【從中國經典認識大腦系列】「朝三暮四」背後的行為經濟學：人是不理性的

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。

框架問題理應提醒我們，我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦，並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地，一旦我們知道答案，就似乎總能找出先前被忽略、後來明顯相關的面向，就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現，每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心，結果中獎之後，卻發現自己很鬱悶，這個預測顯然很糟糕。但當我們意識到自己預測錯誤時，同時也獲得新的資訊，例如那些突然出現要借錢的親戚。於是我們會心想，如果早點知道這些資訊，就可以正確預測未來的幸福狀態，也許就不會去買樂透彩了。

因此，我們沒有質疑自己預測未來幸福程度的能力，反而只是認為我們漏掉了一些重要的東西，並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上，無論對於他人行為的預測失準了多少次，我們總是可以用當時未知的事情做為辯解。透過這種方式，我們掩蓋了框架問題，一再說服自己下次會做好，卻永遠都不明白我們真正錯在哪裡。

這種行為模式在動機與金錢報酬的關係中最為明顯，也最難消除。例如，實施金錢獎勵制度顯然能提升員工表現，而且數十年來，職場上大幅出現以績效為基礎的薪資制度，最具代表性的就是高階主管薪酬與股價掛鉤。

當然，員工在意的顯然不只薪水，還有內在的愉悅感、認同感，以及在個人職涯上的成長與晉升等因素，這些都會影響工作表現。

在其他條件都相同的情況下，適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而，多年來有多項研究顯示，薪酬與工作表現之間的關係，實際上的複雜程度讓人難以想像。

舉個例子，最近我跟雅虎（Yahoo!）的同事梅森（Winter Mason）進行了一系列網路實驗。我們給予受試者不同的薪資，並要求他們執行各種簡單的重複性工作，例如：按照正確的時間順序排列一組車流照片，或是在矩形網格上，找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人（Amazon’s Mechanical Turk）這個外包網站上招募而來，這個網站是亞馬遜公司於二○○五年推出，原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」（crowd-source），處理五花八門的各種任務，像是標示圖片中的物品、描述新聞報導的觀點，或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法，就像心理學家多年來在大學校園裡張貼廣告那樣，不過土耳其機器人網站的「託客」（turkers）完成一件任務的報酬通常只需要幾美分，只占了研究經費的一小部分。

我們的實驗總共納入數百位受試者，完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞，例如整理一組圖片、找出一個單字。但是，有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異，要知道，美國電腦工程師的平均時薪只有聯邦最低工資的六倍，所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多，受試者離開實驗之前完成的任務就越多。我們還發現，不管工資多少，分配到「簡單」任務（每一組有兩張圖片需要歸類）的人，比分配到中等或困難任務（每一組有三至四張）的人完成更多任務。換句話說，這些都符合常理。

但接下來的問題是：雖然存在上述差異，我們發現這群受試者的工作品質，也就是歸類圖片的準確度，並不會因為工資不同而下降，即使只有正確完成才能拿到酬勞。

該如何解釋這個結果？我們並不十分確定。在受試者完成任務之後，我們問了一些問題，包括他們認為自己的工作該得到多少報酬。有趣的是，他們的回答與工作難度無關，而是取決於獲得的工資。平均而言，每件任務得到 1 美分的受試者，認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分，而得到 10 美分的則認為自己該得到 13 美分。

換句話說，不論他們實際上得到多少（還記得有些受試者的工資是別人的十倍嗎），每個人都覺得工資過低。大家在直覺上會認為，給予金錢獎勵就能夠提升員工的動機，但這個實驗告訴我們，即使是非常簡單的工作，工作動機也會因爲員工的權利意識提升而大幅減弱。

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。

數十年來，多數心理學家和新興的行為經濟學家在可控制的實驗情境中，不斷研究人類的決策過程。這些研究結果不僅動搖關於人類理性的基本假設，甚至迫使大家用一種截然不同的觀點來思考人類行為。

例如，心理學家已經藉由無數個實驗證明，人的選擇和行為會受到特定字詞、聲音等刺激的「促發」（priming）所影響。受試者若在實驗中念到「老」和「虛弱」等字詞，他們離開實驗室在走廊上行走的速度就會變慢。在酒坊裡，如果店家播放的背景音樂是德國音樂，消費者更有可能購買德國葡萄酒，如果是法國音樂，則會傾向購買法國葡萄酒。受訪者在填寫跟運動飲料有關的調查問卷時，如果是用綠色的筆，則更可能會選擇開特力運動飲料（Gatorade）。購物網站的背景圖案如果是蓬鬆的白雲，網路購物者更有可能選擇昂貴、舒適的沙發，如果背景圖案是錢幣，則購物者傾向買較硬、較便宜的沙發。

我們的反應也可能被無關的數字給影響。有一項實驗，要求參與葡萄酒拍賣會的人在競價之前寫下自己社會保險號碼的末兩位數字。儘管數字基本上是隨機的，且絕對與買家對酒的估價無關，但研究人員發現數字越大，買家就更願意出價。心理學家稱這種現象為「錨定效應」。不論是估計非洲聯盟的會員國數量，或是我們認為合理的小費或捐款金額，都可能受到錨定效應的影響。

事實上，當慈善機構的募款單上附有「建議」捐款金額，或帳單上預先寫出小費的比率，你都該懷疑這是利用錨定效應技巧，因為提出一個較高的金額，其實是在錨定你對「公平」的初步估計。就算你覺得 25％ 的小費似乎太高了，所以調降你的估計值，但最後給出去的小費或許還是高於沒有被暗示時的金額。

改變情境呈現的方式也可能強烈影響個人偏好。比方說，在同一個賭局，如果強調輸錢的可能性，就會讓人傾向規避風險，但如果強調贏錢的可能性，則會造成相反的結果。更讓人困惑的是，加入第三種選項，竟然可以逆轉一個人對先前兩種選項的偏好。

舉例來說，A 是一款品質好、價錢昂貴的相機，B 是品質較差，但較便宜的相機。光這樣看可能很難比較與選擇。但假設如下圖所示，加入第三個選項 C1，雖然品質差不多，但顯然比 A 貴。這時要選擇 A 或是 C1 就變得很明確了。三者中選擇 A 的占大多數，這似乎非常合理。但假設加入的第三個選項是價錢跟 B 差不多，但品質較差的 C2，那大家又會如何選擇？這種情況當然會選擇 B。換句話說，即使選項 A 和 B 都沒有改變，只要加入一個不同的選項，就能夠有效逆轉對 A 和 B 的偏好。更奇怪的是，決策者永遠都不會選擇引起偏好逆轉的第三個選項。

心理學家藉由研究這一系列非理性的行為發現，提取或回憶不同類型訊息時，其難易度通常會影響人類的決策與判斷。以搭飛機為例，與其他任何致命因素相比，人們通常會高估死於恐怖攻擊的可能性。因為人們對恐怖攻擊的印象非常鮮明，即便它發生的機率明顯低於任何其他事故。

還有一個矛盾的情況，當人們被要求回憶自己果斷行動的經驗時，通常會認為自己沒那麼果斷。並不是因為這個問題和他們對自己的看法有衝突，而是因為回想的時候很費力。相較於真實情形，人們也傾向於認為自己現在的行為、信念都跟過去差不多。

此外，在閱讀一份手寫聲明稿時，如果字體容易閱讀，或者之前曾經看過，那這份聲明就會更容易被取信。就算人們上次看這份聲明時，已經明確知道那是假的，結果依然如此。

最後，人們消化新訊息的方式，往往會增強他們既有的想法。某種程度上，這是因為我們偏愛注意「更能證實自己既有信念」的訊息，並忽略不符合自己信念的訊息。

另一方面，我們對於那些不符合自己信念的訊息，也傾向加以質疑或嚴格檢查。這兩種密切相關的傾向，分別稱作「確認偏誤」（confirmation bias）和「動機性推論」（motivated reasoning），會嚴重阻礙我們解決爭端的能力。從家事上的小分歧，到北愛爾蘭或以巴衝突都深受其害。在這些爭端當中，各持己見的雙方看待的明明是同一套「事實」，但對實情的印象卻完全不同。

即便是在科學領域，確認偏誤與動機性推論也時常扮演有害的角色。基本上，科學家應該遵循基於證據的真相，即使該證據與自己既有的信念或理論相抵觸，但是更多時候，科學家反而質疑證據。

結果正如量子力學創始者馬克斯．普朗克（Max Planck）的至理名言：「一個新的科學真理之所以能勝出，不是因為它說服了反對者，讓那些人接受——而是因為反對者死光了。」

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。