數位時代讓分手變得更難受

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。

使用社群媒體後，你變得更快樂還是更憂鬱？

想知道更多資訊的時候，你可能會上網搜尋。有時候是為了資訊的工具價值，比如透過 Google 地圖確認 A 地到 B地 的路線；腳踝扭傷時，也可以從網路上搜尋到應變的實用資訊；又或是並非真的出於任何用途，只覺得知道某些事很有趣，像是忽然想了解流行音樂歷史。你當然完全可以這樣做。

我們身邊有許多資訊都是一些抽象的概念，其中部分資訊卻可能和你切身相關。比如依據某些基本事實可以推斷你的預期壽命；某些資訊可以了解你的健康風險、未來「錢」景，甚至是個性。比起 10 年前，我們現在能得到的資訊更為詳盡正確，再過 10 年，肯定能夠知道得更多。

這章要談的內容很多，不妨開頭就先提示最大的重點：

研究顯示，整體而言，臉書會讓人變得比較不開心，而且可能感到憂鬱、更為焦慮，也對生活變得更不滿意。

我並不打算危言聳聽，事實上這些影響並不大。然而，它們的確存在。

而與此同時，有些人明明已經停用臉書、也感受到幸福感明顯增加，卻又非常想要重新打開臉書。實際上他們要求要得到一大筆錢才願意放棄臉書。這是為什麼？我們雖然無法確定，但一項合理的解釋是，使用臉書的體驗，包括帶來的資訊，並不會讓人變得更快樂，但還是有它的價值。

無知並不是幸福，而很多人都感受到這一點。人們需要知道自己在意的資訊，這是因為喜歡、甚至珍視一種和重要的人之間產生連結的感覺。

若須付費才能使用社群媒體，會怎樣？

重要的是，我們必須強調，社群媒體的功能不僅僅是提供資訊，至少不是我在這裡反覆強調的揭露資訊的意義。你會使用臉書，可能是為了和家人或朋友聯繫，也可能是為了改善荷包或健康。但無論如何，社群媒體的一大重點在於資訊傳遞，雖然這個概念要比我目前所談的更為廣泛。

而這裡的核心問題是：社群媒體究竟多值錢？

在社群媒體上，大部分的資訊是免費的，至少表面上你無須付費；或許可以說你仍需要付出注意力或個資等等。臉書和推特這些企業是從廣告獲得收益，但有鑑於相關爭議不斷，也有人認真討論起將這些平台及其服務的商業模式改成付費使用。

除此之外也有些偏理論的探討，主要關注在如何評估這些平台的經濟價值。要是民眾必須付費才能使用臉書，情況會變得如何？而民眾又願意花多少錢成為用戶？

這些答案會透露出一些重要的資訊，讓我們知道社群媒體與一般資訊所擁有的價值。而回答這些問題，也有助於了解一些更基本的問題：如何計算經濟上的價值；知道某些消費決定可能只是表面工夫；了解傳統經濟指標與實際民眾福利有何差距（請見第二章）。此外，這些答案也會進一步影響政策與法規。

要你放棄使用 FB ，可能比要你付費使用來得更難？

行為經濟學特別感興趣的一個問題，就是「支付意願」和「願意接受金額」間可能出現的巨大落差。

以臉書為例，如果我們想知道它能為我們帶來多少福利，究竟該問民眾願意為此付出多少錢，抑或該問要給他們多少錢才會願意放棄使用臉書？許多研究都探討過稟賦效應（endowment effect）的現象，也就是被要求放棄某樣商品時所要求的價格，會遠高於他們當初獲得這些商品時支付的費用。

稟賦效應目前還有爭議，至少在適用的領域、來源與程度上仍未有定論。我們可能會想知道，使用社群媒體願意付出的費用，是否大於不使用社群媒體所得到的費用？如果是的話，傳統論點又能否提出說明？

另一個同樣常見、甚至是更基本的問題，則是涉及支付意願或願意接受金額的衡量與民眾福利。我在前面也提過，在經濟學中，要是談到民眾擁有某樣商品時的福利效果，往往是以民眾願意付出多少錢來使用那件商品作為衡量。

當然，「願意付出多少錢」也是現實市場的衡量標準。但請回想一下，要提出這項金額，事實上也就是做出預測：預測該商品會對自己的福利造成什麼樣的影響。

這個問題乍看不難，尤其當談到自己熟悉的商品（鞋子、襯衫、肥皂）；但換做是從未使用過的商品，回答起來也就沒那麼簡單。對於一項從未擁有過的商品，哪知道能帶給自己多大的福利效果，以及可以換算成多少錢？

對許多人而言，臉書、推特、Instagram 等平台都是再熟悉不過的社群媒體，而且有著豐富的使用體驗。但出於某些我們馬上會討論到的原因，社群媒體用戶就是很難估算這些平台可以換算的金錢價值。

只要看看民眾提出使用社群媒體願意付出的金額，就會了解在尋求資訊上，「願意付出的金額」和民眾得到的福利效果似乎並不對等；同時值得進一步研究其中的福利效果究竟是什麼。

在這種時候，「願意付出的金額」只反映出部分的福利效果，還可能只反映一小部分。我們必須找出反映效果不佳的實際原因，並且嘗試找出更能呈現福利效果的方式。而我在這裡的目標，就是希望推進這項任務的進展。

——本文摘自《資訊超載的幸福與詛咒》，2022 年 8 月，天下文化 ，未經同意請勿轉載。

編按：你的理智知道「眼見不為憑」，但你的眼睛還是會背叛你的理智，不自覺得被眼前的影像所吸引，儘管你真的、真的知道他是假的。Youtuber 小玉於2021年底涉嫌利用 Deepfake 技術，偽造多位名人的色情影音內容並販售的事件，既不是第一起、也不是唯一、更不會是最後一個利用「深偽技術」進行科技犯罪的事件。

當科技在走，社會和法律該如何跟上甚至超前部署呢？本次 Deepfake 專題，由泛科學和法律白話文合作，從Deepfake 技術與辨偽技術、到法律如何因應，讓我們一起全方位解析Deepfake！

第一篇，讓我們就 Deepfake 技術做一基礎的介紹，那我們就開始囉！

什麼是 Deepfake？

深偽技術 Deepfake 於 2017 年陸續開始進入大眾的目光中。原文 Deepfake 源自於英文「deep learning」（深度學習）和「fake」（偽造）組合，主要意指應用人工智慧深度學習的技術，合成某個（不一定存在的）人的圖像或影片、甚至聲音。最常見的應用，就是將影片中的人臉替換為另一張臉（常是名人），讓指定的臉在影片中做出自己從未說過或做過的事情。

現今談到 Deepfake，大多數人想到的可能是偽造的成人影片，就如前述 Youtuber 小玉的事件，Deepfake 一開始受到關注，主要與名人或明星的臉部影像被合成到成人影片有關，然而，Deepfake 的功能遠不僅於此，相關的技術使用還包括了替換表情、合成一整張臉、合成語音等等。

除了像是讓過去或現在的名人在影片中「栩栩如生」做出使用者想要的表情與動作，之前在社群媒體上曾有好幾款 APP一度風靡，包括上傳一張照片就可以看看「變老」「變性」自己的 FaceApp，甚至於讓自己的臉在經典電影中講上一段台詞的「去演」APP，這類的功能也是應用前述 Deepfake 的技術。

雖然有些線索顯示這類 APP 常有潛在的資安疑慮[註]，但好歹技術的成果多屬搏君一燦自娛娛人，尚可視為無傷大雅。

而過往電影的影音產業要仿造人臉需要應用許多複雜、耗時、昂貴的電腦模擬，有了 Deepfake 相關的技術，也使得許多只能抱憾放棄的事情出現了彌補的空間。最有名的應用應是好萊塢電影《玩命關頭7》與《星際大戰》系列。《玩命關頭7》拍攝期間主角保羅・沃克（Paul William Walker IV）意外身亡，剩下的戲份後來由弟弟擔綱演出，劇組再以 Deepfake 的技術讓哥哥弟弟連戲，整部電影才得以殺青上映。

Deepfake 讓「變臉」變得太容易了？

想想過去的電影如《魔戒》中的咕嚕、或是 2008 年布萊德・彼特主演的《班傑明的奇幻旅程》，將影片或照片中人物「換臉」「變老」的修圖或 CG 技術，在 Deepfake 出世之前就已經存在了。Deepfake 受到關注的核心關鍵在於，應用 AI 的深度學習的演算法，加上越來越強大的電腦與手機運算能力，讓「影片換臉」這件事情變得越來越隨手可得、並且天衣無縫。

過往電影中採用的 CG 技術要花好幾個月由專業人士進行後製，才能取得難辨真偽的影像效果，而應用了 AI 演算法，只需要一台桌上型電腦甚或是手機，上網就可以取得軟體、有機會獲得差強人意的結果了。

進一步，傳統軟體演算法主要依靠工程師的持續修改調整，而如 Deepfake 這類技術，內部的演算法會經過訓練持續進化。有許多技術被應用於提高 Deepfake 的偽造效果，其中最常見的一個作法被稱為「生成對抗網路（Generative Adversarial Network, GAN）」，這裡面包含了兩組神經網路「生成器（Generator）」和「辨識器（Discriminator）」。

在投入訓練資料之後，這兩組神經網路會相互學習訓練，有點像是坐在主人頭上的小天使與小惡魔會互相吐槽、口才越來越好、想出更好的點子；在練習的過程中，「生成器」會持續生成偽造的影像，而「辨識器」則負責評分，反覆訓練下來，偽造生成的技術進步，辨識偽造的技術也得以進步。

舉例來說，This Person Does Not Exist 這個網站就充滿了使用 GAN 架構建構的人臉，這個網站中的人臉看上去非常真實，實際上都是 AI 製造出來的「假臉」。

Deepfake 影片不一定是問題，不知道是 Deepfake 才是問題

現今的 Deepfake 技術得以持續進步、騙過人眼是許多人努力的成果，也不見得都是壞事。像是《星際大戰：俠盜一號》片尾，年輕的萊婭公主出面驚鴻一瞥，就帶給許多老粉絲驚喜。這項技術應用癥結在於，相關演算法輕易就能取得，除了讓有心人可以藉以產製色情影片（這類影片佔了Deepfake濫用的半數以上），Deepfake 製造的影片在人們不知情的情況下，很有可能成為虛假訊息的載體、心理戰的武器，甚至於影響選戰與輿情。

因此，Deepfake 弄假似真不是問題，閱聽者因此「不辨真假」才將是最大的問題所在。

相關的研究人員歸納了幾個這類「變臉」影片常見的特徵，可以用來初步辨識眼前的影片是不是偽造的。

首先，由於 AI 尚無法非常細緻的處理一些動作細節，因此其眨眼、視線變化或臉部抽蓄的動作會較不自然。其次，通常在邊緣處，如髮絲、臉的邊緣線、耳環等區域會出現不連貫的狀況。最後，在一些結構細節會出現不合理的陰影瑕疵，像是嘴角的角度位置等。

由於現階段的 Deepfake 通常需要大量的訓練資料（影像或影片）才能達到理想的偽造成果，因此會遭到「換臉」的受害者，主要集中在影像資源豐富的名人，如電影明星、Youtuber、政治人物等。需要注意的是，如果有人意圖使用 Deepfake 技術製造假消息，其所製造的影片不見得需要非常完美，有可能反而降低解析度、非常粗糙，一般人如用手機瀏覽往往難辨真假。

人眼已經難辨真假，那麼以子之矛攻彼之盾，以 AI 技術辨識找出 Deepfake 的成品，有沒有機會呢？隨著 Deepfake 逐漸成為熱門的議題，有許多團隊也開始試圖藉由深度學習技術，辨識偽造影像。2020 年臉書與微軟開始舉辦的「換臉偵測大賽」（Deepfake Detection Challenge）就提供高額獎金，徵求能夠辨識造假影片的技術。然而成果只能說是差強人意，面對從未接觸過的影片，第一名辨識的準確率僅為 65.18%。

對於 Deepfake 可能遭到的濫用，某部分我們可以寄望技術的發展未來終將「道高一尺」，讓社群平台上的影像不致於毫無遮攔、照單全收；然而技術持續「魔高一丈」讓防範的科技追著跑，也是顯而易見的。

社群網路 FB 在 2020 年宣布全面禁止 Deepfake 產生的影片，一旦有確認者立即刪除，twitter 則強制註記影片為造假影片。Deepfake 僅僅是未來面對 AI 浪潮，科技社會所需要應對的其中一項議題，法律、社會規範如何跟上？如何解決箇中的著作權與倫理問題？這些都將是需要經過層層討論與驗證的重要課題。

至少大家應該心知肚明，過往的網路流行語：「有圖有真相」已經過去，接下來即將面臨的，是一個「有影片也難有真相」的網路世界了。

• 註解：推出 FaceApp 與「去演」的兩家公司其軟體皆要求註冊，且對於上傳資料之後續處理交代不清，被認為有侵犯使用者隱私權之疑慮。

參考資料

1. Deepfakes and the New AI-Generated Fake Media Creation-Detection Arms Race – Scientific American
2. What To Do About Deepfakes | March 2021 | Communications of the ACM
3. Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., & Ortega-Garcia, J. (2020). Deepfakes and beyond: A survey of face manipulation and fake detection. Information Fusion, 64, 131-148.
4. Deepfake 深偽技術的技術濫用與道德困境，大眾正要開始面對 | TechNews 科技新報
5. 台灣團隊研究辨識Deep Fake影片　深偽技術的正邪之戰開打 | 台灣事實查核中心 (tfc-taiwan.org.tw)