咖啡漬圈環有道理

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。

咖啡因對大腦的影響

咖啡因是一種分子上的模仿大師。人類醒著的每一分鐘，腦中都會不斷增加腺苷（adenosine）這種化學物質，像是沙漏的沙子不斷累積，能夠告訴我們已經醒著多久，且會讓大腦運作逐漸放緩，創造出一種睡眠壓力，讓人體做好入眠的準備。所以醒著 12 個小時到 16 個小時，人就會感受到一種難以抗拒的誘惑，想回臥室躺著進入夢鄉。

然而，咖啡因的分子結構十分類似腺苷，能夠搶先一步與腺苷的受體結合，卻不會活化受體；這樣一來，反而是對這些腺苷受體形成一種化學封鎖。所以，只要你的腦中有大量咖啡因，腺苷就無法與受體結合，難以傳遞正常的訊號咖啡因就是靠著這種藥理作用來抑制睡意，使大腦保持警覺與專注。雖然腺苷依然不斷在大腦中堆積，只不過所發出的訊號就這樣被咖啡因給堵住了。但是，等到身體分解了咖啡因，腺苷就會宛如大壩潰堤，讓人感受到沛不可擋的睏意——這就是可怕的咖啡因崩潰（caffeine crash）。

植物合成咖啡因，原本是做為一種天然的殺蟲劑，避免葉子或種子遭到啃食，甚至還能殺死昆蟲。但奇怪的是，像是包括幾種咖啡類與柑橘類植物在內，有些植物的花蜜也含有咖啡因，花蜜原本該是用來吸引昆蟲授粉的。實驗結果顯示，咖啡因能夠增強蜜蜂的嗅覺學習能力，讓蜜蜂更能記得這些花的氣味，於是不斷回訪這些有著咖啡香氣的花朵。也就是說，這些植物等於是讓蜜蜂吸了興奮劑，引誘它們成為自己忠實的授粉者；可以說，正是咖啡因讓蜜蜂願意不斷嗡嗡嗡上工。

咖啡因的另一個作用是增加依核裡的多巴胺濃度，同時也會提高多巴胺受體的敏感性。這會刺激我們前面提過的中腦邊緣報償路徑，讓人在喝到一杯好茶或咖啡的時候，感受到愉悅的好心情；但也會讓人上癮。人類之所以愛喝咖啡或茶之類的飲料，是因為這能夠刺激大腦、抑制睡意；而且只要一開始喝了，就會因為咖啡因成癮而讓人維持這樣的習慣。於是回過頭來，我們就看到咖啡因對歷史產生了長久的影響。

在啟蒙時代，咖啡在歐洲咖啡館裡刺激了知識份子的思想與話語；到了不斷變化的工業時代，則是茶讓英國工人階級的身心得以調適。工業革命淘汰了像是編織、打鐵這些傳統工藝，以龐大的機器加以取代。從煤氣燈到電燈泡，各種人造光源讓工廠開始能夠一路運作到深夜。而咖啡因不但能讓工人在單調無趣的工廠環境裡，維持清醒專注，連那些營養不良造成的飢餓感也能一併排除。茶裡面加的糖也能提供熱量，讓人在長時間的輪班期間維持體力。咖啡因就這樣將工人變成了更好的零件，更能配合那些永遠不知疲倦為何物的鋼鐵機器。

〔附注：出於類似的原因，戰爭時期的軍隊也會運用各種精神藥物。像是希特勒速度驚人的閃電戰，先是在 1939 年 9 月橫掃波蘭，接著在 1940 年初攻下法國與比利時。這一方面靠的當然是德意志國防軍裝甲師的機動性，坦克既配備了無線電裝置用於協調，還能得到德意志空軍轟炸機的空中支援。但另一方面，這項成功的背後還有另一項技術的支援：靠著合成興奮劑「甲基安非他命」（methamphetamine，分子結構類似腎上腺素），德軍能夠戰得更猛更久，而不會感覺精神倦怠或身體疲勞。安非他命的化學作用讓人進入高度警覺狀態，也大大提升了自信與攻擊性。閃電戰的成功，靠的其實也是部隊嗑了藥。就連希特勒本人也同時混打多種藥物（古柯鹼、甲基安非他命、睪固酮），提供作戰指揮時的體力。〕

所以講到工業革命，工廠與磨坊的動力靠的是蒸汽機，但如果是操作機器的工人，靠的燃料就是東印度公司帶來的茶葉、加上來自西印度群島的糖。於是，茶的歷史深深植根於對勞工的剝削——從印度的茶園、加勒比海的甘蔗栽培園、再到英國的工廠，都壓榨著這些工人所有清醒的時分。

如今，若想要控制我們的睡眠清醒週期（sleep-wake cycle），咖啡因仍然是一項重要工具。這個科技社會的步調太過急促，不允許我們被動順應自己的生物時鐘，得主動加以調整，適應數位時鐘的要求。而很多人靠的就是自行攝取咖啡因，在每天上班途中把自己叫醒、讓自己能在辦公桌前熬夜趕工，或是在長途飛行後，把生理時鐘同步到新的時區。很多咖啡因成癮者都能自己調整這種藥物的劑量，一方面巧妙發揮咖啡因的正面作用，讓自己更能面對現代世界對專注力的需求，另一方面也能避免過度攝入造成的負面作用，像是焦躁不安、心跳加速、胃部不適。

然而，咖啡因雖然讓我們得以抑制大腦發出的睡意訊號，卻也成了現代人常常睡眠不足的一大主因。咖啡和茶就這樣和人類玩著兩面手法：我們喝咖啡和茶，是為了緩解長期的嗜睡；但造成這種情形的元凶也正是咖啡因。事實上，我們早上會想趕快來杯咖啡，讓腦子清醒一點、或是提振精神，很多時候其實是在緩解一夜難眠的戒斷症狀。

——本文摘自《人類文明：生物機制如何塑造世界史》，2024 年 05 月，天下文化出版，未經同意請勿轉載。

• 文／小風，剛拿到化工系畢業證書的 Swing Dance 愛好者。喜歡把複雜的事情用聽得懂的方式跟大家分享，致力於讓社會了解化學工程的美好。
• 上集〈翡冷萃咖啡的祕密（上）：市售冷萃咖啡其實是「非冷萃」嗎？〉

上集，我們利用輸送現象，並建立模型，解釋了市售冷萃咖啡為什麼可能不是冷萃的原因。理論與模型終究是紙上談兵，複雜的現實情況必然無法用我們的簡單理論完美描述。

「一個好的模型，是帶來出乎意料成功的非現實簡化。¹」

本集，我們就要透過實驗，來檢視簡化模型預測的咖啡濃度差是否跟實驗結果相似。這個實驗不需要任何實驗室儀器，只需要手機鏡頭跟圖片編輯軟體就能辦到！

利用「比色法」辨別濃度

若要辨認咖啡的濃度，在使用同一種咖啡豆的情況下，我們一般會很直觀的認為顏色深的咖啡比較濃，顏色淺的咖啡比較淡吧²！如果我們知道什麼濃度的咖啡會有什麼樣的顏色，當我們沖出一杯咖啡時，就能以顏色判別濃度，這就是「比色法」的概念。咖啡濃度與顏色之間的關係，從「檢量線」可看出來 。可想而知，檢量線如果準確，實驗結果就會比較準。因此，如何建立檢量線就很重要了！

要建立檢量線，我們可以透過「連續稀釋法」，先取得數個已知濃度的咖啡樣品。首先，我們以正常方式用 80℃ 熱水沖一杯咖啡，設定這個濃度為 1.0，也就是標準濃度。接著，取出一部分的咖啡與等量的水混合，稀釋後的咖啡濃度就是原本的一半，也就是 0.5。再將稀釋後的咖啡取出一部分與等量水混合，得到 0.25 濃度的咖啡，依此類推。

小畫家就能量化顏色

有了咖啡樣品，接著需要找到量化咖啡顏色的方式。相信大家都有使用小畫家的經驗吧！若用小畫家開啟一張照片，使用「顏色滴管（color picker）」就可以知道某個特定顏色的 RGB 值，也就將顏色量化了。

所以，我們可以將咖啡樣品用相同規格的透明容器裝起來，在相同的光源、背景、角度下用手機拍照，傳到電腦再用小畫家開啟，就能知道這些咖啡顏色的 RGB 值了。

不過，再仔細想想，你會發現幾個問題：

1. RGB 值有三個數字，哪一個數字或什麼樣的組合才代表濃度呢？
2. 用小畫家一次只能得到一個點的數值，也就是滑鼠鼠標對應位置的 RGB 值，不利統計。

為了解決第一個問題，我們可以使用灰階照片。假設顏色深淺是濃度對應的指標，那麼將彩色照片轉為灰階就可以讓 RGB 三個數字一致，又不失顏色深淺的特徵。

至於第二個問題，我們可以使用數學界四大軟體之一的「Matlab」。軟體中的 Image Viewer 可以一次獲得指定範圍內每一像素的 RGB 值，對這些數字取眾數，就可以獲得比較具代表性的 RGB 數值了。

將樣本濃度與灰階後的 RGB 值³ 繪於一張圖上，就得到了檢量線。

簡化模型真的能成功嗎？

既然我們已經有了估測咖啡濃度的方法，現在就可以用不同溫度的水沖泡咖啡，來驗證實驗結果是否與模型相同。

首先，用 87.5℃⁴、80℃、25℃ 的水沖泡咖啡，並分別將咖啡拍照，轉灰階。接著用 Matlab 取得 RGB 值後，利用檢量線對應出相對濃度。最後，跟模型計算的數值比對。

表一、模型能合理預測不同水溫下的咖啡濃度。製表／作者

由表一可見，模型可以合理估算出實際沖泡的咖啡濃度，也再次強調，一個好的模型：是帶來出乎意料成功的非現實簡化！

比色法的缺點

看到這裡，或許你會覺得比色法實在太好用啦！是不是以後都不需要高階實驗儀器與方法，只要用比色法就能替所有化學物質定量了呢？當然不！

其實在這個簡易咖啡實驗中，我們能發現幾個顯而易見的問題：

1. 若要講究比色法的嚴謹定量，就只能使用在內插的範圍，絕不可用來解釋外插才能得到的數據⁵。舉例來說，圖五中 25℃ 水沖泡的咖啡落在檢量線的兩個數值之間，能夠對應出相對的濃度，這樣稱為內插。但是，87.5℃ 熱水沖泡的咖啡濃度定量，是由最後一段檢量線向外延伸到 87.5℃ 咖啡對應的 RGB 值，再向左對應出相對濃度。這樣的對應稱為外插。

這是相當不嚴謹的估算，因為我們無法確保 RGB 值與相對濃度的關係在這段範圍裡依舊會跟相對濃度 1.0 與 0.5 的直線相同。

2. 雖說上集介紹的模型可以套用在每一種化學物質，但我們的計算都是以咖啡因為基準（詳見上集的註解1）。但是，咖啡因溶於水是無色透明的，所以用比色法討論咖啡因或其他沒有顏色的物質並不合適。

不過，儘管有這些問題，若僅是要簡易估算各物質平均在咖啡中擴散的模型與實驗，從表一的結果來看依舊是可行的。

工程思維：效率與品質可以兼顧

合理簡化一個複雜問題，不一定會失去正確性。

在這次的實驗中， 質量傳遞模型有許多簡化跟假設，實驗用到的比色法也有許多假設，甚至還有小範圍的外插。我們當然可針對這些簡化，用更高深困難的理論與數學，例如考慮熱水在沖泡過程中冷卻、濾袋的幾何結構、捨棄等效水道長的概念而用顆粒床⁶ 的公式計算等，結合程式編碼，模擬出更符合真實情況的計算。

可是，模型的建立會因此更困難，計算難度也高出許多，結果卻可能沒有顯著差異。相對的，簡化模型與比色法實驗的相符，替「出乎意料成功的非現實簡化」提供了最好的例子。總而言之，一個模型怎樣才算過度簡化，往往還是需要與實驗、經驗比對，才會知道。

雖然如此，這也不代表工程師不注重基礎理論。近年的化工研究發展大多高度要求物理、化學、生物理論的應用，諸如材料開發（分子設計）、藥物研究（像是標靶治療、奈米反應器、輸送治療蛋白質等）、能源工程（例如天然氣水合物性質研究、生質能轉換效率如何提高）、奈米製程（觸媒開發、晶圓製造等）。

對我來說，討論化工與化學、物理的差異，也不應停留在理論的複雜程度，而是著眼的系統跟尺度不同。舉例來說，化工藉物理、化學觀念來描述工廠的管線輸送、反應爐、蒸餾塔等設計，並用相同方法描述人體內的血液輸送以研究標靶治療與中風解方等；相對的，有些物理與化學領域專門研究分子、原子或更小層級⁷，意在關注物質與能量如何組成。

因此，區分化工與物理、化學領域的並不是使用理論的難易度，而是關注的應用不同，可別搞錯了喔！

註解

1. 節自 Dill and Bromberg 在《Molecular Driving Force》一書中對統計力學的描述 “To borrow a quote, statistical thermodynamics has a history of what might be called the unreasonable effectiveness of unrealistic simplifications.”
2. 通常淺焙咖啡的顏色比深焙淡，然而，這不必然表示淺焙咖啡中每一種化學物質的濃度都比深焙咖啡的還要低。所以此處強調要使用同一種咖啡豆才能比較。
3. 因為黑色的 RGB 值是（0, 0, 0），白色為（255, 255, 255），如果直接使用，高濃度咖啡的 RGB 值較小，低濃度咖啡的 RGB 值較高，數值較不直觀。因此，我們使用經過轉換的 RGB 值來建立檢量線：Adopted RGB = 255 – Measured RGB。
4. 熱水壺中的水溫原本是 95℃，但在沖咖啡的過程中，熱水會顯著的降溫。因此，模型預測時的參數是用熱水的初溫與末溫平均值來帶入計算，也就是 87.5℃。
5. 內插的範圍是檢量線的最低與最高數值之間：RGB 值 77 到 211 之間。226.6 的 RGB 值不在此範圍間，屬於外插。
6. 顆粒床（granular bed）：在化工通常指布滿用以吸收、萃取之顆粒的長管。流體會由上而下或由下而上的在管中流動，以讓流體與顆粒可以盡量充分反應。但是要注意，顆粒床通常用來描述管內顆粒沒有被流體沖散而流動的情況，與之相對的是流體化床（fluidized bed）。
7. 化工涉足這種微小尺度也行之有年，例如運用分子模擬開發材料、量化計算探討分子結構等。此部分的研究確實與化學、物理關心的領域重疊，但最終研究目的總會與工程應用連結。

• 責任編輯/竹蜻蜓