找到自己的角色定位：矽谷人的遠端工作模式和團隊管理——《矽谷為什麼》

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。

搖擺舞的祕密：蜜蜂如何用舞步傳遞築巢地點？

蜜蜂已經存續 3000 萬年。牠們經歷了多個冰河時代、數以千計的環境災難、大大小小源源不斷的掠食者，以及地球歷史上最具破壞性生物的到來：人類。

蜜蜂一生中最重要的決定，就是選擇牠們的家。我稱之為「決定」，因為這就是個決定：這似乎遵循一個過程，可能需要數小時甚至數天，而蜂群中的每隻蜜蜂似乎都有發言權。不同於進食、交配或戰鬥，對蜜蜂來說，選擇一個家，似乎是一個刻意又「深思熟慮」的過程。

蜜蜂是高度社會性的生物，生活在數以千計的蜂群中，彼此之間距離非常靠近。蜂巢裡通常有一個由工蜂餵養和保護的女王蜂，這些工蜂全都是不育的雌蜂 。一個蜂群通常在冬季結束時分裂成幾個蜂群（swarm）。每一個蜂群都需要找到一個新家來建造蜂巢，扶養工蜂幼蟲，並為下一個冬天建造儲藏蜂蜜的蜂房。

因此，當蜜蜂創造一個新的蜂群時，牠們最重要的任務是找到合適的築巢地點以建立蜂巢。牠們的家需要一個空腔體積，來容納足夠的蜂蜜以度過整個冬天。此外，入口需要離地面夠高，以防止地面上的掠食者瞄準蜜蜂。入口也應該很小，以確保隱蔽性和溫暖，以便蜂巢免受極端強風等惡劣天氣因素的影響。

那麼，蜜蜂如何選擇建蜂巢的地方？牠們會跳舞。

假設各位決定研究蜜蜂如何選擇築巢地點，那麼將會觀察到這樣的情形。當來自母蜂群的蜜蜂分裂成一小群時，幾十名偵察員會朝向不同的方向飛去，查看方圓5公里內適合的築巢地點。當偵察員遇到一個吸引牠的地點時，牠會回到蜂群並表演搖擺舞，向姊妹們傳達該地點的距離、方向和品質（雄蜂是懶惰鬼，牠們不做任何事；牠們唯一的工作就是使女王受孕）。舞蹈的持續時間與到新地點的距離成正比，蜜蜂搖擺的角度代表牠們相對於太陽向外飛行的角度，搖擺的強度（舞蹈次數）表示新地點的品質。

由於偵察兵已經飛越了一大片區域，所以牠們會向蜂巢夥伴宣傳許多相距甚遠的地點。蜂群中的蜜蜂跟隨各種偵察員的腳步，檢查廣泛分散的地點，然後返回蜂群進行搖擺舞。

因此一開始，偵察員會宣傳幾個可能的築巢地點，似乎試圖將牠們的同伴招募到每個選定的地點，這看起來是一個相當混亂的場景。然而，幾個小時或幾天後，所有蜜蜂都開始跳舞，只支持一個地點。一旦達成共識，蜂群就會飛到選定的位置。但是，其實蜂群是沒有領袖的（女王蜂只是一部繁殖機器，完全依賴工蜂提供食物和福利）。因此，我們會得出一個（正確的）結論，築巢地點的選擇是由所有蜜蜂參與的民主過程完成的。

一旦觀察到這種現象，各位可能會問以下一些問題：這種幾乎百分之百共識的民主過程，是如何運作的？

從混亂到共識：蜂群如何民主選擇完美地點

正如我之前提到的，蜜蜂需要選擇一個高品質的地點來確保牠們的生存。但不明顯的是，如果牠們可以有多個高品質的地點供選擇，牠們幾乎總會選出一個最好的地點。這些挑剔的蜜蜂不會接受「夠好」的選項。當科學家在蜜蜂的飛行範圍內，人為創造一些良好的築巢地點時，他們發現蜜蜂幾乎總是聚集在最好的地點。更令人驚訝的是，蜜蜂很少先找到最佳築巢地點；但一段時間過後，即使蜜蜂發現最佳地點的時間比其他稍差的地點晚得多，最終還是會達成共識選擇最佳地點。

研究人員已經證明，蜜蜂在評估築巢地點的品質方面有著絕對的標準。牠們搖擺舞的活力轉化為跳舞的次數，代表特定場地的品質。蜜蜂需要 15 分鐘到 1 小時來評估一個潛在的地點。牠會檢查空腔的外部，並花很多時間在裡面四處走動和短途飛行。如果蜜蜂在第一次檢查時發現築巢地點很理想，就會回到蜂群中，用搖擺舞來宣傳該地點。如果另一隻蜜蜂跟著牠來到這個地方，當這隻蜜蜂回到蜂群時，她會跳（持續時間和強度）幾乎完全相同的搖擺舞。蜜蜂有一個評估巢穴品質的通用標準。

所有蜜蜂在選擇築巢地點時，都有一致的興趣。牠們的共識是經過一段時間才建立的，因此，最後所有蜜蜂都只支持一個地點，而這幾乎總是最好的地點。但是，共識是如何達成的？

最初，科學家們假設蜜蜂偵察員將舊巢的地點與新地點（其他跳舞的偵察員把牠找來新地點）進行比較。如果她發現新地點的品質比較高，就會不再支持舊的地點，並更積極地跳舞以表示對新地點的肯定，但事實證明這是錯的。大多數蜜蜂只會前往一個築巢地點，很少有蜜蜂會前往 2 個以上的地點。

湯瑪斯．西利（Thomas Seeley）和其他人的艱苦研究揭示了建立共識過程背後的奧祕，只有兩個要素。首先，正如我們已經知道的，蜜蜂會為了一個品質更好的地點而跳更多舞；第二，蜂群中的蜜蜂會隨機跟著在跳舞的蜜蜂，以探索新的地點。

但是，這兩個簡單的行動如何導致對最佳地點近乎百分之百的共識？

簡單卻高效：蜜蜂如何以數學模型找到最佳家園

假設有3名偵察員，牠們評估 3 個可能的新築巢地點— A、B 和 C —品質各不相同。假設地點 A 是最好的，地點 C 是最差的。在評估了地點 A 之後，第一個偵察員返回蜂群並跳了 20 次舞。第二個偵察員評估地點 B 並跳了 10 次舞。最後，第三名偵察員在評估地點 C 後，只跳了 5 次。

讓我們假設蜂群中有 100 隻蜜蜂在等待牠們的偵察姊妹回來。請記住，牠們會隨機跟隨任何一隻跳舞的蜜蜂，然後去探索令這隻蜜蜂興奮的地方。由於第一隻蜜蜂的舞蹈占了 57%（20 ÷ 35），因此蜂群中的 100 隻蜜蜂有 57 隻會跟著第一隻蜜蜂。按照同樣的邏輯，29 隻蜜蜂會去評估地點 B，只有 14 隻蜜蜂會評估地點C。當這 100 隻蜜蜂回到蜂群時，會發生什麼事？

來自地點 A 的 57 隻蜜蜂每隻跳 20 支舞＝1140 支舞

來自地點 B 的 29 隻蜜蜂每隻跳10支舞＝290 支舞

來自地點 C 的 14 隻蜜蜂每隻跳 5 支舞＝70 支舞

因此，地點 A 現在貢獻了蜜蜂表演的舞蹈循環總數的 76%（1140÷1500），而第一輪為 57%。在下一輪中，蜜蜂隨機跟著任何一隻跳舞的姊妹。因此 76% 的等待蜜蜂會去探索地點 A。

如果這個過程繼續下去，就會發現對最佳地點 A 的應援將繼續暴增—在第三輪中，按照同樣的邏輯，對地點 A 的支持度將增加到 88% —直到幾乎所有蜜蜂都只支持地點 A 為止。

各位是否像我第一次讀到這個過程時一樣感到目瞪口呆？大家了解這是什麼情況嗎？蜜蜂要做出一個非常複雜且充滿挑戰的決定。但牠們卻利用一個非常簡單的過程：為一個更好的地點而更加努力地跳舞，並隨機跟著一隻跳舞的姊妹。

——本文摘自《跟達爾文學投資：取經大自然，從物競天擇脫穎成為市場贏家！》，2024 年 10 月，今周刊出版，未經同意請勿轉載。

量子電腦：解碼顛覆未來科技的關鍵

2023 年，Google 發表了一項引人注目的研究成果，顯示人類現有最強大的超級電腦 Frontier 需要花費 47 年才能完成的計算任務，Google 所研發的量子電腦 Sycamore 只需幾秒鐘便能完成。這項消息震驚了科技界，也再次引發了量子電腦的討論。

那麼，量子電腦為什麼如此強大？它能否徹底改變我們對計算技術的認知？

量子電腦是什麼？

量子電腦是一種基於量子力學運作的新型計算機，它與我們熟悉的傳統電腦截然不同。傳統電腦的運算是建立在「位元」（bits）的基礎上，每個位元可以是 0 或 1，這種二進位制運作方式使得計算過程變得線性且單向。然而，量子電腦使用的是「量子位元」（qubits），其運算邏輯則是基於量子力學中的「疊加」與「糾纏」等現象，這使得量子位元能同時處於 0 和 1 的疊加狀態。

這意味著，量子電腦能夠在同一時間進行多個計算，從而大幅提高運算效率。對於某些非常複雜的問題，例如氣候模型、金融分析，甚至質因數分解，傳統電腦可能需要數千年才能完成的運算任務，量子電腦只需數分鐘甚至更短時間便可完成。

Google、IBM 和量子競賽

Google 和 IBM 是目前在量子計算領域中競爭最為激烈的兩大科技公司。Google 的 Sycamore 量子電腦已經展示出極高的計算速度，令傳統超級電腦相形見絀。IBM 則持續投入量子電腦的研究，並推出了超過 1000 個量子位元的系統，預計到 2025 年，IBM 的量子電腦將擁有超過 4000 個量子位元。

除此之外，世界各國和企業都爭相投入這場「量子霸權」的競賽，台灣的量子國家隊也不例外，積極尋求量子計算方面的突破。這場量子競賽，將決定未來的計算技術格局。

量子電腦的核心原理

量子電腦之所以能如此快速，是因為它利用了量子力學中的「疊加態」和「糾纏態」。簡單來說，傳統電腦的位元只能是 0 或 1 兩種狀態，而量子位元則可以同時處於 0 和 1 兩種狀態的疊加，這使得量子電腦可以在同一時間內同時進行多次計算。

舉例來說，如果一台電腦需要處理一個要花 330 年才能解決的問題，量子電腦只需 10 分鐘便可解決。如果問題變得更複雜，傳統電腦需要 3300 年才能解決，量子電腦只需再多花一分鐘便能完成。

此外，量子電腦中使用的量子閘（quantum gates）類似於傳統電腦中的邏輯閘，但它能進行更複雜的運算。量子閘可以改變量子位元的量子態，進而完成計算過程。例如，Hadamard 閘能將量子位元轉變為疊加態，使其進行平行計算。

計算的效率

除了硬體技術的進步，量子電腦的強大運算能力也依賴於量子演算法。當前，最著名的兩種量子演算法分別是 Grover 演算法與 Shor 演算法。

Grover 演算法主要用於搜尋無序資料庫，它能將運算時間從傳統電腦的 N 遞減至 √N，這使得資料搜索的效率大幅提升。舉例來說，傳統電腦需要花費一小時才能完成的搜索，量子電腦只需幾分鐘甚至更短時間便能找到目標資料。

Shor 演算法則專注於質因數分解。這對於現代加密技術至關重要，因為目前網路上使用的 RSA 加密技術正是基於質因數分解的困難性。傳統電腦需要數千萬年才能破解的加密，量子電腦只需幾秒鐘便可破解。這也引發了全球對後量子密碼學（PQC）的研究，因為一旦量子電腦大規模應用，現有的加密系統將面臨極大的威脅。

量子電腦的挑戰：退相干與材料限制

儘管量子電腦具有顛覆性的運算能力，但其技術發展仍面臨諸多挑戰。量子位元必須保持在「疊加態」才能進行運算，但量子態非常脆弱，容易因環境中的微小干擾而坍縮成 0 或 1，這種現象被稱為「量子退相干」。量子退相干導致量子計算無法穩定進行，因此，如何保持量子位元穩定是量子電腦發展的一大難題。

目前，科學家們正在探索多種材料和技術來解決這一問題，例如超導體和半導體技術，並嘗試研發更穩定且易於量產的量子電腦硬體。然而，要實現大規模的量子計算應用，仍需克服諸多技術瓶頸。

量子電腦對未來生活的影響

量子電腦的快速發展將為未來帶來深遠的影響。它不僅將推動科學研究的進步，例如藥物設計、材料科學和天文物理等領域，還可能徹底改變我們的日常生活。例如，交通運輸、物流優化、金融風險管理，甚至氣候變遷預測，都有望因量子計算的應用而變得更加精確和高效。

然而，量子計算的發展也帶來了一些潛在的風險。隨著量子電腦逐漸成熟，現有的加密技術可能會被徹底摧毀，全球的資訊安全體系將面臨巨大挑戰。因此，各國政府和企業已經開始研究新的加密方法，以應對量子時代的來臨。