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。

又到了大學多元入學的時節，備審資料與面試，是多元入學中能否錄取的關鍵，但是多數高中生不但缺乏經驗，更缺乏概念，以下分享一些相關的基本概念。

別搞錯狀況，高中生騙不到教授的

所有方式的多元入學，大學教師都是關鍵角色。有時候大學教授在社會上會成為被嘲笑的對象，例如很容易被詐騙之類的。確實，某些教授是生活白痴，離開自己專精的領域可謂一竅不通；但是

在本行的面試場子裡，高中生想騙過大學教師，基本上很難發生。

騙術高強到能騙過老師的高三生，不敢說沒有，但是非常非常少；可是自以為能騙過教授的小朋友和家長，恐怕超級超級多。高中生必需認知到的重要原則是：教授沒那麼好騙。  

再怎麼不濟的教授，面對來找自己面試的高三生，99.9% 都是絕對碾壓。也許小朋友潛能很高，但是多年經驗的差距，是很難彌補的。  

備審資料隱惡揚善，但是不能說謊

備審資料該怎麼準備，面試時要如何回答？每個系都有不同的取材標準（若是標準一致就不是「多元」入學了），愈符合標準的機會愈大，如果目標是錄取，就蒐集情報，找個條件最符合的系，放棄機率不大的選擇。這點乍看是廢話，但是其實相當重要，一開始是否選擇適合的目標，對於最終成功與否的影響很大。

備審資料和面試必需一起考慮，因為兩者皆代表一個人的不同面向，不該有明顯矛盾。例如備審資料自稱熱衷文學，口試時被問到喜歡什麼作品，卻無法回答課本以外的項目，這種狀況就大大不妙。必需做好準備，

備審資料寫什麼，如果口頭被問，就要答的出來。

備審資料的重點不是精美，在於能否幫助你展現優點。好的備審資料必需有明確的重點，讓評審認為值得考慮；不要寫一堆言不及義的成語、形容詞（孝順、友善、朋友多之類的），要明確表達出關鍵能力。這部分是許多高中生非常欠缺的知識。

誠實是重要的原則。誠實的意思，不是說有什麼缺點都要通通坦白，而是不能說謊。一項能力只是普通，就不要說成很厲害，只是略懂，就根本不應該有提到的機會。

可是真的沒有值得一提的專長怎麼辦？這有兩個可能，第一，真的沒有特定優勢，那麼這種學生本來就不是多元入學希望網羅的目標。第二，其實有專長自己卻不知道，這樣跟一無所長其實沒有太大的差別。

總之，還在爭取面試機會時，要審慎評估自己的優缺點，挑選適合的目標。面試時的原則是隱惡揚善，搭配備審資料，儘量發揮自己的優勢，隱藏劣勢，不過千萬不要想要詐騙。絕大部分高中生的水準不但騙不過教授，反而只會害自己被扣分。

話說回來，申請入學時都覺得前路兇險，不過考驗其實在錄取以後才開始。

• 本文轉載自新公民議會《高中生面試，能騙過大學教授嗎？》

延伸閱讀：

• 參加研討會，用海報展示你自己

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

文／謝伯讓的腦科學世界

回顧科學的歷史，我們可以發現一個有趣的現象：大部份曾經出現過的理論幾乎都是錯誤的，它們要不是已經被推翻、就是正在被推翻中。科學活動，其實就是不斷在新證據出現下修改或推翻舊理論的一個過程。

因此，在閱讀科學發現和吸收科學知識時，我們必須要帶著強烈的「懷疑精神」。任何讀到的科學發現，都有可能隱藏著實驗瑕疵；任何讀到的科學理論，也都可能在明天就被新證據推翻。

當我們在閱讀時，一定要帶著批判的懷疑態度，然後去思考每個實驗背後可能潛藏的混淆變因，只有在確信實驗過程都毫無錯誤下，才能暫時「假設」這項結果正確，然後進行下一步的結果解釋和推論。

誤推因果、另有他因、倒因為果

科學新聞和科普報導的文章越來越多，很多人看完後常常就只是「哇」的一聲感到新奇，然後就只能腦中一片空白，不知道該如何對自己專長以外的領域做出回應。對於自己不熟悉的領域內容，難道真的要等到補足了相關知識，才有辦法評論和思考嗎？

在這邊偷偷告訴大家一個不需要太多專業知識，也能夠輕鬆輔助思考、批判科學研究的口訣，就是「誤推因果、另有他因、倒因為果。」

例如，當有人說「研究發現喝母乳的小孩比較聰明」時，你就要先想想以上的口訣：

第一，是否「誤推因果」。原本的研究可能只是發現「喝母乳」和「小孩聰明」兩者相關，但報導有沒有錯說成前者「導致」後者？在大多數的相關性研究中，科學家可能只是把小孩分成「喝母乳」和「不喝母乳」兩群，然後發現「喝母乳」那一群小孩比較聰明。這種結果，就只是「發現相關性」而已，並沒有真的證明「喝母乳會導致小孩更聰明」。要證明因果關係，就必須要隨機找來兩組原本智商一樣的小孩，其中一組允許喝母奶，另一組不准喝，最後再比較喝母奶後的小孩智商是否提高比較多，這樣才能證明因果關係。這種「誤推因果」的報導方式，是科學新聞中最常見的謬誤。

第二，是否「另有他因」。例如，有沒有可能是因為比較聰明的媽媽剛好都偏好餵母乳，因此她們小孩的聰明根本是遺傳自媽媽，而不是因為喝母乳才變聰明？或者，餵母乳的媽媽可能剛好都比較有心力和時間照顧小孩，因此她們的小孩是因為備受照顧才變聰明？換言之，就是另有第三個因素（共因）導致了「喝母乳」和「小孩聰明」這兩個現象，而不是這兩個現象之間有因果關係。

第三，是否「倒因為果」。有沒有可能是因為聰明的寶寶本身就有喜歡喝母奶的偏好？例如，聰明的寶寶可能在媽媽想要停止餵奶時大聲哭鬧，因此使得媽媽不得不延長餵母奶的量和時間。若真如此，那結論就應該是「聰明的小孩喜歡喝母奶」，而不是「喝母奶才變聰明」。

一項好的研究，必須針對上述這類可能的「混淆變因」進行控制，並且仔細測試各種可能的因果關係，最後才能得到可信的結論。

又例如，當有報導說「吸食大麻導致低智商」時，你就要先注意，第一，媒體有沒有「誤推因果」，有沒有不小心把「吸食大麻和低智商有關」寫成「吸食大麻『導致』低智商」。第二，有沒有可能是「另有他因」，說不定是因為吸食大麻的人剛好也都會喝酒或有其他惡習，因此是其他惡習導致低智商，而不是大麻導致低智商。第三，有沒有可能「倒因為果」，其實是低智商的人才喜歡吸食大麻？

如果能夠把握這些原則，並在閱讀他人對某項實驗結果的解釋前就先自己作出分析、解釋和推論，那是最好不過。或許，你還可以因此想出不同的創新理論。

如果自己想不出來，也要在閱讀科學家對資料的解釋和推論時，進行徹底的反思和批判。同一組數據或發現，通常都會有超過兩種以上的可能解釋。有些科學家，只會提出其中一種。如果沒有帶著批判的態度去閱讀，很容易就會被牽著走。如此一來，就有可能會陷入意識形態的偏見，而無法客觀的看待科學發現與成果。

文／謝伯讓的腦科學世界（新書《都是大腦搞的鬼》作者。 ）