在台灣，當股價下跌時，有更多人因心理疾病入院

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。

我們發現在足球賽中，只要知道一個簡單的訊息（主隊過去的獲勝機率超過一半），預測力就會明顯好過隨便亂猜。如果再加上第二個簡單的訊息（勝負紀錄較佳的隊伍會略占優勢），可以再進一步提升預測力。除此之外，你可能還想收集其他訊息，像是四分衛最近的表現、球隊有沒有傷兵、明星跑衛的花邊新聞，但這些資訊對預測的幫助不大。換句話說，預測複雜系統這件事依循著「收益遞減定律」：第一個訊息很有幫助，但很快就找不到有幫助的其他訊息。

對於某些事件，我們當然會非常計較預測的準確性，像是投放線上廣告或投資高頻交易（HFT），可能一天內就要預測數百萬、數十億次，而且金額相當龐大。投入極大心力與費用、運用最精細的運算模型來開發複雜的預測方式，在那種情況下或許值得。但在其他商業領域，例如製作電影、出版書籍到發展新技術，只需要一年預測數十次、頂多數百次，而且這不過是整個決策過程中的一部分。這時，我們只要借助相對簡單的方式，就可以讓預測臻至完善。

預測時，不該只根據一人的意見就做決定——尤其是你自己的意見。雖然人們善於察覺與特定問題相關的因素，卻往往不會評估因素之間的相對重要性。譬如，預測電影的首映週末票房時，你可能會認為一些變項都是高度相關，例如製作費、宣傳費、上映廳數、試映會評價。沒錯。但我們要如何權衡「評價不優」與「額外行銷預算：一千萬美元」之間的比重？這沒有一定答案。同樣，在決定分配行銷預算的方法時，要如何判斷多少人會受到網路或雜誌廣告影響，又有多少人會從親朋好友那邊聽到產品訊息？我們也不清楚。唯一知道的是，這些因素都可能相關。

你可能會以為，精準判斷應該是專家的強項。但正如泰特洛克的試驗結果，專家在量化預測上的表現，其實跟普通人一樣糟糕，甚至可能更糟。然而，我們依賴專家之所以會成效不彰，不是因為專家的預測力跟一般人沒兩樣。問題在於，我們通常一次只會諮詢一位專家（否則何必找專家）。但我們應該要綜合多人的意見（無論是專家或非專家）再取平均值。至於要如何達成？這其實沒那麼重要。

儘管預測市場有各種花俏的噱頭與技術，表現也比民調這類簡單方式好一點，但這種微小差異，還不如採用某種方式簡單綜合許多觀點再取平均。或者，我們也可以直接根據歷史數據，評估各項因素的相對重要性——這實際上就是統計模型在做的事。我必須再強調一次，雖然複雜模型可能會比簡單模型好一點，但兩者的差異小到幾乎沒有差別。到頭來，模型跟群眾所能達到的預測目的都一樣。第一，這兩種預測方式都要靠人為判斷，確認哪些因素與預測相關。第二，兩者皆需要估計、權衡那些因素的相對重要性。正如心理學家羅賓．道斯所言：「訣竅在於，找到要注意的變項，然後知道如何加入它們。」

只要一直使用這個訣竅，一段時間後，就會知道哪一些預測的失誤率較小，哪一些較大。舉例來說，當你要預測一個事件的結果，假如其他條件都相同，那越早做預測的失誤率就越大。不管你用什麼方法預測電影票房，在「剛開拍」時會比「上映前幾週」時要難得多。同樣，如果你想預測尚未上市的新產品銷量，那準確度可能不會高過預測已上市的產品。

你無法解決這個問題，唯一能做的只有：使用其中一種方式，或甚至結合幾種方式，就像我們研究預測市場時的方法，然後隨時觀察、記錄預測的表現。我在第 6 章開頭也提過，一般人通常不習慣追蹤自己的預測。我們做了大量預測，卻很少回頭檢視自己對了幾次。然而，留意並記錄預測成效或許才是最重要的事，唯有如此，你才能知道準確度是多少，進而知道自己預測的可信度。

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。

「關於《科學》…控訴我的前同事 Sylvain Lesné 博士可能篡改影像，我不予置評，畢竟後者正在接受明尼蘇達大學的正式調查。然而，文中的科學陳述我有意見，因為針對我的學理描述並不正確。」^[1] 2022 年 7 月 21 日，知名期刊《科學》的新聞專題，指出影響深遠的 2006 年阿茲海默症論文造假，向全球醫療圈投下震撼彈。^[2] 隔天當事人之一，明尼蘇達大學的 Karen Hsiao Ashe 教授親上火線，在阿茲海默症新聞論壇 Alzforum 上，發出嚴正聲明，同時引發學界熱烈討論。^[1]

《科學》期刊報導，去年 8 月，二名希望 Cassava Sciences 製藥公司股票下跌，以從中獲利的投資人，^[註] 透過律師聘雇時年 37 歲的范德比大學神經科學家 Matthew Schrag 。他們付了美金 1 萬 8 千元，要求調查該公司的阿茲海默症實驗藥物 Simufilam 。執行任務的過程中， Schrag 發現一篇 2006 年刊登於《自然》期刊的論文，十分可疑。^[2] 該研究的第一作者是 Sylvain Lesné ，而 Karen Hsiao Ashe 則是通訊作者。^[3]

Karen H. Ashe 教授是中國裔美國人，本姓蕭，但冠上第二任丈夫的姓氏 Ashe 。^[4] 母親為生化學家袁昭穎（Joyce C.Y. Yuan），曾任諾貝爾得主 Alexander Todd 實驗室的訪問學者；^[5] 父親則是明尼蘇達大學航太工程榮譽教授蕭之㑺（Chih Chun Hsiao），於兩次國共內戰之間移民美國，後來曾受邀赴共產中國教書，並致力於中美交流。^{[4, 6, 7]} 不枉其家學淵源， Ashe 教授 3 歲立志當科學家， 17 歲跳級進入哈佛大學二年級就讀， 27 歲時不僅已經唸完哈佛大學醫學系，還取得麻省理工的博士學位。她曾追隨諾貝爾得主 Stanley Prusiner 教授進行腦部研究；後來在自己領導的團隊中，和法國科學家 Sylvain Lesné 合作阿茲海默症相關主題，^[4] 還因此獲得重要獎項。^[2] 2012 年明尼蘇達的世紀老報《明星論壇》，在專訪中更描述她多才多藝，且具有謙遜的中國傳統美德。^[4]

在 2006 年《自然》期刊關鍵性的論文中， Lesné 和 Ashe 表示注射到腦袋裡的 Aβ*56 ，會令年輕小鼠失智，並認為此發現將有助未來的阿茲海默症研究。^{[2, 3]} Aβ*56 唸作「 amyloid beta star 56 」，是一種 β 澱粉類蛋白（amyloid beta，縮寫成Aβ）。^[2]如何減少 Aβ 的累積，至今仍是阿茲海默症研究的方向之一；^{[2, 8, 9]} 而 Cassava Sciences 的 Simufilam ，則是以預防 Aβ 與特定受器結合，來達此效果。^{[10, 11]}

這次新聞事件的吹哨者 Matthew Schrag ，此前就曾公開批評美國食品藥管理局，不該核准另一款抗 Aβ 藥物；而他自己的研究也與 Cassava Sciences 的主張相悖，認定 Simufilam 對受試者有弊無利。當 Schrag 開始懷疑 Lesné 不只是在 2006 年《自然》刊載的影像上動手腳，《科學》期刊請來 George Perry 和 John Forsayeth 等頂尖專家協助鑑定。他們均認同 Schrag 的看法，也就是對 Lesné 發表於超過 70 篇論文中的上百張影像存疑。^[2]

這把燒毀阿茲海默症重要研究根基的熊熊烈火，一發不可收拾，向四面八方蔓延開來。美國國家衛生研究院、《自然》、《神經科學期刊》、《PLOS ONE》，以及與《科學》同屬美國科學促進會的《科學信號》等單位，通通重新審視 Lesné 參與的論文，而且其中部份已遭撤回。 Schrag 批評這些錯誤資訊，不單浪費國家衛生研究院為數可觀的贊助經費，還被引用數千次，「因此誤導了整個學界。」另外，他也揪出 34 篇由其他作者撰寫，跟 Cassava Sciences 直接相關的問題論文，並上報國家衛生研究院。^[2] 因此，那斯達克股票交易所警告投資人， Cassava Sciences （股票代號： SAVA ）的情況岌岌可危。如果未來美國食品藥物管理局不批准 Simufilam ，其股價或許會慘跌至個位數字。^[12]

儘管事件主要聚焦在 Lesné 上，就學術倫理來說，身為 2006 年那篇論文的通訊作者， Ashe 教授也得為研究品質負責。^[13-15]面對「誤導整個學界」的指控，她在 Alzforum 上以自己過去發表的研究，說明 Aβ 分為第一型與第二型。當年害小鼠失智的 Aβ*56 ，屬於第一型；而第二型則是在類澱粉蛋白斑塊（amyloid plaques）中找到的。「後者是藥物研發者屢戰屢敗的目標。」Ashe 教授寫道：「從來就沒有臨床試驗針對第一型，但那才是我在研究中點出的失智關聯。」^[1]

在 Ashe 教授的辯駁下方，有幾名學者留言強調學界不該以偏概全，為了一則新聞報導，抹滅相關研究的重要性。^[1] 此外，目前仍在進行中的 Simufilam 臨床試驗，也與 Aβ*56 無關。他們當初挑選受試者的條件，包含某種蛋白質跟 Aβ42 的比例（CSF tau/Aβ42 ratio ≥ 0.28）；^[16] 所發表的論文，也是在分析是否能抑制 Aβ42 的負面影響。^[10]

然而，就因為阿茲海默症的藥物臨床試驗，都不是和 Aβ*56 直接相關，^{[11, 16]} Ashe 教授便責無旁貸了嗎？美國軍醫學校的 David Brody 博士在 Alzforum 的討論串中提到，他的團隊以前試圖重複 Aβ *56 的研究，花了約一整年的時間，卻徒勞無功。^[11] 《科學》也提及不少實驗室，遇到一樣的情形。^[2] 這些想要以經典為基石向前邁進的人，都被謊言所羈絆，而使得醫學的進展停滯不前。失敗的研究當然不太有論文發表，^[2] 更甭論人體臨床試驗。害大家耗費精力走冤枉路，難道不是對阿茲海默症研究的嚴重傷害？

「你可以靠作弊發表論文，獲取學位，贏得補助」， Schrag 對《科學》的記者說：「但你不能用欺騙來治癒疾病」。^[2] 諷刺的是，十年前《明星論壇》也記錄了 Ashe 教授類似的談話。她當時鼓勵人們要勇於挑戰她，因為錯誤的理論「不會迎來解藥」。^[4]

備註

根據美國第一證券的解釋，「賣空」（short selling）的投資人會將非己有的股票售出，計劃未來以較低的股價買回。^[17] （筆者完全沒聽懂為何這樣能獲利，還請會玩股票的讀者不吝指教，謝謝。）

參考資料

1. Sylvain Lesné, Who Found Aβ*56, Accused of Image Manipulation (Alzforum, 2022)
2. Charles Piller. (2022) ‘Blots On A Field?’ Science, 377, 6604.
3. Lesné, S., Koh, M., Kotilinek, L. et al. (2006) ‘A specific amyloid-β protein assembly in the brain impairs memory’. Nature, 440, pp. 352–357.
4. Dr. Karen Ashe: Stalking Alzheimer’s (Star Tribune, 2012)
5. MCFGS ADVISORS (明州中国友好花园协会，accessed on 26 JUL 2022)
6. CC Hsiao Memorial (The University of Minnesota Digital Conservancy, 2009)
7. Changsha Garden History (明州中国友好花园协会，accessed on 26 JUL 2022)
8. Multiple Dose Study of Aducanumab (BIIB037) (Recombinant, Fully Human Anti-Aβ IgG1 mAb) in Participants With Prodromal or Mild Alzheimer’s Disease (PRIME) (ClinicalTrials.gov, 2020)
9. An Extension Study of V203-AD Study to Evaluate the Safety, Tolerability, Immunogenicity, and Efficacy of UB-311 (ClinicalTrials.gov, 2021)
10. Wang HY, Bakshi K, Frankfurt M, et al. (2012) ‘Reducing Amyloid-Related Alzheimer’s Disease Pathogenesis by a Small Molecule Targeting Filamin A’. Journal of Neuroscience, 32, 29, pp. 9773-9784.
11. Simufilam (Alzforum, 2022)
12. 7 Meme Stocks Trading at a Massive Discount Right Now (Nasdaq, 2022)
13. 想一想：共同作者是誰（臺灣學術倫理教育資源中心，accessed on 26 JUL 2022）
14. 科技部對研究人員學術倫理規範（科技部，2017）
15. Corresponding author defined (Springer, 2020)
16. Simufilam (PTI-125), 100 mg, for Mild-to-moderate Alzheimer’s Disease Patients (ClinicalTrials.gov, 2021)
17. 投資辭彙（FirstTrade，accessed on 28 JUL 2022）