憂鬱症、強迫症和思覺失調症的 1,294 名精神病患；以及 1,465 名一般人當作對照組。用核磁共振掃描每一個受測者，製作腦部圖譜（brain mapping），並分析 1,032 個區域的灰質體積（gray matter volume）於個體之間的異同。^[2]

規範模型

有別於病例對照研究（case–control researches），將相同診斷的病患視為單一群體，以其平均值，與一般人組成的對照組比較；有些研究採取規範模型（normative modeling），考量年齡和性別等多種因素，定義出灰質體積等觀察重點的變異範圍，再分析個體的偏離情形。^[2]後者的作法較不會被臨床標籤所限制。^[3]過往規範模型的文獻，已經指出精神病患者的腦部與普通人極為不同；然而各個患者之間，即使診斷相同，腦部異常的地方也差別甚大。科學家無法解釋為何腦部病變的位置不一樣，結果卻殊途同歸。^[2]

不過，既然腦部是一個網絡，如果出事的點都接在同一個功能的迴路上，或許就會造成相同的問題。此前有些神經科學研究，已經證實有同樣運動、感知或認知症狀的病患，腦部病灶的位置可能互異，但都連結到共同的區塊。研究團隊受到啟發，使用規範模型，探索精神病患的腦部迴路及延伸網絡，並預期得到雷同的答案。^[2]

迴路／網絡

果不其然，在具有相同診斷的精神病患中，腦部灰質體積的明顯偏差，出現於同個位置的比例不超過7%；然而從迴路或網絡的層級來看，便可能有高達 56% 的重疊。同一診斷下，個體的額葉、頂葉、島葉和顳葉皮質等連結樞紐，在迴路層次高度相似；而各種精神疾患之間則迥異。比方說，注意力不足過動症患者的灰質體積偏差，僅限於某些範圍；而思覺失調症的病人，則是幾乎囊括全腦。這個發現挑戰了傳統上，認為單一精神診斷，只對應特定迴路障礙的想法。^[2]

此外，在網絡的層級，掌管認知控制、內感受覺察，以及內外在注意力轉換的警覺／腹側注意力網絡（salience/ventral attention network），與此處 6 種精神疾患裡的 5 種都有關聯。其病變顯然在多種精神疾患的發展中，扮演重要角色。^[2]

治療的目標

經由腦部圖譜，研究團隊得以推論治療目標：憂鬱症和雙極性情感疾患，分別為前額葉皮質的右邊與左邊；思覺失調症患者的警覺／腹側注意力網絡；以及注意力不足過動症病人的背側注意力網絡（dorsal attention network）與內側顳葉網絡（medial temporal network）。^[2]然而，Ashlea Sega l以憂鬱症患者的前額葉為例，說明目前非侵入性腦刺激術（non-invasive brain stimulation）所針對的迴路，可能「只適用於部份患者」。^[1]畢竟根據論文，單一診斷中，個體在這些目標上的重疊率，僅有一至五成不等。^[2]

因此，將來的研究或許該跳脫傳統診斷的框架，不執著於尋找一體適用的解方；而是繼續擴充數據，掌握腦部變化與精神疾患的關係，以便發展為病患量身訂做的客製化療法。^{[2, 4]}

備註

根據澳洲統計局 2017-2018 年度的資料，該國成年男性平均身高為 174.5 公分；女性則是 161.2 公分。^[5]

參考資料

1. White R. (14 AUG 2023) ‘Scientists Map How Mental Illness Changes Your Brain’. Newsweek, U.S.
2. Segal A, Parkes L, Aquino K, et al. (2023) ‘Regional, circuit and network heterogeneity of brain abnormalities in psychiatric disorders’. Nature Neuroscience.
3. Rutherford S, Kia SM, Wolfers T, et al. (2022) ‘The normative modeling framework for computational psychiatry’. Nature Protocols, 17, 1711–1734.
4. ‘Brain Network Mapping Study Challenges Basis for Psychiatric Distinctions’. (14 AUG 2023) Genetic Engineering & Biotechnology News, U.S.
5. ‘National Health Survey: First results’. (12 DEC 2018) Australian Bureau of Statistics.