一家公司撐起數位世界：疫情點燃晶片危機，ASML被推上地緣角力最前線——《造光者》

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《科技大觀園》，原文連結
• 何楷平｜科技大觀園特約記者

過去，養雞農得在半夜走進雞舍，靠耳朵分辨雞隻有沒有出現「囉音」（呼吸道疾病的特有聲音）；但農民時間有限，一天頂多進雞舍巡三次，而打噴嚏、咳嗽這類異常聲音，又常和背景噪音太相似、不夠明顯，「漏聽」幾乎在所難免。

如果有一套系統能全天候守在雞舍，不僅聽見異常聲音，還能透過影像觀察雞隻狀態、同步記錄體重，情況會不會有所不同？這正是「智慧監測走進畜牧業」的真實場景。

透過感測、影像辨識、聲音分析與 AI，畜牧養殖管理，已經逐步從仰賴人力巡視、憑經驗判斷，轉向以數據支撐的決策；智慧畜牧不只能提高生產效率，也能改善動物福利與整座牧場的生物安全。

本文從家禽到豬隻，採訪兩位長期投入智慧畜牧管理的研究者：國立中興大學生物產業機電工程學系蔡燿全副教授以及國立臺灣大學生物機電工程學系郭彥甫教授，探討科技如何成為畜牧業的最佳助手。

科技接手觀察，補上人力巡視極限

「如何客觀量化健康指標，其實相當困難。」蔡燿全副教授指出，人工巡視的限制，在於「人不可能一直在現場」。以雞舍為例，雞隻體重反映健康狀況，但用「肉眼估算」並不精準，原因出在羽毛會隨當下溫濕度蓬鬆變化；至於雞隻的消化道疾病，則要看肛門與糞便，但「異常聲音」要在夜深人靜的半夜靠「人耳」去分辨，這些都是雞農單靠人力會存在的侷限。

養豬也是。郭彥甫教授指出，過去豬農評估一欄豬的健康狀態，多半是走進去、用肉眼看一下，母豬花多少時間吃料、站立、有沒有在哺乳，無法精確量化判讀。

靠肉眼、人耳判讀，既消耗人力、又不夠精準，因此，智慧畜牧把這些工作交給機器，透過感測器接手觀察，目標在於「及早發現」。

以雞舍為例，機器讀的是「身體徵象」。

蔡燿全副教授指出，透過「家禽監測系統」，在雞舍裝設麥克風、攝影機與秤重平臺，把叫聲、雞冠與雞眼的顏色、體重，連同溫濕度、風速、氣體等環境資料，一併轉成可判讀的數據。

以體重為例，當雞隻走上秤重平臺，秤出幾隻的總體體重後，平台上方的攝影機，再以AI影像辨識方式，辨識出秤重平台上的雞隻數量，進而換算出雞隻的平均體重，更進一步的做法是，只要在雞舍中央架一臺主機，建立「影像輪廓對應實際重量」的關係，雞舍的其餘角落，只需由上往下拍的攝影機（不必裝設秤重平臺），單靠影像就能推算體重。這也同步解決了動物福利的問題：不必再人工抓雞懸掛量重，對雞隻的干擾降到最低。

在豬舍方面，機器讀的則是「行為與姿態」的動態變化。

郭彥甫教授指出，只要在母豬分娩欄後方架設攝影機，以機器視覺與深度學習，辨識母豬的姿態，量化牠花多少時間進食、站立與哺乳，同時逐隻追蹤欄內仔豬的移動，把狀態分成哺乳、休息與活動三類。當母豬把乳頭壓住、遲遲不讓仔豬吸奶，又不太進食，系統就能標記出這頭母豬已接近生病，整欄仔豬可能跟著吃不到奶、活動力下降。這些畫面，都讓長期被關在窄欄、行動受限的母豬處境，能夠直接被機器紀錄、透過數據化被豬農看見。

專家教會 AI 讀懂異常，監測從記錄升級為預警

但機器「看得到」只是第一步，「讀得懂」則要靠人與 AI 協作。

以豬舍的應用場景為例，郭彥甫教授指出，AI的機器學習過程，得先由「人」在影像裡，把豬一隻一隻單獨標註起來，累積上千張影像之後，提供給AI學習、訓練，確保AI能夠「讀懂」之後，之後就由機器接手，自動辨識每一隻豬；例如有些小豬在吃飼料、有些在喝水、有些在打架、互咬；郭彥甫教授指出，這套AI 辨識仔豬「日常行為」的準確率已達到91.36％，等於在100隻仔豬中，AI就能精準判讀出91.36隻的行為模式。

雞舍的場景也是同樣邏輯。蔡燿全副教授解釋，透過預先架設機器在雞舍，進行現場錄音，接著以濾波去掉雜訊、把聲音切成小段，再請專家逐段標註，哪些是正常叫聲、哪些是異常囉音，取出聲紋特徵之後，再餵給AI機器學習，訓練出辨識模型。

當機器學會判讀後，監測的價值就能直接從「記錄」，升級為「預警」。

舉例來說，雞舍的聲紋辨識系統，由於是24小時錄音，在農民尚未察覺、還沒記錄到異狀之前，系統就先發出「偵測到異音」的預警，不會等到農民到現場查看才發現。此外，影像辨識系統則可以預先偵測到人眼較難察覺的雞眼異常（雞眼異常後2至3天會出現較高死亡率），等於替農民爭取到提早3天處置的黃金時間。

預警換來實際效益。蔡燿全副教授表示，根據合作雞農的回饋，導入這項系統之後，育成率可提升約3％，因為透過系統24小時不間斷監控，農民更能做到「及早發現、及草治療」，提高雞隻「從飼養到出貨」生命週期的完整性。此外…….傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。此外，因為農民不再需要頻繁進出雞舍，也切斷了病原透過人腳、野鳥糞便帶入的傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。

豬舍也是。郭彥甫教授指出，量化母豬的姿態與哺乳行為，能夠提早判斷牠是否接近生病，另一方面，系統對仔豬群體活動力的追蹤，則讓農民能夠更早察覺「一頭母豬不好、整欄仔豬跟著受影響」的連鎖效應，進而提早做出相對應的準備措施。 科技帶來的好處，除了提前預警，減少人為疏漏，當農民的巡視工時下降、勞動強度減輕，也能間接讓更多青年農民，願意回鄉接手畜牧場。

技術到位、市場未到，智慧畜牧的應用挑戰

然而，儘管智慧畜牧的技術持續進步，但要真正落地應用並普及化，目前仍有待跨越的門檻。

「因為農民沒有 IT 部門。」蔡燿全副教授點出了智慧畜牧最大的門檻：推廣難度高。

他解釋，老一輩農民對科技熟悉程度較低，一旦網路不穩、甚至插頭沒插上的小狀況，原廠可能就得親自跑一趟畜牧場，服務成本相當高，再加上臺灣市場規模有限，負責落地推廣、技術轉移的農業科技公司，意願自然不高。

此外，「農民投入意願」也是一大門檻。「如果這個科技一定可以幫他賺到錢，他就會樂意接受。」郭彥甫教授觀察，豬農評估導入系統的關鍵，在於能不能幫他「賺到更多錢」，而非只是「節省時間和勞力」，「如果只是省下勞力，農民多半會傾向自己來、或是另外聘請人力。」臺灣雖然在2020年就從口蹄疫除名，但近年來面對周邊國家持續存在的非洲豬瘟等疫情風險，豬農對外部人員（智慧農業團隊、農業科技廠商等）進出格外謹慎，都讓智慧畜牧的應用落地，還需要更多溝通與推廣。

最後一道判斷留給人，「資料治理」智慧畜牧下一步

換句話說，智慧畜牧的技術本身，其實已經備妥，唯獨產業與市場的節奏，還需要時間跟上。

從雞舍到豬場，感測與 AI 接手了「看」這件過去只能靠人力與經驗撐著的工作，效率、動物福利與疫病防線，也因此被重新畫過一遍。

值得一提的是，兩位研究者不約而同都將「最後一道判斷」留給了人：雞隻該不該投藥、母豬難產怎麼處置，這類牽涉責任的決定，仍由農民與獸醫拍板，AI 負責的是更精準的監測、讓異常更及早被發現。

隨著愈來愈多養殖現場，開始累積這些數據，郭彥甫教授預測，「資料治理」將是畜牧業下一步的趨勢。他解釋，當養殖場規模擴大、不常親臨現場的經理人將更依賴簡單直觀的報表，掌握場內狀況；而這些累積下來的數據，還能推估產量、預估禽隻出場時機，同時對接市場價格，做出更合適的決策。

資料來源

1. 中興大學生物產業機電工程學系蔡燿全副教授
2. 臺灣大學生物機電工程學系郭彥甫教授

原文連結：https://pse.is/9k7pkt

本文轉載自宜特小學堂〈矽光子可靠度驗證該依循哪個規範？當老規範GR-468遇上新科技，系統如何順利Bring-up？〉，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！

矽光子晶片量產元年已在眼前，但業界至今仍缺乏一套專屬標準，最權威的依據是問世逾廿年的經典規範「Telcordia GR-468」。面對日新月異的矽光子與 CPO 技術，這套「老規範」是否還能扛得起驗證重任？

台積電在 2026 年技術論壇中明確指出，隨著製程邁入 2 奈米奈米片（Nanosheet）時代，AI 算力的延續必須仰賴《晶片版三層蛋糕論》，涵蓋運算、異質整合與 3D IC，以及最關鍵的「光子（Photonics）」。誠如台積電高層所言：「談到運算能力，電子無可匹敵；但談到訊號傳輸，光子則更勝一籌 。」

未來資料中心的傳輸勢必由電子轉向光學，而台積電的矽光子先進封裝平台 COUPE（緊湊型通用光子引擎，Compact Universal Photonic Engine） 也已搭載到基板上，並宣告今年將進入量產階段。NVIDIA、Intel、Broadcom 等大廠也爭相搶進 CPO（Co-Packaged Optics，共同封裝光學）賽道。

然而，當光電元件從「獨立模組」轉向「高度整合」的晶片封裝時，可靠度驗證的複雜度已不可同日而語。

面對工程師最常問的：「那規範在哪裡？」

實務上，目前業界針對 CPO 或矽光子產品還沒有單一且完全專屬的標準，最權威的依據仍是經典的 Telcordia GR-468。但在高度整合的趨勢下，這套傳統驗證邏輯正迎來前所未有的挑戰。

之前我們已從矽光子元件組成與決定效能的關鍵（閱讀更多：「光」革新突破半導體極限　矽光子晶片即將上陣），進而分享對應的解決方案（閱讀更多：矽光子開發遇到什麼瓶頸？），以及如何突破矽光子量產的核心難關（閱讀更多：矽光子CPO量產見曙光！從「漏電」到「漏光」如何迎刃而解？）。

亦針對光子積體電路（PIC）的五大關鍵部件，詳細剖析其常見故障模式（閱讀更多：為什麼 AI 晶片需要「光」？拯救超貴晶片的「矽光子眼科醫生」大解密！）。
本文將從光通訊規範 Telcordia GR-468 的角度，分享如何終端系統應用，回推到模組、元件與製程層級，矽光子系統如何順利 Bring-Up（啟動調試）與量產導入。

一、Telcordia GR-468 究竟是什麼規範？還堪用嗎？

電信級　Telcordia GR-468　是由通訊權威機構　Telcordia Technologies （前身為為美國貝爾通訊研究公司 Bellcore）於 2004 年釋出的核心規範（GR-468-CORE）。儘管它問世已久，但其嚴謹的測試架構，至今仍是全球矽光子元件進入 AI 伺服器供應鏈時，最被系統客戶採用的可靠度驗證依據。

Telcordia GR-468 這項規範的核心價值在於其「跨領域的覆蓋力」。

（一） 涵蓋完整光電鏈：包含雷射二極體（Laser Diode，簡稱 LD）、光電二極體（Photodiode，簡稱 PD）、電吸收調變器（Electro-Absorption Modulator，簡稱 EA Modulator）和 LED 等相關光電元件。

（二） 封裝層級延伸：GR-468 依「組裝完成度」將待測物分為多個封裝層級（Assembly Level），測試對象可從晶圓到單一晶片，延伸至次模組，仍至整顆光模組，從不同層級對應不同測試條件與驗證深度。

（三） 環境模擬：GR-468 規範嚴格區分機房溫控環境（Central Office，簡稱 CO）與戶外無空調環境（Uncontrolled Environment，簡稱 UNC），不同環境對應不同溫度範圍與應力條件，讓驗證條件貼近真實系統場景，這正是系統端最在意、也最容易在早期被低估的風險來源。

例如，應用於資料中心機房的設備，長期處於溫控環境，溫度與濕度波動小，應力條件相對溫和，驗證重點在於長時間的穩定運作。而隨著 AI 應用場域的擴張，例如：馬斯克計畫將 AI 運算中心送入外太空，若設備處於戶外或無空調環境（Uncontrolled Environment, UNC），將面臨劇烈的溫度波動、濕熱與高環境應力，極端溫差將嚴苛考驗封裝材質與光學對位的穩定度。

（四） 定性與定量並重：Telcordia GR-468 除了可藉由「定性測試（Qualitative Tests）」判別是否符合規範（Pass 或 Fail）、是否可量產導入，亦可透過「定量測試（Quantitative Tests/ Aging Tests）」進行壽命推估（EOL）、可靠度模型建立與系統設計優化。

以上這些 Telcordia GR-468 的設計，讓可靠度驗證能隨產品成熟度逐步展開，非常符合矽光子系統 Bring-Up 與量產導入節奏。

二、為什麼矽光子元件跑完規範，系統還是掛了？

看來 GR-468 規範仍然寶刀未老，但為何在實際應用中，許多跑完規範的矽光子系統仍無法順利運作呢？
宜特觀察發現，即便產品通過了 GR-468 規範中的環境應力測試，開發者在系統 Bring-up 或長期運作時，依然會頻繁遭遇莫名的訊號衰減。

這是因為在 CPO 架構下，光、電、熱、機械四者間的交互影響極其複雜。傳統「通過/不通過（Pass/Fail）」的判定邏輯，已不足以偵測高度整合後產生的深層失效模式。

以下是矽光子走向系統整合時，最令工程師頭痛的兩大硬傷：

（一） 熱力學矛盾與 ELS（外置光源）的妥協：

負責核心運算的 GPU（圖形處理器）屬於高功耗熱源，運作溫度動輒攀升至 100°C，這與對熱極度敏感、工作溫度需壓制在 70°C 以下的光傳輸元件（雷射光源）產生了嚴重的熱力學矛盾。雷射光源受熱會導致啟動閾值電流指數型增加、波長變長（紅移），並加速元件內部缺陷擴散而縮短壽命。

為了化解這項矛盾，業界傾向 ELS（External Laser Source，外置光源），將雷射光源像電池一樣外掛。但這衍生了以下風險 ：

1. 高功率運作的老化（Aging under High Power）：

ELS 需供應極高光功率給多個矽光引擎，雷射在極高驅動電流下運作，內部的晶格缺陷會隨時間與高溫擴大，形成「暗線缺陷（Dark Line Defects）」，導致發光效率劇降。

宜特建議可執行HTOL（高溫操作老化測試）。在 85°C 或更高溫下持續通電數千小時，觀察光功率衰退曲線，以推算出產品是否能支撐 10 年以上的系統壽命。

2. 連接介面的脆弱性：

ELS 增加了連接介面，保偏光纖（PM Fiber）的過度凹折，或是接頭沾染微塵、插拔產生機械微裂痕，都會導致插入損耗（IL）升高，成為系統潛在的故障點。

（二） 異質整合的「應力」拉扯（CTE Mismatch，熱膨脹係數失配）：

矽光子晶片內含矽、三五族化合物、玻璃光纖與金屬，這些材料受熱後的膨脹程度（CTE）差異極大。例如矽晶片（2.6）與 PCB 板（15）甚至 UV 光學膠（50~100）之間巨大的應力差，在發熱時會產生劇烈拉扯：

1. 次微米級的對位挑戰：

光纖陣列（FA）與矽光晶片耦合時，對位精度要求在次微米級。一旦受熱產生Warpage（翹曲）或應力拉扯，輕則光路偏移，重則導致結構 Delamination（剝離）。
宜特建議可透過 TC（溫度循環測試）。在 -40°C 到 +85°C 之間劇烈變換，確認光學膠是否裂開，並嚴格監控 IL（插入損耗）是否超標，而非僅看元件是否能通電。

2. 膠材劣化與水氣滲透：

高溫高濕環境會導致固定用的 UV Epoxy（光學膠）發生老化、膨脹或潛變，直接造成訊號損失。
宜特建議可執行 THB（溫濕度偏壓測試，即85/85測試）。在 85°C/85% RH 環境下施加電壓 1000 小時以上，確保膠材在極端環境下的結構強韌度。

隨著矽光子與 CPO 架構的快速發展，可靠度驗證不該只是為了拿一張合格證書，而是要支撐系統長期的穩定運作。

目前的 Telcordia GR-468 規範環境要求, 主要分成機房溫控環境（簡稱 CO）與戶外無空調環境（簡稱 UNC），但在光通訊業者對故障經驗實務累積下, 以及未來更嚴苛的 AI 運算環境（例如太空軌道資料中心）需求下，現有標準已漸顯不足，IPEC 協會 2025 年可靠度執行協議針對光模組納入抗硫化、鹽霧、落塵等更嚴苛的環境測試，以滿足對可靠度的極致要求，相關供應鏈必須及早做好準備。

本文出自 www.istgroup.com