[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ai-spending-playbook-hype-to-cash-flow-zh":3,"article-related-ai-spending-playbook-hype-to-cash-flow-zh":30,"series-industry-e0675d9e-fd8e-4ad1-a478-70abbc7db269":83},{"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},"e0675d9e-fd8e-4ad1-a478-70abbc7db269","ai-spending-playbook-hype-to-cash-flow-zh","AI 花錢術把 hype 變現金流","\u003Cp data-speakable=\"summary\">我拆 Big Tech 的 AI 花錢術，整理成一份能直接拿去做資本配置與試點管理的模板。\u003C\u002Fp>\u003Cp>我盯這波 AI 花錢大賽很久了，老實說，越看越像一群人忙著把自己送進更大的支出坑。大家都想看起來「有在做 AI」，都想喊自己全力投入，但我看來看去，很多案子根本不是策略，是把巨額預算丟進一個回收期不清楚的黑箱。最煩的是，大家還會把這件事講得像理所當然，彷彿只要燒得夠快，市場就會自動替你補票。\u003C\u002Fp>\u003Cp>這篇來自 \u003Ca href=\"https:\u002F\u002Fwww.thenationalnews.com\u002Ffuture\u002Ftechnology\u002F2026\u002F06\u002F04\u002Fhow-big-techs-misstep-on-700bn-ai-bet-may-drive-investors-to-breaking-point\u002F\">The National\u003C\u002Fa> 的文章，直接把這件事講破了：AI 故事正在從「誰花最多」轉成「誰能證明錢會回來」。我就是被這個轉向打到，因為它不是新聞口號，而是每個做產品、做投資、做財務的人都得面對的現實。\u003C\u002Fp>\u003Cp>文裡提到 Alphabet、Berkshire Hathaway、\u003Ca href=\"https:\u002F\u002Fwww.meta.com\u002F\">Meta\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002F\">Microsoft\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.amazon.com\u002F\">Amazon\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.apple.com\u002F\">Apple\u003C\u002Fa> 這些名字，重點不是誰比較會喊 AI，而是資本市場已經沒那麼好騙。它現在要看的不是舞台效果，是現金流。\u003C\u002Fp>\u003Ch2>大撒幣不是計畫，只是把不確定性買得更貴\u003C\u002Fh2>\u003Cblockquote>“Big Tech’s escalating AI spend faces a reckoning as investors pivot from funding scale to demanding tangible returns, stronger margins and clearer cash flows.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：你可以一直加碼 AI，但如果說不清楚毛利怎麼守、營收怎麼回、現金流什麼時候轉正，那你不是在做策略，你是在買更昂貴的不確定性。這句我很有感，因為很多團隊談 AI 時，永遠先講模型、demo、\u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，講得像自己已經贏了；但投資人不買 benchmark，他們買的是生意。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780996723536-4uqr.png\" alt=\"AI 花錢術把 hype 變現金流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>文章的核心其實很直白：以前的說法是「我們得多花一點，才不會掉隊」；現在得改成「這筆錢會落在哪個收入線、什麼時間落地、毛利怎麼撐住」。這不是小修小補，是整個提案邏輯要重寫。財務部門如果還在等業務部門自己把這套講清楚，那多半會等到預算已經燒掉一半。\u003C\u002Fp>\u003Cp>我之前碰過一個內部 AI 工具上線案，工程想加 GPU，產品想加功能，財務只想要一份不像小說的商業論證。後來我們做的不是砍預算，而是把每一筆支出都綁到可\u003Ca href=\"\u002Fnews\u002Fcausal-learnability-formal-language-tasks-zh\">量化\u003C\u002Fa>的輸出：哪個流程變快、哪個成本變低、哪個收入指標會動。結果很殘酷，很多漂亮點子直接死掉，但那其實是好事。\u003C\u002Fp>\u003Cp>實操上，我會把 AI 預算拆成三桶：\u003C\u002Fp>\u003Cul>\u003Cli>直接帶收入：新產品、加購、轉換率、留存率。\u003C\u002Fli>\u003Cli>直接省成本：客服分流、工程效率、流程自動化。\u003C\u002Fli>\u003Cli>必要基礎設施：算力、資料管線、資安、法遵、儲存。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果一筆錢塞不進這三桶之一，我通常就當它是包裝過的虛榮支出。\u003C\u002Fp>\u003Ch2>Berkshire 的錢不是在替 AI 寫情書\u003C\u002Fh2>\u003Cp>文章提到 Berkshire Hathaway 對 Alphabet 的 \u003Ca href=\"https:\u002F\u002Fwww.berkshirehathaway.com\u002F\">Berkshire Hathaway\u003C\u002Fa> 式下注，重點不是「巴菲特愛上 AI」，而是他看的是 Alphabet 的現金流、護城河，以及它吞得下巨額 capex 的能力。這個差別很重要。巴菲特不是那種會因為一段好聽的敘事就掏錢的人，他買的是能持續生現金的生意。\u003C\u002Fp>\u003Cp>也就是說，市場可以容忍 AI 大支出，但前提是這家公司本來就有夠厚的資產負債表，還有把資本支出轉成長期現金生成的能力。這不等於「AI 花錢都會成功」，只是說它的失敗成本被其他業務撐住了。很多創業團隊看到這種新聞就想學大公司加碼，這真的很容易看錯重點。\u003C\u002Fp>\u003Cp>我很常看到創辦人或主管拿這類新聞當藉口，說「你看，別人都在加碼，我們也要更大膽」。但如果你的 AI 專案靠的是希望、新聞稿、還有 14 個月 runway，你根本不在 Berkshire 那一邊，你在危險區。\u003C\u002Fp>\u003Cp>文中 Alina Timofeeva 的話很直接：如果需求沒有轉成有獲利的營收，投資人就會要求更硬的條件、更強的擔保、\u003Ca href=\"\u002Fnews\u002Fomnigamearena-vlm-game-agent-benchmark-zh\">更好\u003C\u002Fa>的保護。這就是財務語言，不是 hype 語言。財務通常不浪漫，但它常常是最後那個把話講完的人。\u003C\u002Fp>\u003Cp>實操上，我會要求任何 AI 提案先講三件事：\u003C\u002Fp>\u003Cul>\u003Cli>風險怎麼降。\u003C\u002Fli>\u003Cli>現金怎麼回。\u003C\u002Fli>\u003Cli>回收期怎麼算。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你如果先講模型有多強、功能有多炫，通常就已經輸一半了。\u003C\u002Fp>\u003Ch2>capex 才是現在真正的戰場\u003C\u002Fh2>\u003Cp>文章把規模講得很清楚：Meta 的資本支出拉到 1750 億美元，\u003Ca href=\"\u002Ftag\u002Fmicrosoft\">Microsoft\u003C\u002Fa> 到 1900 億美元，Amazon 也為 AWS 的 AI 預留 2000 億美元。再把 Alphabet、Apple 和其他玩家加進來，今年 AI spend 估計會破 7000 億美元。這已經不是試水溫，是工業級下注。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780996708551-zgdu.png\" alt=\"AI 花錢術把 hype 變現金流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這件事最不浪漫，但也最有用的地方，是 AI 已經撞上物理世界了。它需要資料中心、晶片、電力、散熱、土地、供應鏈，這些東西都不會因為你的 roadmap 寫得漂亮就自動長出來。到了這一步，贏的人不只是模型最聰明的，而是能把整套基礎設施真的供起來的人。\u003C\u002Fp>\u003Cp>文裡 Mazen Hayek 的那句我很想直接貼牆上：Frontier AI 不是被想法或資金限制，而是被能源和矽晶片限制。這句話把很多空話都打掉了。我們已經從純軟體思維，轉到基礎設施優先的思維了，產品團隊不想承認也沒用。\u003C\u002Fp>\u003Cp>我自己看過很多 cloud-heavy 系統，團隊一開始都說「先把 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> 接上去再說」，等帳單來了、延遲圖變得像犯罪現場，才突然發現架構不是裝飾品。AI 只是把這個問題放大而已，而且更貴。\u003C\u002Fp>\u003Cul>\u003Cli>電力現在是產品限制，不只是 ops 細節。\u003C\u002Fli>\u003Cli>晶片取得現在是策略變數，不是採購備註。\u003C\u002Fli>\u003Cli>資料中心容量已經進到產品 roadmap 裡。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操上，我會把 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>當成投資組合，不是採購清單。每個 workload 都要標出算力密度、延遲容忍度、成長路徑，然後判斷要自建、租用、合作，還是先放掉。你如果答不出來，那不是規劃，那是在逛街。\u003C\u002Fp>\u003Ch2>真正該怕的不是 AI，是沒紀律的 AI 花錢\u003C\u002Fh2>\u003Cp>文章引用 Rawan Baddour 的說法很準：問題不是 AI 本身，而是沒有紀律的 AI spending。這句話我很認同，因為 AI 不是原罪，亂花錢才是。你如果把 AI 當成一種萬用策略，不先講價值主張，就只是在燒錢然後把它叫做創新。\u003C\u002Fp>\u003Cp>翻譯一下就是：每個 AI 專案都要有職務說明書。不是「探索 AI」，不是「轉型成 AI-native」，這些字眼我聽到都想翻白眼，因為它們最擅長的功能就是逃避責任。我只想知道哪個流程會變快、哪個客訴會變少、哪條毛利線會變厚。\u003C\u002Fp>\u003Cp>我在產品審查裡看過太多這種場景：有人說這工具會「釋放效率」。好啊，釋放多少？在哪個 workflow？基準值多少？多久後驗收？如果沒人答得出來，那這案子本質上就是一種情緒。\u003C\u002Fp>\u003Cp>Josh Gilbert 說投資人焦點正在明確地從投入規模轉向投資能帶來的回報。這不是小調整，這是整個 scoreboard 換了。成長還是重要，但沒有毛利和現金流支撐的成長，只是比較好看的虧錢方式。\u003C\u002Fp>\u003Cp>實操上，我會替每個 AI pilot 設 kill switch：\u003C\u002Fp>\u003Cul>\u003Cli>先定 metric。\u003C\u002Fli>\u003Cli>再定門檻。\u003C\u002Fli>\u003Cli>最後定 review date。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>到期沒過門檻就砍，不要上演「再給一季看看」。支出一旦開始腐爛，通常就是從這種拖延開始的。\u003C\u002Fp>\u003Ch2>私募市場也沒那麼愛聽故事了\u003C\u002Fh2>\u003Cp>文章說得很清楚，第一波 \u003Ca href=\"\u002Ftag\u002Fai-funding\">AI funding\u003C\u002Fa> 比較獎勵 vision 和 team，但下一波會獎勵 proof 和 scalability，也就是可量化的生產力提升、可持續的競爭優勢、清楚的 unit economics。這跟我最近看到的市場氣氛很一致：大家還是有興趣，只是沒那麼想聽你講神話了。\u003C\u002Fp>\u003Cp>也就是說，門檻從「你能不能講一個很會賣的故事」變成「你能不能真的經營一門生意」。這兩件事差很多。很多團隊很會 demo 一個 chatbot，但要他們證明這個 chatbot 真的降低客服成本、提高留存、還不把體驗搞爛，就開始支支吾吾。\u003C\u002Fp>\u003Cp>文裡 Sam Huber 的建議我覺得很務實：先找一個能拉動營收的 use case，用最少資源去試，看到結果再擴。順序一定要對。先小規模證明，\u003Ca href=\"\u002Fnews\u002Frl-training-hands-off-control-gradually-zh\">再放\u003C\u002Fa>大，不是反過來。很多團隊死在把探索當執行，最後又多雇了一個 prompt strategist，然後說自己在轉型。\u003C\u002Fp>\u003Cp>我喜歡這種做法，因為它不會把野心砍掉，只是逼你先證明。你還是可以試，只是不能把試誤當成績效。這個界線很多團隊真的該補課。\u003C\u002Fp>\u003Cp>實操上，我會要求每個 AI 專案只從一個 workflow 開始，配一個 KPI、一個 owner，跑最小可行測試。能過就擴，不能過就寫下失敗原因，然後往前走。不要把 pilot 供成宗教。\u003C\u002Fp>\u003Ch2>真正的 moat 是流程改造，不是貼 AI 標籤\u003C\u002Fh2>\u003Cp>文章有一句我很認同：沒有公司真的投資到足夠程度，因為還沒有人完整投入去改日常營運，去配合 AI 時代。這句話很刺耳，但很真。買工具很容易，改工作方式才是痛點。\u003C\u002Fp>\u003Cp>翻成白話就是：AI 的價值不是只出現在模型存取，而是出現在流程設計。如果你的 sales 團隊還是同一套 pipeline，客服還是同一套腳本，工程還是同一套交付方式，那 AI 多半只是個 overlay。可能有用，但稱不上真正改變。\u003C\u002Fp>\u003Cp>我看過不少團隊花幾個月把模型接進去，結果周邊流程完全沒動。然後他們很困惑，為什麼 adoption 這麼差。原因很簡單，因為工具被放進一個根本沒為它重新設計的流程裡。這種事不失敗才奇怪。\u003C\u002Fp>\u003Cp>所以我現在越來越在意 operational fit。最後能贏的公司，不會只是模型取得比較好，而是能把工作重新排版的公司。那代表訓練、激勵、流程圖、治理、量測都要一起動。很無聊，但就是這些東西在決定結果。\u003C\u002Fp>\u003Cp>實操上，我會拿一個 business function 直接做三問：\u003C\u002Fp>\u003Cul>\u003Cli>哪些決策可以更快交給 AI？\u003C\u002Fli>\u003Cli>哪些決策應該保留給人？\u003C\u002Fli>\u003Cli>如果 AI 做得夠好，哪個流程步驟可以直接拿掉？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你不能刪、不能改、不能加速，那你不是在改造營運，你只是多裝了一個按鈕。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI 資本配置 memo 模板\n\n## 1) 決策\n- 核准 \u002F 拒絕 \u002F 修正\n- 預算金額：\n- 時間範圍：\n- 負責人：\n\n## 2) 商業問題\n- 哪個流程壞掉了？\n- 誰最痛？\n- 如果什麼都不做，會怎樣？\n\n## 3) AI 用例\n- 具體 workflow：\n- 使用者 \u002F 客戶群：\n- 為什麼一定要用 AI，而不是更簡單的工具：\n- 成功長什麼樣：\n\n## 4) 價值模型\n- 收入提升：\n- 成本下降：\n- 風險下降：\n- 被移除或削弱的策略依賴：\n\n## 5) 經濟性\n- 建置成本：\n- 採購成本：\n- 每月運行成本：\n- 預期回收期：\n- 毛利影響：\n- 現金流影響：\n\n## 6) 基礎設施需求\n- 算力：\n- 資料：\n- 資安 \u002F 法遵：\n- 人工審核：\n- 供應商依賴：\n- 電力 \u002F 主機限制：\n\n## 7) 驗證計畫\n- Pilot 範圍：\n- 基準指標：\n- 目標指標：\n- 測試期間：\n- Kill threshold：\n- Scale threshold：\n\n## 8) 風險控制\n- 模型不準時的下限損失：\n- 採用率低時的下限損失：\n- 成本上升時的下限損失：\n- 備援方案：\n\n## 9) 需要的營運改動\n- 流程改動：\n- 團隊改動：\n- 訓練需求：\n- 政策改動：\n- 上線負責人：\n\n## 10) 資金邏輯\n- 為什麼現在值得投：\n- 為什麼不能過度投入：\n- 什麼證據能證明可以加碼：\n- 什麼證據代表該停：\n\n## 11) 最終建議\n- 保持 \u002F 擴大 \u002F 暫停 \u002F 砍掉\n- 一句話理由：\n- 下次檢視日期：\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我會真的拿去用的版本。它會逼你把話講回資本紀律，而不是停在 hype。如果一個團隊能老實填完，通常代表它真的知道自己在幹嘛；如果填不完，那也很正常，因為問題本來就還沒想清楚。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.thenationalnews.com\u002Ffuture\u002Ftechnology\u002F2026\u002F06\u002F04\u002Fhow-big-techs-misstep-on-700bn-ai-bet-may-drive-investors-to-breaking-point\u002F\">The National\u003C\u002Fa>。我這篇的拆解是原創，但裡面的公司數字、引述與脈絡，主要都來自這篇報導，以及文中連到的公司官網與 \u003Ca href=\"https:\u002F\u002Fwww.berkshirehathaway.com\u002F\">Berkshire Hathaway\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.meta.com\u002F\">Meta\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002F\">Microsoft\u003C\u002Fa> 等來源。","我拆 Big Tech 的 AI 花錢術，整理成一份能直接拿去做資本配置與試點管理的模板。","www.thenationalnews.com","https:\u002F\u002Fwww.thenationalnews.com\u002Ffuture\u002Ftechnology\u002F2026\u002F06\u002F04\u002Fhow-big-techs-misstep-on-700bn-ai-bet-may-drive-investors-to-breaking-point\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780996723536-4uqr.png","industry","zh","5f767bed-9983-4d78-b585-9159ce20f059",[17,18,19,20,21],"AI capex","cash flow","capital allocation","unit economics","Big Tech",[23,24,25],"AI 花錢要先對準收入、成本與基礎設施三桶，不然就是虛榮支出。","大公司的 AI 下注能被市場容忍，前提是有現金流和護城河撐住。","最有用的模板是先定 KPI、kill switch 與營運改造，再決定要不要加碼。",0,"2026-06-09T09:18:00.73023+00:00","2026-06-09T09:18:00.711+00:00","caa87b65-9bbc-46fe-bba8-4f4158dd2d8b",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":21,"slug":33},"big-tech",{"name":20,"slug":35},"unit-economics",{"name":18,"slug":37},"cash-flow",{"name":19,"slug":39},"capital-allocation",{"name":17,"slug":41},"ai-capex",{"id":15,"slug":43,"title":44,"language":45},"big-tech-ai-spending-playbook-cash-flow-en","Big Tech’s AI spending playbook turns hype into cash flow","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"20af9e7b-4e59-49bd-9307-e91f628d286a","hong-kong-web3-festival-ai-finance-regulation-zh","香港 Web3 Festival 聚焦 AI、金融、監管","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781002981922-90wt.png","2026-06-09T11:02:25.97455+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"ebbc8dd1-aba9-41d3-91d3-b7c6010c6647","iren-microsoft-ai-deal-debt-financing-zh","IREN 把 Microsoft AI 合約做成投資級債務","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780997578481-od2s.png","2026-06-09T09:32:21.513305+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"bda71e91-9bcc-4c85-adbb-a9dc4d1ed18e","openai-files-for-ipo-after-rival-ai-listings-zh","OpenAI 申請 IPO，AI 上市潮升溫","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780995786490-un4a.png","2026-06-09T09:02:27.292171+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"030def80-4776-4b23-ae64-5d9e238e5abd","openai-ipo-filing-changes-ai-race-zh","OpenAI 申請上市，AI 賽局升溫","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780988588257-ldmn.png","2026-06-09T07:02:24.480959+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"04875853-1212-45be-a93f-39bbaf1e8967","four-rust-projects-show-where-people-are-coding-now-zh","4 個 Rust 專案看見現在的開發重心","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780979575428-yo7w.png","2026-06-09T04:32:22.965544+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"eef4badf-bdc9-4749-aff3-2cfcb1aac2f1","anthropic-urges-temporary-pause-on-ai-development-zh","Anthropic 籲 AI 暫停，Claude 卻更強了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780978675816-w16h.png","2026-06-09T04:17:24.670961+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]