哪個國家最需要誠實豆沙包？

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。

• 作者 / 理查．費曼
• 譯者 / 吳程遠、師明睿、尹萍、王碧

問題：巫醫、超感知覺、南太平洋的島民、犀牛角，和威森食用油， 跟大學畢業典禮能有什麼關連呢？

答案：上述皆是厲害的費曼用來說服應屆畢業生的例子， 要他們相信在研究科學時，誠實比任何讚美或短暫的成功，更加有成就感。

在這篇給加州理工學院一九七四年應屆畢業生的演說中， 費曼橫眉不理同儕的壓力以及提供研究資金的金主的怒目， 給大家上了一課，談科學應有的操守品德。

這是費曼關於科學、偽科學，和如何學習不要自己騙自己的一些想法。

在中古世紀期間，各種瘋狂荒謬的想法可謂層出不窮，例如以為犀牛角可以增進性能力，就是其中之一。隨後有人發現了過濾想法的方法，就是試驗哪些構想可行、哪些不行，把不可行者淘汰掉。當然，這個方法逐漸發展成為科學。它一直發展得很好，我們今天已經進入科學時代了。事實上，我們的年代是那麼的科學化，有時候甚至會覺得難以想像，以前怎麼可能出現過巫醫，因為他們所提出的想法全都行不通─至多只有少數的想法是行得通的。

然而直到今天，我還是會碰到很多的人，或遲或早跟我談到不明飛行物體（UFO,unidentified flying object）、占星術、或者是某些神祕主義、擴展意識、各種新的覺察、超感知覺（ESP, extra sensory perception）等等。我因此下了一個結論，這並不是一個科學的世界。

大多數人都相信這許許多多的神奇事物，我便決定研究看看原因何在。而我喜愛追尋真理的好奇心，則把我帶到困境之中，因為我發現世上居然有這麼多的廢話和廢物。

老兄，你還差得遠呢！

首先我要研究的是各種神祕主義以及神祕經驗。我躺在與外界隔絕的水箱內，體驗了許多個小時的幻覺，對它有些了解。然後我跑到依沙倫（Esalen），那是這類想法的溫床。事先我沒想到那裡會有那麼多怪東西，讓我大吃一驚。

依沙倫有好多巨大的溫泉浴池，蓋在一處離海面三十英尺的峭壁平台上。我在依沙倫最愉快的經驗之一，就是坐在這些浴池裡，看著海浪打到下面的石灘上，看著無雲的藍天，以及漂亮女孩靜靜的出現。

有一次我又坐在浴池裡，浴池內原先就有一個漂亮女孩，以及一個她好像不認識的傢伙。我立刻開始想：「我應該怎樣跟她搭訕呢？」

我還想應該說些什麼，那傢伙便跟她說：「呃，我在學按摩。你能讓我練習嗎？」

「當然可以，」她說。他們走出浴池，她躺在附近的按摩檯上。

我想：「那句開場白真絕啊！我怎麼也想不到可以這樣問！」他開始按摩她的大腳趾頭。「我可以感覺到，」他說：「我感覺到凹下去的地方。那是不是腦下垂體呢？」女孩說：「不是，它感覺起來不是那樣。」

我脫口而出：「老兄，你離腦下垂體還遠得很呢！」

他們兩人看向我，我這句外行話洩露了自己的偵探身分。那女孩說：「我們說的是腳底反射療法。」

我立刻閉上眼睛，假裝在冥想。

那只不過是許多使我驚慌失措的情形之一。

我也研究過超感知覺現象，最近的大熱門是焦勒（Uri Geller），據說他只要用手指撫摸鑰匙，就能使它彎曲。在他邀請之下，我便跑到他旅館房間內，看他表現觀心術。在觀心方面他沒一樣表演成功，也許沒有人能看穿我的心吧？

而我的小孩拿著一根鑰匙讓他摸，什麼也沒有發生。然後他說他的超感知覺能力在水中比較能夠施展得開。你們可以想像，我們跟著他跑到浴室裡，水龍頭開著，他在水中拚命撫摸那把鑰匙。什麼都沒有發生，我根本無法研究這個現象。

接下來我想，我們還相信些什麼？（那時候我想到巫醫，想到要研究他們的真偽是多麼的容易：你只要注意他們什麼也弄不成就行了。）於是我去找些更多人相信的事物，例如「我們已經掌握到教學方法」等。目前有很多閱讀方法和數學方法的提倡及研究。但只要稍微留意，便會發現學生的閱讀能力一路滑落─至少沒怎麼上升；儘管我們還在請這些人改善教學方法。這就是一種由巫醫開出來的不靈藥方了，這早就應該接受檢討，這些人怎麼知道提出來的方法是行得通的？

另一個例子是如何對待罪犯，在這方面很顯然我們一無進展。那裡有一大堆理論，但我們的方法顯然對於減少罪行完全沒有幫助。

然而，這些事物全都以科學之名出現，我們研究它們。一般民眾單靠「普通常識」，恐怕會被這些偽科學嚇倒。假如有位老師想到一些如何教她小孩閱讀的好方法，教育系統卻會迫使她改用別的方法─她甚至會受到教育系統的欺騙，以為自己的方法不是好方法。又例如一些壞孩子的父母在管教過孩子之後，終身無法擺脫罪惡感的陰影，只因為專家說：「這樣管小孩是不對的。」

因此，我們實在應該好好檢討那些行不通的理論，以及檢討那些不是科學的科學。

科學研究必須有品

上面提到的一些教育或心理學上的研究，都是屬於我稱為「草包族科學」（cargo cult science）的例子。在南太平洋有一些土人，被稱為草包族。在大戰期間，這些工人看到飛機降落在地面，卸下來一包包的好東西，其中一些是送給他們的。往後他們仍然希望能發生同樣的事，於是現在他們在同樣的地點鋪飛機跑道，兩旁還點上了火，蓋了間小茅屋，派人坐在那裡，頭上綁了兩塊木頭（假裝是耳機）、插了根竹子（假裝是天線），以為這就等於控制塔裡的領航員了。然後他們等待，等待飛機降落。

他們每件事都做對了，一切都十分神似，看來跟戰時沒什麼兩樣，但這行不通：始終沒有飛機降落下來。這是為什麼我叫這些東西為「草包族科學」，因為它們完全學足了科學研究的外表，一切都十分神似，但是事實上它們缺乏了最重要的部分，因為飛機始終沒有降落下來。

接下來，按道理我應該告訴你們，它們缺乏的是什麼，但這跟向那些南太平洋小島上的土人說明，是同樣的困難。你怎麼能夠說服他們應該怎樣重整家園，好自力更生的生產財富？這比「告訴他們改進耳機形狀」要困難多了。

不過，我還是注意到「草包族科學」的一個通病，那也是我們期望你在學校裡學了這麼多科學之後已經領悟到的觀念─我們從來沒有公開明確的說那是什麼，卻希望你能從許許多多的科學研究中省悟到。因此，像現在這樣公開的討論它，也是蠻有趣的。

這就是「科學的品德」了，這是進行科學思考時必須遵守的誠實原則，有點盡力而為的意思在內。舉個例子，如果你在做一個實驗，你應該把一切可能推翻這個實驗的東西併入報告之中，而不是單把你認為對的部分提出來，你應該把其他同樣可以解釋你的數據的理論、某些你想到、但已透過其他實驗將之剔除掉的事物，全部包括在報告中，以確保其他人明白，這些可能性都已經排除。

你必須交代清楚任何你知道、可能會使人懷疑的立論的細枝末節。如果你知道哪裡出了問題，或可能會出問題，你必須盡力解釋清楚。比方說，你想到了一個理論，提出來的時候，便一定要同時把對這理論不利的事實也寫下來。這裡還牽涉到一個層次更高的問題。當你把許多想法放在一起構成一個大理論，提出它與什麼數據相符合時，首先你應該確定：它能說明的不單單是讓你想出這套理論的數據，而是除此以外，還能夠說明其他的實驗數據。

總而言之，重點在於提供所有資訊，讓其他人得以裁定你究竟做出了多少貢獻，而不是單單提出會引導大家偏向某種看法的資料。

• 作者／ 班‧歐林 (Ben Orlin)；譯者／王年愷

好，我們先把這件事情說清楚。統計數據是謊言，不應該採信。史上最聰明的人都這樣說過，不是嗎？

我的重點是什麼？沒錯，數字會欺騙。但文字也會——更不用說圖案、手勢、嘻哈音樂劇和募款電子郵件了。我們的道德制度會去責怪說謊的人，而不是說謊者用來說謊的媒介。

對我來說，最有意思的批評統計之詞不是批評統計學者的不誠實，而是批評數學本身。我們可以去理解統計的瑕疵，看到每一項統計數據想要捕捉什麼（以及它會刻意忽略什麼），來增強統計的價值。也許這樣我們就能成為威爾斯想像中的優良公民。

統計中的平均數（mean）其實分配不均？

做法：把你的資料全部加起來，把總數除以資料筆數。

使用時機：平均數滿足了統計的一項基本需求：捕捉一個群體裡的「中間傾向」。籃球隊的身高是多少？你每天賣出幾個冰淇淋甜筒？這班學生的考試成績如何？如果你想用一個數值來概述一整個群體，平均數是合理的第一步。

為什麼不要相信它：平均數只管兩個資訊：總和，以及用來達成這個總和的人數。假如你曾經分配過海盜搶來的財寶，就知道哪裡危險了：分配的方式有許多種。每一個人分別貢獻了多少？這是否平均，還是嚴重偏袒某一方？

如果我吃掉一整個披薩，沒有留下任何一點給你，我們是否可以公正地說每個人「平均吃掉」半個披薩？你可以跟你邀來吃晚餐的客人說，「人類平均」有一顆卵巢和一顆睪丸，但這樣是不是會讓氣氛突然冷掉？（我試過；的確會。）

人類關心分配的問題，但平均數會忽略這個問題不談。

但平均數還有一個有用之處：它的特性使得它容易計算出來。

假設你的考試成績是 87 分、88 分和 96 分。（對，你在這班如魚得水。）你的平均是多少？你不必耗費腦力去加減乘除，只需要重新分配就好了。

從你最後一次的成績拿走 6 分，把 3 分分給第一次、2 分分給第二次。這樣你的分數便是 90 分、90 分和 90 分，另外還多了 1 分。把這 1 分分配給三次考試，你就會得到平均為 90⅓，完全不需要多花腦力。

統計中的中位數（median）忽視懸殊差異？

做法：中位數是你的資料集裡最中間的那一筆。有一半的資料比它低，另一半比它高。

使用時機：中位數和平均數一樣，捕捉了一個群體裡的中間傾向。差別在於它對離群值（outlier）的敏感度—或者應該說，它有多麼不敏感。

就拿家庭所得來說吧。美國的富裕家庭可能收入是貧窮家庭的幾十倍（甚至幾百倍）。平均數假裝讓每一個家庭都分配到收入總和的同樣數量，因此它會被這些離群值吸引走，離開大多數資料群聚的地方。這樣它算出的數值是 $75,000。

中位數抗拒離群值的吸引力。它指認出絕對位於美國正中間的家庭所得，這會是剛剛好的中間點，有一半的家庭比這富裕，另一半比這貧窮。在美國，這個數值接近 $58,000。

它和平均數不一樣；中位數可以讓人清楚看到「典型的」家庭是什麼樣子。

為什麼不要相信它：當你找到中位數後，你知道有一半的資料比它大，另一半比它小。但這些數值距離它多遠—只有半步之遙，還是要橫越整片大陸？你只會看到中間的那一塊，不會去管其他部分有多大或多小。這樣你可能誤判。

當一位創業資本家投資新創公司時，他會預期大多數新創公司將失敗。十分之一的罕見成功案例彌補其他小小的損失。但中位數會忽略這樣的動態。它大叫：「通常的結果是負面的。快中止任務！」

同理，保險公司細心建立一套組合，因為他們知道千分之一的罕見災難會消滅多年以來不太高的獲利。但中位數忽略潛在的大災難。它鼓舞你：「通常的結果是正面的。永遠不要停下來！」

這就是為什麼你常常看到中位數與平均數並列。中位數報出通常的數值，平均數則是報出總數。它們像是兩位有缺陷的證人，兩個合起來的時候會說出比任何一個更全面的故事。

統計中的眾數（mode）排除與眾不同？

做法：它是最常見的數值，最潮、最時尚的資料點。假如每個數值都獨一無二、沒有重複呢？這樣的話，你可以把資料分類，然後把最常見到的那個類別稱為「眾數組」（modal category 或 modal class）。

使用時機：眾數在進行民意調查和統計非數字的資料時非常出色。假如你想要簡述大家最喜歡的顏色，不可能「計算出顏色的總和」來算出平均數。或者，假如你在舉行投票，如果把所有的選票從「最自由派」排到「最保守派」，然後把公職給拿到中位數選票的候選人，這樣會讓選民發瘋。

為什麼不要相信它：中位數會忽略總和。平均數忽略總和的分布。那眾數呢？它會忽略總和、總和的分布和幾乎所有其他的事情。

眾數只代表單一個最常見的數值。但「常見」的意思不是「有代表性」。美國的薪資眾數是 0——這不是因為大多數美國人破產又沒工作，而是有領薪水的人分布在 $1 到 $100,000,000 的光譜各處，但所有沒領薪水的人都有相同的數字。這項數據不會告訴我們任何和美國有關的事。這項事實幾乎在所有國家都適用，因為這是金錢的運作方式所造成的。

改用「眾數組」只能解決一部分的問題。這樣會讓呈現資料的人有驚人的權力，因為他可以故意操弄分組的界線，來配合他的立場。依照我劃分界線的差異，我可以宣稱美國家庭所得的眾數位在 $10,000 到 $20,000（以 10,000 進位），或 $20,000 到 $40,000（以 20,000 進位），或 $38,000 到 $92,000（以所得稅級距進位）。

同樣的資料集，同樣的統計數據，但最後的樣貌完全改變了，端視畫出這個樣貌的畫家採用哪一種畫框而定。

——本文摘自《塗鴉學數學：以三角形打造城市、用骰子來理解經濟危機、玩井字遊戲學策略思考，24堂建構邏輯思維、貫通幾何學、破解機率陷阱、弄懂統計奧妙的數學課》，2020 年 5 月，臉譜出版