貓奴注意！喵星人石化開關的秘密——《真的假的！奇怪知識又增加了》

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。

為什麼貓這麼喜歡貓薄荷呢？

原來是貓薄荷裡的荊芥內脂導致貓咪吸了貓心大悅，不住翻滾、流口水、打呼嚕。

但是，貓薄荷不是對所有貓都有用。不到六個月的小貓似乎不會有反應，而且有的貓喜歡，有的貓不喜歡……咦，這還和遺傳有關係嗎？

想要同時驅蚊，又讓貓貓情不自禁饞你身子嗎？那你一定要試試貓薄荷！

荊芥內脂不只會讓貓咪快樂似神仙，也會活化蚊子體內的受體蛋白，接觸到的蚊子會產生搔癢和刺痛感。哈哈小蚊子，你也來嘗嘗癢癢痛痛的痛苦！

給你的貓貓來點刺激的快樂草吧！

延伸閱讀

人類必恭必敬稱家貓為「主子」，並自貶為「奴才」。陛下身體微恙，一團絨毛癱軟，表情內斂，叫貓奴如何揣測上意？懷疑牠受苦，便心急如焚。幾乎上演《還珠格格》裡，人家紫薇說沒事，爾康卻捨不得的虐心互動。貓咪說不定覺得：「……有這麼多人關心我，我已經不痛了……」人類仍在一邊：「可是，我好痛！」^[1]

在治療人類時，醫護人員會用視覺類比量表（Visual Analogue Scale）、臉譜疼痛量表（Wong-Baker faces pain scale）或 FLACC 量表^[註] 等工具，來評估患者疼痛的狀況。前二者靠病人自我評估，以數字或表情，象徵由舒適無恙，漸進到痛徹心扉的程度差異。 FLACC 則是醫護觀察嬰幼兒或無法言語溝通者，就其身體不適產生的行為變化來計分。^[2] 儘管每個人敏感的程度不同，至少單一病患前後的得分，能相互對照出疼痛是否得到緩解，或者更加惡化。因此，這些量表均可視為有效測量疼痛的方法。

問題是有口難言，又行徑鬼祟的貓咪怎麼辦？人貓猜心的瓊瑤戲碼，自古不斷重演，沒完沒了。

直到有天，獸醫們看不下去了…

貓咪苦臉量表

2017 年的時候，加拿大蒙特婁大學 Paulo Steagall 副教授以及他的團隊，招募了一票被送急診的病貓。在得到飼主同意後，他們比較疼痛的病貓、服用止痛藥的病貓，還有健康貓咪的表情舉止，研發出「貓咪苦臉量表」（Feline Grimace Scale），並將結果發表於 2019 年的《科學報告》（Scientific Reports）。^{[3, 4]} 其中列出幾個徵兆，可依級別給分，就此將貓咪的疼痛量化：

耳朵姿態（ear position）：貓耳的尖角向外分開，並略為朝後旋轉。^{[3, 5]}

_{圖／參考資料 5}

瞇眼程度（orbital tightening）：上下眼瞼之間的空隙，小於眼睛的寬度，或是完全緊閉。^{[3, 5]}

_{圖／參考資料 5}

口鼻緊繃（muzzle tension）：口鼻（即臺語所謂「喙管」的部位）由圓轉扁，而呈橢圓形。^{[3, 5]}

_{圖／參考資料 5}

觸鬚變化（whiskers change）：觸鬚從平常放鬆的圓弧，撐直且稍微向前。^{[3, 5]}

_{圖／參考資料 5}

頭部位置（head position）：原本處於全身最高處的貓頭，降至低於肩膀，並往下垂。^{[3, 5]}

_{圖／參考資料 5}

貓臉疼痛辨識技術

目前受惠於物種專屬苦臉量表的，除了貓，還有鼠、兔、馬、羊、豬和貂等動物。受過訓練的獸醫，能精準判讀牠們的表情，用這些工具，來評估牠們的疼痛指數。隨著科技的進步，到了 2022 年《科學報告》期刊再次關懷貓咪的痛楚時，另一群科學家拿出「貓臉辨識技術」，試圖取代專業的肉眼觀察。^[6]

臉部校正

臉部校正是建立辨識系統的要務。先調整貓臉的特徵（landmarks，即照片上標有號碼的黑點），讓它們在空間中對齊，減少幾何上的變異，方便接下來的步驟進行。原則上，校正後的貓臉必須：^[6]

1. 在畫面正中央；
2. 旋轉直到雙眼的連線呈水平；
3. 尺寸都約略相同。

_{圖／參考資料 6 ，figure 1}

模型１：特徵基準（landmark-based）

在找到貓臉的特徵後，依據「貓咪苦臉量表」的觀察部位，將貓臉特徵（黑點）分為：左眼、右眼、額頭與耳朵，以及口鼻和觸鬚，四個區塊向量。然後，多加一些貓鼻子的照片，進行「資料擴增」（data augmentation），^[6] 彌補原始資料的不足，以強化機器學習。^[7] 不過，團隊事後發現，這次的資料擴增，成效不彰。^[6]

_{圖／參考資料 6 ，figure 3}

處理這些照片的計算模型，是一種叫做「多層感知器」（Multi-Layer Perceptron）的人工神經網路（artificial neural network）。^[6] 就像人的神經系統，有好多神經元相互連結，將輸入的資料從上一層送到下一層，經過多層運算後再輸出。^{[8, 9]}

模型２：深度學習（deep learning）

研究團隊把大量沒有標註特徵的貓照，在校正角度和尺寸後，餵給 ResNet50 。^[6] 這是一種有五十層的深度學習模型，早已預先訓練好怎麼逐層辨識貓咪的輪廓、曲線及其它識別特徵。^[10] 套用該模型的同時，還要進行實驗需要的特定調整，例如：加上「痛」與「不痛」的分類標籤。^[6]

貓的痛，AI 有多懂？

上述兩個模型的實測，在判讀貓咪是否疼痛時，都有超過 72% 的準確率，算是相當不錯的成果。不過，在完全替代人工判讀之前，可能還要擴建訓練辨識系統的資料庫。因為當初請來的照片模特兒，是 29 隻準備接受卵巢子宮切除術的短毛母貓，年紀約幾個月到一歲多。拿牠們術前、術後，以及使用止痛劑前後的照片來訓練 AI ，雖然是個不錯的點子，但無法代表多元的貓咪社群。^[6] 將來的實驗，若能涵蓋其他性別、年齡和品種，相信貓咪們會覺得更加窩心。

備註

FLACC 量表： FLACC 是臉（face）、腿（legs）、活動（activity）、哭（cry）與  安撫（consolability）的縮寫。每個項目依觀察到的狀態，給 0 到 2 分，總分最高 10 分。^[2]

參考資料

1. 瓊瑤經典台詞》小時候看超感動，長大看卻啼笑皆非的 7 大經典場景（風傳媒，2020）
2. Pain assessment and measurement (The Royal Children’s Hospital Melbourne, 2019)
3. Evangelista MC, Watanabe R, Leung VSY, et al. (2019) ‘Facial expressions of pain in cats: the development and validation of a Feline Grimace Scale’. Scientific Reports, 9, 19128.
4. Me-owch — could resting cat face tell us about kitty’s pain? (CBC, 2020)
5. Feline Grimace Scale – Practice your pain assessment skills using the FGS! (Université de Montréal, 2019)
6. Feighelstein M, Shimshoni I, Finka LR, et al. (2022) ‘Automated recognition of pain in cats’. Scientific Reports, 12: 9575.
7. 2021 iThome 鐵人賽－DAY21 資料正規化與資料增強（Data Normalization & Data Augmentation）（IT邦幫忙，2021）
8. 2019 iT 邦幫忙鐵人賽－06. 深度學習的架構分析：多層感知器（IT邦幫忙，2019）
9. 神經網路（IBM，2020）
10. 何謂遷移學習?（NVIDIA，2019）