本文由 高柏科技 合作，泛科学撰文
林唯耕刚回台湾任教时，曾在清华大学的实验室里用一立方公分的「氨」做实验。没想到氨气意外泄漏，那股刺鼻的气味瞬间弥漫整栋大楼，引来众多师生抗议。
「从此以后，我再也不敢在实验室里用氨了。」他在《思想实验室》的访谈中，带着笑意回忆这段往事。
这段插曲听来像是一则工程师的寓言：在理论模型中，氨是太空热控系统的理想介质；但在现实的办公大楼里，它首先是逼人逃窜的臭味。公式本身没有错，但现实世界永远比公式更复杂——它包含了人、成本、风险，以及必须为后果负责的工程师。
高柏科技技术专家、清华大学荣誉退休教授林唯耕 ，曾任职于美国 OAO 工程部热流组，深耕电子构装散热与热管技术多年。随着 AI 浪潮席卷全球，他钻研一辈子的老问题再次被推向科技产业的核心：当芯片运算速度无止境攀升，那股伴随而生的热，究竟该往哪里去？
热不会读新品发表会
科技巨头在发表会上热衷于谈论大型语言模型、GPU 规格与惊人的算力。这些词汇在投视频上光鲜亮丽，仿佛进步毫无边界。然而，每一次数字运算都扎实地发生在实体芯片上。芯片会发热、材料会疲劳老化，一旦设备过热，系统便会降频保护。在物理现实面前，再动听的发表会叙事也必须低头。
回顾个人电脑发展早期，芯片几乎不需专属散热组件。随后，铝制鳍片、风扇、热管到均温板逐一登场。这段历程常被视为技术升级，其实更像是对空间的极限勒索：芯片功率翻倍，发热源的面积却没变大，机箱空间也不可能无限扩张。
林唯耕指出，散热设计的核心只有三要素：功率、热源面积与空间限制。他举例，在标准的 1U 机箱中，若发热面积约为三十乘三十毫米，气冷系统在达到八百瓦时就会面临瓶颈。这并非固定的物理常数，而是取决于空间、面积与气流的动态平衡。最现实的代价在于，风扇转速提升的背后，是噪音、电力损耗与空间占用。
因此，「液冷技术」的兴起并非单纯为了追求酷炫，而是算力密度提升后的必然选择。它能更精准地带走芯片废热，却也将新的挑战带入机房：漏液风险、流道堵塞、材料兼容性，以及维运时的难度。工程的进步，本质上鲜少是彻底消灭问题，更多时候是选择一组「比较值得承担」的新问题。
太空教他的，不是把答案搬回地面
太空热控工程之所以迷人，是因为它剥夺了地球上最常见的散热工具。在真空宇宙中，没有空气能让风扇制造对流；受光面温度破百度，阴影处却极度严寒。工程师必须纯粹仰赖热传导、热辐射，以及热管与环路型热管（LHP）来搬移热能。
热管运作的关键在于「相变」——液体蒸发时吸收大量潜热，冷凝后重回循环。林唯耕比较了铜与水的热传导能力：在他设置的特定条件下，实心铜块约能传导 120 瓦的热能；但若每秒有一立方公分的水发生蒸发相变，移热量可瞬间拉升至 2.4 千瓦（kW）。他强调「每秒」的观念，因为散热谈的是动态流动速率，而非静态的冷却魔法。
尽管如此，太空科技并不能直接套用到地面。太空组件因考量重量、功耗与维修难度，偏好无马达帮浦的被动式设计；但地面 AI 服务器面临更高的热负载与环境温度，往往仍需帮浦驱动流量。当年那场「氨气泄漏」事故正是最好的提醒：技术是否「先进」，与它是否「适合」当下的场景，始终是两回事。
好论文，为什么仍可能造不出好产品
学术研究致力于证明「可行性」，而工业现场则要求「可重复性」——不仅要能运作，还得确保每台出厂的设备都不漏水。林唯耕将此定义为「从 0 到 1」与「从 1 到 100」的差别。后者涉及良率、成本、公差与客户信任。论文中那次最完美的实验数据，在产线上往往未必管用。
他从不避谈失败。在高柏科技早期与学界合作时，也曾遇过实验数据无法拷贝，或研究方向偏离产业需求。这未必是双方努力不够，而是彼此对「成功」的标准不同。为了解决这道鸿沟，高柏科技推动「柏苗启航创新培育计划」，每年投入逾千万资金与成大、中山、台科大等校合作，并指派专业人才在过程中持续微调、校正，确保研发贴近产线现实。
他分享了近期一项液冷工质校正项目。团队使用非侵入式的超声波流量计进行观测，但由于仪器预设以「水」校正，换成其他化学流体后读数便出现误差。最初尝试用帮浦压差推算，却发现缺乏重复性，数据甚至推导出不合理的蒸发率。最后团队回归基本面，改用秤重法搭配能量平衡进行交叉验证，才让数据成功收敛。
这个故事真正的价值不在于「产学双赢」的口号，而在于那段不够优雅的挫折：假设失效、数据混乱、方法砍掉重练。也正是在这种时刻，企业需要的不只是会算数的人才，而是能洞察研究何时「走钟」，并有权力喊停、要求重来的关键决策者。
林唯耕坦言，过去在校园里总认为「技术第一、成本第二」，进入商界后才惊觉行销与信任关系往往才是关键。这番话虽然不如科技突破那样动听，却是产品能否进入市场的残酷真相。再卓越的散热设计，若无法稳定生产或赢得客户信任，也仅止于一份精美的报告。
AI 会给答案，谁来负责出货？
访谈尾声，主持人国威提出了一个时代难题：假设 AI 能在弹指间生成散热架构、材料配方与流道设计，企业该选择全面拥抱 AI 的速度，还是保留缓慢但稳定的工程验证，以规避潜在的失效风险？
林唯耕拒绝落入二选一的框架。他的观点是：两者并存。AI 擅长处理信息、生成草案；但工程师仍须实作原型，进行严苛的性能与可靠度测试，最终由人决定是否出货。这并非盲目崇拜人类直觉，而是基于一项事实：AI 的数据库里，通常没记载下一次「意外泄漏」或「材料疲劳」的细节，且模型永远无法为量产结果担负法律与商业责任。
在 AI 时代，最稀缺的未必是熟练下指令（Prompt）的人，而是具备这种能力的人：能预判答案可能在哪里出错、能设计实验将问题「逼」出来，并且愿意为最终的量产品质负起责任。
大众习惯将云端想像成轻盈、无重量的空间。但现实中，云端是由庞大的机房架构而成，里面装满了芯片、管线、泵浦与冷却液。虚拟算力的每一次扩张，都会在实体世界留下发热的足迹。散热工程师的价值，就是不让这笔物理帐单，被埋没在光鲜亮丽的投视频背后。