現代流行病學之父──約翰・斯諾誕辰│科學史上的今天：3/15

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。

• 作者／陳建仁、胡妙芬
• 繪者／Hui

不可不知的傳染動力學：感染人數呈等比級數增加

要知道怎麼對抗傳染病，首先必須了解與傳染病傳播速度密切相關的「傳染動力學」。事實上，傳染病如同謠言一般，會一傳十，十傳百的快速傳播。如果每個人只把傳染病傳給一個人，跟每個人把傳染病傳給三個人，經過十波的傳染之後，最後得病的人數會相差多少？答案是相差 59000 多倍！（差距請見下圖）

所以，如何減少感染的人數非常重要。不管是感冒了或是得到其他傳染病，趕快去看醫生、吃藥，並且在家休息不去感染別人，這樣的聰明做法不但是保護自己，也能「傳染病止於智者」，保護到其他沒有感染的人。

R0 値是什麼？

傳染病大流行期間，報導中常提到的「R0 值」就是在自然的情況下，一個人會把傳染病傳給幾個人的意思。而加入防疫行動後，數值會隨著時間改變，就稱為「Rt 值」。

比方說，一個人平均會傳給 1 個人，那麼 R0=1，代表病原體會持續存在，但不會蔓延開來。如果一個人平均傳給超過 1 個人，那麼 R0>1，代表病原體會蔓延開來成為流行病；相反的，如果一個人傳給少於 1 個人，那麼 R0<1，代表病原體將會逐漸消失。戴口罩、勤洗手、保持社交距離、生病在家隔離的目的，就是在降低傳染數。

另外，R0 會隨著病原體突變成傳染力強的變異株而上升。譬如像 2020 年新冠肺炎一開始 R0 值約為 2.5，後來突變成 Alpha 株時 R0 值約為 4、Delta 株時 R0 值約為 6。

——本文摘自《小大人的公衛素養課：流行病學×預防醫學》，2021 年 9 月，親子天下，未經同意請勿轉載。

• 作者／陳建仁、胡妙芬
• 繪者／Hui

答案很簡單，因為不是每個人都會發病。

從無症狀到死亡的疾病金字塔

不同的病原體，對人體造成的傷害也有輕重之別。有些病原體的感染往往很不明顯，也就是不會出現任何症狀；有些則毒性很強，一旦染上，經常出現嚴重症狀甚至死亡。

所以按照病原體的致病力，可以將傳染病分為三大類。第一類，大部分的感染者都不會出現症狀，只有極少數人會很嚴重或死亡，像是小兒麻痺、結核病或 A 型肝炎。第二類則是大部分的感染者都有明顯症狀，但是主要呈現中度反應，無症狀或嚴重、死亡的情況很少，像是麻疹、水痘。

第三類傳染病則非常恐怖，嚴重反應和死亡的案例居多，譬如得了狂犬病的人，一旦發病後，致死率幾乎達 100%！

人們要根據各類型的傳染病，擬定不同的作戰方式。像是第一類的傳染病看起來好像不嚴重，但事實上如果掉以輕心，沒有隔離輕症和無症狀者，他們就會到處傳播疾病，引發一場大流行！

——本文摘自《小大人的公衛素養課：流行病學×預防醫學》，2021 年 9 月，親子天下，未經同意請勿轉載。