免費字幕君！怎麼用 AI 語音辨識幫你自動生成字幕？

今天來分享我們用 notion 做知識管理的實作過程與心得，不過，我們發現這樣還不夠用，生為 AI 懶人 YOUTUBER，最好有天上掉下來的題目跟素材，所以還串了 zapier 做自動化 AI 新聞收集！

不過在分享實做過程跟心得前，想先跟大家分享我跟 AJ 有在用的筆記工具，這樣你會知道為什麼我們最後選擇用 notion 了。

如果你只想看 notion 自動收集資料，可以直接下滑教學。

Notion

首先是 notion 端，我們先把 papaya 的模板 複製過來。

調整一下資料表格式，後面主要會用到的是名稱、URL、標籤、狀態。

首先，我們先點選標籤，

新增你想要自動化的youtube頻道名稱。

然後到狀態，把原本 index 改名成 youtube 自動串連。

這樣就完成 notion 端的設定。

Zapier

接著來到 zapier，登入後點 create。

進到自動化流程的編輯畫面，你會看到上面有一個 AI 協作的對話框。

輸入「特定 youtube channel 發布影片後，會把影片標題跟連結傳送到 notion 的資料庫」

這樣流程 flow 就出來啦！

如果 AI 給你的長這樣，要把中間的 get report 刪除。

這邊簡單說一下，畫面上看到的這一串，叫「flow」。

「flow」的最上面是「trigger 觸發器」，是啟動 flow 的條件，

其餘的叫「action」，trigger 觸發後會依序執行下面的 action。

我們先點進第一個 trigger 進行設定，

在這邊確認 event 是 new video in channel。

然後在 account 這邊，串聯你的 youtube 帳號，用哪個沒差，除非你是頻道主要觀察自己的數據。

接下來就到了重頭戲 trigger 啦，這邊要填的是 channel ID。

提醒，channel ID 不是網址後面這串，

你可以到想要抓的頻道首頁，按 ctrl+U 開啟原始碼，再按 ctrl+F 尋找這串文字，

後面那串亂碼就是 channel ID 了。

貼回去按 refresh，

如果有成功抓到，下面的 countinue 就會亮起來，

按下去進到測試頁面 test trigger 按下去。

成功的話，你就會看到他把影片資料抓過來嘍，下面是選後面用的測試資料，選哪個都可以，選完點 countiune。

就會進到 notion 設定，確認一下 event 的設定是不是 create database item，

確認完按下一步，account 這邊設定連接到你的 notion 帳號，連完一樣按下一步。

重頭戲又來啦，action 這邊是設定 youtube 資料要怎麼存進 notion？

我們先點開 database，選擇剛剛整理過的資料庫，

然後就會跑出很收熟悉的選項，沒錯，這就是剛剛在notion設定好的資料表欄位，現在只要告訴他要把資料放入哪個欄位就好。

名稱，放影片的 title。

標籤，放剛剛設定好的頻道名稱標籤。

URL，就選影片連結的 URL。

狀態選 youtube 自動串連。

這樣新影片就會出現在 notion 頁面的左邊自動呈現囉。

這樣就完成啦，又可以點 countinue 了，不過我自己還會在 content 這個欄位選 description，把影片描述也放入 notion。

點完 countine 進入測試環節，

按 test step。

成功的話，就會看到 test step 變成 publish，

這時回去看 notion 的資料庫，你會發現多一筆剛剛測試的數據。

最後按下 publish，這樣就完成啦。

之後就坐等別人發片，再跟風就好！想企劃就是這麼簡單。

結語

最後來分享一下實做心得吧！

這次實做讓我體會到 notion 的美妙之處，之前都單純把他當成昇級版的 evernote，但跟 Zapier 之類的自動化服務串聯後，馬上變成不同檔次的東西，集前台後台於一身，甚至還能做網站！

這自由度真的是只有想不到，沒有做不到，沒程式基礎的人也能輕鬆入門，難怪會紅。

最後，想問大家會想用 notion 跟 zapier 來做什麼呢？

如果看到有趣的留言，我會試著做做看，有其他想要看的 AI 工具測試或相關問題，也可以留言分享喔！

如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

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。

本文轉載自宜特小學堂〈CoWoS, EMIB, SoIC等先進封裝如何精準貼裝且順利重焊(Rework)？〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

一顆高階 AI 伺服器晶片的成本動輒百萬台幣，若只因焊接不良就直接報廢，無疑是研發預算的一大惡夢！如何把昂貴晶片毫髮無傷地拆下、清理乾淨電路板，再精確地焊回去，是極具挑戰的技術門檻。這場高難度的「晶片手術」該怎麼完成？

隨著 ChatGPT、生成式 AI 與大語言模型（LLM）的爆發，輝達（NVIDIA）的 Blackwell（如 B200）、Ultra系列，以及 AMD、英特爾（Intel）的高階伺服器晶片，都高度依賴 2.5D / 3D 異質整合先進封裝技術。

為了追求運算極限，晶片不再只是單一矽晶圓，而是 CPU、GPU 和好幾顆 HBM（高頻寬記憶體）用先進封裝「拼貼」在一起。這導致整個封裝完的晶片尺寸變得奇大無比，隨便就突破 90 X90 mm的尺寸，這在以前的消費性電子，例如手機晶片頂多 15 X15 mm，是難以想像的大小。

一顆高階 AI 晶片的報價動輒幾萬美金，如果在最後打上印刷電路板（PCBA）時，才因為焊接不良（如冷焊、橋接）導致測試失敗，若要整顆報廢，所費不貲。這時，就是「返修系統」上場的時候！如何完美地拆下這顆昂貴的晶片、清理乾淨電路板，再精確地焊回去，是極高難度的維修門檻。

面對晶片巨大化的硬體挑戰，業界普遍遵循的 IPC-9701 規範（焊接性能與可靠度實驗標準）也更加嚴格。從組裝到 Rework（重工）都是重要環節；所謂 Rework，就是將已組裝的元件拆下、修復或更換後再重新組裝，尤其適用於高價值元件的修復與再利用，也是確保 AI 伺服器在高溫、高負載環境下維持可靠度的關鍵。

本文將探討在 AI 算力大爆發的時代下，如何提供一套能跨越物理限制、確保高良率與高可靠度的「大尺寸晶片貼裝與自動返修關鍵解決方案」，協助AI供應鏈上下游克服硬體演進的最後一哩路。

一、AI伺服器晶片巨大化帶來的製程痛點

近期業界最常面臨的痛點是：「現在的大尺寸晶片可能達到 150x150mm，能用什麼工具貼裝？晶片重工維修時又該如何確保品質？」

（一） 現有設備的尺寸限制：

現行普遍的貼片設備（Pick and Place, P&P）受到物理限制，最大僅能支持邊長約 90×90 mm 的元件，面對現今尺寸動輒超過 90×90 mm 的巨型晶片，已完全無法滿足對位與貼裝的需求。

（二） 手工返修帶來的重工風險：

當大尺寸晶片需要進行重工（Rework）或維修時，若使用傳統人工或非專用設備加熱，容易導致以下缺陷：

1. PCB剝離（Peeling）：因加熱不均勻或過熱，導致印刷電路板層壓結構受損。

2. 零件燒焦與冷焊（Cold Solder）：溫控不精準導致元件表面燒焦，或是錫膏未完全熔化而形成冷焊，嚴重影響焊接品質。

3. 焊墊缺陷：傳統人工除錫製程中，容易因物理接觸刮傷或拉扯，造成電路板焊墊（Pad）損壞。

二、解密「晶片手術」：高階返修與自動除錫技術

從上面的案例可以了解，在面對大型 AI 晶片的貼裝與返修，真正的挑戰不只是「拆下來再焊回去」，而是如何在不傷害晶片與電路板的前提下，精準完成拆除、除錫、對位與重焊。要完成這場高難度的晶片手術，尺寸、精度、溫控與除錫，每個環節都是關鍵。

因此，專為大型晶片開發的「高精度返修系統解決方案」誕生了！透過精準的溫控技術與光學對準功能，確保BGA元件的可靠拆裝與高效返修，避免因焊接不良導致的損毀。

（一）超大尺寸晶片的也能拆裝：

現行普遍的貼片設備（Pick and Place, P&P）受到物理限制，最大僅能支持邊長約 90×90 mm 的元件，面對現今尺寸動輒超過 90×90 mm 的巨型晶片，已完全無法滿足對位與貼裝的需求。

（二）高精度光學對位控制更精準：

晶片拆下後，要重新對準電路板上的焊點並不容易。透過高解析彩色相機與光學影像重疊技術，可微調 Theta 角與 X／Y 軸，將對位精度控制在 ±25 μm 以內，降低貼裝偏移的風險。

（三） 複合溫控提升受熱均勻度：

大型晶片若局部溫差過大，可能造成基板翹曲甚至損傷，採用大功率紅外線（IR）結合熱風循環複合加熱，並配備即時監控系統，確保大面積基板受熱均勻，避免板材翹曲或損傷。

（四） 不傷板清理殘留焊錫：

晶片移除後，電路板上仍會留下殘錫，傳統人工除錫可能增加焊墊受損的風險。自動吸錫技術則能以完全不接觸 PCBA 的方式，自動把殘錫吸取乾淨，徹底杜絕手工除錫帶來的焊墊損壞缺陷 。

三、實際案例分享

宜特經常收到客戶緊急送修、搭載大型 AI晶片的高價伺服器主機板。為了兼顧「高精準貼裝」與「無損維修」，以下是我們將核心技術應用在真實案例的分享。

案例一：大尺寸晶片（> 90 X 90 mm）光學對位貼裝

客戶研發出一款全新的超大尺寸AI晶片，常規SMT（表面黏著）產線根本無法精準貼裝，也會擔心焊接過程溫度不均，導致高價晶片損壞，而以下是我們針對大型晶片的貼裝流程建議。

1. 精密光學重疊對位（Optical Superposition）：
在實機對位時，系統配置了5 MP GigE高解析彩色相機，利用光學影像重疊技術，將晶片接腳（下圖的橘點）與電路板焊墊（下圖中的綠方塊）的影像同時呈現在螢幕上。
工程師就能非常直覺地在畫面上進行Theta角度微調（旋轉修正與 X-Y 軸向微對齊，將貼裝精度控制在極精準的±25 μm以內。當對位完成，真空吸嘴便會自動放開，安全地將元件放到極其精準的座標上。

2. 即時溫控多點監控（Real-time Profile）：
在焊接階段，系統採用大功率紅外線（IR）與熱風循環複合加熱。我們在電路板上拉出多達7個位置的溫度感測線（熱電偶），在螢幕上即時繪製動態溫度Profile曲線。此技術能確保這顆超大晶片的每一處受熱都完美均勻，徹底杜絕了傳統加熱不良導致的翹曲（Warpage）、零件損壞或焊接問題。

案例二：高價大尺寸 BGA 元件無損重工返修（Rework）

當客戶測試完的 AI 伺服器主機板上的大尺寸晶片，因焊接不良需要更換。此時最擔心的是拆下舊晶片後，人工清理電路板殘錫可能會刮傷、扯斷脆弱的焊墊（Pad），導致整片百萬級主機板報廢。
針對此案例，我們以自動無接觸的除錫手法解除了人工除錫可能刮傷焊墊的問題，將焊墊損傷機率降為零，讓後續重新貼裝（Remount）的新晶片能夠再次擁有完美的焊接基底。

四、自動無接觸除錫技術（Auto Scavenger）：

當系統自動將舊晶片安全解焊並移除後，電路板上留下了參差不齊的殘錫。此時，「Auto Scavenger 自動吸錫模組」立即啟動。這是一個完全獨立的智慧模組，不需要操作人員費時設定。吸嘴會自動下降至板材上方，在「完全不與PCBA發生物理接觸」的前提下，自動、快速地將殘留焊料吸取乾淨。

隨著 2.5D／3D 先進封裝技術發展，AI 晶片越做越大、成本也越來越高，一旦焊接出問題，直接報廢的代價可不小。如何在不傷害晶片與電路板的情況下完成返修，並確保後續使用的穩定與可靠，也成為 AI 晶片製程中越來越重要的一環。

本文出自 www.istgroup.com