汽車塗料與石墨烯合作幫雷達除冰

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，原文為《讓敵人無所遁形的軍事鷹眼！以多頻譜影像處理演算法進行目標物偵測與追蹤》
• 作者 / 科技大觀園特約編輯｜曾繁安

戰場上，分秒之差就能是決定勝敗生死的關鍵。因此如何更迅速捕捉敵軍的動向蹤跡，便成為國防軍備的一大研發重點。多頻譜影像技術能確切捕捉到物體反射的光譜資訊，並已在衛星、醫學、動植物辨識領域取得可行的成果。來自中正大學的研究團隊，便致力於建立多頻譜影響處理演算法的資料庫，期望能應用在軍事目標物的偵測追蹤上，為前線戰士助一臂之力！

掌握物體的「本色」：多頻譜影像技術

色差，是日常生活中會碰到的困擾：不管是印刷品的呈色與預想不符，或是網購的衣服顔色與想象中有所落差。這與傳統的色彩影像量測技術，如電腦電視使用的 RGB 三原色光模式及彩色印刷的 CMYK 四分色模式，在不同裝置上檢測及重現時出現的差異有關。但是，只要回歸到視覺與色彩形成的根本——光線，我們可以解決這些問題。

大家都知道，光源照射物體後，會根據物體特性產生反射、吸收和透射等現象，人眼接收了物體反射的光線，會經由大腦分析視網膜收到的電子訊號，產生視覺色彩的感知。光線是一種電磁波，不同顔色的光有不同的頻率。而所謂的頻譜，就是物體的反射頻譜、投射頻譜或發光頻譜。頻譜影像，顧名思義即是每個畫素都帶有頻譜資訊的影像。

號稱可以捕捉物體本色的多頻譜影像技術（Multi-spectral imaging），厲害之處在於它可以直接擷取畫面頻譜的反射值。這個反射值是唯一值，不會受到不同廠牌的擷取技術或光源影響，因此是十分準確的影像資訊。一般頻譜影像的波段範圍落在可見光範圍（380 – 780nm），在定義上高光譜影像（hyper-spectrum）泛指使用儀器設備所拍攝到的多頻譜影像資料；超頻譜影像，則是以演算法將影像進行計算所得。其所具備的豐富影像資訊，也成為近年來醫學影像判識（如早期癌症病變的診斷）及衛星遙測的一大福音。

從依靠人力，到交給演算法裝置代勞的自動目標識別演算法

自動辨識技術（Automatic target recognition，ATR）的源起，可以追溯至二戰前的雷達(註1)。雷達的操作原理，便是將電磁能量以定向方式發射至空間中，藉由接收空間中的物體所反射回來的電波，計算出物體的方向、高度及速度，並探測物體的形狀。過去的雷達偵測技術，仰賴訓練有素的操作員去解讀雷達訊號，如辨識戰機的大小、型號，以幫助戰場上的同胞第一時間掌握敵營的部署。

不過，人的經驗能力終究有限，因此軍方目標偵測系統也逐漸從人力辨識，逐步發展至交由演算法或裝置來代勞，即自動辨識技術 ATR。準確率更高、速度更快的 ATR，除了可辨識海陸空的軍武，也能偵測生物性目標如動物、人類和植被。目前軍事上通常僅利用一個波段，如近或遠紅外光的資訊來判別目標物，但利用多頻譜影像或超頻譜影像豐富的資訊來進行目標物識別，卻有待發展。

利用多頻譜影像技術，打造鎖定目標的軍事鷹眼！

如果能將多頻譜影響處理演算法帶來的豐富影像資訊，與 ATR 結合，將有望能提升偵測目標的準確率，在戰場上占盡先機。但這不是一件簡單的事：首先，軍武裝載空間有限，因此需以極精簡的光學裝置，來擷取到光路相同的不同波段影像；再來，多頻譜影像資料龐大，因此需整合不同波段的影像特性，以精確辨識俊基、船艦、坦克和建築等目標物；而如何將複雜的演算法轉化成運算夠快的晶片，應用在真實的武器上，也考驗科學家的能耐。

作為影像辨識技術領域的專業，來自國立中正大學的王祥辰教授研究團隊，就志在建立一套適於分析不同目標物特性的超頻譜影像資料庫、開發目標物偵測的多頻譜演算法程式庫，並打造一個方便高效的模擬及演算平台，讓軍方研究者可以進一步建立合適的 ATR 偵測法則。

這項計劃包含三個子系統，子系統 1 是建立多光譜及高光譜拍攝影像的資料庫。就像過去的雷達系統，是依賴熟練的操作員調度腦中記憶的資訊，去與雷達訊號進行比對辨識。要訓練機器裝置去指認出目標物，首先就得提供它一個可靠的影像資料庫作為基礎。為此，研究團隊在不同的天候條件下，拍攝不同波段下的各種目標物如電塔、水泥建築、海面船艦及空中飛行物，來建立一個涵蓋陸、海、空特性的多頻譜與高光譜影像資料庫。

接著，上述涵蓋不同波段的影像，可以經過子系統 2，進行超頻譜展開運算。在子系統 2 時，為了減少計算量，使用者可設定挑選效果最好的數個頻帶，讓目標與其背景的差異達至最大化。這個過程如同指導電腦來玩「大家來找碴」的游戲，讓電腦可以學會如何在不同的場景、天氣條件下，快速辨識出指定的目標物。

子系統 2 將原本有限頻段的多頻譜影像，轉換為特定目標物適用的超頻譜影像，作為子系統 3 的輸入。在這個友善而直覺的圖形化人機介面，軍事研究人員可以在複雜的影像資料庫及法法則程式庫中不斷進行模擬，找出不同目標物的最佳化演算法則，縮短軍事研發所需的時間，提高所開發武器的效能。

如今，王教授的研究團隊已完成三個子系統的建設。此項研究成果，預計可以應用在各式對地、對空及對海飛彈，以及各式影像偵蒐系統的 ATR 設計開發上，成為新一代的鷹眼。而該研究的系統，也能幫助縮減開發測試的時間，對演算法和超頻譜頻帶最佳化都將有所助益。

【注解】

1.雷達（Radio Detection and Ranging，縮寫為 RADAR），是始於二戰前的偵測技術，其原理是利用將電磁能量以定向方式發射至空間中，藉由接收存在於空間中的物體所反射回來的電波，就可以計算出該物體的方向、高度及速度，並探測物體的形狀。

參考文獻

• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（105 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（106 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（107 年）
• 國立中正大學-王祥辰教授-應用超頻譜影像辨識癌病變方法
• 應用超頻譜影像辨識癌病變方法
• Automatic target recognition
• Multispectral image
• Hyperspectral imaging

自動駕駛，減少交通事故的福星？

從客觀的統計數據來看，人們實在稱不上是好駕駛。美國每年平均有三萬人死於車禍事件，而台灣每年則約有三千多人死於交通事故。與人類相比，機器至少不會酒駕、不會邊開車邊講電話，也能在短時間內處理更多的訊息並作出反應。Google 在 2008 年提出發展無人駕駛車輛的構想，以過去 6 年實際上路測試的統計數據來看，一共發生過 11 起事故，不過全部都是人類駕駛開車去撞無人駕駛車，諸如追撞或闖紅燈撞上等。

「自主學習」的車輛，從經驗中學習如何應變

車輛的中央運算系統必須即時處理各項觀測儀器回傳的資料，並分析周遭各種移動物體，例如其他汽車、行人等等。在程式撰寫上，有些程式指令是寫死在軟體中，例如看到紅燈就一定要停車。不過道路上情況瞬息萬變，光靠程式設計師要把所有的情形都納入並不實際，因此程式設計師賦予車輛「自主學習」的能力，從之前的駕駛經驗中學習該如何反應。舉例而言，Google的車輛已經學會辨認以及回應下列幾種情況：

• 右線道有台烏龜車，它後方的車輛有高度可能性會超車。
• 路上的坑洞或障礙物代表其他汽車駕駛有高度可能性會繞過它。
• 左線道壅塞時，駕駛有高度可能性會切換到右側車道。

隨著駕駛里程累計，車輛會試著在面對各種情形中，測試可行的解決方案，此外所有車輛的資訊與經驗也會交流，最終車輛會學會遇到特定狀況最佳的反應方式，甚至學習在偵測特定狀況發生的徵兆時，進一步去避免它。

Google 無人駕駛車，用到了哪些技術？

實際上，Google 無人駕駛車輛使用的技術大部分都在既有的車輛、或其他的應用領域中十分常見，這些技術我們多半並不陌生，且已通過實際測試，讓 Google 的無人駕駛車顯得更為可行。Google 無人駕駛所使用到的技術包括了以下幾種：

1. 光達（LIDAR）判逼近物體：光達（Laser Illuminating Detection and Ranging, LIDAR）主要用於建構3D的立體地圖，讓車輛探測周遭環境並能趁早發現潛在的威脅。光達會發射雷射光束，並藉由量測光束反射回來的時間，判斷車輛本體和周遭物體的遠近。
2. 雷達加強判定逼近物體的「速度」：縱使光達已經能偵測周遭物體距離，然而光達卻無法即時準確衡量周圍物體的移動速度與方向，在道路上車輛皆為高速移動的情形下十分危險。因此 Google 在汽車的前後保險桿上各安裝了兩台雷達，讓車輛得以避開可能的撞擊。
3. 高畫質攝影機提供立體視覺：目前市面上許多車輛都已經裝配有攝影機且功能各異，在 Google 車上，攝影機則是用來提供周圍影像，透過多台攝影機稍微不同的拍攝角度差異，能提供諸如景深以及物體的各種角度等影像，此功能就像人類左眼右眼的視差所造成的立體視覺。
4. 聲納創造更多交叉比對資料：聲納與前述幾項技術目的相同，都是用於偵測周遭環境以防止碰撞，不過聲納限制較多，像是較窄的探測範圍與較短的有效距離。然而聲納與其他系統合作，能提供更完整的資料交叉比對。
5. 定位系統：不過即便有各種防撞的安全機制，如果無人駕駛車不知道自己在哪裡也是徒然。Google 使用自己的地圖系統、GPS 衛星、慣性感測器等設備來監測車輛的實際移動速度，同時結合前述的攝影機，車輛能透過拍攝周圍的環境與 GPS 資料作比對。藉由上述技術的合作，Google 車輛定位系統的誤差能縮小到幾公分之內。

未來挑戰：如何讓無人駕駛真正安全？

在無人駕駛車真正「大行其道」前，仍然有許多障礙有待跨越。

在技術上，感測元件在豪大雨、下雪等天候不佳時，可能會運作失常，例如光學元件無法正確判讀紅綠燈等狀況，就必須在天候異常時避免開車上路。另外，由於車輛會將偵測到的物體像素化，車輛雖然會避開一個過馬路的小孩，但一團飛過道路的報紙也會有同樣的結果。因此無人駕駛車接下來的首要瓶頸，會是如何提升其各種觀測儀器的運轉穩定性與偵測準確性。

在系統上，各種不同的觀測系統的整合會是一大挑戰。正如 Google 試著讓車輛能夠自主學習，車商必須克服系統間相互干擾的問題，車輛之間的通訊是否真能如上述所說能順暢交流各自的道路經驗也備受考驗。

在環境上，目前的圖資精確度還無法滿足無人駕駛車的需求。Google 無人駕駛車輛使用的地圖相當精細－細到連路肩的高度、車道的寬度都必須仔細記錄，才能讓車輛辨識自己的位置而不至於開到人行道上。為了進行測試，Google 已經繪製約 3200 公里的詳細道路地圖，測試期間優良的安全紀錄絕大部分歸功於這份過於精細的圖資。不過，要繪製如此精細的國家尺度道路地圖實際上並不容易，美國全國公路長達六百萬公里，即便是台灣公路長度也有四萬公里，皆遠超過現有的圖資規模。

在市場上，「價格」也就是最根本和最現實的問題。以 Google 自動駕駛車為例，各項額外設備總價達 7 萬美元（約新台幣 210 萬），如此天價無法使無人駕駛車輛普及大眾化，反將淪為少規模生產的炫耀性財貨。話雖如此，無人駕駛車仍然是值得期待的科技，一旦各項觀測元件與整合技術發展成熟，隨著生產成本降低，無人駕駛車有朝一日仍可能走向商品化，讓原本只存在於科幻電影中的夢幻車輛實際駛入生活當中。

（本文由科技部補助「新媒體科普傳播實作計畫－智慧生活與前沿科技科普知識教育推廣」執行團隊撰稿）

責任編輯：鄭國威｜元智大學資訊社會研究所
審校：陳妤寧

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！