影片中的臉孔置換

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。

時間不再絕對？牛頓與愛因斯坦的時間觀差異

川村老師，請用簡單的方式告訴我「相對論」是什麼？

老師：狹義相對論源自相對性原理（Principle of relativity，指物理定律〔Physical law〕適用於所有以等速直線運動的物體） 與光速恆定原理。根據這個理論，時間是相對的，依不同觀察者而有所差異。牛頓力學中的時間是絕對的，愛因斯坦則認為，可依不同的觀察者位置對時間進行不同定義。

老師：之前在討論「力」時，也提過離心力。離心力是「慣性力」的一種，慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中，當電梯向上加速，電梯內的人會受到向下的慣性力（譯注：因看不到外面，使得他無法判斷電梯的運動情況）。若加速度為 g，物體質量為 m，則物體所受慣性力為 mg，與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異，所以視為等效。但無論慣性力的方向為何，物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎？

世界上最快的速度是光速。物體的移動速度若接近光速，它的時間進程就會變慢。也就是說，在接近光速的太空船上，時間會變得悠長。而且，接近光速的物體長度會朝行進方向收縮。

物體只要具有質量，即使在靜止狀態依然擁有能量（其能量 E ＝ mc²），稱為靜止能量（Rest energy）。

提到光的運動，我們已經知道光的路徑會彎曲。

1919 年，天文學家觀測到恆星發出的光線在經過太陽附近時被偏折，這種現象稱為「重力透鏡效應」（Gravitational lens），有助於了解黑洞等宇宙中質量分布的情況。此外，天體物理學家也觀測到時間的延遲。簡而言之，接近地面的時鐘行進速度會比高處的時鐘慢，GPS 也是依據這種效應來進行校正。

時間

牛頓力學中的「時間」（也就是我們一般理解的時間）和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》（Philosophiæ Naturalis Principia Mathematica，1687）中，假設空間是均勻平坦的；從過去到未來，在任何地方都平均延伸。在牛頓力學中，全宇宙的時間一致。

但相對論否定了這一點。

光速恆定原理指出，光的速度是固定不變的。這種狀況下，空間中不同地點發生的兩件事，對某個觀測者來說是同時發生，但對另一參考系的觀測者而言則非同時發生。也就是說，時間的前進速度並非在任何地方都相同。因此，時間和空間不能視為各自獨立的兩回事，應該一體化，視為四維空間（時空，Spacetime）。

不過，這是指物體移動速度接近光速時的情況。日常生活中，使用過去的時間觀不會有任何問題。

黑洞

黑洞（Black hole）是一種天體，因為密度極高，重力極強， 不只物質，連光都會被吸進去，無法逃逸。天體是宇宙中所有物體的總稱，具體來說，指太陽、恆星、行星、星團、星雲等。從相對論來看，黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解：

把重物放在一大塊展開的薄橡皮布上，放置處就會凹下去，而這塊凹陷會影響到周圍。同樣的，黑洞所在之處會發生猛烈的空間扭曲，經過附近的天體會被極強的重力吸引，落入其中，連光也難逃魔掌。

銀河系有許多黑洞，但具體數字不詳。2019 年，一個跨國研究計畫團隊首次拍攝到黑洞的「影子」，掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑：用35個萌角色掌握最重要的物理觀念，秒懂生活中的科普知識》，2024 年 9 月，漫遊者文化，未經同意請勿轉載。

2 月 15 日 OpenAI 發佈 Sora，隔一周後 Stable diffusion 3 隨後推出，以前人家都說有圖有真相，現在眼見不實的時代要來臨了，你說？還有什麼可以相信的？

AI 生成的影像到底有沒有方法可以辨識出來？今天，我們來談談近期關於辨識 AI 生成，找出 AI 生成的破綻！

先說結論，理論上可以！但現實很困難，很容易被破解，這集我們回答三個問題：

1. AI 生成影像有什麼破綻？
2. 還有哪些方法可以辨別 AI 生成的影像？
3. 最後來談談這些辨識方法，在現實中會遇到什麼問題？

回到最基礎的問題眼見不再為憑，接下來只會越來越多，不會越來越少，謠言進化成謠圖跟謠影片，現在還真的沒有其他武器，來辨識 AI 生成的內容，說到底還是得回歸自身的媒體識讀、確認訊息來源！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！