液晶「肥皂」泡的振盪現象

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。

「教授」趴在辦公室的地板上，百無聊賴。材料科學家、互動設計師、工匠與工藝研究人員，整日於麻省理工學院媒體實驗室（MIT Media Lab），忙進忙出，沒空搭理。作為論文第一作者Jack Forman的愛犬，身兼創作謬思，「教授」可能從沒想過，自己終將獲邀貢獻學術，並且榮登致謝名單。^[1]

FibeRobo

「教授」備受冷落的這段時日，研究團隊一直忙於開發織物纖維：穿戴手套、實驗袍和護目鏡，隔著通風櫃，以液晶元（mesogen）為主要原料，適量加入能感光、增加黏性、降低驅動溫度，以及延長有效期限等的各種化學物質。然後，將調製好的液晶彈性體（liquid crystal elastomer；LCE），灌進精心設計的機器。利用液晶分子在常溫下整齊排列，遇熱就亂了陣腳，導致收縮的特性，生產出來的FibeRobo纖維，長度能為溫度所控制。製作步驟及機器各部位的功能，大致如下：^[1]

1. 可調控溫度的針筒幫浦，將原料加溫至約莫34°C，降低其黏性後，推擠出來。（圖片：Step 1的上半段。）^[1]
2. 用紫外線照射，使纖維稍微硬化，避免蜷曲。（圖片：Step 1的下半段。）機器外圍的黃色壓克力板，能隔絕99%的紫外線，保護使用者。透過調光器，則可依需求適度調整光線強度。避免光線太弱，使纖維斷掉；或者是光線太強，而結塊並堵塞針筒的開口。^[1]
3. 鑷子夾住纖維兩端，把它拉得又直又細，再沾點礦物油，比較容易舒展。（圖片：Step 2。）^[1]
4. 經過滑輪的纖維，於緊拉的張力下，再照一次紫外線，加強硬化。（圖片：Step 3。）滑輪轉動的速度愈快，纖維就愈細。^[1]
5. 纖維被捲到機器最頂端的線軸上。（圖片：Step 4。）^[1]
6. 從線軸上取下纖維，撒點滑石粉，降低摩擦力，方便以後用機器紡織。等布料完成，再以溫熱的肥皂水，洗去滑石粉。^[1]

通電與收縮

FibeRobo纖維搭配別種材料，可以創造不同的效果。然而傳統多股對絞的作法，會扭曲FibeRobo，使它收縮的特質變得難以預測。於是，研究團隊改將FibeRobo置於中央，在外面纏繞其他材料。比方說，拿以蠶絲包覆銅芯的利茲線（litz wire）來捆它。銅的電阻低，升溫快，能迅速使FibeRobo遇熱收縮。FibeRobo與利茲線合體後，接上2.5安培、8.5伏特的電，8秒即縮短37%；斷電30秒，則又恢復原狀。不過，這種混合纖維傾向堆成一團，不適用於針織、紡織與刺繡。研究團隊建議，最好分開製作，再搭配使用。^[1]

另外，他們也嘗試用導電塗料浸染纖維。如同調製LCE原料時，身穿防護衣著，隔著通風櫃，先將FibeRobo泡入含有重量百分濃度7%碳黑（carbon black）的甲苯（toluene）溶液裡。8小時後取出，置於80°C的烤箱中，烘烤1個鐘頭。如此一來，FibeRobo纖維就能通電，其電阻會跟著長度的伸縮變化。拉長變細的時候，電阻較高。^[1]

成品展示

研究團隊用FibeRobo纖維跟其他材料，做了些模型和成品，來展示實際用途。以下是其中幾個例子：^[1]

• FibeRoBra運動胸罩：當體溫隨運動逐漸上升，FibeRoBra便開始收縮，給予乳房無鋼圈、零負擔的支持。體溫下降後，布料又回到放鬆的狀態。^[1]

• FibeRoGlow燈具：開燈後升高的溫度，令燈罩緩緩上捲，彷彿打開花瓣。全程費時，大約5分鐘。^[1]

• ShadeRobo窗簾：窗簾不該因為陽光強烈，氣溫上升，就自動捲起來。因此，驅動此窗簾所需的溫度，被設計得比較高。布料只有在上面的利茲線通電時，才會有反應。4伏特、2.5安培的電，得花2分鐘，才能將這個5 x 5公分的小窗簾捲好。冷卻1分鐘後，又會完全攤平。^[1]

• FurbeRobo遙控狗背心：論文的第一作者Jack Forman，為他的愛犬「教授」，織了一件小背心。本文開頭的那張照片，即是牠的定裝照。如果寵物在辦公室悲鳴，於實驗室忙碌的主人，就可以透過藍芽，啟動背心上的控制器。此時，連接12伏特、2.5安培電池的利茲線，會通電並發熱，造成驅動溫度不高的布料，輕微收縮。就像給狗溫暖的擁抱，減輕牠的分離焦慮（separation anxiety）。不過，基於動物實驗倫理等因素，後來示範布料收縮的照片，都是穿在布偶上拍攝，「教授」再次被晾在一旁。^[1]

成本與環保

2023年麻省理工學院的團隊，在美國計算機協會（Association of Computing Machinery）主辦的使用者介面軟體與技術（User Interface Software and Technology）研討會上，發表了這篇介紹FibeRobo的論文。研究團隊認為，他們的成果具有商業化的潛力。畢竟跟雷同的技術比起來，製作FibeRobo的成本相對低廉：機器的針筒幫浦約美金250元；裝滿5、10、20或30毫升原料的針筒，每個至多4元；而生產直徑0.5mm的纖維，每公尺約0.2元。^[1]單人操作單機，一天或一個下午就能產出750公尺的纖維；^{[1, 2]}亦有報導指稱是每日1公里。^{[3, 4]}不過，FibeRobo不可回收，儘管某些新興LCE纖維可生物分解，有時搭配的導電材質，仍是廢料處理的阻礙。因此，在這方面還有改善的空間。^[1]

參考資料

1. Forman J, Afsar OK, Nicita S, et al. (2023) ‘FibeRobo: Fabricating 4D Fiber Interfaces by Continuous Drawing of Temperature Tunable Liquid Crystal Elastomers’. UIST ’23: Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, 9, pp. 1 – 17.
2. MIT Media Lab. (27 OCT 2023) ‘FibeRobo: Powerful Body-Temperature Morphing Fibers’. YouTube.
3. Paul A. (26 OCT 2023) ‘This liquid crystal fabric is ‘smart’ enough to adapt to the weather’. Popular Science.
4. Global Update. (29 OCT 2023) ‘New Liquid Crystal Elastomer Fiber Makes Shape Shifting Fabrics a Reality – FibeRobo’. YouTube.

由德、日鑑識專家組成的研究團隊，於 2021 年的《國際法醫期刊》（International Journal of Legal Medicine）上，說他們採用網路流傳的偽裸照修圖技巧，設計出比較不嚇人的「泡泡認屍法」（the “bubbling” procedure）。然後順帶奉上一張照片，以時任德國總理的梅克爾（Angela D. Merkel）女士，作為範例。^[1]

認屍

某些命案發生後，家屬必須前往停屍間，或是透過照片指認死者身份。屍體可能事先經過重建或防腐處理，並且在法醫動刀解剖前進行。最好未卸妝，也不取下首飾，完整保留生前的打扮。儘管這個鑑識程序有時的確無法避免，但是其失誤率高達 50%，而且會造成家屬的心理衝擊。若是遇到不知該找誰認領的無名屍，媒體還得四處散佈照片，觸及的人數勢必更多。研究團隊於是以移除創傷影像為目的，開發新的認屍方式。^[1]

知覺填補

假設這裡有個電子圖檔，畫面上主角穿著泳裝之類的清涼衣著。首先，以常見的影像編輯軟體，例如： Photoshop、Paintshop 或 GIMP，開啟檔案。接著，用圓圈框選髮膚暴露處，並刪除衣物等剩餘區塊，就會得到一張狀似被泡泡網覆蓋的照片。此時，觀者會因為知覺填補（perceptual filling-in）機制，無視消失的部份，自動把影像腦補成裸照。根據該論文的說法，上述居心不良的修圖技巧，在網路論壇上相當風行。且不論研究團隊平常都在逛什麼網站，而如此熟悉這種不入流的勾當；他們想說的是，同樣的招數可以輔助認屍。^[1]

泡泡認屍照

現在把編輯的影像主角，從活人改為死者。先用大泡泡選取無創傷的廣大面積，再以小泡泡保存細節，並塗去其他部位。過程中，盡可能留下眼、鼻、耳和髮線等特徵。等能蓋的都蓋掉了，如果剩餘的區域，有屍斑、瘀青、腐化等情形，看了還是怵目驚心，那就降低整體畫面的彩度，或者套用灰階效果。^[1]

泡泡辨識實驗

為了瞭解辨識的準確度，研究團隊在德國洪堡（Homburg）及匈牙利布達佩斯（Budapest），分別招募 38 與 15 名學生。請這些為數不多的受試者，指認經過「泡泡」處理的 10 張照片。裏頭可能出現的名人，包括：德國的球星 Lothar Matthäus、主持人 Inka Bause、超模 Heidi Klum 和政治人物 Frauke Petry；歐盟執委會主席 Ursula von der Leyen、匈牙利總理 Viktor Orbán、瑞典環保倡議人士 Greta Thunberg、教宗方濟各；以及演藝明星李小龍、Tom Cruise 與 Rihanna。另外，學生認識的教師跟絕對沒見過的陌生人，也各有一張，作為對照。全部辨識完後，受試者會看到沒有「泡泡」的版本，確定是否真的不知道某人。^[1]

實驗結果顯示，這些學生認得 72.1% 的人物；而其中 66.8% 的照片，蓋上「泡泡」後，依然能被準確指認。研究團隊頗滿意此成功率，並覺得這個方法簡單、經濟又快速。不過，死者的臉部創傷若是太大，就不適合以「泡泡」遮掩，畢竟觀者腦補的能力有其極限。在那種情況下，他們建議改採臉部重建等其他繪圖技術。^[1]

參考資料

1. Potente S, Ramsthaler F, Kettner M, et al. (2021) ‘Application of the “bubbling” procedure to dead body portraits in forensic identification’. International Journal of Legal Medicine, 135, 1655–1659.