「難道，真的回不去了嗎？」「沒錯，真的回不去了…….」
塞車是春節返鄉的遊子們不得不面對的嚴峻考驗，尤其當高速公路徹底化身為一個大停車場時，更是令人絕望到想砸車窗。
究竟塞車是怎麼發生的？
______________________________
想了解更多塞車的科學？你需要看這三篇：
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？
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。
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。
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。
討論功能關閉中。
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！
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。
參考資料：自駕車發展趨勢與關鍵技術
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。
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。
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：
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！
「難道，真的回不去了嗎？」「沒錯，真的回不去了…….」
塞車是春節返鄉的遊子們不得不面對的嚴峻考驗，尤其當高速公路徹底化身為一個大停車場時，更是令人絕望到想砸車窗。
究竟塞車是怎麼發生的？
______________________________
想了解更多塞車的科學？你需要看這三篇：
「 2000 年受臺大財金系合聘之邀，我開了一門『財務統計』課程。當時股市正值科技泡沫，我很好奇為什麼會有這個現象，加上受到財金系同事和學生的耳濡目染，漸漸覺得財務的『實證研究』蠻有趣，就一直研究到現在……」
研究室位於中研院統計所的迴廊深處，何淮中像個隱士般。置身股市戰線之外，以嚴謹的統計模型、歷史的股市資料，驗證股票市場的理性與不理性。
但 2017 年獲得諾貝爾經濟學獎的 Richard H. Thaler ，曾經做一個有趣的實驗，闡述另一位諾貝爾經濟學獎得主 Herbert Simon 所提的「有限理性」（bounded rationality），證明人沒有辦法完全理性。
Richard H. Thaler 在 1997 年 5 月於《金融時報》（Financial Times）刊登一則活動廣告，希望大家來報名參加 “pick a number game” ，大獎是英國航空往返倫敦與紐約/芝加哥的機票。玩法很簡單，只要玩家在 1~100 中選一個整數寫在信中、寄回主辦單位，截止後將所有收到的數字蒐集起來「取平均數、再乘以三分之二 」 ，最靠近這個數字的玩家，就是贏家。
假設 5 個人參加比賽，他們選擇 10，20， 30， 40 和 50 ，在此情況下，平均數是 30，而 30 的三分之二是 20 ，因此最初選擇 20 的玩家是勝利者。
這遊戲的隱含意義是──人們的預期心理、有限的理性。
若按照「市場是理性」假說，所有玩家應該會預期別人選擇什麼數字、並取平均數再乘以三分之二；然後又預期別人應該也會這麼做，又再取平均數再乘以三分之二……；經過這樣的循環，直到最後每個人都會選擇 1。
但無論是 1997 年《金融時報》這次、或我在各場合玩這個遊戲，都發現理性是有限的，人們一開始只會猜測別人的答案兩到三次循環，然後就選一個直覺大概沒錯的數字。
不同市場群體，會理性到什麼程度，我們可能不知道，就需要蒐集資料、根據統計來估計，這就是統計的重要性。
但其實台股的「菜籃族」常常搞不清楚股票上漲或下跌的原因，聽聞小道消息就跟風「追高殺低」，導致損失慘重。其實這背後有「動能效應」可以解釋，1993 年由 Jegadeesh and Titman 提出，指的是股票報酬率有持續性的現象，強者恆強、弱者恆弱。
投資人會有預期心理，預期心理又受到小道消息影響。由於小道消息的資訊傳遞像漣漪一層層擴散出去，因此股價在一定期間內呈現漲繼續漲、跌繼續跌，好像有個「動能」在持續推高或拉低股價。
動能投資策略，就是運用這種現象來規劃投資組合：買進贏家股票（漲繼續漲）、搭配賣出輸家股票（跌繼續跌）。
然而，2000 年之後的股票市場，這種動能效應似乎消失了。有些人認為是因為大家都知道這種賺錢方法，有些人認為是時機不對。但我們認為動能效應應該還存在，只是被一些「雜訊」給掩蓋，所以就撈出 1930 年 1 月到 2010 年 12 月的美國股市資料，和學生一起設計我們的「WL-LH 動能投資策略」做實證研究。
其實這與過往的動能投資策略差不多，差別在於，我們透過美股歷史資料分析，於投資策略中刪掉一些「雜訊」：「漲幅被高估」的贏家股票，也就是動能燃料已經燒完、會開始下跌；還有「跌幅被高估」的輸家股票，因為超跌、未來會再漲回來。這兩者分別代表投資人對於市場中好與壞的資訊，呈「過度反應」的現象。
困難的是，如何判定漲幅或跌幅是否被高估？我們從「資訊擴散」的角度出發，提出一個資產價格模型。然後藉由價格模型，設計一個價格風險指標，有效地篩選掉超漲或超跌的股票，從而驗證了市場的預期心理和動能效應，也同時說明市場的不效率性。
其中相關的統計模型算式，通常大家看了就頭痛，這裡先不贅述，有興趣的朋友請直接看看我們的論文。
從 1930 年 1 月的資料開始，我們先看過去一年的累計複利報酬、排序，買表現好的股票、賣表現壞的股票，一個月後檢視這樣的投資組合的報酬率。因為資料時序已經移動一個月，所以我們再從新的一個月回頭看過去一年的累積複利報酬、排序，再進行一次剛剛說的投資。
最後把累計複利報酬取平均值，例如下圖的 2000 – 2010 年資料所示。其中可看到， 2000 年以後的動能效應，原本大家認為已經消失了，但經由我們的 WL-LH 投資策略挖掘，失而復得，動能投資策略的獲利空間仍然存在。
我們對這個詮釋抱持懷疑，所以我們試著將 WL-LH 投資策略，套用至不同國家股市的歷史資料（1990-2014 年）驗證，發現只要去掉「雜訊」──上漲動能燃料已燒完的股票、以及超跌的股票，無論是美國、歐洲、日本、印度等 21 個國家，都能看見動能效應，比率接近九成。
換言之，因為人們投資行為的偏誤，例如貪婪追高股價、恐懼在低點持股，而導致市場的不效率性，是超越地域、族群而存在的共通現象。
但是台股比較特別，在 WL-LH 策略下，仍看不到動能效應。
在台股歷史資料（1990-2014 年）中，刪掉漲幅「被高估」的贏家股票、跌幅「被高估」的輸家股票後，並未找到動能效應。我們的推斷認為，台股投資人普遍容易過度預期，以及股票交易周轉率較高，可能是主要的原因。兩者都影響了模型預測「資訊擴散程度」的準確性。
由機率跨入統計，是很自然的。兩者都是處理「不確定性」的方法體系，密不可分。
我的研究，包括前面提到市場效率性的課題，「機率」與「統計」兼而有之。透過資料分析，可以證實股市有一定程度的不效率性，也有獲利的空間。但投資仍有風險，不會因為這些研究發現就產生過度自信，所以我老婆和我還是存定存、買共同基金。再說，她的錢我也管不了呀。
本著作由研之有物製作，原文為《行情總是在希望中毀滅？ 專訪何淮中》以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。
本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位
狐禪
