刊登要錢、訂閱也要錢，做研究就是要被期刊出版社剝削？學術界奮起抵抗出版巨商的血淚史

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。

近期科技界最熱烈討論的新聞，應該就屬韓國有研究單位宣布找到了新的室溫常壓超導體 LK-99 ，聽說可以在一般的高中大學實驗室中完成。這讓我不禁好奇它的製作原理，但，大部分的朋友應該跟我一樣都不是專業材料工程人員，看不懂論文怎麼辦呢？除了等泛科學出影片，別忘了我們有 AI 呀！今天我要來分享一套專門訓練來閱讀論文的 AI —— SciSpace Copilot。

今天的影片簡單的跟大家分享了基於 GPT 技術且針對閱讀學術文章進行特別優化的 AI —— SciSpace ，我只要遇到研究型文章都會特別開這個工具起來使用，其他的大語言模型都無法做到如此細緻。我覺得生成式人工智慧的未來就會到處是這種基於某種目的，比如讀論文，使用某個大模型進行微調 Fine-Tuning 之後的小模型，將會協助我們解決各種問題。

是說現在的研究生做研究的工具真是越來越多，你會想要把這支影片分享給你的指導老師看嗎？
歡迎你把使用的經驗與想法在影片下方留言與我分享！

也歡迎加入泛科學院的頻道會員，或者泛科學AI的Discord論壇，一起討論交流。

如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，或是透過超級感謝展現你的心意，讓我製作更多實用有趣的 AI 教學影片，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

「ZB（zettabyte，皆位元組）相當於 10 億兆位元組：1 後面帶了 21 個 0。1 ZB 相當於可以儲存美國國會圖書館（Library of Congress）所有藏書量的 1,000 億倍。」——《紐約時報》，2009 年 12 月 10 日

科技帶來的巨大單位和微小單位

科技帶來了許多大數字，大多數都以陌生單位表示，因此又多了另外一組大單位：M（mega，百萬）、G（giga，吉）和T（tera，兆），這些單位日常生活中就會用到，而更大的單位：P（peta，拍）和E（exa，艾）現在也會時不時出現。

現今電腦和智慧手機非常普及，因此我們早已習慣 GB（gigabyte，吉位元組）和百萬像素（megapixel）等單位。然而，這些前綴單位經常使用在位元組（byte, B）這類無形實體上，相較於更常見的十億（billion）和兆（trillion）來說，我們更難理解這些單位的意義。

這裡幫大家統整一下，通常會使用 K（kilo，千）代表一千、M 代表一百萬、G 代表十億、T 代表一兆。如果你想要為未來的科技發展進一步做好準備，接下來的單位依序為：P、E、Z（zetta，皆）和Y（yotta，佑）。依序後者為前者的1,000倍。

電腦的速度極快也同樣有一系列相對應代表小數量和小尺寸的前綴單位，往往更令人陌生：m（milli，毫）、µ（micro，微）、n（nano，奈）和 p（pico，皮），分別代表千分之一、百萬分之一、十億分之一和一兆分之一。這些前綴單位通常使用在長度和時間上，例如毫公尺（millimeter, mm）和奈秒（nanosecond, ns）。

這些數字到底多大多小？可以「感覺」一下嗎？

大多數人對這些微小單位毫無感覺，也不知道提供這些數字的人是根據什麼資料算出來的，因此只能任由資訊提供者擺布。以下是幾個能帶給你啟發的例子。

幾年前的聖誕節前夕，贈送亞馬遜 Kindle 或其他新推出的電子書閱讀器作為禮物蔚為風潮，甚至聽說蘋果公司（Apple）也將推出平板裝置（iPad 在 2010 年 1 月下旬發布，但一直到 3 月才上市）。2009 年12 月 9 日，《華爾街日報》指出巴諾書店（Barnes & Noble）的 Nook 電子書閱讀器擁有 2 GB 記憶體，「約能存下 1,500 本電子書」。隔天，《紐約時報》提出 1 ZB 記憶體，「相當於可以儲存美國國會圖書館所有藏書量的 1,000 億倍」。

一間圖書館有多少藏書是合理的數字？

我當時很幸運正要開始出課程的期末考題，這些科技領域數字，正是上天贈與我的靈感。我在試題中問到：

假設以上兩個描述皆正確，請計算美國國會圖書館大約有多少本書？

回答這個問題只需要簡單的算術，然而計算數字非常龐大，而大部分的人不見得擅長大數字計算。出現太多0的時候，腦袋往往會轉不過來。寫下 Z 所代表的完整數字（1 後面帶著 21 個 0）可能會有幫助，但往往會寫錯。

接下來我會提到，使用科學記號（scientific notation）書寫是較佳方法，但像「Z」這樣的單位，除了極少數人外幾乎沒人知道，對大部分的人來說根本毫無意義。

既然直覺無法帶來任何幫助，就仔細計算一下吧。根據《華爾街日報》的說法，2 GB 可以儲存 1,500 本書，代表一本書略多於 1 MB。再根據《紐約時報》的說法，1,000 億倍等於 10¹¹ 倍，將總位元組數 10²¹除以 10¹¹ 倍，會得到國會圖書館藏書量約相當於 10¹⁰ 位元組。如果每本書為 10⁶ 位元組（約為 1 MB），將 10¹⁰ 除以 10⁶ 可以得出，國會圖書館藏書本數約為 10⁴ 本，也就是 10,000 本書。如果你對這裡使用的指數和科學記號不太熟悉，接下來會有更深入的解釋。

10,000 本是合理的估計值嗎？比起盲目猜測合不合理，可以試試評估這個數值是否過大或過小，也就是試題的第二部分：

計算出來的數字看起來太多、太少，還是差不多？為什麼？

當然如果一開始就算錯了，就沒辦法正確回答這個問題。部分學生遭遇到這個狀況，而必須試圖解釋小至分數或大至數億以上的數字。

儘管計算正確的學生狀況會好一點，但某些學生在評估數字合不合理時，依然遇到了困難。看來就算是比較小的大數字，依然難以想像出實際情況。不少學生認為一間大圖書館藏書 10,000 本十分合理，完全出乎我的意料。

其中一位學生回答：「我猜就算是普林斯頓大學的圖書館，隨便也超過 10,000 本書吧！」實際上這樣說也沒錯啦！但回答得還不夠好。單單我自己的辦公室就有超過500本書，我敢打賭許多更專注於學術研究的同事，都擁有好幾千本書。至於坐落在校園中心的巨大建築、貌似學生都十分熟悉的學校圖書館，藏書整整超過 600 萬本。

一本書到底有多大？TB 或是 MB 又到底有多大呢？以下是簡單的答案。以常見的文本來說，一位元組可以儲存 1 個英數字元。珍‧奧斯汀（Jane Austen）的《傲慢與偏見》（Pride and Prejudice）約有 97,000字，共 550,000 個字元，因此一本純文字的浪漫小說或傳記，大小基本上可以評估為 1 MB，因此 1 GB 可以儲存這類書籍約 1,000 本。圖片則要佔據更多空間，每張圖約幾KB到幾MB。

《華爾街日報》的計算結果十分合理，但相比之下，《紐約時報》卻大錯特錯。

電子書檔案有多大？

大家可以評估看看，以下 3 則關於電子書大小的說法：

「《欽定版聖經》（King James Bible）的文字檔案大小很可能不超過 500 KB。」

「如果以文字檔來看，1 GB 可以儲存相當於 2,000 本《聖經》文字量的書籍。」

「整個微軟 Office 套裝軟體程式，約會佔用與一本厚書相當的硬碟空間。例如，微軟 Office 中小企業版僅佔用 560 MB。」

《聖經》文字量可比《傲慢與偏見》多上許多，字數整整接近 800,000 字，相當於約 4.5 MB 的純文字，稱得上一本厚書。前兩則描述還算合理一致，雖然都過於樂觀。資料壓縮技術雖然可以減少所需儲存容量，但並沒辦法壓縮到 500 KB 這麼小。然而，第三則描述則差了 1,000倍，560 MB 的微軟Office軟體佔用的空間，整整接近 500 本厚書佔用的硬碟空間。

順道一提，根據 loc.gov（國會圖書館網站）上的資料，國會圖書館藏書約為 1,600 萬冊，外加 1.2 億件其他資料。另外提一個有趣的說法，《紐約時報》的電子書閱讀器報導，也試圖幫助讀者視覺化國會圖書館的藏書量：「相當於可以在美國本土和阿拉斯加蓋上 7 層書籍。」先不管這段資訊實不實用，資訊是否真的正確就交由你來計算吧。但我想給你個提示，幫助你開始計算，1 平方英里超過 2,500 萬平方英尺，而一本書籍的大小就大概與你手上的這本書相當。

——本文摘自《一輛運鈔車能裝多少錢？：輕鬆培養數感，別再被數字迷惑》，2023 年 6 月，三民出版，未經同意請勿轉載。