0

0
0

文字

分享

0
0
0

科研資源的分配也有馬太效應嗎?

林雯菁
・2018/08/27 ・1625字 ・閱讀時間約 3 分鐘 ・SR值 509 ・六年級

馬太效應」(Matthew effect)指的是即使兩個研究者的能力相當、對科學的貢獻也相當,但原本就有名的那位會比原本無名的那個得到更多的關注與認可。

比方說,只能有一個獲獎人的獎項通常會被頒發給原本就有名的那位(實驗室大老闆),而不是原本默默無名的那位(苦情研究生);於是有名的科學家愈來愈有名,相對地也能夠累績更多的名聲與資源。

馬太效應典出《馬太福音》「凡有的,還要加給他,叫他有餘;凡沒有的,連他所有的也要奪去。」圖/pxhere

馬太效應最初由社會學家羅伯特·莫頓(Robert K. Merton)於1968年所提出。但要如何解釋為何會有這樣的現象呢?一種可能的解釋會是:這些人得到了資源(不管是研究經費、人脈、或其他各式各樣的資源),後續當然更有機會有高品質的研究產出,有了產出後當然就能得到更多的獎項、資助與名望。

只不過,一項新研究顯示上述解釋恐怕不是唯一的原因。

-----廣告,請繼續往下閱讀-----
圖/maxpixel

當然過去也有不少研究試圖釐清「馬太效應」的成因,但總是有個很大的限制──

搞不好獲獎人真的在某方面比沒得獎的人更優秀啊!

決定研究人生分水嶺的那一分

新研究克服這項限制的方法,得力於荷蘭的一個研究經費方案 Innovational Research Incentives Scheme 的機制。這是荷蘭的年輕研究者獲取初期研究經費的最主要來源,它機制的特別之處在於他們判斷申請者能不能拿到經費是基於每個人的分數是否達到標準。

例如,我們假設標準是 60 分,那就表示分數超過 60 分的人都可以得到經費,低於 60 分的人都拿不到。所以,61 分的人跟 96 分的人都可以拿到錢,59 分的人跟21 分的人卻都一毛錢也領不到。但是我們可以想像,61 分的人真的有比 59 分的人厲害到哪裡去嗎?就像考試的時候,猜錯一題選擇題可能就是及格與不及格的差別啊。

所以研究者們假設:

-----廣告,請繼續往下閱讀-----

分數剛好通過、跟分數非常接近但未達標準的兩群年輕研究者的實力其實是相當的,但兩群人基於運氣好或不好,只有其中一個拿到了這筆重要的研究經費。那麼這些人在他們往後的研究生涯中,得到了什麼不一樣的待遇呢?

圖/flickr

結果顯示,在那些分數剛好通過標準因而獲得初期研究經費的這群人之中,有較高比例的人日後也成功獲得了其他研究經費(相較於分數接近但未獲得初期研究經費的那群人)。

這個現象不斷重複的結果,導致在八年後,其中一群人所累計得到的研究經費總額比另一群人所得到的經費的兩倍還要多(這還沒把第一筆錢算在內)!還有,在10-16 年之後,這群人有28%成了正教授,但另一群人只有 19% 獲得正教授的職位。

問題是,第一群人的研究產出真的有比另一群人高嗎?就像先前提到的解釋:

得到經費的人或許做出了更好的研究,因而幫助他們申請到更多的經費。

研究的結論恐怕不支持這項解釋。

-----廣告,請繼續往下閱讀-----
圖/maxpixel

因為這兩群人在得到第一筆研究經費前後(前十年內與後五年內),兩者的論文發表數量(publication)、論文被引用次數(citation)、以及H指數(H-index,是一個綜合評量產出與品質的指標),都不相上下。

顯示至少在得到這筆重要的初期研究經費之後五年內,這群分數低空飛過的年輕研究者,之所以能得到更多其他的研究經費,並不是因為他們拿了這筆錢之後有了更好的研究成果。而或許只是因為他們的簡歷上,「研究經費」的欄目裡面多了一行。

這項新研究也發現,一開始申請失敗的那一群人,日後有較少比例的人會繼續申請幾個大型的研究經費(但並不是因為這些人離開學術界或搬到別的國家,就只是因為他們不願意再繼續申請)。當然除了鼓勵失敗的人不要灰心,可以繼續嘗試以外,更重要的是,制度應該有所改變了。

參考文獻

-----廣告,請繼續往下閱讀-----
  • Bol, T., Vaan, M. de, & Rijt, A. van de. (2018). The Matthew effect in science funding. Proceedings of the National Academy of Sciences, 115(19), 4887–4890. doi:10.1073/pnas.1719557115
-----廣告,請繼續往下閱讀-----
文章難易度
林雯菁
12 篇文章 ・ 3 位粉絲
英國倫敦大學學院(UCL)認知神經科學博士。《Wen-Jing的科學文獻報告》

0

0
0

文字

分享

0
0
0
AI 可以設計散熱,但誰敢讓它出貨?林唯耕談算力背後的物理現實
鳥苷三磷酸 (PanSci Promo)_96
・2026/08/20 ・2819字 ・閱讀時間約 5 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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 / 圖片:envato

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/圖片:envato

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。