[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-chen-liwu-intel-packaging-materials-podcast-en":3,"article-related-chen-liwu-intel-packaging-materials-podcast-en":30,"series-industry-b10159ab-4111-48da-bc2a-f64cbff423ef":72},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"b10159ab-4111-48da-bc2a-f64cbff423ef","chen-liwu-intel-packaging-materials-podcast-en","陈立武把英特尔改成材料公司","\u003Cp data-speakable=\"summary\">我把陈立武这套英特尔改造思路拆成了可直接复用的产品和技术决策模板。\u003C\u002Fp>\u003Cp>我最近一直在盯英特尔的新动作，越看越有一种熟悉的烦躁感：如果你还把半导体竞争理解成“谁的工艺节点更小，谁就赢”，那你已经落后了。工艺当然重要，但它不再是唯一答案，甚至很多时候都不是最先该砸钱的地方。陈立武这次在播客里讲得很直白，英特尔接下来要做的不是继续死磕单点参数，而是把重心往先进封装、玻璃基板和新材料上挪，同时押注AI推理带来的CPU回潮。我听完的第一反应不是“哇，真大胆”，而是“终于有人把这件事讲清楚了”。\u003C\u002Fp>\u003Cp>我自己做硬件和平台规划时也踩过类似的坑：总想把问题压缩成一个指标，结果最后被供应链、封装、功耗、内存带宽和系统架构一起教育。陈立武这次的说法，等于把那层遮羞布直接掀了。下面我按他的原话和公开采访内容，把这套思路拆开讲，顺手给你一个能拿去做技术路线图的模板。原始来源是知乎转载的这篇文章：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\">陈立武接手英特尔后首次播客访谈\u003C\u002Fa>，我也会补上他提到的相关技术背景链接，比如\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Farchitecture-and-technology\u002Fembedded-multi-die-interconnect-bridge.html\">Intel EMIB\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fnewsroom\u002Fnews\u002Fintel-shows-glass-substrate-technology.html\">Intel glass substrates\u003C\u002Fa>，以及\u003Ca href=\"https:\u002F\u002Fwww.cadence.com\u002Fen_US\u002Fhome\u002Ftools\u002Fsystem-analysis\u002Fchiplet-design.html\">Cadence 对 chiplet\u002F封装设计的说明\u003C\u002Fa>。\u003C\u002Fp>\u003Ch2>别再把“先进制程”当成唯一叙事了\u003C\u002Fh2>\u003Cblockquote>“我们的目标是 5-10 年 10 倍。”\u003C\u002Fblockquote>\u003Cp>这句话很容易被媒体拿去做标题党，但我觉得重点不在“10倍”这个数字有多吓人，而在于陈立武给英特尔定的时间尺度。5到10年，说明他不是在追一代工艺的短期翻盘，而是在做一套能撑更久的结构性调整。英特尔过去太习惯把自己绑在制程节点上，一旦节点推进不顺，整个叙事就跟着卡壳。现在他的思路明显变了：先把财务、产品和制造能力的底盘稳住，再把增长押到封装和材料这些更能放大系统性能的地方。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342206068-n3vd.png\" alt=\"陈立武把英特尔改成材料公司\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>这实际上意味着什么？意味着你如果还在用“7nm、5nm、3nm”这种单线条思维看芯片竞争，就会忽略掉真正决定系统体验的那部分。很多时候，客户买的不是一个裸die，而是一整套封装后的平台能力：带宽、延迟、热设计、良率、成本、可扩展性。制程缩小当然有价值，但它越来越像一张门票，不再是全部筹码。\u003C\u002Fp>\u003Cp>我以前在做平台选型时也有这种误判。团队里总有人说“再等一代工艺就好了”，结果等来的不是性能飞跃，而是成本上升、供货不稳和设计复杂度飙升。后来我才明白，真正能拉开差距的，往往是系统层面的组合拳，而不是某个单点参数。陈立武这次的说法，本质上就是把公司从“节点竞赛”拉回“系统竞赛”。\u003C\u002Fp>\u003Cp>怎么应用到你自己的工作里？如果你在做芯片、服务器、边缘设备或者AI平台规划，别先问“我们能不能把工艺再压一代”，先问三件事：一是性能瓶颈到底在计算、内存还是互连；二是客户愿不愿意为更好的封装和平台集成付费；三是你手里有没有把这些能力产品化的路径。很多团队死在第一问都没答对。\u003C\u002Fp>\u003Cul>\u003Cli>把路线图从“工艺节点”改成“系统指标”：带宽、延迟、功耗、成本、良率。\u003C\u002Fli>\u003Cli>把研发预算分成三层：节点、封装、材料，不要只押一条线。\u003C\u002Fli>\u003Cli>每季度重新验证客户真正买单的是哪一层价值。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>EMIB 不是配角，它是英特尔的翻盘支点\u003C\u002Fh2>\u003Cblockquote>“先进封装技术 EMIB”\u003C\u002Fblockquote>\u003Cp>EMIB 是 Intel 的 Embedded Multi-die Interconnect Bridge，简单说就是把多个芯粒更高效地连在一起。你可以把它理解成一种比传统大一统单芯片更灵活的拼装方式。英特尔在这里的逻辑很现实：当单颗大芯片继续做大，良率、成本和设计风险都会一起上升；但如果把功能拆成多个 die，再用更好的封装把它们组起来，就能在性能、成本和上市节奏之间找到一个更可控的平衡。\u003C\u002Fp>\u003Cp>这不是“退而求其次”，而是承认现实。因为很多产品的瓶颈已经不是“能不能做出一个更大的单芯片”，而是“能不能把不同工艺、不同功能、不同功耗域的模块拼成一个可卖的系统”。EMIB 的价值就在于这里：它让英特尔有机会把 CPU、IO、加速器、缓存和其他功能模块更灵活地组合起来，而不必每次都重新赌一个超大单片。\u003C\u002Fp>\u003Cp>我在项目里最常见的误区，就是工程团队会把 chiplet 当成“后端封装团队的事情”。错了。chiplet 不是封装部门的补丁，它应该反过来影响前端架构设计。你一旦决定走多 die 路线，接口协议、功耗预算、热分布、测试策略都会变。封装不是最后一步，它是架构的一部分。\u003C\u002Fp>\u003Cp>如果你要把这个思路落到实际工作里，先从“模块化边界”开始画。哪些功能必须放在同一颗 die 上，哪些可以拆出去？拆出去之后，互连带宽够不够？延迟能不能接受？测试怎么做？良率怎么分摊？这些问题比“我们能不能再缩一个节点”更接近商业现实。Cadence 这类工具厂商已经把 chiplet 设计和系统分析讲得很明确了，你不需要从零发明概念，你需要的是把它变成决策流程。\u003C\u002Fp>\u003Cul>\u003Cli>先定义模块边界，再定义工艺边界。\u003C\u002Fli>\u003Cli>把封装当成架构层，而不是制造收尾。\u003C\u002Fli>\u003Cli>为每个 chiplet 设计单独的测试和失效隔离策略。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>玻璃基板不是材料炫技，是密度和信号完整性的现实答案\u003C\u002Fh2>\u003Cblockquote>“玻璃基板”\u003C\u002Fblockquote>\u003Cp>玻璃基板这件事，很多人第一次听会觉得像材料圈的冷门话题，但它其实很朴素：当封装越来越复杂，传统有机基板在尺寸稳定性、布线密度和信号完整性上开始吃力，玻璃基板就成了一个很自然的候选项。英特尔公开讲过玻璃基板技术，我建议你直接看他们的\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fnewsroom\u002Fnews\u002Fintel-shows-glass-substrate-technology.html\">官方介绍\u003C\u002Fa>，比转述更清楚。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342200924-arbs.png\" alt=\"陈立武把英特尔改成材料公司\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>陈立武把玻璃基板放进路线图，说明他看的不是“某个实验室材料能不能演示”，而是“它能不能支撑更高密度、更大尺寸、更稳定的封装平台”。这点很重要。因为很多新材料项目死在一个毛病上：演示很漂亮，量产很难，最后只能停在 PPT 和 demo 之间。玻璃基板如果没有办法进入规模制造，那它就只是材料新闻，不是战略资产。\u003C\u002Fp>\u003Cp>我自己对这类材料路线最警惕的一点，是团队容易把“更先进”误解成“更值得上”。其实不是。你得先问这个材料是不是在解决明确的系统痛点。玻璃基板的痛点就很明确：更好的尺寸稳定性、更高互连密度、更适合未来大封装。它不是为了好看，而是为了让封装继续往上堆。\u003C\u002Fp>\u003Cp>怎么用在你自己的路线图里？如果你做的是平台或硬件产品，不要只盯着芯片设计团队。你还要看封装基板、热界面材料、散热路径和测试工艺。很多产品最后不是死在算力不够，而是死在“封不住、压不稳、测不全”。材料选择不是后勤问题，它直接决定你能不能把性能兑现出来。\u003C\u002Fp>\u003Cp>我会建议你把材料评估拆成三层：一层看物理性能，一层看制造可行性，一层看供应链成熟度。任何一层不过关，都别急着上主路线。材料圈最怕的就是“单点惊艳，整体失控”。\u003C\u002Fp>\u003Ch2>GaN、SiC、InP、人工钻石，陈立武在押的是材料组合拳\u003C\u002Fh2>\u003Cblockquote>“氮化镓（GaN）、碳化硅（SiC）、磷化铟（InP）和人工合成钻石”\u003C\u002Fblockquote>\u003Cp>这串材料名看起来像在列采购清单，但我理解陈立武的意思是：英特尔不只是在找一种替代材料，而是在为不同功率、频率、热管理和光电场景准备一组可选项。GaN 和 SiC 更偏功率电子，InP 常见于高速光电和通信，人工合成钻石则更多和散热、极端热管理相关。把它们放在一起讲，说明英特尔想看的不是单一产品，而是未来系统里多种材料协同的可能性。\u003C\u002Fp>\u003Cp>这里最有意思的地方在于，英特尔过去的核心身份是 CPU 厂商，但现在它明显在往“平台级材料和封装能力”上延展。这个转向不是偶然。因为当 CPU、\u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa>、加速器和网络组件越来越紧密地绑在一起，材料和封装就不再只是制造细节，而是决定系统边界的关键变量。你想把功耗压下去、把频率拉上来、把热量导出去，就得看材料。\u003C\u002Fp>\u003Cp>我以前总觉得材料团队离产品太远，后来发现完全不是。真正成熟的产品规划，必须把材料路线提早拉进来。否则你前端架构画得再漂亮，后端根本做不出来。尤其是 AI 服务器、光互连、功率转换这些场景，材料选型会直接影响你能不能把系统做成可量产、可维护、可扩展的形态。\u003C\u002Fp>\u003Cp>怎么应用？如果你在做新硬件项目，别等到散热和功耗炸了才去找材料方案。你应该在架构阶段就列出三个清单：高功率器件用什么材料，互连用什么材料，散热界面用什么材料。然后把这三类材料和供应商、成本、工艺窗口一起评估。别只看实验数据，要看能不能和你的主板、封装、测试流程配起来。\u003C\u002Fp>\u003Cul>\u003Cli>功率器件优先看 GaN \u002F SiC 的适用边界。\u003C\u002Fli>\u003Cli>高速互连和光电方向关注 InP 这类材料的系统价值。\u003C\u002Fli>\u003Cli>高热流密度场景提前评估人工钻石等散热材料的制造与成本。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>AI 推理把 CPU 又拽回来了，这不是反常，是系统分工变了\u003C\u002Fh2>\u003Cblockquote>“数据中心服务器中 CPU 与 GPU 的配比已从过去的一比八向一比四乃至更低演变。”\u003C\u002Fblockquote>\u003Cp>这段话我觉得特别值得记下来。过去几年大家都在讲 GPU，讲得好像 CPU 已经快成陪跑了。但陈立武说得很明确：智能体 AI 和推理场景的爆发，正在让 CPU 需求重新抬头。原因很简单，推理不是纯算力堆砌，它需要调度、内存管理、任务编排、数据预处理和大量系统控制，这些都离不开 CPU。\u003C\u002Fp>\u003Cp>所以 CPU 和 GPU 的关系不是谁干掉谁，而是系统分工在变。训练阶段 GPU 很强，推理阶段 CPU 的角色被重新放大，尤其是在数据中心里，CPU 负责的东西越来越多。配比从一比八变成一比四，甚至更低，说明服务器架构正在重新平衡。这个变化对英特尔很重要，因为它正好把公司最擅长的 CPU 基础能力重新拉回中心。\u003C\u002Fp>\u003Cp>我自己的经验是，很多团队在讨论 AI 架构时，太容易把“算力”当成唯一变量。实际上，推理服务上线后，真正吞资源的是调度、网络、缓存、内存和业务编排。你如果只盯 GPU，系统很快就会在别的地方卡住。陈立武这次讲 CPU 回潮，我听着不像是乐观口号，更像是对数据中心真实负载变化的判断。\u003C\u002Fp>\u003Cp>怎么用？如果你在做 AI 基础设施规划，别只算 GPU 预算。你要同时算 CPU 核数、内存容量、PCIe \u002F CXL 拓扑、网络带宽和存储吞吐。推理业务一旦上量，CPU 往往会成为隐藏瓶颈。很多团队最后不是 GPU 不够，而是 CPU 把整台机器的吞吐拖住了。\u003C\u002Fp>\u003Cp>我会建议你在架构评审时强制回答这几个问题：推理请求的调度在哪一层完成？哪些预处理必须在 CPU 上做？GPU 空闲时 CPU 能不能把队列喂满？如果这些问题答不清，说明你还没真正理解推理系统。\u003C\u002Fp>\u003Ch2>英特尔真正要改的，是组织习惯，不只是技术路线\u003C\u002Fh2>\u003Cblockquote>“在稳固资产负债表、聚焦产品线之后”\u003C\u002Fblockquote>\u003Cp>这句话看起来像财务语言，但我觉得它其实是在说组织纪律。英特尔过去最大的问题之一，不是没有技术，而是技术、制造、产品和资本配置之间经常互相打架。陈立武把“稳住资产负债表”放在前面，说明他知道如果财务不干净，后面所有长期投资都会被短期压力扯碎。\u003C\u002Fp>\u003Cp>这也是为什么我对他的表述比较认同：先收缩战线，再集中火力。你不可能一边背着一堆低效资产，一边还幻想在新材料、新封装、新平台上全面开花。组织要转向，先得承认自己不能什么都做。这个判断听起来简单，实际执行很难，因为每个部门都会觉得自己该被保留。\u003C\u002Fp>\u003Cp>我见过太多技术公司死在“都想要”。产品线太散、研发目标太多、资源分配太碎，最后每条线都做不深。陈立武这次的表态至少说明，他不是在讲空洞愿景，而是在讲资源重排。对一家像英特尔这样的公司来说，这比喊口号重要得多。\u003C\u002Fp>\u003Cp>如果你是团队负责人，最应该学的不是“押注什么新材料”，而是“怎么砍掉不该做的东西”。路线图不是把所有可能都堆上去，而是把最能放大优势的那几条留下来。你可以把这个原则直接搬到自己的项目管理里：每条路线都要有明确的退出条件，没有退出条件的项目，最后都会变成组织负担。\u003C\u002Fp>\u003Cp>我通常会要求团队回答三个问题：这条线如果三年后没达到目标，能不能停？它和主业务的协同点是什么？它需要的组织能力我们到底有没有？如果这三个问题答不上来，别急着立项。\u003C\u002Fp>\u003Ch2>你可以直接拿去用的路线图模板\u003C\u002Fh2>\u003Cp>下面这个模板不是给英特尔写的，是给你自己做芯片、硬件、AI基础设施或者平台规划时直接套用的。你可以把它当成“从单点工艺思维切到系统材料思维”的会议稿。\u003C\u002Fp>\u003Cp>我建议你先用它开一次内部评审会，别讨论愿景，直接讨论边界、瓶颈和资源。这样最能看出团队到底是在做计划，还是在做幻想。\u003C\u002Fp>\u003Cpre>\u003Ccode># 系统级技术路线图模板（可直接改名使用）\u003C\u002Fcode>\u003C\u002Fpre>\u003Cpre>\u003Ccode>## 1. 我们不再只用“节点”定义竞争力，而是用系统指标定义竞争力\n- 目标指标：带宽 \u002F 延迟 \u002F 功耗 \u002F 成本 \u002F 良率 \u002F 可扩展性\n- 当前瓶颈：\n- 未来 12 个月最可能卡住的环节：\n\n## 2. 架构先行，封装跟上\n- 哪些功能必须保留在单 die 内：\n- 哪些功能可以拆成 chiplet：\n- 互连协议与带宽预算：\n- 热设计与失效隔离策略：\n- 测试与验证计划：\n\n## 3. 材料不是后勤，是产品能力的一部分\n- 高功率器件候选材料：GaN \u002F SiC \u002F 其他\n- 高速互连或光电候选材料：InP \u002F 其他\n- 散热与热扩散候选材料：人工钻石 \u002F 其他\n- 每种材料的量产风险：\n- 供应链成熟度：\n\n## 4. 先验证客户价值，再验证技术漂亮\n- 客户真正愿意付费的性能点：\n- 当前方案与竞品差异：\n- 3 个必须达成的商业指标：\n- 2 个必须避免的失败模式：\n\n## 5. AI \u002F 数据中心场景的 CPU 与加速器协同\n- 推理负载中 CPU 负责什么：\n- GPU 负责什么：\n- 调度、预处理、网络、存储分别由谁承担：\n- CPU \u002F GPU 配比目标：\n- 机器级别的瓶颈排查清单：\n\n## 6. 退出机制\n- 如果 6 个月内没有进展，停哪里：\n- 如果 12 个月内成本不降，砍哪里：\n- 如果供应链不成熟，替代方案是什么：\n- 谁对最终决策负责：\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>如果你想更进一步，我会把这份模板拆成三个版本：产品经理版、架构师版、供应链版。因为同一套技术路线，站在不同角色眼里，关注点完全不一样。产品经理看客户价值，架构师看系统边界，供应链看交付风险。你要是把这三层都写进去，路线图才不会沦为 PPT 装饰。\u003C\u002Fp>\u003Cp>我最后再说一次，这篇文章最有价值的地方，不是“陈立武说了什么新鲜词”，而是他把英特尔的下一阶段讲成了一套可执行的工程逻辑：先稳财务，再收产品线；先看系统瓶颈，再看工艺节点；先押封装和材料，再谈单点性能。这个顺序很现实，也很难做，但至少方向是对的。\u003C\u002Fp>\u003Cp>原始内容来自知乎转载页：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\u003C\u002Fa>。我这里做的是基于公开文字的拆解和方法化整理，模板部分是我重新整理出来的，不是原文逐字复制。\u003C\u002Fp>","陈立武首次播客访谈拆解英特尔新路线：先进封装、玻璃基板和新材料，外加AI推理带来的CPU回潮。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342206068-n3vd.png","industry","en","707054b6-d7b6-46c2-89f8-161bb4e6f37c",[17,18,19,20,21],"英特尔","先进封装","玻璃基板","AI推理","chiplet",[23,24,25],"陈立武把英特尔的竞争重点从单点制程转向系统级封装和材料能力。","EMIB、玻璃基板和新材料组合，指向的是可量产的平台化路线，而不是概念展示。","AI推理正在重新抬高CPU价值，数据中心架构会继续向CPU\u002FGPU协同演进。",0,"2026-06-24T23:02:57.988319+00:00","2026-06-24T23:02:57.98+00:00","a1c158f8-b98b-4d99-aa84-35523d1f1876",{"tags":31,"relatedLang":32,"relatedPosts":35},[],{"id":15,"slug":33,"title":6,"language":34},"chen-liwu-intel-packaging-materials-podcast-zh","zh",[36,42,48,54,60,66],{"id":37,"slug":38,"title":39,"cover_image":40,"image_url":40,"created_at":41,"category":13},"15f7894f-9382-43bd-adef-effd2c22f4e8","cloudflare-rivals-web-security-infrastructure-en","Cloudflare’s main rivals and what each one does best","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782354765210-nxu1.png","2026-06-25T02:32:19.894228+00:00",{"id":43,"slug":44,"title":45,"cover_image":46,"image_url":46,"created_at":47,"category":13},"d59a52c7-8cc4-490f-bbf4-033649e43798","white-house-reversal-anthropic-pressure-en","White House reversal leaves Anthropic under pressure","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782352976024-thio.png","2026-06-25T02:02:31.389663+00:00",{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"06fa9a5f-2245-41f7-89da-f6b91cb208d7","gemini-3-5-pro-delay-google-ai-cycle-en","Gemini 3.5 Pro 迟到暴露了谷歌节奏问题","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782349366519-are3.png","2026-06-25T01:02:20.930248+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"dd7c45c5-3970-4c63-8acf-e2b47a0944a8","worthing-watersports-duotone-demo-wales-en","Worthing Watersports brings Duotone demo gear to Wales","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782345768727-o94m.png","2026-06-25T00:02:22.940982+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"372f6e06-007b-4110-93dc-851c736aaae9","zilliz-vector-lakebase-unified-ai-data-platform-en","Zilliz Vector Lakebase turns vector search into one platform","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782339470615-jdtd.png","2026-06-24T22:17:21.447456+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"118ac217-a559-4f44-b0d2-70e1ef77e7f3","apples-gemini-siri-deal-ai-app-strategy-en","Apple’s Gemini Siri deal rewrites AI app strategy","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782333172815-df6f.png","2026-06-24T20:32:27.384211+00:00",[73,78,83,88,93,98,103,108,113,118],{"id":74,"slug":75,"title":76,"created_at":77},"d35a1bd9-e709-412e-a2df-392df1dc572a","ai-impact-2026-developments-market-en","AI's Impact in 2026: Key Developments and Market Shifts","2026-03-25T16:20:33.205823+00:00",{"id":79,"slug":80,"title":81,"created_at":82},"5ed27921-5fd6-492e-8c59-78393bf37710","trumps-ai-legislative-framework-en","Trump's AI Legislative Framework: What's Inside?","2026-03-25T16:22:20.005325+00:00",{"id":84,"slug":85,"title":86,"created_at":87},"e454a642-f03c-4794-b185-5f651aebbaca","nvidia-gtc-2026-key-highlights-innovations-en","NVIDIA GTC 2026: Key Highlights and Innovations","2026-03-25T16:22:47.882615+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"0ebb5b16-774a-4922-945d-5f2ce1df5a6d","claude-usage-diversifies-learning-curves-en","Claude Usage Diversifies, Learning Curves Emerge","2026-03-25T16:25:50.770376+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"69934e86-2fc5-4280-8223-7b917a48ace8","openclaw-ai-commoditization-concerns-en","OpenClaw's Rise Raises Concerns of AI Model Commoditization","2026-03-25T16:26:30.582047+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"b4b2575b-2ac8-46b2-b90e-ab1d7c060797","google-gemini-ai-rollout-2026-en","Google's Gemini AI Rollout Extended to 2026","2026-03-25T16:28:14.808842+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"6e18bc65-42ae-4ad0-b564-67d7f66b979e","meta-llama4-fabricated-results-scandal-en","Meta's Llama 4 Scandal: Fabricated AI Test Results Unveiled","2026-03-25T16:29:15.482836+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"bf888e9d-08be-4f47-996c-7b24b5ab3500","accenture-mistral-ai-deployment-en","Accenture and Mistral AI Team Up for AI Deployment","2026-03-25T16:31:01.894655+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"5382b536-fad2-49c6-ac85-9eb2bae49f35","mistral-ai-high-stakes-2026-en","Mistral AI: Facing High Stakes in 2026","2026-03-25T16:31:39.941974+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"9da3d2d6-b669-4971-ba1d-17fdb3548ed5","cursors-meteoric-rise-pressures-en","Cursor's Meteoric Rise Faces Industry Pressures","2026-03-25T16:32:21.899217+00:00"]