為什麼Jeremy Lin(林書豪)總是跟其他紐約尼克隊隊員撞來撞去、抱來抱去？

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。

偷偷練習射籃應該是很多愛打籃球朋友的共同記憶，除了一次一次練習手感以外現在又有了新的工具－把投籃的教練裝戴手臂上!

影片中介紹一種特殊的袖套，內裡裝設加速裝置，可以偵測手臂與手腕的運動，所以投球的速度跟軌跡可以由袖套所收集的數據加以估計，然後即時用聲音或是光來給運動員回饋。雖然這樣的工具還未能全面幫助練習籃球上，不過以往的運動分析都是在運動資料以攝影機或是局部的感測器擷取後，再慢慢分析運動員的姿勢來改正。這樣的新工具開啟了一種新的可能性，假如配合上更多元完整的動作偵測分析與環境條件，或許將來有一天只要裝上特定的運動服裝，就可以自動學習，看見查克拉的流動，慢慢精通各種運動的竅門。

轉載自科學影像scimage

恭喜台灣代表隊（如果你想稱中華台北代表隊，也行）在亞洲籃球錦標賽進入四強，而且是大逆轉擊敗超強對手中國隊（如果想稱大陸隊，也行）！

http://www.youtube.com/watch?v=GU6OkAgFM2o

我是沒看比賽啦…一方面是在忙，另一方面，雖然不科學，但因為過往經驗顯示只要我有看球，台灣隊都會輸，所以也就養成了不看現場轉播的好習慣 XD  不過籃球真的是我從小到大唯一認真玩過，也唯一能持續的運動，林志傑、田壘、曾文鼎、蔡文誠、戴維斯(Quincy Davis)等名字跟人都還對得起來，所以比起職棒復興、高球、網球選手在國外發光發熱等消息，這場勝利真的讓我振奮不已。

回到主題，我想認真問各位，你認為這屆的的代表隊跟過去有哪些不同點？而這些不同點真的會影響成敗嗎？

球員不同、或心理素質不同、教練不同、或戰術不同…這些當然都是差異處，但我想要的答案是更科學、更量化一點的，我認為這樣的答案或許可以幫助台灣隊更清楚自己贏在哪裡。

舉例來說，比起之前，本屆代表台灣出賽的球員在練習過程以及在前幾場，彼此之間是否有更多友善的肢體碰觸？例如這篇提到：

UC-Berkeley 的心理學家Kraus等人就好奇地想知道籃球隊友之間的身體碰觸頻率、次數，跟球隊整個球季表現是否有關。他們針對2008-2009 NBA例行賽的前兩個月中，球員在球賽中與隊友的碰觸次數加以計算，然後再與之後各隊的例行賽表現做比較分析。

結果他們發現，隊友之間互相碰觸愈多，球隊的表現就愈好！這些球隊得分多、失分少、傳球跟助攻都多，更有效率，贏得更多球賽。而即使研究者將其他變因移除，像是NBA專家的球季前預測、樂觀程度、球季初的表現、以及球隊薪資等，隊員間的碰觸次數依然可以用來預測球隊表現。

再者，球員們傳球是否比較多？例如這篇提到：

美國明尼蘇達大學 (University of Minnesota, Twin Cities) 的Brian Skinner利用簡單的機率模型預測最佳的投籃時間，並比對2006到2010年間，共4,720場NBA 賽事的非官方數據。

……………..

A隊加倍傳球速度的優勢，不是來自於相對加倍的投籃率，而是藉由增加最佳投籃的選擇機會來提升進攻效率。另外，Brian Skinner 也指出，NBA球員也不傾向在進攻時間內太早出手投籃。

球員睡得是否比較飽？這看單看比賽實在看不出來，但可能也是影響比賽的關鍵，例如這篇提到：

任職於史丹佛睡眠實驗室(Stanford Sleep Disorders Clinic and Research Laboratory)的Cheri Mah Mah與睡眠專家William Dement合作，他們的研究對象為11名無睡眠困擾的大學男籃球員，觀察在兩個球季間球員們睡眠時數增加對運動表現、反應時間和白日睏睡度的影響。一開始先讓球員維持平常的睡眠作息（每晚睡6到9小時）二到四周，接下來增加睡眠時間至每晚10小時並維持五到七周，期間也要求禁止攝取酒和咖啡因。結果發現：球員們在睡眠時數增加後短跑速度變快、投籃命中率提升9個百分點、疲勞程度下降，且球員們也都覺得自己在場上的表現變得更好。

除此之外，當然還有很多可能影響的變因，若能全面地調查跟研究，應該可以找出有趣的結果。

如今被視為是大數據（Big Data）的時代，很多人也都會利用各式各樣的穿戴式運算來「量化自我」（Quantified Self），例如戴著可以偵測多樣體能狀態，並同時紀錄跟提醒配戴者的手環等。我並不知道台灣的SBL或籃球國手培訓是否已經用上大數據的概念（我猜是沒有啦），但我期待台灣隊大勝中國隊並進入四強帶起的這波籃球復興熱潮，可以激發研究者深入探究，提出解釋，為這次的好成績提供更多足以驗證的佐證資料，也為未來的勝利打下基礎。

當然，也希望有運動科學相關領域的專家夥伴加入討論，我很想知道還有哪些國內外的研究針對籃球運動，提出了有趣的科學解釋或發現。

延伸閱讀：

魔球 (Moneyball) ，計算生物學家的第一本書
作息型態會影響球員表現
從Jeremy Lin（林書豪）的逆轉秀看廣告效應