0

0
0

文字

分享

0
0
0

那噠噠的馬蹄不是我等的公車:等公車的快樂數學

黃誠熙(Sky Huang)
・2015/06/23 ・2089字 ・閱讀時間約 4 分鐘 ・SR值 520 ・七年級
相關標籤: 等公車 (1)

source:wiki
source:wiki

「走向公車站,一班公車就這麼湊巧的停在不遠處;輕輕的小跑步踏上公車的台階,臉上多了一抹微笑:這就是趕上公車的小確幸。」

這是一個搭公車上班、上學的人們都希望的早晨劇本。但很難事事盡如人意:有時候公車早來,有時候公車晚到。所以,在這段平淡的等車過程中,我們到底快不快樂呢?讓數學來告訴你!

(編按:注意喔!以下是關於數學的推論,並非心理學研究。)

首先,讓我們先研究一下跑步/走路到公車站的效益吧!假設等公車的人沒有通天眼也沒有使用APP,他沒有接收任何資訊,公車來的時間是亂數,那任何時刻到達站牌等公車所花費時間的期望值都是一樣的:也就是說,用跑的到公車站並不會對等待時間有所幫助。

-----廣告,請繼續往下閱讀-----

譬如說,公車平均10分鐘來一班,那等公車時間的期望值就是5分鐘,不會因到達車站的方式而有所不同;然而,跑步到公車站卻會改變到達目的地的時刻的期望值,例如說9:00 AM從家裡出發,用走的到車站搭車到達學校的平均時刻是10:00 AM,那跑步到公車站,如果減少了5分鐘的時間,則平均到達學校的時刻縮短為9:55 AM。因此我們知道,如果不趕時間,跑步到公車站是沒有效益的,因為還要投資體力,可是若是考慮用跑的趕上一班公車和用走的錯過一班公車的額外心理層面獲得與損失,那或許跑步的效益會較高。

接著,想跟大家討論的主題是等公車「預期心態」的開心程度。正如開頭所說的,公車有時候來得很快,會覺得很開心,有時候等得很久,覺得不是很高興;所以平均來說,等公車到底是開心還是不開心呢?下面用筆者自身等公車的感受(一般大眾的生活經驗),來探討等公車到底開不開心。

想像一個人在公車站,公車是十分鐘來一班,這個人沒有任何關於車子時刻的資訊。那麼,等車時間的機率是從0~10分鐘均勻的分佈,且等車期望值是5分鐘。然而,開心程度卻不是相等的!想像一到站公車就來了,等了0分鐘,那會覺得超級幸運,非常開心;若是等了10 分鐘公車才來,會覺得「喔,也還好,反正公車本來就是10分鐘一班」。

所以可以推論,開心程度和等公車所花費時間的關係是一個「負斜率」但是「斜率遞增」的曲線。另外,由於等車的期望值為5分鐘,我們可以合理的把5分鐘的開心程度設成0。下圖為一可能的曲線圖形(注意斜率遞增和x=5時y=0) (*註一)

-----廣告,請繼續往下閱讀-----

rfrf

有了快樂曲線就可以計算平均快樂指數了!由於機率是均勻分布的,所以平均的快樂程度是積分圖中的曲線的面積(再乘上一個常數進行normalization) (*註二)。如果我們仔細觀察此函數圖形,會發現在0以上(正面的快樂)的面積會大於0以下(負面的快樂,為不開心)的面積。從數學代數上來說,一個斜率為正,且0位在積分區間的正中間的圖形,積分值確實為正。

結論:當我們從事「等公車活動」時,從預期心態上可以得到正面的回饋。也就是說,等公車可以為我們帶來快樂。如果類推到所有事情,結論就是,這是一個美好的世界。

「 等等,可是這個世界明明就沒有這麼美好啊!」想必大家都想這麼吐槽。別急著關網頁,讓我娓娓道來。

上面的推導過程是假設,公車公司跟我們說10分鐘會有一班車,我們也預期車班間隔是10分鐘,而也因此我們真的沒有等超過10分鐘的公車。那如果超過10分鐘公車還不來呢?假如等了11分鐘會發生什麼事呢?

-----廣告,請繼續往下閱讀-----

我們可以想像,假如等車時間超過10分鐘,那我們就會開始不爽,因為明明公車公司告訴我們10分鐘會來一班車,但是卻超過了。這時候快樂指數或許就會快速的下降。因此,在10 分鐘的地方會有一個反曲點(inflection point),斜率的成長開始變成負的。整個快樂指數的圖形會變成:

grg

這個時候,若是積分曲線,而機率分佈仍舊為均勻分布的話,就很有可能會得到負值,此時等公車就成了不開心的活動了(當考慮公車晚到時,機率分佈合理推論也應不為均勻分布,因此須考慮較為實際的機率分佈函數)。

討論:從上面我們可以知道如果事情不如預期,公車公司跟我們說公車班距為10分鐘但是超過十分鐘還不來,平均來說就會產生不快樂的等公車預期心態。

然而,為什麼公車會超過10分鐘還不來呢?兩個很可能的原因: (1) 公車司機或是公司業務上的疏失 (2) 路上交通狀況差。如果類推到世界上的所有事情,我們可以學到:世界上的不快樂是來自於 (1) 人為疏失 (2) 世界的不完美(突然湧入的大量車輛為一非平衡狀態,因此塞車即表示消除非平衡狀態的速度不夠快)。因此,要達成一個美好的世界的方法為: (1) 認真盡責 (2) 用持續進步的科技消除世界的不完美。

-----廣告,請繼續往下閱讀-----

後述:在這篇文章中,我們只單純的討論「預期心態」有可能產生的快樂與不快樂。或許有讀者讀完之後會說,「不對呀,不管等幾分鐘的公車我都不高興」,這些不高興的成分不是來自於預期心態,而是或許:公車站環境不舒適、快遲到了心中焦慮…等等因素。若是考慮環境和其他因素則會相當複雜,但是仍然適用結論,即為,我們可以藉由提升認真負責的態度,以及藉由進步的科技,消除所有不高興的因子。

  • 註一: y= -tan[(x-10)*3。14/20] -1
  • 註二:實際上平均的快樂應為 積分 (機率*快樂),而機率為一機率密度函數(probability density function, PDF)。由於機率在0~10中均勻分布,因此其值為1/10。因此,此積分可簡化為快樂函數的積分再乘以1/10。
-----廣告,請繼續往下閱讀-----
文章難易度
黃誠熙(Sky Huang)
5 篇文章 ・ 0 位粉絲
黃誠熙(Sky Huang), 目前為UCLA博士候選人。

0

0
0

文字

分享

0
0
0
AI 可以設計散熱,但誰敢讓它出貨?林唯耕談算力背後的物理現實
鳥苷三磷酸 (PanSci Promo)_96
・2026/08/20 ・2819字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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 / 圖片:envato

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/圖片:envato

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
249 篇文章 ・ 319 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia