[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-35-nvidia-ai-supercomputers-turn-europe-into-a-lab-zh":3,"article-related-35-nvidia-ai-supercomputers-turn-europe-into-a-lab-zh":30,"series-tools-4c48f0a8-e999-4d0c-8ab6-c710f14d6675":76},{"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},"4c48f0a8-e999-4d0c-8ab6-c710f14d6675","35-nvidia-ai-supercomputers-turn-europe-into-a-lab-zh","35台NVIDIA超算把歐洲變實驗室","\u003Cp data-speakable=\"summary\">我拆 \u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa> 歐洲 35 台 AI 超算佈局，順手給你一份可直接套用的 HPC、AI factory、量子-GPU 規劃模板。\u003C\u002Fp>\u003Cp>我盯 NVIDIA 這類超算新聞一陣子了，老實說，很多時候都像在看簡報煙火：數字很大、名詞很多、照片很亮，但落到實際工作流程，常常還是那套老問題。GPU 買了，機櫃上了，大家拍完照，研究團隊還是在排隊，模型還是在卡，跨團隊整合還是在靠人肉接龍。我以前也以為只要算力夠大，後面自然會順，結果通常不是。真正卡住的，從來不是「有沒有機器」，而是「能不能把研究、訓練、推論、模擬一路串起來」。\u003C\u002Fp>\u003Cp>這次我讀的是 \u003Ca href=\"https:\u002F\u002Fnvidianews.nvidia.com\u002Fnews\u002Feurope-unveils-a-record-35-new-nvidia-ai-supercomputers\">NVIDIA 這篇歐洲 35 台 AI supercomputers 的 newsroom 文章\u003C\u002Fa>。它最刺到我的，不是那種老套的「更快、更強」，而是它明明白白在講一個系統：35 個系統、23 個國家、超過 300 萬研究者，還把量子工作、模擬、訓練、推論一起放進同一個敘事裡。這就不是單純買硬體了，這是在搭一個讓人真的能做事的操作模型。\u003C\u002Fp>\u003Ch2>歐洲不是在買超算，是在買時間\u003C\u002Fh2>\u003Cblockquote>\"NVIDIA today announced that a record 35 NVIDIA AI HPC supercomputers are in development across Europe — equipping more than 3 million researchers with next-generation infrastructure for continental AI, accelerated science and industrial innovation.\"\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：歐洲想縮短研究週期。這句話很樸素，但很要命。你在氣候、醫療、生醫、能源、製造這些領域做事，真正磨人的往往不是模型本身，而是「想法 → 模擬 → 訓練 → 驗證 → 重跑」這一整段循環太慢。慢一天，團隊就少一輪判斷；慢一週，很多專案就只剩會議。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782363801851-zr5v.png\" alt=\"35台NVIDIA超算把歐洲變實驗室\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看到「300 萬研究者」這個數字時，腦袋裡跳出來的不是規模，而是對象。NVIDIA 不是只在賣給少數平台工程師，而是在想辦法讓一大票本來就有科學問題的人，直接碰到算力。這跟「給一組精英團隊一台猛機器」完全不同。前者是公共基礎設施思維，後者只是採購。\u003C\u002Fp>\u003Cp>我以前幫過一個研究團隊整理混合模擬和 ML 的流程，算力其實不差，但每個步驟都在不同工具鏈裡，交接全靠人工。最後整個系統看起來很高級，實際上只是把慢流程包進排程器裡。大家不在乎 FLOPS 多漂亮，只在乎下一次實驗能不能從三天縮到三小時。\u003C\u002Fp>\u003Cp>實操上，我會先把問題改寫成「這套平台每年能省多少研究者工時」，而不是「有多少 GPU」。你要量的是 queue time、模型迭代時間、模擬 turnaround、部署延遲。這四個如果沒降，其他都是裝飾。\u003C\u002Fp>\u003Cul>\u003Cli>先畫完整 workflow，再看算力缺口。\u003C\u002Fli>\u003Cli>先量排隊時間，再談峰值 FLOPS。\u003C\u002Fli>\u003Cli>研究工作流和 production inference 要分開算，不要混成一鍋粥。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>全棧不是口號，是避免你自己補洞補到死\u003C\u002Fh2>\u003Cblockquote>\"With NVIDIA Quantum InfiniBand networking, NVIDIA CUDA-X libraries, NVIDIA NIM microservices and NVIDIA AI Enterprise software, NVIDIA provides a full-stack platform for science, spanning model training, simulation, inference and agentic AI.\"\u003C\u002Fblockquote>\u003Cp>這段的白話版就是：NVIDIA 賣的不是一堆零件，是一套有意見的系統。老實說，這才合理。你如果只丟 GPU 進去，然後說剩下交給團隊自己整合，最後通常會變成：網路是另一組人管，排程是另一組人管，模型服務又是另一組人管，最後大家都在補洞，沒人真的擁有流程。\u003C\u002Fp>\u003Cp>我喜歡這段的原因很直接：它承認 GPU 不是價值單位，workflow 才是。\u003Ca href=\"\u002Ftag\u002Fcuda\">CUDA\u003C\u002Fa>-X、NIM、AI Enterprise、Quantum InfiniBand 這些東西，核心目的都一樣，就是少寫 glue code，少做重複整合，少讓研究者變成半個系統管理員。你要的是把科學問題往前推，不是讓每個人都學會怎麼救網路拓樸。\u003C\u002Fp>\u003Cp>我之前看過一個平台專案，硬體規格漂亮得要命，但從資料匯入、訓練、推論到部署，中間每一段都要手動接。結果團隊每週都在開「整合會」，沒人真的在做實驗。那種平台很像買了一台超貴的工具箱，裡面每把工具都閃閃發亮，但你還是得自己先學會修水管。\u003C\u002Fp>\u003Cp>實操寫法很簡單：你評估平台時，不要只看 spec sheet，請廠商直接走一條端到端流程給你看。從資料進來、訓練、驗證、推論、部署，誰負責什麼，哪一步會爆，爆了誰接。再問一次混合模擬和 AI 的場景怎麼處理。如果對方只能講單點能力，不能講流程，那多半還在賣零件，不是在賣系統。\u003C\u002Fp>\u003Cul>\u003Cli>要求一條完整 reference workflow。\u003C\u002Fli>\u003Cli>確認網路是為多節點訓練設計，不只是為儲存服務。\u003C\u002Fli>\u003Cli>把推論支援寫進合約或交付範圍，別只口頭說「也可以」。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>AI factory 不是新名詞，是共享基礎設施的正名\u003C\u002Fh2>\u003Cblockquote>\"Barcelona Supercomputing Center’s AI Factory, the first EuroHPC AI-specific installation\"\u003C\u002Fblockquote>\u003Cp>這句話的意思很明白：歐洲開始把 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>當成一種共享公用層，而不是某個專案臨時拼出來的資源池。它用的是 \"AI factory\" 這個詞，不是為了好聽，是因為這詞帶有重複性、服務性、可交付性。不是一台一次性的機器，而是一個可以讓很多人持續使用的設施。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782363802278-o1r3.png\" alt=\"35台NVIDIA超算把歐洲變實驗室\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這篇裡 Barcelona Supercomputing Center 的 MareNostrum 5 升級是最像樣的例子。它把 GB300 NVL72、GB200 NVL4、Quantum-X800 InfiniBand 都放進來，還講到大概 20 exaflops 的 training 和 33 exaflops 的 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa>。你要不要背數字其實其次，重點是方向很清楚：這不是單純追峰值，而是把平台做成能同時服務研究和交付的東西。\u003C\u002Fp>\u003Cp>我看過這種模式做得好的團隊，通常都有一個共同點：他們把平台當產品，而不是當倉庫。相反地，做壞的團隊都很像在期待平台組「順手把複雜度吃掉」。不會的。你不先定義誰能用、怎麼排隊、資料怎麼管、哪些工作負載能上哪一層，最後就會得到一個超貴的共享資料夾，裡面塞滿半成品 notebook。\u003C\u002Fp>\u003Cp>實操上，如果你也在做內部 AI factory，我會直接把它寫成產品規格：使用者是誰、支援哪些 workload、有哪些 access tier、SLA 怎麼訂、資料主權怎麼管。不要一開始就談願景，先談規則。願景通常大家都會講，規則才是會吵架的地方。\u003C\u002Fp>\u003Cp>這裡我會順手看幾個權威來源：\u003Ca href=\"https:\u002F\u002Fwww.bsc.es\u002F\">Barcelona Supercomputing Center\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Feurohpc-ju.europa.eu\u002F\">EuroHPC Joint Undertaking\u003C\u002Fa>、還有 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fdata-center\u002F\">NVIDIA data center\u003C\u002Fa> 頁面。因為真正重要的不是新聞稿，而是這些機構怎麼把抽象名詞變成政策和流程。\u003C\u002Fp>\u003Ch2>歐洲真正想要的是把科學和產業放在同一條軌上\u003C\u002Fh2>\u003Cblockquote>\"These systems will support research across climate science, healthcare, clean-energy decarbonization, quantum computing and fundamental science.\"\u003C\u002Fblockquote>\u003Cp>白話講，這批系統要同時服務公共研究和產業場景。這很難，因為兩邊的需求根本不一樣：研究要自由，產業要穩定；研究可以試錯，產業不能亂來；研究愛跑長實驗，產業在意 SLA。可是一旦設計得好，回報也很實際，因為同一套底層可以少掉很多重複建設。\u003C\u002Fp>\u003Cp>這篇裡點名的專案像 BavariaAI 的 Blue Swan、IT4LIA、HLRS 的 HammerHAI、NAISS 的 Mimer AI Factory，方向都很一致：共享底層，保留地方需求，不要每個機構都自己長出一套互不相容的堆疊。這種事講起來很簡單，做起來很煩，但它確實比各自為政好太多。\u003C\u002Fp>\u003Cp>我自己碰過一個很像的情境：同一個 engineering 組織想同時支援研究實驗和面向客戶的 inference。研究團隊要自由，產品團隊要可預測。最後我們的做法是切成 shared backbone、separate execution lanes。共享身分、監控、政策，但把實驗、批次模擬、低延遲推論隔開。這樣至少不會讓 production 被實驗拖下水。\u003C\u002Fp>\u003Cp>實操寫法：把 control plane 和 workload lanes 分開。身份驗證、觀測、治理可以共享，但研究 job、batch simulation、production inference 要分流。你如果用 Kubernetes、Slurm，甚至兩個一起用，都要明確寫出哪一層管什麼，不然最後就是所有人都說自己有治理，實際上沒人能擋住亂流。\u003C\u002Fp>\u003Cp>工業面也很有意思，NVIDIA 把 Siemens Energy 和氫能渦輪這類案子拉進來，重點其實不是 AI 多神，而是模擬迭代被壓縮了。這種場景最能看出算力是不是有用，因為它直接反映到設計週期。\u003C\u002Fp>\u003Ch2>量子-GPU 這條線，終於比較不像簡報童話\u003C\u002Fh2>\u003Cblockquote>\"NVIDIA is enabling European supercomputing centers and institutions to develop and run useful hybrid quantum-classical applications using NVIDIA CUDA-Q, an open, qubit-agnostic platform for hybrid computing\"\u003C\u002Fblockquote>\u003Cp>這段我看了是有點爽的，因為量子計算終於比較像在講工作流，不像以前那種只會拿幾張圖騙人。過去很多 quantum demo 看起來很炫，結果你一問：排程怎麼接？資料怎麼進？模擬怎麼做？硬體怎麼切？整個就開始飄。現在至少開始往實際環境靠了。\u003C\u002Fp>\u003Cp>文章裡列了幾個具體動作：CINECA 和 EuroHPC 跟 Pasqal \u003Ca href=\"\u002Fnews\u002Fanthropic-partner-list-ecosystem-map-zh\">合作\u003C\u002Fa>、Fraunhofer FOKUS 把 CUDA-Q 跟 Eclipse Qrisp 整合、Barcelona Supercomputing Center 部署 Qilimanjaro 的 analog QPU、Jülich 在 JUPITER 上模擬一個 universal 50-qubit quantum computer。尤其最後那個很有意思，因為它講的是模擬規模，不只是硬體口號。\u003C\u002Fp>\u003Cp>CUDA-Q 的價值在於它是 qubit-agnostic。這種詞聽起來很工程，但其實很重要，因為它代表你不用每換一種量子硬體就整套重寫。這種「少綁死」的設計，才是平台能不能活下去的關鍵。不是每個人都需要量子，但如果要做，至少別把自己鎖死在單一硬體上。\u003C\u002Fp>\u003Cp>實操上，如果你在摸 quantum-plus-HPC，我會先看三件事：能不能直接接現有排程、能不能先用模擬開發、能不能跟既有觀測和資料管線共用。只要這三件事有一個斷掉，整條路就會很難走。量子不是不能做，是不要一開始就把自己做成孤島。\u003C\u002Fp>\u003Cul>\u003Cli>先用模擬當預設開發路徑。\u003C\u002Fli>\u003Cli>量子 job 提交流程要盡量對齊現有 scheduler。\u003C\u002Fli>\u003Cli>工具選型先看能不能減少硬體綁定。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>真正值錢的地方，是把昂貴模擬縮短\u003C\u002Fh2>\u003Cblockquote>\"This cuts simulation times by up to 77% to advance hydrogen-capable, low-carbon gas turbines.\"\u003C\u002Fblockquote>\u003Cp>這句最務實。翻譯一下就是：算力不是拿來炫，是拿來縮短工程迭代。對這種物理問題很重的領域來說，實體\u003Ca href=\"\u002Fnews\u002Fdevin-ai-review-2026-benchmarks-pricing-tests-zh\">測試\u003C\u002Fa>又貴又慢，能把模擬時間砍掉，等於直接改變團隊怎麼做決策。這比很多 AI 口號都實在。\u003C\u002Fp>\u003Cp>Siemens Energy 這個例子很適合拿來當教材，因為它把設計、CFD 模擬、製造跟 NVIDIA Omniverse libraries、CUDA-X、\u003Ca href=\"\u002Ftag\u002Fai-infrastructure\">AI infrastructure\u003C\u002Fa> 串在一起。這不是 demo，是流程。你如果真的能把 simulation time 壓下來，工程團隊就能多做幾輪設計比較，不用每次都賭一把。\u003C\u002Fp>\u003Cp>我喜歡這種案例，因為它不裝神。沒有人在說 AI 會自己發明更好的渦輪。它只是讓驗證更快、迭代更快、死路更少。這才是基礎設施該有的樣子：不是替你思考，而是讓你少浪費時間在等待上。\u003C\u002Fp>\u003Cp>實操寫法：先挑你組織裡一條最貴的模擬流程，做 before\u002Fafter。量 runtime、工程師 review 時間、每週能跑幾輪設計。然後只把 AI 放進最卡的那一小段，不要一開始就搞什麼 agentic 大戲。先解 bottleneck，再談漂亮架構。\u003C\u002Fp>\u003Cp>如果你要查工具，\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-x\">CUDA-X\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fai-data-science\u002Fproducts\u002Fnim\u002F\">NIM\u003C\u002Fa> 這兩頁值得一起看。至少你會比較清楚這套堆疊到底想怎麼把軟體層補齊。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI supercomputing rollout template for research + industry + optional quantum workloads\n\n## 1. 我們要解的問題\n我們不是在買 GPU。\n我們是在建立一個共享 AI\u002FHPC 平台，讓研究、模擬、推論、部署可以在同一個治理框架下運作。\n\n## 2. 使用者分層\n- Research users：需要訓練、模擬、批次推理\n- Engineering users：需要快速設計迭代、驗證、分析\n- Production users：需要低延遲 inference、穩定 SLA\n- Optional quantum users：需要 hybrid quantum-classical workflow\n\n## 3. 平台分層\n### Compute\n- GPU nodes for training and inference\n- CPU nodes for orchestration, preprocessing, ETL\n- Optional quantum access layer or simulator tier\n\n### Networking\n- High-bandwidth interconnect for multi-node jobs\n- Separate storage traffic from training traffic\n- Define latency-sensitive lane for inference\n\n### Software\n- Scheduler: Slurm \u002F Kubernetes \u002F hybrid\n- Container runtime: OCI-compatible\n- Model serving: NIM \u002F vLLM \u002F equivalent\n- Workflow tools: notebooks, pipelines, CI\u002FCD\n- Quantum workflow: CUDA-Q \u002F simulator \u002F vendor SDK\n\n### Governance\n- Identity and access control\n- Data classification and residency rules\n- Queue priority by workload type\n- Approval flow for production workloads\n\n### Observability\n- Queue time\n- GPU utilization\n- Training throughput\n- Simulation runtime\n- Inference latency\n- Cost per experiment\n- Failure rate by workload type\n\n## 4. Operating model\n- Shared control plane\n- Separate execution lanes for research, batch simulation, and production inference\n- Default to simulation before hardware access for experimental workloads\n- Publish service levels for queue time and uptime\n- Define who owns incidents at 2 a.m.\n\n## 5. Launch checklist\n- Who can submit jobs?\n- Which workloads are allowed?\n- What data can move between systems?\n- What happens when research traffic conflicts with production traffic?\n- Which team owns support, patching, and cost controls?\n\n## 6. First 90 days\n### Days 1-14\n- Map current workflows and bottlenecks\n- Identify the top 3 expensive queues\n- Define user groups and access tiers\n\n### Days 15-30\n- Pick one pilot workload end to end\n- Set success metrics: queue time, runtime, iteration speed\n- Decide the minimum governance model\n\n### Days 31-60\n- Connect training, simulation, and serving paths\n- Add monitoring and cost attribution\n- Document fallback paths when a lane is congested\n\n### Days 61-90\n- Review usage by workload type\n- Tune queue priorities\n- Publish the first internal platform SLA\n\n## 7. Copyable prompt for platform planning\nYou are helping me design a shared AI and HPC platform for research, simulation, inference, and optional quantum workflows.\nGive me:\n- a workload split\n- a governance model\n- a scheduler and serving stack recommendation\n- a minimal observability checklist\n- a 90-day rollout plan\nKeep it specific and assume multiple teams will share the system.\n\n## 8. Decision rule\nIf a proposal does not reduce queue time, iteration time, or integration work, do not approve it.\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我會直接拿這份模板去比對這次歐洲的幾個站點：Barcelona、BavariaAI、IT4LIA、HammerHAI、Mimer。每一站都問同一組問題，看誰是真的在產品化 access，誰只是把容量做大。這樣比看新聞稿有用多了。\u003C\u002Fp>\u003Cp>這篇的原始來源是 NVIDIA newsroom：\u003Ca href=\"https:\u002F\u002Fnvidianews.nvidia.com\u002Fnews\u002Feurope-unveils-a-record-35-new-nvidia-ai-supercomputers\">https:\u002F\u002Fnvidianews.nvidia.com\u002Fnews\u002Feurope-unveils-a-record-35-new-nvidia-ai-supercomputers\u003C\u002Fa>。我上面拆的觀點和模板是我自己的整理，裡面的事實、引述和專案名則來自原文與文中連結的\u003Ca href=\"\u002Fnews\u002Frustplus-desktop-unofficial-tools-safer-open-source-zh\">官方\u003C\u002Fa>頁面。\u003C\u002Fp>","拆解 NVIDIA 歐洲 35 台 AI 超算佈局，順手給你一份可直接套用的 HPC／AI factory／量子-GPU 規劃模板。","nvidianews.nvidia.com","https:\u002F\u002Fnvidianews.nvidia.com\u002Fnews\u002Feurope-unveils-a-record-35-new-nvidia-ai-supercomputers",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782363801851-zr5v.png","tools","zh","bfce09ba-5f76-4cea-a89e-404a18129ec6",[17,18,19,20,21],"NVIDIA","HPC","AI factory","CUDA-Q","supercomputer",[23,24,25],"歐洲這波不是單純買超算，而是在做一個可共用的研究與產業操作模型。","真正值得看的不是 GPU 數量，而是 workflow、治理、排程和推論是否被一起設計。","如果你要抄作法，先把平台寫成產品規格，再去談硬體和算力。",0,"2026-06-25T05:02:57.878612+00:00","2026-06-25T05:02:57.868+00:00","49324189-69a6-40fd-8ec3-b79eb1cc3e7d",{"tags":31,"relatedLang":35,"relatedPosts":39},[32],{"name":33,"slug":34},"Nvidia","nvidia",{"id":15,"slug":36,"title":37,"language":38},"35-nvidia-ai-supercomputers-turn-europe-into-a-lab-en","35 NVIDIA AI supercomputers turn Europe into a lab","en",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"07c518b2-227f-40d6-9990-04018ef74448","cccl-runtime-makes-cuda-safer-by-making-state-explicit-zh","CCCL Runtime 不是包裝層，是把 CUDA 隱性狀態改成顯性契約","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782364674604-o7eb.png","2026-06-25T05:17:25.530308+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"e60761a1-aaab-4bde-9c2b-03450ba9056c","devin-ai-review-2026-benchmarks-pricing-tests-zh","Devin AI 測試與採購判讀指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782362875481-0ddh.png","2026-06-25T04:47:27.097641+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"c27dedd0-4751-40b6-9283-23203a13c0da","anthropic-partner-list-ecosystem-map-zh","Anthropic 合作夥伴清單變成地圖","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782361111802-nv1b.png","2026-06-25T04:18:06.789835+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"f7631e97-79fa-4b17-9b0f-0b3bf56806b0","rustplus-desktop-unofficial-tools-safer-open-source-zh","Rust+ Desktop 證明：非官方工具也能比封閉方案更安全","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782357469351-zhmb.png","2026-06-25T03:17:24.763453+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"5b9c3c80-19f0-44e0-8240-1aae5aa06412","libghostty-terminal-substrate-agent-workflows-zh","Libghostty 正在成為 agent 工作流的終端底座","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782356569690-4fyk.png","2026-06-25T03:02:19.662125+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"19a8d7e5-f125-4428-a617-21d67818b33b","openai-pre-ipo-access-ipo-club-zh","OpenAI 私募進場檢查清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782350266531-wz8z.png","2026-06-25T01:17:24.829926+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":83,"slug":84,"title":85,"created_at":86},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]