鋼鐵人－東尼的夢幻3D電腦工作室

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。

• 文／陳彥諺

我們的生活中充滿了音樂。走在大街上，路邊潮流服飾店家放著節奏明快的流行樂，轉個彎，進入咖啡廳，裏頭播放著的是變化豐富的爵士樂，再戴上耳機，接續手機中上次播放的樂曲，忍不住就跟著旋律搖頭哼唱。

你喜歡音樂嗎？高三的阿辰很喜歡。作為一個喜愛音樂的青少年，他並不滿足於單純的欣賞而已，為了進一步靠近音樂，他還加入搖滾樂社，擔任貝斯手，並且，當談到音樂的相關現象，阿辰總能侃侃說出背後的原理從何而來。

阿辰不僅僅是熱愛音樂的高中生，他的另一個重要身份是——《音樂關鍵字》的男主角。

做音樂的關鍵——理性

《音樂關鍵字》是由客家電視台花費長達三年的時間製作而成，一共八集，每集皆為 10 到 20 分鐘左右，是結合 3D 動畫及原創音樂的科普動畫。

篇幅雖短，但兼具理性與感性，作為自然科學與人文藝術的對話與結合，《音樂關鍵字》內容一點都不馬虎。除了透過角色之間的有趣互動，傳達有歡笑、有淚水、有世代溝通等橋段的溫暖故事外，更藉由故事為引子，每集說明 2 至 3 個音樂相關的科學知識。

許多人談到「音樂」，便認為那是「感性的產物」，言下之意是，音樂似乎是由抽象的情感所主宰，不過如果要能掌握聲音、有效率的做出自己想要的音樂，背後牽涉的其實是理性的科學原理——理性，是建立認知的基礎。

試想，當我們心中有著豐沛情感，想藉由音樂表達出來，該怎麼做呢？首先必須正確了解聲音本身的性質，包含了響度、頻譜、直達聲音、殘響、泛音、共振等聲學知識，也須掌握人體的前庭系統、酬賞系統等生理層面的認知後，才能正確地欣賞、理解且運用，讓音樂順利成為表達情感的媒介。若不能正確掌握音樂知識，便容易發生「怎麼好像怪怪的？」卻說不出所以然，也無從改善的窘況。

科學知識不複雜，《音樂關鍵字》用故事解答

音樂的科學知識聽起來很複雜嗎？一點也不。在《音樂關鍵字》的動畫裡，生硬的聲學知識、艱深的人體系統概念等，透過專業物理教師、音樂顧問提供的知識概念，再經劇組人員以生活事件及場景串連，音樂的科學知識便能在短短十分鐘內，讓人看著影片就已輕鬆掌握。

比如，EP06〈你好，我叫江東平〉中，藉由青少年阿辰與患有自閉症的江東平，兩人攜手協作共創一曲的故事，讓大眾看見自閉症學童的狀況，以及「音樂」可以如何有效治療，協助自閉症患者逐漸融入常人生活。

江東平是高功能自閉症，智商其實和一般人無異，不過由於大腦內的聽覺區附近、額葉、邊緣系統的結構或功能異常，導致自閉症患者出現了社交溝通及語言使用的障礙。腦科學研究進一步指出，在音樂治療的過程，可增強聽覺區附近、額葉、邊緣系統三者的連結，因而增強社交能力、共享式注意力、語言能力等。

青春總是充滿騷動與不安，也因此許多青年朋友們很著迷於重金屬音樂，不過，要如何發出如同野獸般的嘶吼聲同時不傷及喉嚨呢？為什麼當主唱用吼音唱歌，就會聽不清楚歌詞呢？EP03〈吼〉這一集中，從發聲原理切入，給了觀眾十分詳盡的解答。

由於人類有真聲帶與假聲帶，假聲帶位於真聲帶之上。當肺部空氣受到擠壓，從氣管上衝，通過聲帶之間的夾縫造成振動，便會發出聲音。振動真聲帶所發出的聲音，因為振動頻率固定，有清晰的音高，不過吼音特別會用到假聲帶，而假聲帶的振動往往不規律，發出的聲音不具清晰的音高，在音階與聲調不明顯的情況下，就難以聽懂吼音所唱出的歌詞了。

《音樂關鍵字》的開篇 EP01〈尋聲〉則是一個在具有科學教育性同時，格外感人的故事。

阿辰喜歡捕捉聲音，自己存錢買了一套錄音設備錄製動物的聲音。某次，在他潛入森林，偶然遇到了一座廢墟，裡頭的鬼魂央求阿辰在陽光出來前，替他們錄製作品。

由於鬼魂不能移駕到專業錄音室，阿辰只能以簡易設備錄音，他注意到了「場域」的限制。由於聲波在遇到障礙物時會反射，當聲波在封閉且無吸音物品的空間裡，便會快速地從四面八方反彈，當反射的時間間隔少於 0.1 秒，就會產生混合餘音，造成「殘響」。不過，阿辰利用他的音樂知識解決問題，順利替鬼魂們錄音，也是在錄音同時，阿辰才發現自己已經遺忘許久的秘密。

最終章 EP08〈搖滾夢想〉，阿辰與高中社團夥伴們站上了搖滾舞台，他們用充滿破壞性與雜質的音樂榮獲第一名，而出生醫生世家的阿棋是他們的重要音樂夥伴。

不打算考醫學系的阿棋，家裡的人並不了解他喜愛的搖滾樂，卻願意支持他走一條不同的路，因為阿棋就像是搖滾樂中不能沒有的「雜質」，特殊而豐富的雜質，會使得搖滾樂聽起來格外有渲染力。一個乾淨清楚的樂音，在頻譜軟體上看來是一系列頻率成整數比的泛音，但搖滾樂中為了追求聽覺的刺激，會以特殊演奏技法、效果器等，讓相鄰泛音之間出現雜質，以表現音樂張力。

各大平台皆可收看《音樂關鍵字》

《音樂關鍵字》除了科學知識內容豐富扎實外，3D 動畫也別具風格，視覺也是享受，此外，節目中選用的音樂類型多元，貼合現代人的閱聽喜好，更由專業音樂人譜曲、填詞、配唱，內容好看又好聽。

目前《音樂關鍵字》已上架到客家電視台、Youtube 頻道囉，只要搜尋節目名稱，即可找到收看連結！

• 音樂關鍵字- 客家電視台
• 《音樂關鍵字》
• 暢歌實驗所 Hakka Music Lab

此外，精心製作的節目原曲，也可上 StreetVoice 或 節目官網 收聽喔！

• 本文轉載自科技大觀園，原文為《試問Siri與Jarvis的距離有多遠？》
• 作者 / 科技大觀園特約編輯｜姚荏富

近年來因為人工智慧、大數據、區塊鏈等應用科技快速發展，以及 Google 等科技公司大舉來到臺灣進駐並招聘大量軟體工程師，臺灣頂大的資工科系成為超熱門志願。不過大家對資工系的印象就是要學寫程式，也就是俗稱的 coding，但 coding 在解決什麼問題？今天我們訪問了臺大資工系的陳縕儂副教授，從老師的專業「自然語言處理」（Natural Language Processing，縮寫 NLP）做切入，來帶大家了解資工系究竟在解決什麼問題。

讓 AI 聽得懂人話，就是「自然語言處理」

陳縕儂老師的機器智慧與理解實驗室，主要是針對語言處理及對話系統相關技術進行研發，藉由機器學習技術，透過資料讓機器自動學習，理解人類語言並且進行適當的互動，目標是希望能讓機器的智能比肩人類，甚至超越人類。

「自然語言處理」是資工領域中的一個分支，名字聽起來很抽象，但其實這項學門的目標就是讓電腦可以「聽懂」人類說的話、「理解」語意並給予「回應」，就像鋼鐵人電影中的 AI 助理 Jarvis，鋼鐵人只要說如常說話就可以下達指令，讓 Jarvis 協助生活中各種大小事。

不過理想很飽滿現實卻很骨感，要做到像 Jarvis 這樣有求必應的 AI 助理並不容易，目前市面上的智慧助理如 Apple Siri、Google Assistant 及 Amazon Alexa 都已經隨著 3C 產品普及化了，但很多時候它們仍會說：「很抱歉，我聽不懂你的意思。」可見，從 Siri 到到 Jarvis 仍有很長的一段路要走，但為什麼這是條漫漫長路？——歡迎來到「自然語言處理」的思考領域。

• 延伸閱讀：喜歡教書、喜歡台灣自由的研究學風 ，要讓語音助理「賈維斯」成真——陳縕儂專訪

從「聽懂」到「回應」，AI 必須克服多項關卡

大家可以想像一下，今天要跟一個 AI 互動，通常是透過語音或者文字來下達指令，接著 AI 就會協助我們完成特定的任務，並解決特定的問題。

在這個過程中，有四個主要的環節必須克服，分別是語音辨識 （Automatic Speech Recognition; ASR）、語意理解 （Natural Language Understanding; NLU）、對話決策 （Dialogue Management）、以及語言生成 （Natural Language Generation; NLG），說的白話一點，就是接收你講的話、翻譯成 AI 能理解的指令、要如何處理指令，以及怎麼把回應翻譯成人類能聽懂的聲音或文字。

在這四個環節裡都有相當複雜的問題需要去解決，譬如語音辨識，在技術上通常是將語音訊號直接轉換成文字，讓 AI 去理解，但在將音訊輸入的過程中，就必須要排除掉我們口語中會用的「嗯」、「啊」、「喔」等贅字或不自然的停頓，又或者是新創的流行語、方言、口音……等等的問題必須先解決，才能讓 AI 真的能聽懂人類的自然語言。

在「語意理解」上，要讓 AI 去分析語言或文字的脈絡、理解關鍵字，再找出對應的資料（搜尋資料庫）；而「對話決策」更是困難，前面理解了人類的語言或文字表意後，AI 應該要如何回應？可能使用者給的資訊不完整，AI 要追問使用者以釐清問題？又或者在語意理解上有聽不懂的字，得要再次詢問並確認？

這還只是 AI 面對人類自然語言時，其中幾個回應的選項，真實的對話情境可能更加複雜，而且整個對話過程只要有一個環節正確度不夠高，那 AI 後續也很難準確的回應，只要有一步錯了，就會對後續對話體驗造成負面影響。

不過好消息是，現在的深度學習技術已經相當成熟，只要餵資料給電腦時，告訴他怎麼樣是對、怎麼樣是錯，基本上電腦都可以不斷修正（餵的資料也要夠多），再加上現行語言代表模型的優化，智慧 AI 在特定領域的應用上都有蠻不錯的成果。

Jarvis 仍遙遠，AI 的新突破是精準翻譯

聊到這幾年 AI 的重要突破，老師提到三年前 Google 所開發的語言代表模型 BERT（Bidirectional Encoder Representations from Transformers），當時 BERT 一出現市面上所有自然語言處理的模型都改採用了它的運作邏輯。相較於過去的語言模型，通常都是餵指定任務的文字來訓練電腦，BERT 是在給電腦任務前，先餵它吃很多的文章或書，接著再提供任務給它。

以翻譯為例，這就好像讓一般人翻譯，跟讀過很多書的人來翻譯一樣，讀過很多書的人懂得字彙跟用法，自然翻譯出來的成品更流暢。

而 BERT 的技術確實也得到相當好的成效，所以擊敗了當時許多正在開發的語言模型，成為了當前語言模型的基礎。有趣的是，BERT 的前身是一個名為 ELMo（Embeddings from Language Models，與芝麻街角色名字相同）的語言模型，所以 BERT 的開發者們就用芝麻街的角色，來為他們開發出來的語言模型命名。

• 延伸閱讀：別意外！Google 真的聽得懂「人話」：BERT 自然語意演算法如何提升關鍵字理解能力？

當前 AI 發展的目標，為它建立「人的常識」

雖然說 NLP 領域在商業與學術上都有相當大的發展空間，但陳老師認為，目前要達到人的「common sense（常識）」對 AI 來說還是非常困難，舉例來說，今天我們跟智慧助理說我今天要跟某某人吃晚餐，這個時候如果是人類的助理，我們可能會聯想到「吃什麼」、「要不要聯絡某某人」、「交通方式是？」……等等與飯局相關的問題，但 AI 目前並沒有辦法執行這麼複雜的互動，還得必須跟 AI 說「幫我訂位」、「幫我叫車」，仍在一個指令一個動作的狀態，這種 AI「common sense」的建立，可說是目前非常有挑戰性的項目。

• 延伸閱讀：剖析霍金的「代言人」：人機如何透過語音互動溝通？

AI 的開發方向——人類的工作輔具

身為 AI 的設計者，陳縕儂老師認為 AI 會成為輔助人類的一部分，雖然說現階段許多人對於 AI 可以執行我們的工作感到彆扭，但實際上 AI 正在減輕我們的工作量，舉例來說，像是目前醫院已經有在使用協助診斷的 AI，但這樣的 AI 並不會取代醫生的工作，因為 AI 只是提供醫生診斷的相關依據，實務上對於病患的判斷最終還是得由醫生來做。

雖然 AI 已在產業中被廣泛利用，但基本上仍以「人機協作」為大宗，雖然能取代部分人力，但像是創造類型的工作 AI 就幾乎無法獨自完成。至於大家想像中，AI 恐對人類造成威脅的情節，基本上不會發生，因為 AI 是不會憑空出現意識的，AI 威脅人類的可能，比較會是人類不當利用造成的風險，所以在未來 AI 的開發上，基本上會往輔助人類的方向去做應用。

資工領域瞬息萬變，「喜歡新知」很關鍵

談到什麼特質適合來讀資工系，陳縕儂老師認為，數學或是邏輯只是基礎，重要的是「喜歡接受新知」的特質，因為在資工領域瞬息萬變，資訊更新的相當快速，隨時都會有新東西出來，如果不喜歡吸收新知識，讀資工系可能會比較痛苦一點。另外，資工在應用上時常會和不同領域的人做合作，你必須了解對方的需求跟他們的條件，才能設計出能夠幫別人解決問題的方法，而這也是資工有趣的地方。

陳縕儂老師也和我們分享了在他眼中臺灣學生和外國學生的差異，他認為臺灣學生應用網路資源自學的能力非常強，而外國學生則是勇於在課堂上和老師提問並討論，各有各的優點，不過教授也認為由於臺灣學生擅長自己找答案，所以在協作與表達上的可能相較於外國會比較弱一些，但如果這一塊能做到加強，臺灣的學生其實是非常有競爭力的。

最後老師還告訴我們，當初大學時機器學習與 NLP 領域並不是資工領域的主流，一開始只是選擇了自己有興趣的領域，也沒想到近幾年 NLP 會變成現在的顯學，他認為自己真的非常幸運，可以一路延續自己熱愛的主題。

最後的最後，陳縕儂老師建議有意投入資工領域的學員們，可以先了解這個領域需要的先備知識，像是 coding 要用到的程式語言、跟 AI 相關的內容則會牽涉到數學，最後當然就是對知識的熱情和態度，了解之後才比較能判斷這個領域適不適合你，千萬不要因為從眾而選擇。

• 延伸閱讀：大學科系選擇難題該怎麼解？背景知識、線索蒐集與獨立思考是你的最佳武器！