[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-amds-ai-stack-turns-silicon-into-platform-choice-zh":3,"article-related-amds-ai-stack-turns-silicon-into-platform-choice-zh":30,"series-industry-3423a7e8-a179-4463-b477-b3ba264b30b6":79},{"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},"3423a7e8-a179-4463-b477-b3ba264b30b6","amds-ai-stack-turns-silicon-into-platform-choice-zh","AMD 讓 AI 堆疊變平台選擇","\u003Cp data-speakable=\"summary\">以前買 AI 只看模型和 GPU，現在得一起看治理、運維和平台選擇。\u003C\u002Fp>\u003Cp>我這陣子一直在看\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa> 怎麼落地，越看越有一種熟悉的煩躁：大家嘴上都在講模型、Agent、Demo，真的進到 production，立刻\u003Ca href=\"\u002Fnews\u002Fais-next-bottleneck-is-data-center-cooling-zh\">變成\u003C\u002Fa>電力、排程、CPU\u002FGPU 怎麼分、誰負責稽核、誰背 3 點的帳單。很多廠商把這件事講得像買一張卡就能解決，結果我每次看完都只想問一句：你是賣晶片，還是賣一整套能跑的東西？\u003C\u002Fp>\u003Cp>AMD 這波讓我停下來的原因，就是它開始把話題從單一硬體拉到整個\u003Ca href=\"\u002Fnews\u002Fsix-layer-stablecoin-stack-turns-chaos-into-a-map-zh\">堆疊\u003C\u002Fa>。EPYC、Instinct、ROCm、夥伴平台、企業軟體、治理，全部混在一起講。這種講法我不會說它完美，但至少它終於碰到真問題：AI 不是一個 demo，它是一個要被長期維運的系統。\u003C\u002Fp>\u003Cp>我拆這篇的外部錨點，是 SiliconANGLE 這篇 2026\u002F07\u002F07 的文章：\u003Ca href=\"https:\u002F\u002Fsiliconangle.com\u002F2026\u002F07\u002F07\u002Famd-advancing-ai-enterprise-ai-infrastructure-amdadvancingai\u002F\">AMD Advancing AI highlights enterprise AI infrastructure\u003C\u002Fa>。文裡把 AMD、Nutanix、Rackspace、theCUBE Research 幾方的觀點串起來；其中 Paul Nashawaty 提到一個很刺眼的數字：\u003Cstrong>64%\u003C\u002Fstrong> 的組織把資料與\u003Ca href=\"\u002Fnews\u002Fai-infrastructure-spending-durable-through-2027-zh\">基礎設施\u003C\u002Fa>瓶頸視為 AI 部署最大障礙。\u003C\u002Fp>\u003Ch2>AMD 這次不想只當 GPU 廠\u003C\u002Fh2>\u003Cblockquote>Enterprise artificial intelligence infrastructure has become as critical to AI success as the models themselves.\u003C\u002Fblockquote>\u003Cp>這句話我很買單，因為它直接把很多公司最愛逃避的事講穿了。模型重要，沒錯；但如果你的 infra 撐不起來，模型再強也只是簡報上的漂亮字。AMD 現在的語氣，已經不是「我們有更快的加速器」那麼簡單，而是把 AI 當成一個系統工程來賣。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783733600177-nl0g.png\" alt=\"AMD 讓 AI 堆疊變平台選擇\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：它想讓你先想整套 operating model，再回頭選晶片。這個順序很重要。我以前看過太多團隊先買模型、先上 Agent、先做 PoC，最後才發現資料管線、部署方式、權限控管、成本模型全部沒準備好。那時候不是技術問題，是整體設計一開始就歪了。\u003C\u002Fp>\u003Cp>我自己碰過最常見的狀況，是團隊把「能跑」當成「能上線」。Demo 跑得漂亮，到了真實流量，延遲、重試、監控、回滾、權限全冒出來。AMD 這次把話題拉回 stack，我反而覺得它比較像在講企業買東西的現實，而不是在講一場發表會。\u003C\u002Fp>\u003Cp>實操上，我現在看 AI 平台第一件事不是 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 截圖，而是畫 stack map：\u003C\u002Fp>\u003Cul>\u003Cli>哪些工作跑在 CPU\u003C\u002Fli>\u003Cli>哪些工作跑在 GPU\u003C\u002Fli>\u003Cli>哪些流程需要集中治理\u003C\u002Fli>\u003Cli>哪些能力可以跨環境搬移\u003C\u002Fli>\u003Cli>哪些地方被單一供應商綁死\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果對方只能講「我們很快」，不能講清楚這張圖怎麼畫，我就會直接把它放回待觀察名單。\u003C\u002Fp>\u003Ch2>開放生態比較煩，但它比較像企業真的會用的東西\u003C\u002Fh2>\u003Cblockquote>Through our partnership with Nutanix, we’re building a scalable, full-stack AI platform rooted in openness, designed to give enterprises and service providers the flexibility to innovate, extend and grow AI deployments across enterprises.\u003C\u002Fblockquote>\u003Cp>這段是 Dan McNamara 的說法，我覺得它的重點不是「開放」這個詞本身，而是「可伸縮、可延展、可長大」。企業 AI 不會永遠停在一個模型、一個工作流、一個雲環境。今天是客服摘要，明天可能是內部知識助理，後天又變成受管制產業的決策輔助。你如果把平台鎖得太死，之後每次改動都像在拆牆。\u003C\u002Fp>\u003Cp>我以前很容易被那種「一站式 AI 平台」吸引，因為看起來省事。後來吃過幾次虧才懂：省事常常只發生在前兩週，真正的成本在後面。你想換模型、想改部署拓樸、想把某些流程拉回內網，結果每一步都要跟原廠談條件。那不是平台，那是溫柔版的綁架。\u003C\u002Fp>\u003Cp>AMD 跟 Nutanix 這條線之所以值得看，是因為它把企業最在意的彈性放在前面。Nutanix 的定位本來就偏向把基礎設施複雜度藏起來，AMD 則想把算力、軟體和硬體串成一條可交付的路。這種組合至少比單純喊「我們有 AI」更接近真實採購流程。\u003C\u002Fp>\u003Cp>實操上，我會直接問三個 portability 問題：\u003C\u002Fp>\u003Cul>\u003Cli>模型能不能搬\u003C\u002Fli>\u003Cli>基礎設施能不能搬\u003C\u002Fli>\u003Cli>政策和治理能不能一起搬\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要其中一項答案是「要看情況」，我就會再追問到能不能不用重寫。因為企業最貴的從來不是第一版，而是第二版開始的改造成本。\u003C\u002Fp>\u003Cp>相關工具我會一起看：\u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Fsoftware\u002Frocm.html\">ROCm\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Fprocessors\u002Fepyc.html\">EPYC\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Faccelerators\u002Finstinct.html\">Instinct\u003C\u002Fa>。我不是在幫它背書，我只是想看它到底有沒有一條能走的路，而不是一張很漂亮的 PPT。\u003C\u002Fp>\u003Ch2>Agentic AI 會把 CPU\u002FGPU 的分工逼回來\u003C\u002Fh2>\u003Cblockquote>In the agentic flow, where you’re running multi-system agents, the first step you do when an agent request comes in [is] you need to start planning … that’s a combination of CPU and GPU.\u003C\u002Fblockquote>\u003Cp>這段很實際，也很不討喜，因為它提醒所有人：Agent 不是拿 GPU 硬堆就會變聰明。真正麻煩的是 planning、routing、tool call、retry、state management、policy check，這些東西很多都偏控制面，不是純運算面。你把所有東西都丟給 GPU，等於拿高價算力去做本來就不該昂貴的事。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783733596906-zypf.png\" alt=\"AMD 讓 AI 堆疊變平台選擇\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前看過一個團隊很得意地說自己「把整個流程都搬上 GPU」，結果成本直接炸開。後來一查，發現大量時間都耗在 orchestration 和串接邏輯。這種錯誤很常見，因為大家太容易把 acceleration 跟 architecture 混在一起。AMD 這次的說法比較像在提醒：先看工作型態，再看硬體。\u003C\u002Fp>\u003Cp>白話一點講，\u003Ca href=\"\u002Ftag\u002Fagentic-ai\">Agentic AI\u003C\u002Fa> 最怕的不是慢，而是你根本不知道慢在哪裡。只要 planning 跟 execution 混在一起，成本、延遲、除錯都會一起變爛。這時候 CPU\u002FGPU 的分工就不是教科書問題，而是帳單問題。\u003C\u002Fp>\u003Cp>我現在會把 agent stack 拆成三層：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>控制層：\u003C\u002Fstrong>規劃、路由、權限、重試\u003C\u002Fli>\u003Cli>\u003Cstrong>執行層：\u003C\u002Fstrong>模型推理、生成、批次運算\u003C\u002Fli>\u003Cli>\u003Cstrong>治理層：\u003C\u002Fstrong>稽核、觀測、政策、追蹤\u003C\u002Fli>\u003C\u002Ful>\u003Cp>然後我會問：哪一層真的需要 GPU？哪一層只是因為大家懶得拆，所以被硬塞上去？這個問題一問下去，很多架構就露餡了。\u003C\u002Fp>\u003Cp>如果你也在做 Agent，我建議直接看這四件事：\u003Ca href=\"https:\u002F\u002Fwww.nutanix.com\u002F\">Nutanix\u003C\u002Fa> 類型的平台怎麼管控、AMD 的 \u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Fsoftware\u002Frocm.html\">ROCm\u003C\u002Fa> 怎麼串、推理和排程怎麼切、成本怎麼按 task 算。只看 token 成本，常常只是自我安慰。\u003C\u002Fp>\u003Ch2>治理已經不是後補文件，是架構的一部分\u003C\u002Fh2>\u003Cblockquote>Enterprises in regulated industries need AI infrastructure that is governed from the ground up, with one operator accountable for business outcomes, not a collection of vendors each owning a piece.\u003C\u002Fblockquote>\u003Cp>這句是 Rackspace 的 Gajen Kandiah 講的，我覺得很到位。因為很多企業 AI 失敗，不是因為模型不行，而是因為責任被切碎了。模型廠商說自己只管模型，雲廠商說自己只管雲，整合商說自己只管整合，最後真的出事，沒人知道 pager 到底該找誰。\u003C\u002Fp>\u003Cp>治理以前常常是上線後才補的文件，現在不行了。只要你的 AI 會碰資料、會做決策、會觸發系統動作，治理就得先放進架構裡。這不是法務的額外工作，是系統設計的一部分。\u003C\u002Fp>\u003Cp>我以前幫團隊看受管制場景時，最常見的坑就是「先把東西跑起來再說」。結果等到要補 audit trail、補權限、補資料隔離，才發現原本的架構根本沒留位置。那種補法很痛，通常還很貴。\u003C\u002Fp>\u003Cp>實操上，我會要求每個 AI 專案先把五個 owner 寫清楚：\u003C\u002Fp>\u003Cul>\u003Cli>模型行為誰負責\u003C\u002Fli>\u003Cli>基礎設施誰負責\u003C\u002Fli>\u003Cli>資料存取誰負責\u003C\u002Fli>\u003Cli>稽核紀錄誰負責\u003C\u002Fli>\u003Cli>業務結果誰負責\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果五項都回答成「供應商」，我就會開始懷疑這個案子是不是把責任外包得太乾淨。因為真正出問題時，外包不會幫你簽報告。\u003C\u002Fp>\u003Cp>如果你想看 Rackspace 自己怎麼講 AI，這頁可以一起看：\u003Ca href=\"https:\u002F\u002Fwww.rackspace.com\u002Fen-us\u002Fsolutions\u002Fai\">Rackspace AI solutions\u003C\u002Fa>。我不是要你去買，我只是要你把治理這件事拉回採購清單，而不是等出事才補。\u003C\u002Fp>\u003Ch2>真正的產品是選擇權，不是某一顆晶片\u003C\u002Fh2>\u003Cblockquote>I think that the story is all about choice.\u003C\u002Fblockquote>\u003Cp>John Hampton 這句話很直白，我反而覺得最有用。企業買 AI，不是真的只想買更快的卡，他們想要的是選擇權：能不能接現有機房、能不能接既有權限系統、能不能沿用現有雲策略、能不能在不同工作負載之間切換而不崩盤。\u003C\u002Fp>\u003Cp>這才是 AMD 現在最值得注意的地方。它沒有把自己包裝成「一鍵解決所有 AI 問題」的萬能平台，而是把自己放進企業現實裡：既有電力限制、既有採購流程、既有安全規範、既有運維團隊。這種講法聽起來不性感，但真的比較像會落地的東西。\u003C\u002Fp>\u003Cp>我越來越相信，好的 AI 平台不是讓你忘記限制，而是讓你在限制裡還能做事。只要一個方案需要你把整個組織重建一次，那它就不叫平台，它叫大型專案災難。\u003C\u002Fp>\u003Cp>實操上，我現在都用 constraint checklist 來打臉自己和供應商：\u003C\u002Fp>\u003Cul>\u003Cli>現有電力和散熱撐不撐得住\u003C\u002Fli>\u003Cli>能不能接現有 identity 和 policy 系統\u003C\u002Fli>\u003Cli>能不能混合 CPU\u002FGPU 工作負載\u003C\u002Fli>\u003Cli>能不能跨 on-prem 和 cloud 部署\u003C\u002Fli>\u003Cli>之後換供應商會不會整個重寫\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這五題答不出來，平台再好看都先放一邊。因為企業最後買的不是炫技，是可維運性。\u003C\u002Fp>\u003Ch2>這篇最值得抄走的，其實是判斷框架\u003C\u002Fh2>\u003Cblockquote>The event will feature conversations with AMD executives, customers, developers and partners focused on enterprise AI infrastructure, open ecosystems and AI deployment.\u003C\u002Fblockquote>\u003Cp>這整篇我看下來，最有價值的不是某個產品名，而是它把 \u003Ca href=\"\u002Ftag\u002Fenterprise-ai\">enterprise AI\u003C\u002Fa> 的判斷框架講清楚了：先看堆疊，再看治理，再看選擇權，最後才是硬體型號。這對做平台、做架構、做採購的人都很實用。\u003C\u002Fp>\u003Cp>如果你在公司裡要推 AI，我會建議你直接把討論從「要不要上某個模型」拉到「我們要不要一個能被長期維運的 AI operating model」。這個問題一換，很多原本吵不完的細節會突然變得比較好談。\u003C\u002Fp>\u003Cp>我也不覺得 AMD 這套說法就沒有商業味道，當然有。每個廠商都想把自己放進你的主架構裡，這很正常。但至少這次它碰到的方向是對的：企業不缺 demo，缺的是能活下來的系統。\u003C\u002Fp>\u003Cp>所以我最後會把這篇壓成一句話：\u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>的競爭，已經不只是算力，還是你能不能把選擇權、治理和工作負載分工一起交付給團隊。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Enterprise AI infrastructure decision memo（可直接複製改寫版）\n\n## 目標\n建立一套開放、可治理、可擴充的 AI 平台，能支援 agentic workloads，且不需要把現有基礎設施整個重做。\n\n## 我們要解的問題\n- 資料與基礎設施瓶頸\n- GPU 被拿去做不該昂貴的 orchestration 工作\n- 閉鎖式平台造成供應商綁定\n- 治理、稽核、責任歸屬不清楚\n\n## 工作負載切分\n### CPU-heavy tasks\n- Agent planning\n- Tool routing\n- Policy checks\n- Control-plane logic\n- Retry \u002F fallback orchestration\n\n### GPU-heavy tasks\n- Model inference\n- Batch generation\n- Embedding \u002F scoring\n- Parallelizable compute\n\n### Governance layer\n- Audit logging\n- Access control\n- Runtime policy enforcement\n- Observability\n- Incident ownership\n\n## 平台需求\n- 支援開放生態\n- 可混合 CPU\u002FGPU 部署\n- 能沿用現有電力、散熱與機房限制\n- 可接現有 identity \u002F policy 系統\n- 有 audit trail\n- 支援 model portability\n- 支援 infrastructure portability\n- 清楚定義 business outcome owner\n\n## Vendor 評估問題\n1. Planning 跑在哪一層？\n2. Orchestration 跑在哪一層？\n3. 哪些工作真的需要 GPU？\n4. 模型能不能搬，不用重寫應用？\n5. 基礎設施能不能換，不用改整個流程？\n6. 誰負責 uptime、policy、auditability？\n7. 成本能不能按 task 算，而不只按 token 算？\n8. 這套能不能塞進我們現有的 operating model？\n\n## 決策規則\n如果平台講不清楚 CPU\u002FGPU 分工、治理責任、可攜性，就不要進下一輪。\n\n## Pilot 範圍\n- 一個業務流程\n- 一個 agentic use case\n- 一個治理 owner\n- 一個成本 baseline\n- 一個 rollback plan\n\n## 成功指標\n- 降低 infra bottlenecks\n- 降低 GPU 浪費時間\n- 有完整 audit trail\n- 延遲穩定\n- 沒有被單一供應商綁死\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段模板是我根據 SiliconANGLE 那篇整理出來的實戰版，不是 AMD 原文。你可以直接貼進內部提案、架構評審或採購評估表，再依你們公司的限制去改。\u003C\u002Fp>\u003Cp>原始來源：\u003Ca href=\"https:\u002F\u002Fsiliconangle.com\u002F2026\u002F07\u002F07\u002Famd-advancing-ai-enterprise-ai-infrastructure-amdadvancingai\u002F\">SiliconANGLE\u003C\u002Fa>。我這篇是衍生拆解，判斷框架與可抄模板則是我自己整理的版本。\u003C\u002Fp>","我拆 AMD 的企業 AI 堆疊打法，順手給你一份可直接複製的開放、可治理 AI 基礎設施規劃模板。","siliconangle.com","https:\u002F\u002Fsiliconangle.com\u002F2026\u002F07\u002F07\u002Famd-advancing-ai-enterprise-ai-infrastructure-amdadvancingai\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783733600177-nl0g.png","industry","zh","2448d7a5-4a62-40e8-82ad-ec831d6245d5",[17,18,19,20,21],"AMD","enterprise AI","ROCm","governance","agentic AI",[23,24,25],"AMD 這次在賣的是整個 AI stack 的選擇權，不只是晶片。","Agentic AI 會把 CPU\u002FGPU 分工、治理與成本控制一起拉回來。","企業採購 AI 時，先看可攜性、治理和責任歸屬，再看 benchmark。",0,"2026-07-11T01:32:52.441938+00:00","2026-07-11T01:32:52.428+00:00","e01377f6-c8b1-4119-af71-18ad038c4ddc",{"tags":31,"relatedLang":38,"relatedPosts":42},[32,34,36],{"name":17,"slug":33},"amd",{"name":18,"slug":35},"enterprise-ai",{"name":21,"slug":37},"agentic-ai",{"id":15,"slug":39,"title":40,"language":41},"amds-ai-stack-turns-silicon-into-platform-choice-en","AMD’s AI stack turns silicon into platform choice","en",[43,49,55,61,67,73],{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"de01f370-fb0f-4fc8-a783-35b92973d921","claude-code-fengxian-tishi-4-ge-xinhao-zh","Claude Code 被警示的 4 個風險信號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783771380025-237y.png","2026-07-11T12:02:32.045706+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"c6402bba-5e2e-4d0e-a008-b45c0fa2b892","ai-infrastructure-spending-durable-through-2027-zh","AI 基礎設施支出到 2027 年仍是該持有的交易","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783731764243-vghh.png","2026-07-11T01:02:20.432842+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"6c8ae7de-2112-4c99-854b-569427493bfd","ais-next-bottleneck-is-data-center-cooling-zh","AI 把散熱變成瓶頸","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783730002004-gthz.png","2026-07-11T00:33:00.579446+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"208d66c9-26da-48a8-be2e-7452859e256f","six-layer-stablecoin-stack-turns-chaos-into-a-map-zh","六層穩定幣堆疊把混亂變地圖","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783708411934-zqlm.png","2026-07-10T18:33:06.506657+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"200777f4-9d68-4b6b-abb4-7bc15e7d6e78","openai-gov-partnerships-access-policy-zh","OpenAI把存取權做成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783684998337-83za.png","2026-07-10T12:02:53.475221+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"4e7f9fda-2104-4ed5-895c-5d21b78341fb","kubernetes-ai-assisted-maintainership-rules-zh","Kubernetes替AI維護劃規則","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783672388328-9fvp.png","2026-07-10T08:32:42.07423+00:00",[80,85,90,95,100,105,110,115,120,125],{"id":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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":126,"slug":127,"title":128,"created_at":129},"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"]