聚餐

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/雲無心

今年初夏，櫻桃出了風頭－有人把櫻桃泡在水裡，能看到一些蛆蟲爬出來。「蛆蟲」，光是這個名字就很影響人們的食慾，於是櫻桃產業突然陷入了泥潭。

實際上，那些蟲是果蠅的幼蟲。今年氣溫低，櫻桃成熟期稍晚，趕上了果蠅活動的旺季。但果蠅幼蟲本身不會危害健康，泡出來了扔掉了繼續吃，沒泡出來大可當作沒有。即便吃了，也只相當於吃了一些高蛋白的蟲而已——許多人把蠶蛹之類當作美味，果蠅幼蟲其實也差不多。

當然，對於多數人而言，櫻桃大可不吃，「蟲」是無法下嚥的。人們吃東西的一大目標是自身的愉悅，反感蟲而不吃櫻桃當然也無可厚非。

如果想要嚴格地「沒有蟲卵」，也不是不可行。比如說，用農藥把果園的果蠅都殺光。或者，用其他「人工」或者「生物」的手段保持果園沒有果蠅。然而，前者會使用更多的農藥，可能在在櫻桃上留下農殘，對環境也是威脅。而後者，必然大大增加種植成本，提高櫻桃的價格了。

要麼接受無害只是有點「噁心」的蟲，要麼使用更多的農藥，要麼付出更高的價格，除此以外，就只有第四個選擇——不吃。

不僅僅櫻桃如此，所有的食物都是如此。農作物從種植到收穫的過程中，難免會有一些昆蟲等「非糧食殘渣」留在裡面。我們可以不吃某種特定的食物，但是無法哪種都不吃。

在三種選擇的權衡妥協中，美國FDA允許各種食物中存在天然的、不可避免而且無害健康的「缺陷」。通常是昆蟲殘片、老鼠毛、幼蟲以及長黴等等。

比如，罐裝或冷凍的黑莓、覆盆子等漿果，只要每500克中不超過4只幼蟲，或者不超過10只昆蟲以及相當於10只昆蟲的殘片，都算是合格產品。在多數情況下，這些食品中看不到這些東西。不過如果你買一包黑莓，發現兩隻幼蟲或者幾個昆蟲的殘肢斷腿，也不能大驚小怪找商店退貨索賠。

FDA的標準中還有許多人們可能難以接受的限量。比如，10克調料粉中可以有30塊昆蟲殘渣，100克蘋果醬中可以有3根老鼠毛或者4只昆蟲。而關於巧克力的規定不知道會不會讓一些讀者從此不吃巧克力：取6個100克的樣品檢查，如果平均每個樣品的昆蟲碎片少於60個，而且每個樣品中都不超過90個，就算合格；而對於老鼠毛的要求則是平均不超過1根，而且每個樣品中都在3根以下。也就是說，你吃的巧克力中，沒準就含有幾個昆蟲的腿或者一根老鼠的毛。而蔬菜中的限量也不低，比如冷凍或者罐裝菠菜，每100克中的蚜蟲、薊馬以及蟎蟲不超過50只都可以接受。

現代社會，食品的充足與廉價是以大規模生產為依託的。大規模生產無法向小農經濟那樣一粒一粒去挑玉米，也無法去檢查每一顆花生是不是壞了。無害殘渣、農藥與成本之間的矛盾就更加突出。自己種自己吃的小麥可以在篩檢的時候挑出所有「異物」，但那樣生產出來的麵粉遠遠不是目前的價格。在FDA的標準中，每50克麵粉中的昆蟲殘片平均不超過75塊，或者鼠毛平均不超過一根，都在可接受範圍內。

當然，這些異物的來源必須是「天然的」「不可避免的」和「無害的」。「天然」「不可避免」的意思是：在良好的管理還操作下還依然存在。如果缺乏良好的生產規範，或者把「超標產品」用合格產品來稀釋到標準以下，就不屬於「天然」「不可避免」。這些情況，即使「不超標」，仍然會受到追究。

轉載自科學松鼠會