駕馭未來：自動駕駛汽車——《知識大圖解》

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〈年節塞車好心煩！自動駕駛讓你暢行無阻〉
• 作者／科技大觀園特約編輯｜簡茹因

每到年節時期，不管返鄉或是出遊，用路人最討厭遇到的就是塞車，漫長的等待、讓人踩剎車踩到腳痛的行車速度，抑或是被汽車廢煙包圍的感覺，本是愉悅心情恐怕都大打折扣。你也是恨不得讓「塞車」這個詞消失在這世界上的人嗎？自動駕駛或許能幫你達成心願喔～感到好奇的話，那就繼續看下去吧！

造成塞車的幕後黑手是誰?

試想，人類與機器人在駕駛汽車時，要維持車與車之間等速前進，誰會 hold 得最好呢？答案很明顯是……機器人！為什麼呢？關鍵就在於「人類的反應速度」，反應速度因人而異：當老（手）司機在開車時，他們能夠對於哪時候該踩剎車、油門的反應速度快，因此不會因誤判與前車之間的距離，而落下一大段「空白車距」；然而菜鳥司機就不一樣了，他們反應速度沒有老（手）司機快，所以在看到前方車輛時，因無法正確判斷哪時候踩剎車最恰當，加上基於安全意識都會先減慢避免 A 到前車為第一反應，「空白車距」自然就出現了～而後方的車輛們會因為這位菜鳥司機（老鼠屎）的行車速度減慢而開始擠成一團，造成塞車。

相反地，當機器人在行車時，因為他們的動作程序一致，因此能穩穩地維持等速行駛。這也就是為何現今車廠想推出自動駕駛車（以下簡稱「自駕車」）的原因之一。自動駕駛真有那麼神嗎？讓我們來一一剖析它吧！

延伸閱讀：連假無法逃離宿命！為什麼會塞車呢？

自駕車大小事

自動駕駛，顧名思義就是讓車子在無人為操作的情況下，將行車速度與控制車間距離等原本需要手動操控車子行進的動作轉為自動化，以減輕駕駛人的行車負擔。

• 自動駕駛分級：

自動駕駛可是也有分級制度的！國際汽車工程師協會 （Society of Automotive Engineers, SAE） 依據汽車的自動化程度分為以下級別：

時至 2020 年末，汽車業的自動駕駛即將發展至第四級，第五級則是各企業競相達成的最終目標。

• 自駕車的配備主要有哪些？
  • 感測器：相當於人類的眼睛，能辨識障礙物的種類及位置。而感測器又可分為攝影機（Camera）、光達（LiDAR）、雷達（Radar）、超音波這四種，不同種的感測器對於環境辨識及障礙物解析力也會有差異。
  • 動態定位：相當於 Google 地圖功能，當接收來自感測器的環境資訊後，自駕車能協同 GPS、IMU 與高精準地圖資訊等定位工具自動辨識車輛所在位置及設定目的地。
  • 智慧決策：相當於人腦的決斷力，透過整合電子地圖 （RNDF／OpenStreetMap）、感知融合（Perception）、靜態軌跡規劃（Mission Planning）、行為規劃（Behavior Planning）以決定自駕車整體需執行哪些動作及規劃。
  • 電控底盤：負責車子的轉向、剎車及油門。

參考資料：自駕車發展趨勢與關鍵技術

自動駕駛真的能解決塞車嗎？

自駕車本身雖能達到自動辨識路口標誌及安全煞停系統，但它就像一個好的食材，需要透過精湛的廚藝及調料的輔助才能發揮它最完美的風味，而輔助自駕車的便是「車聯網」。究竟什麼是「車聯網」？自駕車與車聯網的搭配真的能解決塞車嗎？就讓台大資工系的林忠緯教授來幫大家解惑吧！

林忠緯教授小檔案：
林忠緯教授在博班時期的研究題目即是關於 Cyber-Physical System（CPS）的研究，而 CPS 簡單來說是指能夠執行物理層面上動作的電子產品，例如車子（能在路上行走）、心律調節器（能放電控制心律）都屬於 CPS。林教授在博班的研究即是關於車子的 CPS，也曾在美國通用汽車（General Motors）實習，畢業後持續拓展自己所長，進入加州矽谷的豐田汽車（Toyota InfoTechnology Center）擔任研究員。林教授熟知自駕車與車聯網的研究，自身也致力於自駕車、車聯網與資安問題的研究，並開心表示對於未來 28 年後自駕車的展望懷抱深深的期許。

1. 車聯網是什麼？
   車聯網（Internet of Vehicles，IoV） ，是指車與車之間（vehicle-to-vehicle，V2V），或車與道路狀況（Vehicle-to-everything, V2X）之間利用網路互相交換、接收感測器所會彙整出的訊息，以達到更完善、迅速的交通網絡資訊交流，讓用路人能即時獲得路況的整體資訊。

2. 自駕車結合車聯網真能解決塞車嗎？
   若要剖析塞車問題，其實可以分成以下幾種狀況，自駕車必須面對各種塞車情況作出相對應的解決方案。
   1. 選擇路徑：假如過年走春行程是去宜蘭玩，大家通常會想到要走雪隧，然而當大家都走雪隧的話，勢必會造成大塞車。而車聯網能即時追蹤到已經開始塞車的道路，並通知自駕車可以改走較為不塞車的路段（例如北宜），這時候就達到了疏散車流量的效果。
   2. 路口與路口間的交通號誌：假如今天車子走在路上，一路都是綠燈當然令人心情愉悅，反之，則會導致後面開始塞車，因此在車聯網當中也可以整合總體交通號誌的順暢運行。
   3. 單一路口的車輛運行：通常遇到駕駛人遇到路口，都需先放慢行駛速度，觀察轉角方向是否有來車，再行通過；當一個路口車多時，塞車肯定逃不掉～而車聯網能達成上述第二點的升級版——便是不用交通號誌！車聯網就像是開上帝視角，可以同時獲得路口的各道路資訊，而這些資訊是單一自駕車無法自行偵測的，自駕車針對這些資訊做出相對應的動作，而自駕車對於這些動作的控制能比駕駛人更加精準，因此車聯網與自駕車能夠相輔相成增加路口的運行效率。
   4. 單一車輛的運行：車聯網與自駕車亦能互相搭配在安全的前提下縮短跟車距離並減少過度保守的煞車，如此道路的使用率能夠提升，也能減少塞車的機率。

林教授認為自駕車結合車聯網勢必能解決部分層面的塞車問題，也能避免酒駕、恍神、視線死角等人為意外肇事的發生比率，但在現實生活要自駕車能實際放在道路上跑，現階段仍面臨重重難關。

3. 自駕車的發展現階段會遇到哪些瓶頸？
   讓我們想像一下，當自駕車、車聯網已完全取代所有的交通系統，實際上最有可能會發生以下幾種瓶頸：
   • 瓶頸一：自駕車的整合系統尚未完善
     林教授個人認為目前自駕車的整合系統會是一大問題，即便供應商提供再好的車組配件，配件與配件之間的整合系統不佳還是會造成車子載運行時效率不佳，甚至還可能會釀成車禍，或是遭駭客入侵自駕車系統。所以教授認為設計一個具縝密規畫的整合系統，不僅可以讓車子運行順暢，也能保障駕駛人的安全。
   • 瓶頸二：法規訂定的難題
     當自駕車發生車禍了，那誰該跳出來負責任呢？該怪自駕車內部的機器學習沒有收納進這些意外狀況的數據嗎？還是都是工程師的錯？其實這也是自駕車衍伸出的頭疼題，而林教授針對這個問題也提出相關建議，例如在購買自駕車時，售價的一部分可以作為保險補償，當發生意外時，便能獲得補償金。
   • 瓶頸三：消費者的接受程度
     消費者在購買商品時常會考慮價格及使用感受，而自駕車雖然目前製造成本高昂，但相信未來隨著自駕車的研發技術逐漸成熟，成本也會隨之下降，但成本要降到多低才能達到量產，以及售價普遍是消費者能接受的範圍仍是個問題。另外，感受度的部分，當我們坐進自駕車裡面，由於自駕車可以精準縮小車距，因此當對向來車很近地迎面衝過來，真的不會嚇到嗎？因為自駕車有別於以往的行車感受，所以也不見得能被所有消費者接受。
     另外，有部分消費者享受自己駕馭車子的樂趣，所以他們也不會想使用自駕車，當道路上並非統一是自駕車的情形，要達成車聯網更是難上加難哪～
   • 瓶頸四：資安問題
     自駕車結合車聯網運行時極需網路，而有網路的地方，駭客便如影隨形，當駭客像電影情節一樣駭入車聯網時，不但會構成駕駛人的性命威脅，甚至還會造成全面性的交通世紀大癱瘓！水能載舟亦能覆舟，車聯網雖能讓交通運行更順暢，也可能會釀成一場可怕的災難，因此林教授強調維護資安也是設計車聯網的重點項目。

解決塞車問題的理想藍圖

當我們檢視塞車問題的視野再拉遠一點，除了自駕車及車聯網以外，教授也慷慨地分享了以下管道解決塞車問題：

• 共享汽車：當大家都選擇搭乘共享自駕車，便能減低車流量與車子的總量（大家更傾向不買車），路上的車子少了，便能減低塞車的發生率。（傳染病盛行的時代不太適用）
• 道路擴大：當車子的總量下降，停車需求減少，空間使用更有彈性。當道路新增了好幾條線，便能分散車流，避免全部車子堵在同一條路上。
• 網路通訊：現在網路科技發達，人們在家也能透過網路完成視訊會議、參與活動，減少出門的必要性，也就無須駕車。

結語

雖然現階段自駕車要完全解決塞車問題仍需經時間歷練，但相信透過林忠緯教授及眾多研發單位的辛勤貢獻，大家在春節期間能夠利用自駕車與車聯網享受更加順暢、迅速的行車體驗，而不再受塞車之苦的日子指日可待!新春期間，也祝大家行車平安，旅途別塞！

參考資料

1. 「自駕車受騙上當和辨識盲點」之專家回應
2. 為何美國交通部選用SAE的自動駕駛分級，而棄NHTSA丨汽車商業評論
3. 自動駕駛車發展現況與未來趨勢
4. 何謂自動駕駛？
5. 關於自動駕駛：內行人才會懂的有話直說
6. 對於塞車問題，智慧交通提供的四大解決方案
7. 塞車讓駕駛踩煞車踩到抽筋，汽車新科技解決這困擾！（內有影片）
8. 2020 最新自動駕駛技術報告出爐！以特斯拉、Volvo 為例，全面涵蓋智駕技術
9. 網宇實體系統與製造應用- 熱門焦點- 經濟部技術處
10. Wevolver: Knowledge for engineers
11. 一起來用十分鐘略懂自駕車吧！GoGoGo！
12. 無人駕駛車/自駕車技術探索
13. SAE International
14. 科學月刊：不需駕駛也能輕鬆上路－淺談自駕車與高精地圖

• 文／張智皓

「在演算法的年代，人類從未如此刻這般的重要。」——弗萊（Hannah Fry）

圖靈（Alan Turing）在 1936 年提出圖靈機（Turing Machine）的基本構想，人類文明揭開了電腦時代的序幕，並在很短時間內為人類生活帶來了劇烈的變化。上一次有這樣的景況，大概是 17 世紀末蒸汽機的發明，帶領人類文明進入工業時代。

這兩個時代有類似之處。蒸汽機讓人開始擔心自己被機械取代：生產模式改變，人力不再重要，生產機器和失業人口大量出現。然而，這種困境並沒有維持太久。新技術讓人失業，也拓展了人的想像力，讓各種新興行業與技術應運而生。這些行業和技術促進產業轉型，反而提高了人力需求，讓人類文明變得更加繁盛。此時，我們知道人類變得比以前更重要。

電腦，或者我們說，演算法，就像是現代的蒸氣機，同樣大幅地改變人類生活模式。在本書中，倫敦大學學院（UCL）先進空間分析中心（CASA）的數學家漢娜弗萊從權力、資料、司法、醫療、車輛、犯罪與藝術這七個面向出發，告訴我們演算法已經如何深入我們日常生活中，為我們帶來前所未見的巨大貢獻，並展現出取代人類的企圖心。

更重要的是，弗萊也透過她細膩的觀察，提醒我們：就如同蒸汽機時代的人類沒有被取代一樣，在演算法時代，人類也只會比以前更重要。

人機合作，讓人類的棋藝再創高峰

讓我們從書中一個輕鬆的例子開始。弗萊告訴我們，在 1997 年，西洋棋世界冠軍卡斯帕洛夫（Gary Kasporov）被 IBM 設計的「深藍」擊敗後，他並沒有因此排斥電腦，反之，他創辦了人類與電腦合作的棋賽。卡斯帕洛夫相信，有了電腦的輔助，人類不再需要花時間在棋盤細節的計算上，而是將心思放在整體戰略上，人機合作，能讓人類的棋藝再創高峰。

這樣的劇情非常類似於 DeepMind 的圍棋軟體 AlphaGo 在 2016 年的創舉。在 AlphaGo 相繼打敗世界冠軍李世乭以及柯潔後，AlphaGo 以及其繼任 AlphaGo Zero 的棋譜變成職業選手們爭相學習的目標。DeepMind 甚至推出 AlphaGo 圍棋教學工具，讓大家學習它的佈局，並進而開發出新的佈局形式。AlphaGo 沒有取代人類棋手，反之，它為圍棋世界注入了新的生命。

演算法無法回答的問題：隱私與安全該如何平衡

接著讓我們談談一個較嚴肅的例子。在本書「犯罪」這一章節中，弗萊提到「臉孔辨識系統」如何對人類產生顯而易見的貢獻。在 2015 年，紐約警察局透過臉孔辨識系統「成功指認了 1700 名嫌犯，並且發動了 900 次逮捕行動。」另外，她也提到從 2010 年以來，紐約州「僅僅針對詐欺和身分盜用就發動了超過四千次逮捕行動。」有了臉孔辨識系統，各大交通運輸管道也可藉恐怖份子資料庫來預防恐怖襲擊（而事實證明這很有用）。

作為預防手段，臉孔辨識系統可以有效增進人們生命與財產之安全。但這些好處有其代價。弗萊指出，就連目前全世界最先進的臉孔辨識系統（來自於中國的「騰訊優圖實驗室」），在一百萬張臉孔資料庫的測試中，也只有 83.29% 的辨識率。這在技術上已經令人佩服，但在現實中卻可能釀成大禍。

比方說，2014 年，一位住在丹佛的居民被錯誤辨識為銀行搶匪，並在警察的逮捕過程中「遭受神經損傷、血栓及陰莖折斷。」或許有人會主張，只要技術更好，辨識率更高，問題就解決了。但情況可能沒這麼簡單，辨識率提高的代價是隱私度的下降。試問，我們願意讓「老大哥」看著大家嗎？

臉孔辨識系統有其好處，有其代價。我們願意讓此系統做到甚麼程度？為了安全，我們願意犧牲多大的隱私？而為了隱私，我們又願意犧牲多少安全？這些問題是演算法無法回答的，只有人類可以，因此，人類只會更重要。

演算法兩難：自駕車該拯救駕駛還是行人？

另外一個嚴肅例子，我想談談「車輛」這一章節中的自動駕駛技術。一旦自動駕駛技術普及，將可以大幅減少人為車禍的發生。而我們知道，現代大多數車禍都源於人為。然而，將駕駛工作交給演算法，也意味著將決策的任務交給演算法。當失控的自駕車面臨的選項是「拯救駕駛，還是拯救行人」時，演算法應該如何行動？

弗萊提到，在 2016 年發表於《科學》期刊（Science）的一篇文章指出，多數人主張應該盡可能的拯救更多人命。然而，當詢問他們自身較願意購買哪一款自駕車時，我們可以從賓士汽車發言人胡苟（Christoph von Hugo）的回應（當被問到賓士車會如何設計時），理解他們的猶豫：「保護駕駛。」

這衝突看起來不可調和，我們一方面希望盡可能拯救人命，另一方面又希望可以保障駕駛的安全（否則我幹嘛買它呢？）。在這樣的衝突中，弗萊指出另外一個可能選項：放棄全自動駕駛，將演算法的目標放在輔佐駕駛人上（比方說，現在已有的「自動緊急煞車」或「自動與前車保持距離」等設計）。換言之，演算法不扮演「司機」，而是扮演「守護者」。我們該做的，是讓演算法配合人類，主動性依然在人類手上，因此，人類只會更重要。

在《打開演算法黑箱》中，弗萊透過大量有趣的案例，說明演算法如何深入日常的同時，也提醒我們人類的重要性，這是我認為本書最大的優點。新技術的提出值得受到肯定，然而，在肯定其貢獻的同時，背後所付出代價卻往往會被忽略。本書在闡述新技術的同時，也很平衡地展示這些技術背後的代價。

就如同作者一再強調的，她肯定技術所帶來的好處，但我們必須思考如何在新技術所帶來的進步中，保有人類的主動性，或者說，如何在機器年代中當個人。

本文為《打開演算法黑箱：反噬的AI、走鐘的運算，當演算法出了錯，人類還能控制它嗎？》書評