沈積物的海底溜滑梯──淺談濁流與海底峽谷

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。

一九九○年代，冷戰終於結束，蘇維埃政府在海中布下的潛水艇威脅也隨之消散，於是海軍提供克拉克與其他專家機會，讓他們透過 SOSUS 的水下麥克風觀測、記錄大海裡的各種聲音。透過聲音頻譜——也就是 SOSUS 系統將接收到的聲音轉換為視覺圖像——克拉克無庸置疑地看到了藍鯨正在歌唱的跡象。

光是第一天克拉克就發現，單一個 SOSUS 感測器所記錄下的藍鯨叫聲比過去所有科學文獻所記載的加起來還要多。大海中充斥著鯨魚的歌聲，而這些聲音則來自無比遙遠的彼方。克拉克估算，記錄下他聽見的那股歌聲的感測器，距離聲音的主人有兩千四百公里之遠。藉由位於百慕達的水下麥克風，他竟能夠聽見遠在愛爾蘭的鯨魚歌聲。

於是他說：「當時我心想：『羅傑的想法沒錯。』我們實際上真的可以探測到橫跨整個海洋盆地的鯨魚歌聲。」對於海軍的分析專家來說，這些聲音就是他們每天工作都會遇到的正常現象，而這些聲音與工作內容無關，所以根本不會被標記在聲音頻譜上，也因此就被忽略了。然而對克拉克來說，這卻是令他茅塞頓開的驚人發現。

穩定規律的「歌聲」其實是一種探測手段？

雖然藍鯨與長須鯨的歌聲能夠跨洋越海，卻沒人知道鯨魚是否真的會在如此遙遠的距離下互相溝通；畢竟牠們很有可能只是在用極大的音量對附近的同類示意，只是音波剛好傳到了很遠的地方去而已。不過克拉克又指出，鯨魚會一次又一次地不斷重複同樣的音頻，甚至也會精準維持音與音之間的間隔長度。鯨魚會在浮出水面呼吸時停止歌唱，回到水中繼續歌唱卻也會落在剛剛好的拍子上。他說：「所以牠們唱歌並不是隨興而至的舉動。」這種現象令他想起了火星探測車為了傳送資料回地球所發出的那種重複的連續訊號。假如人類想設計出能夠跨越海洋進行溝通的訊號，大概也會想出類似藍鯨歌聲的形式吧。

鯨魚歌聲或許也有其他用途。牠們發出的每個音都能持續好幾秒，而其波長更是好比足球場的寬度。克拉克曾問過他在海軍的朋友，假如他有發出這種聲音的能力，可以拿來幹嘛？

「那我就能摸透整個海洋。」他的朋友如此回答道。這話的意思是，他能夠藉此刻畫出深海的地景，透過傳至遠方的次音波回音，他就能辨識出海底山稜與海床的位置。地球物理學家也肯定能運用長須鯨的歌聲來了解各處的地殼密度。那麼，鯨魚到底用這種聲音來做什麼呢？

克拉克從鯨魚的動作中看出了答案；透過 SOSUS，他發現藍鯨出現在冰島與格陵蘭之間的極地水域中，一路蜂擁直奔——還是該說是鯨擁？——熱帶地區的百慕達，旅途中一路歌唱。他也看過鯨魚在深海的群山間左彎右拐，在幾百英里間的深海地景之中蜿蜒前進。「看到這些動物的移動方式，就會感覺牠們大腦裡似乎有著以音波構成的海洋地圖。」他如此說道。

他也猜測，鯨魚在長長的一輩子裡，會不斷累積大腦中的聲音記憶，隨之擴增儲存在大腦裡的海洋地圖。克拉克也還記得，曾有位資深海軍聲納專家告訴他，大海裡每個地方都有它專屬的聲音。克拉克告訴我：「他們說：『讓我戴上耳機，我不用看就能直接告訴你現在位於拉布拉多還是比斯開灣的海域。』而我就想，假如人類累積了三十年的經驗就能做到這個地步，何況是演化了一千萬年的動物呢？」

漫長的迴響～不同時間尺度下的認知

不過關於鯨魚聽力的尺度，還是有令人費解之處。鯨魚的叫聲確實可以傳遞到很遠的地方，但卻也很花時間；在海裡，音波一分鐘只能傳五十英里（約八十公里）遠，因此假設一隻鯨魚聽見另一隻鯨魚在一千五百英里（約二四一四公里）之外發出的叫聲，這隻鯨魚得在半小時以後才能聽見對方的歌聲，就像天文學家觀測到的星光其實是恆星在很久很久以前散發出的光芒一樣。假如某隻鯨魚想探測五百英里（約八百零四公里）之外那座山的位置，牠得等上十分鐘才能接收到自己叫聲的回音，這感覺起來似乎有點荒謬。

然而各位想想，藍鯨在水面上的心跳一分鐘約為三十下，潛入水下後卻會下降至一分鐘只跳三次。這麼一想，鯨魚生命中的時間尺度想來一定與人類相當不同吧。倘若斑胸草雀能夠在單一個音裡就聽見以毫秒為單位的美麗音頻，也許藍鯨分辨同樣潛藏在聲音中的祕密訊號的時間尺度則是分或秒。若要想像鯨魚的生活樣貌，「你得發揮想像力，以完全不同的次元思考。」克拉克對我說道。

他認為這兩種體驗的差異應該就像先用玩具望遠鏡注視夜空，再改用美國太空總署架設在太空的哈伯太空望遠鏡一覽星羅棋布的壯麗星辰。一想到鯨魚，他的世界彷彿就變大了，不管是空間還是時間的尺度，都更加遼闊。

——本文摘自《五感之外的世界》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

• 本文轉載自科技大觀園，原文為《反演水深、判釋水稻田　福衛五號影像多元應用》
• 劉珈均｜泛科學

「透視」海底，用福五影像逆推東沙環礁水底地形

中央大學太空及遙測中心的副教授黃智遠、副教授任玄及副教授曾國欣選定東沙環礁，測試福衛五號影像反演水底地形的能力。成果顯示，在訓練資料品質佳的情況下，以福五影像建置水底地形的精度與超高解析度衛星影像的成果相當，可協助內政部產製電子航行圖、環境監測、生物棲地研究等。 

傳統常以船隻搭載聲納，或飛機搭載光達的方式量測水深，這兩種方式皆須現地量測，精度高，但成本也高，且淺海與爭議水區的量測會受限。多光譜光學衛星影像能穿透約 20 公尺深的潔淨水體，成為廣泛調查淺水域的潛力方式。

要以衛星光譜影像反演水深，仍需收集訓練資料（例如地形的現地量測資訊）當作「教材」，讓電腦建立正確的模式參數。「沒有太多人為擾動影響、卻又要有高品質的訓練資料 ，同時符合這兩個條件的就選東沙環礁了！」東沙環礁有精密的光達測深資料，還有海水潔淨、淺水域面積廣大等優點。

此項技術的訓練方式是，輸入衛星影像各波段數值（主要為透水較佳的綠光波段）及其對應的實際水深訓練網路，網路模式訓練完成之後，輸入目標區域的衛星影像數值，就能推算出每個像素對應的水深資訊。

為了衡量福五影像的表現，團隊也拿超高解析度商用衛星 WorldView2 的影像反演水深，比較兩者成果。福五反演的水深成果精度達 1.62 公尺，雖略遜於 WorldView2 的 1.26 公尺，但相差不遠。

黃智遠解釋，相較於房屋、橋梁等地物地貌，水下自然地形的局部變化通常較小，所以對於衛星影像空間解析度的要求也較低。在反演水深的應用上，使用福五或超高解析度衛星的差異不大，福五反演僅局部區域比實際地形略深。

光譜反演的挑戰在於訓練資料蒐集困難，不過，透過衛星影像產製水深還有另一種稱為「立體對測量」的方法。福衛五號可以對地「立體取像」——人的視覺因左右眼視角差異而能感知立體，資料也能整合不同角度的衛星影像產生視差，萃取出目標物的數值地形模型，再以此當作訓練資料，進行模式訓練、反演水底地形。

過去團隊與內政部合作，在東海南海的許多島礁進行水深反演，已累積起一套決策樹，考量目標區域具備的資料庫、資料品質、成本等，可為不同地區挑選、整合不同的水深產製方式。

雙衛星搭檔，提高水稻田判釋精度！

水稻田分佈判釋是行政院農委會農糧署年度重要工作項目，農糧署與臺灣大學理學院空間資訊研究中心教授朱子豪、遙測及資料加值組組長張家豪合作，以福衛五號影像結合合成孔徑雷達衛星影像判釋水稻田，正確性達 92%，大幅提高偵測精度。 

由於雲林有充足的基礎資料可供驗證與訓練模型，研究團隊選定雲林做為研究區域，試驗福五的影像用在水稻田判釋可達多少能力。 

團隊使用福衛五號影像，搭配 22 組歐洲太空總署合成孔徑雷達衛星「Sentinel-1」的開放資料，並試驗了三種方法：僅使用福五（光學）影像、僅用雷達影像、兩者相互搭配。結果顯示，整合兩者的效果最好，判釋正確性最高可達到 92%，高於單用光學或雷達影像的 90%、80%。

「光學衛星最大的限制就是雲！」雲會遮擋目標、影響判釋，而農作物判釋的取像時機又相當關鍵，取像時有雲就沒輒了；合成孔徑雷達衛星會主動發射微波到地面再接收反射波，可穿透雲層，不受雲覆與日照影響，可補強不同時期影像，取得水稻田從插秧、成長、結穗的時序變化資訊。

本研究的突破在於，只用了單一分類器全自動判別的條件下，偵測精度大幅提升，更是首度只用一個時間點、單張光學影像就達到了。團隊對此也相當興奮，「可能因為福五當時在 11 月取像，剛好是水稻結穗時，影像特徵與其他作物差異較大。」張家豪解釋。 

推測了面積，可以進一步推估產量嗎？「一公頃稻作能收成 1,000 公斤或 4,000 公斤，有太多因素影響了。」朱子豪說。溫度、溼度、施肥、天災、病蟲害等都會影響收成，此類研究在平遂的情況下可大致估產，尚難達成精確估產。

掌握物候特徵是判釋關鍵

未來若要擴大範圍，判釋全國水稻田面積，由於各地農民栽種時序、田間管理多變，如何選擇適合的取像時間會是一大挑戰；若要擴展到判釋其他作物，則得視其生長特徵進行更多的分析比對。

張家豪舉例，判別柑橘類的常年果樹、葉菜類極困難，果樹在光學影像上看起永遠是綠色一片，也無足夠的栽種方式差異、生長週期特徵和其他特性可區辨；檳榔、椰子、香蕉從空中看都是放射狀葉片，雖可參考栽種密度與高度，但影像的空間解析度也得提高至 60 公分才能精確判別；蔥、蒜皆屬旱作，需要空間解析度優於 60 公分的影像，搭配如地區性栽種時序、田埂排列鮮明的地表特徵，有機會判釋成功，「但要是田裡混作個青江菜，就分不出來了。」

梅樹是另個成功案例，它在 12 月下旬會落葉，隔年 2 月開花長葉結果。團隊曾執行判釋南投水里梅樹的研究，標定幾個時間取像，「若有某個區域在十月是綠葉、入冬出現裸露地特徵、然後變得白白的（開花）、四月又出現綠葉，那就很可能是梅樹！」但李子與梅樹的影像呈現類似，生長期也相近，要是沒在生長期重疊前順利取像，就會混淆兩者。

以衛星影像判釋作物不光是直白的「看照片」或分析光譜，掌握作物的「物候特徵」才是關鍵。