催產素可以幫你神助攻嗎？化學分子幫助你們之間的感情更緊密——《完美歐姆蛋的化學》

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。

奪命計劃的冷酷藝術

在犯罪史上，謀殺是特別令人髮指的罪行；而在各種殺人手法之中，只有寥寥幾種會像毒藥那樣，令人有如此奇特的病態迷戀。與一時腦熱的衝動謀殺相比，毒殺所涉及的事前規劃與冷酷的算計，完全符合法律術語中的「惡意預謀」（malice aforethought）定義。毒殺需要預先籌畫並了解受害者的習慣，也必須考慮如何下毒。有些毒藥只要幾分鐘就能奪人性命，其他則可以長期慢性下毒，逐漸在體內積累，最終導致受害者必然的死亡。

這本書沒有要列出下毒者及受害者的清單，而是要探討毒物的性質，以及它們如何在分子、細胞和生理層面影響人體。每種毒藥都有獨特的致死機制，受害者所經歷的各種症狀往往都是線索，有助於抽絲剝繭找出他們被下了什麼毒。在少數情況下，這些知識有助於給予適當的治療，讓受害者能完全康復。但在大多數情況下，就算知道是什麼毒物對於治療也沒有幫助，因為根本沒有解藥。

雖然毒物（poison）和毒素（toxin）這兩個詞經常互換使用，但嚴格來說它們並不相同。「毒物」是任何會對身體造成傷害的化學物質，可以是天然的，也可以是人造的，而「毒素」通常是指生物所製造的致命化學物質。不過如果你是被下毒的一方，那麼兩者的差異就只是學術討論了。

毒物的兩面性：從致命陷阱到救命藥

toxikon 這個字源自古希臘文，意思是「箭頭浸泡的毒物」，指的是塗抹在箭頭上以導致敵人死亡的植物萃取物。當 toxikon 這個字與希臘文的「研究」logia 相結合，就成為我們現在的「毒理學」或「毒素研究」（toxicology）這個詞。毒物一詞源自拉丁語的 potio，意思是「喝」，之後慢慢演變成古法語中的 puison 或 poison。「毒物」這個字在一二○○年首次出現在英語中，意思是「致命的藥水或物質」。

從生物體中獲得的毒物通常是許多化學物質的混合物。例如，致命的茄科植物（也稱為顛茄）的粗萃物相當危險，從這些萃取物中也可以純化出化學物質阿托品（atropine）。同樣的，毛地黃花（foxglove）的植物本身也有毒，還能從中萃取出單一的化學物質毛地黃（digoxin）。

有一些歷史悠久的毒藥是混合幾種不同的毒物製作而成，例如「托法娜仙液」（Aqua tofana）就是混合了鉛、砷和顛茄的毒藥。

在瓶子裡人畜無害的化學物質最後怎麼會變成屍體裡發現的毒？無論是哪一種毒藥，在死亡發生之前都會有三個不同階段：下毒、行動和效果。

下毒有四種途徑：消化、呼吸、吸收或注射。也就是說，它們可能是被吃掉或喝掉，透過腸道進入體內；吸入肺部；直接透過皮膚吸收；或是透過注射到肌肉或血液中進入體內。兇手選擇何種方式讓毒物進入受害者體內，取決於毒物的性質。儘管有毒氣體已被用於殺戮，但這涉及一定程度的技術難度，因此並不實用，而且這種手法通常難以針對特定個人。

透過眼睛和嘴巴的皮膚或黏膜吸收可能非常有效：兇手不必與受害者有任何接觸，甚至在中毒當下還能留在附近。光是將毒藥塗抹在受害者即將接觸的物品上就足以導致死亡。混合在食物或飲料中為大多數毒物提供了一條簡單的途徑，特別適用於固體結晶毒物，因為它們可以簡單灑在飯菜上或溶解在飲料中就好。

不過有一些毒物必須注射到體內才能發揮作用，有時候這是因為毒藥是一種蛋白質，如果加入食物攝取，就很容易被腸胃分解。此外，兇手一定要離受害者夠近才能注射毒物。

毒藥如何摧毀人體機制？

現在我們來看毒物的核心：它們如何破壞身體的內部運作？

毒物確切的作用方式五花八門，而它們的效果則揭曉了許多人類生理學的奧秘。許多毒物會攻擊神經系統，破壞控制身體正常功能且高度複雜的電子訊號：如果阻斷的是心臟各部分之間的交流，可以視為毒物使心臟停止跳動並導致死亡；如果破壞控制呼吸的橫隔膜肌肉調節，同樣也會使呼吸停止，導致窒息而亡。

也有些毒物會偽裝，隱藏真實身分後進入身體細胞，這些毒物的外型與細胞的重要成分極為相似，但不完全相同，因此可以進入細胞的新陳代謝過程，但無法執行正確的生化功能。毒物會假冒體內的細胞分子，使得細胞的化學作用緩慢停止，最終死亡。當死亡的細胞夠多，整個身體就會跟著死去。

如果不同的毒物以不同的方式發揮作用，不難想像受害者所經歷的症狀也會不同。以大多數消化型的毒物而言，無論作用方式為何，人體的第一反應通常是嘔吐和腹瀉，試圖藉此從體內清除毒物；影響心臟神經和電流訊號的毒物則會導致心悸，最終導致心跳停止；影響細胞化學性質的毒物通常會引起噁心、頭痛和嗜睡的症狀。毒物的作用及可怕後果的故事在本書中比比皆是。

雖然大多數人認為毒物是致命的藥物，但科學家也已經使用與毒物完全相同的化學物質來梳理細胞和器官內部的分子和細胞機制，利用這些資訊開發能夠治療和治癒多種疾病的新藥。舉例來說，科學家透過研究毛地黃植物中的毒物如何影響身體，成功研發出了治療充血性心臟衰竭的藥物。

現代外科手術時使用的常規藥物，同樣也是透過了解顛茄如何影響人體運作後問世，這種藥物除了能預防術後併發症，甚至還能治療在化學戰中受害的士兵。由此可知，化學物質的本質沒有好壞之分，它只是一種化學物質。造成差異的是使用這種化學物質的意圖：是要保護生命，或是奪去生命。

——本文摘自《毒藥的滋味：11種致命分子與使用它們的凶手》，2024 年 7 月，方舟文化，未經同意請勿轉載。

理解期望值，有助於分析賭場裡的大部分賭局，以及美國中西部和英國的嘉年華會中，常有人玩、但一般人比較不熟悉的賭法：骰子擲好運（chuck-a-luck）。

招攬人來玩「骰子擲好運」的說詞極具說服力：你從 1 到 6 挑一個號碼，莊家一次擲三顆骰子，如果三個骰子都擲出你挑的號碼，莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼，莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼，莊家付你 1 美元。如果你挑的號碼一個也沒有出現，那你要付莊家 1 美元。賽局用三個不同的骰子，你有三次機會贏，而且，有時候你還不只贏 1 美元，最多也不過輸 1 美元。

我們可以套用名主持人瓊安．李維絲（Joan Rivers）的名言（按：她的名言是：「我們能聊一聊嗎？」），問一句：「我們能算一算嗎？」（如果你寧願不算，可以跳過這一節。）不管你選哪個號碼，贏的機率顯然都一樣。不過，為了讓計算更明確易懂，假設你永遠都選 4。骰子是獨立的，三個骰子都出現 4 點的機率是 1/6×1/6×1/6＝1/216，你約有 1/216 的機率會贏得 3 美元。

僅有兩個骰子出現 4 點的機率，會難算一點。但你可以使用第 1 章提到的二項機率分布，我會在這裡再導一遍。三個骰子中出現兩個 4，有三種彼此互斥的情況：X44、4X4 或 44X，其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6＝5/216，第二種和第三種的結果也是這樣。三者相加，可得出三個骰子裡出現兩個 4 點的機率為 15/216，你有這樣的機率會贏得 2 美元。

同樣的，要算出三個骰子裡只出現一個 4 點的機率，也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6＝25/216，得到 X4X 和 XX4 的機率亦同，三者相加，得出 75/216。這是三個骰子裡僅出現一個 4 點的機率，因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率，我們只要算出剩下的機率是多少即可。算法是用 1（或是100％）減去（1/216 +15/216 + 75/216），得出的答案是 125/216。所以，平均而言，你每玩 216 次骰子擲好運，就有 125 次要輸 1 美元。

這樣一來，就可以算出你贏的期望值（$3×1/216）+（$2×15/216）+（$1×75/216）+（–$1×125/216）＝$（–17/216）＝–$0.08。平均來說，你每玩一次這個看起來很有吸引力的賭局，大概就要輸掉 8 美分。

尋找愛情，有公式？

面對愛情，有人從感性出發，有人以理性去愛。兩種單獨運作時顯然效果都不太好，但加起來⋯⋯也不是很妙。不過，如果善用兩者，成功的機率可能還是大一些。回想舊愛，憑感性去愛的人很可能悲嘆錯失的良緣，並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人，很可能會對以下的機率結果感興趣。

在我們的模型中，假設女主角——就叫她香桃吧（按：在希臘神話中，香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物，象徵愛與美）有理由相信，在她的「約會生涯」中，會遇到 N 個可能成為配偶的人。對某些女性來說，N 可能等於 2；對另一些人來說，N 也許是 200。香桃思考的問題是：到了什麼時候我就應該接受X先生，不管在他之後可能有某些追求者比他「更好」？我們也假設她是一次遇見一個人，有能力判斷她遇到的人是否適合她，以及，一旦她拒絕了某個人之後，此人就永遠出局。

為了便於說明，假設香桃到目前為止已經見過 6 位男士，她對這些人的排序如下：3—5—1—6—2—4。這是指，在她約過會的這 6 人中，她對見到的第一人的喜歡程度排第 3 名，對第二人的喜歡程度排第 5 名，最喜歡第三個人，以此類推。如果她見了第七個人，她對此人的喜歡程度超過其他人，但第三人仍穩居寶座，那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人，她就更新追求者的相對排序。她在想，到底要用什麼樣的規則擇偶，才能讓她最有機會從預估的 N 位追求者中，選出最好的。

要得出最好的策略，要善用條件機率（我們會在下一章介紹條件機率）和一點微積分，但策略本身講起來很簡單。如果有某個人比過去的對象都好，且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面，她大概需要拒絕前面的 37％，之後真命天子出現時（如果有的話），就接受。

舉例來說，假設香桃不是太有魅力，她很可能只會遇見 4 個合格的追求者。我們進一步假設，這 4 個人與她相見的順序，是 24 種可能性中的任何一種（24＝4×3×2×1）。

由於 N＝4，37％ 策略在這個例子中不夠清楚（無法對應到整數），而 37％ 介於 25％ 與 50％ 之間，因此有兩套對應的最佳策略如下：

（A）拒絕第一個對象（4×25％＝1），接受後來最佳的對象。

（B）拒絕前兩名追求者（4×50％＝2），接受後來最好的求愛者。

如果採取A策略，香桃會在 24 種可能性中的 11 種，選到最好的追求者。採取 B 策略的話，會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列，如同前述，1 代表香桃最偏好的追求者，2 代表她的次佳選擇，以此類推。因此，3—2—1—4 代表她先遇見第三選擇，再來遇見第二選擇，第三次遇到最佳選擇，最後則遇到下下之選。序列後面標示的 A 或 B，代表在這些情況下，採取 A 策略或 B 策略能讓她選到真命天子。

1234；1243；1324；1342；1423；1432；2134（A）；2143（A）；2314（A, B）；2341（A, B）；2413（A, B）；2431（A, B）；3124（A）；3142（A）；3214（B）；3241（B）；3412（A, B）；3421；4123（A）；4132（A）；4213（B）；4231（B）；4312（B）；4321

如果香桃很有魅力，預期可以遇見 25 位追求者，那她的策略是要拒絕前 9 位追求者（25 的 37％ 約為 9），接受之後出現的最好對象。我們也可以用類似的表來驗證，但是這個表會變得很龐雜，因此，最好的策略就是接受通用證明。（不用多說，如果要找伴的人是男士而非女士，同樣的分析也成立。）如果 N 的數值很大，那麼，香桃遵循這套 37％ 法則擇偶的成功率也約略是 37％。接下來的部分就比較難了：要如何和真命天子相伴相守。話說回來，這個 37% 法則數學模型也衍生出許多版本，其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。