大家都認為自己值得更多的薪水！給你更多錢會提升工作表現嗎？——《超越直覺》

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。

我們發現在足球賽中，只要知道一個簡單的訊息（主隊過去的獲勝機率超過一半），預測力就會明顯好過隨便亂猜。如果再加上第二個簡單的訊息（勝負紀錄較佳的隊伍會略占優勢），可以再進一步提升預測力。除此之外，你可能還想收集其他訊息，像是四分衛最近的表現、球隊有沒有傷兵、明星跑衛的花邊新聞，但這些資訊對預測的幫助不大。換句話說，預測複雜系統這件事依循著「收益遞減定律」：第一個訊息很有幫助，但很快就找不到有幫助的其他訊息。

對於某些事件，我們當然會非常計較預測的準確性，像是投放線上廣告或投資高頻交易（HFT），可能一天內就要預測數百萬、數十億次，而且金額相當龐大。投入極大心力與費用、運用最精細的運算模型來開發複雜的預測方式，在那種情況下或許值得。但在其他商業領域，例如製作電影、出版書籍到發展新技術，只需要一年預測數十次、頂多數百次，而且這不過是整個決策過程中的一部分。這時，我們只要借助相對簡單的方式，就可以讓預測臻至完善。

預測時，不該只根據一人的意見就做決定——尤其是你自己的意見。雖然人們善於察覺與特定問題相關的因素，卻往往不會評估因素之間的相對重要性。譬如，預測電影的首映週末票房時，你可能會認為一些變項都是高度相關，例如製作費、宣傳費、上映廳數、試映會評價。沒錯。但我們要如何權衡「評價不優」與「額外行銷預算：一千萬美元」之間的比重？這沒有一定答案。同樣，在決定分配行銷預算的方法時，要如何判斷多少人會受到網路或雜誌廣告影響，又有多少人會從親朋好友那邊聽到產品訊息？我們也不清楚。唯一知道的是，這些因素都可能相關。

你可能會以為，精準判斷應該是專家的強項。但正如泰特洛克的試驗結果，專家在量化預測上的表現，其實跟普通人一樣糟糕，甚至可能更糟。然而，我們依賴專家之所以會成效不彰，不是因為專家的預測力跟一般人沒兩樣。問題在於，我們通常一次只會諮詢一位專家（否則何必找專家）。但我們應該要綜合多人的意見（無論是專家或非專家）再取平均值。至於要如何達成？這其實沒那麼重要。

儘管預測市場有各種花俏的噱頭與技術，表現也比民調這類簡單方式好一點，但這種微小差異，還不如採用某種方式簡單綜合許多觀點再取平均。或者，我們也可以直接根據歷史數據，評估各項因素的相對重要性——這實際上就是統計模型在做的事。我必須再強調一次，雖然複雜模型可能會比簡單模型好一點，但兩者的差異小到幾乎沒有差別。到頭來，模型跟群眾所能達到的預測目的都一樣。第一，這兩種預測方式都要靠人為判斷，確認哪些因素與預測相關。第二，兩者皆需要估計、權衡那些因素的相對重要性。正如心理學家羅賓．道斯所言：「訣竅在於，找到要注意的變項，然後知道如何加入它們。」

只要一直使用這個訣竅，一段時間後，就會知道哪一些預測的失誤率較小，哪一些較大。舉例來說，當你要預測一個事件的結果，假如其他條件都相同，那越早做預測的失誤率就越大。不管你用什麼方法預測電影票房，在「剛開拍」時會比「上映前幾週」時要難得多。同樣，如果你想預測尚未上市的新產品銷量，那準確度可能不會高過預測已上市的產品。

你無法解決這個問題，唯一能做的只有：使用其中一種方式，或甚至結合幾種方式，就像我們研究預測市場時的方法，然後隨時觀察、記錄預測的表現。我在第 6 章開頭也提過，一般人通常不習慣追蹤自己的預測。我們做了大量預測，卻很少回頭檢視自己對了幾次。然而，留意並記錄預測成效或許才是最重要的事，唯有如此，你才能知道準確度是多少，進而知道自己預測的可信度。

——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。