[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-chen-liwu-intel-packaging-materials-podcast-zh":3,"article-related-chen-liwu-intel-packaging-materials-podcast-zh":31,"series-industry-707054b6-d7b6-46c2-89f8-161bb4e6f37c":75},{"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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"707054b6-d7b6-46c2-89f8-161bb4e6f37c","chen-liwu-intel-packaging-materials-podcast-zh","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。工艺當然重要，但它不再是唯一答案，甚至很多时候都不是最先該砸錢的地方。陳立武這次在播客裡講得很直白，英特爾接下來要做的不是繼續死磕單點參數，而是把重心往\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Farchitecture-and-technology\u002Fembedded-multi-die-interconnect-bridge.html\">先進封裝\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fnewsroom\u002Fnews\u002Fintel-shows-glass-substrate-technology.html\">玻璃基板\u003C\u002Fa>和新材料上挪，同時押注 AI 推理帶來的 CPU 回潮。我聽完的第一反應不是“哇，真大膽”，而是“終於有人把這件事講清楚了”。\u003C\u002Fp>\u003Cp>我自己做硬體和平台規劃時也踩過類似的坑：總想把問題壓縮成一個指標，結果最後被供應鏈、封裝、功耗、記憶體頻寬和系統架構一起教育。陳立武這次的說法，等於把那層遮羞布直接掀了。下面我按他的原話和公開採訪內容，把這套思路拆開講，順手給你一個能拿去做技術路線圖的模板。原始來源是這篇\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\">知乎轉載文章\u003C\u002Fa>，我也會補上他提到的相關技術背景連結，比如 \u003Ca href=\"https:\u002F\u002Fwww.cadence.com\u002Fen_US\u002Fhome\u002Ftools\u002Fsystem-analysis\u002Fchiplet-design.html\">Cadence 對 chiplet \u002F 封裝設計的說明\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Farchitecture-and-technology\u002Fembedded-multi-die-interconnect-bridge.html\">Intel EMIB\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fnewsroom\u002Fnews\u002Fintel-shows-glass-substrate-technology.html\">Intel glass substrates\u003C\u002Fa>。\u003C\u002Fp>\u003Ch2>別再把「先進製程」當成唯一叙事了\u003C\u002Fh2>\u003Cblockquote>“我們的目標是 5-10 年 10 倍。”\u003C\u002Fblockquote>\u003Cp>這句話很容易被媒體拿去做標題黨，但我覺得重點不在“10 倍”這個數字有多嚇人，而在於陳立武給英特爾定的時間尺度。5 到 10 年，說明他不是在追一代工藝的短期翻盤，而是在做一套能撐更久的結構性調整。英特爾過去太習慣把自己綁在製程節點上，一旦節點推進不順，整個敘事就跟著卡住。現在他的思路明顯變了：先把財務、產品和製造能力的底盤穩住，再把增長押到封裝和材料這些更能放大系統性能的地方。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342200185-fjma.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>這實際上意味著什麼？意味著你如果還在用“7nm、5nm、3nm”這種單線條思維看晶片競爭，就會忽略掉真正決定系統體驗的那部分。很多時候，客戶買的不是一顆裸 die，而是一整套封裝後的平台能力：頻寬、延遲、熱設計、良率、成本、可擴展性。製程縮小當然有價值，但它越來越像一張門票，不再是全部籌碼。\u003C\u002Fp>\u003Cp>我以前在做平台選型時也有這種誤判。團隊裡總有人說“再等一代工藝就好了”，結果等來的不是效能飛躍，而是成本上升、供貨不穩和設計複雜度飆升。後來我才明白，真正能拉開差距的，往往是系統層面的組合拳，而不是某個單點參數。陳立武這次的說法，本質上就是把公司從“節點競賽”拉回“系統競賽”。\u003C\u002Fp>\u003Cp>怎麼應用到你自己的工作裡？如果你在做晶片、伺服器、邊緣設備或者 AI 平台規劃，別先問“我們能不能把工藝再壓一代”，先問三件事：一是效能瓶頸到底在計算、記憶體還是互連；二是客戶願不願意為更好的封裝和平台整合付費；三是你手裡有沒有把這些能力產品化的路徑。很多團隊死在第一問都沒答對。\u003C\u002Fp>\u003Cul>\u003Cli>把路線圖從「工藝節點」改成「系統指標」：頻寬、延遲、功耗、成本、良率。\u003C\u002Fli>\u003Cli>把研發預算分成三層：節點、封裝、材料，不要只押一條線。\u003C\u002Fli>\u003Cli>每季重新驗證客戶真正買單的是哪一層價值。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>EMIB 不是配角，它是英特爾的翻盤支點\u003C\u002Fh2>\u003Cblockquote>“先進封裝技術 EMIB”\u003C\u002Fblockquote>\u003Cp>EMIB 是 Intel 的 Embedded Multi-die Interconnect Bridge，簡單說就是把多個晶粒更高效地連在一起。你可以把它理解成一種比傳統大一統單晶片更靈活的拼裝方式。英特爾在這裡的邏輯很現實：當單顆大晶片繼續做大，良率、成本和設計風險都會一起上升；但如果把功能拆成多個 die，再用更好的封裝把它們組起來，就能在效能、成本和上市節奏之間找到一個更可控的平衡。\u003C\u002Fp>\u003Cp>這不是“退而求其次”，而是承認現實。因為很多產品的瓶頸已經不是“能不能做出一個更大的單晶片”，而是“能不能把不同工藝、不同功能、不同功耗域的模組拼成一個可賣的系統”。EMIB 的價值就在於這裡：它讓英特爾有機會把 CPU、IO、加速器、快取和其他功能模組更靈活地組合起來，而不必每次都重新賭一個超大單片。\u003C\u002Fp>\u003Cp>我在專案裡最常見的誤區，就是工程團隊會把 chiplet 當成“後端封裝團隊的事情”。錯了。chiplet 不是封裝部門的補丁，它應該反過來影響前端架構設計。你一旦決定走多 die 路線，介面協議、功耗預算、熱分布、測試策略都會變。封裝不是最後一步，它是架構的一部分。\u003C\u002Fp>\u003Cp>如果你要把這個思路落到實際工作裡，先從“模組化邊界”開始畫。哪些功能必須放在同一顆 die 上，哪些可以拆出去？拆出去之後，互連頻寬夠不夠？延遲能不能接受？測試怎麼做？良率怎麼分攤？這些問題比“我們能不能再縮一個節點”更接近商業現實。Cadence 這類工具廠商已經把 chiplet 設計和系統分析講得很明確了，你不需要從零發明概念，你需要的是把它變成決策流程。\u003C\u002Fp>\u003Cul>\u003Cli>先定義模組邊界，再定義工藝邊界。\u003C\u002Fli>\u003Cli>把封裝當成架構層，而不是製造收尾。\u003C\u002Fli>\u003Cli>為每個 chiplet 設計單獨的測試和失效隔離策略。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>玻璃基板不是材料炫技，是密度和訊號完整性的現實答案\u003C\u002Fh2>\u003Cblockquote>“玻璃基板”\u003C\u002Fblockquote>\u003Cp>玻璃基板這件事，很多人第一次聽會覺得像材料圈的冷門話題，但它其實很樸素：當封裝越來越複雜，傳統有機基板在尺寸穩定性、佈線密度和訊號完整性上開始吃力，玻璃基板就成了一個很自然的候選項。英特爾公開講過玻璃基板技術，我建議你直接看他們的\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fnewsroom\u002Fnews\u002Fintel-shows-glass-substrate-technology.html\">官方介紹\u003C\u002Fa>，比轉述更清楚。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342201619-86uq.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>陳立武把玻璃基板放進路線圖，說明他看的不是“某個實驗室材料能不能演示”，而是“它能不能支撐更高密度、更大尺寸、更穩定的封裝平台”。這點很重要。因為很多新材料專案死在一個毛病上：演示很漂亮，量產很難，最後只能停在 PPT 和 demo 之間。玻璃基板如果沒有辦法進入規模製造，那它就只是材料新聞，不是戰略資產。\u003C\u002Fp>\u003Cp>我自己對這類材料路線最警惕的一點，是團隊容易把“更先進”誤解成“更值得上”。其實不是。你得先問這個材料是不是在解決明確的系統痛點。玻璃基板的痛點就很明確：更好的尺寸穩定性、更高互連密度、更適合未來大封裝。它不是為了好看，而是為了讓封裝繼續往上堆。\u003C\u002Fp>\u003Cp>怎麼用在你自己的路線圖裡？如果你做的是平台或硬體產品，不要只盯著晶片設計團隊。你還要看封裝基板、熱介面材料、散熱路徑和測試工藝。很多產品最後不是死在算力不夠，而是死在“封不住、壓不穩、測不全”。材料選擇不是後勤問題，它直接決定你能不能把效能兌現出來。\u003C\u002Fp>\u003Cp>我會建議\u003Ca href=\"\u002Fnews\u002Fopsd-user-feedback-training-loop-zh\">你把\u003C\u002Fa>材料評估拆成三層：一層看物理性能，一層看製造可行性，一層看供應鏈成熟度。任何一層不過關，都別急著上主路線。材料圈最怕的就是“單點驚豔，整體失控”。\u003C\u002Fp>\u003Ch2>GaN、SiC、InP、人工鑽石，陳立武在押的是材料組合拳\u003C\u002Fh2>\u003Cblockquote>“氮化鎵（GaN）、碳化矽（SiC）、磷化銦（InP）和人工合成鑽石”\u003C\u002Fblockquote>\u003Cp>這串材料名看起來像在列採購清單，但我理解陳立武的意思是：英特爾不只是在找一種替代材料，而是在為不同功率、頻率、熱管理和光電場景準備一組可選項。GaN 和 SiC 更偏功率電子，InP 常見於高速光電和通訊，人工合成鑽石則更多和散熱、極端熱管理相關。把它們放在一起講，說明英特爾想看的不是\u003Ca href=\"\u002Fnews\u002Fzilliz-vector-lakebase-unified-ai-data-platform-zh\">單一\u003C\u002Fa>產品，而是未來系統裡多種材料協同的可能性。\u003C\u002Fp>\u003Cp>這裡最有意思的地方在於，英特爾過去的核心身份是 CPU 廠商，但現在它明顯在往“平台級材料和封裝能力”上延展。這個轉向不是偶然。因為當 CPU、\u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa>、加速器和網路元件越來越緊密地綁在一起，材料和封裝就不再只是製造細節，而是決定系統邊界的關鍵變數。你想把功耗壓下去、把頻率拉上來、把熱量導出去，就得看材料。\u003C\u002Fp>\u003Cp>我以前總覺得材料團隊離產品太遠，後來發現完全不是。真正成熟的產品規劃，必須把材料路線提早拉進來。否則你前端架構畫得再漂亮，後端根本做不出來。尤其是 AI 伺服器、光互連、功率轉換這些場景，材料選型會直接影響你能不能把系統做成可量產、可維護、可擴展的形態。\u003C\u002Fp>\u003Cp>怎麼應用？如果你在做新硬體專案，別等到散熱和功耗炸了才去找材料方案。你應該在架構階段就列出三個清單：高功率器件用什麼材料，互連用什麼材料，散熱介面用什麼材料。然後把這三類材料和供應商、成本、工藝窗口一起評估。別只看實驗數據，要看能不能和你的主板、封裝、測試流程配起來。\u003C\u002Fp>\u003Cul>\u003Cli>功率器件優先看 GaN \u002F SiC 的適用邊界。\u003C\u002Fli>\u003Cli>高速互連和光電方向關注 InP 這類材料的系統價值。\u003C\u002Fli>\u003Cli>高熱流密度場景提前評估人工鑽石等散熱材料的製造與成本。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>AI 推理把 CPU 又拽回來了，這不是反常，是系統分工變了\u003C\u002Fh2>\u003Cblockquote>“資料中心伺服器中 CPU 與 GPU 的配比已從過去的一比八向一比四乃至更低演變。”\u003C\u002Fblockquote>\u003Cp>這段話我覺得特別值得記下來。過去幾年大家都在講 GPU，講得好像 CPU 已經快成陪跑了。但陳立武說得很明確：智慧體 AI 和推理場景的爆發，正在讓 CPU 需求重新抬頭。原因很簡單，推理不是純算力堆砌，它需要調度、記憶體管理、任務編排、資料前處理和大量系統控制，這些都離不開 CPU。\u003C\u002Fp>\u003Cp>所以 CPU 和 GPU 的關係不是誰幹掉誰，而是系統分工在變。訓練階段 GPU 很強，推理階段 CPU 的角色被重新放大，尤其是在\u003Ca href=\"\u002Ftag\u002F資料中心\">資料中心\u003C\u002Fa>裡，CPU 負責的東西越來越多。配比從一比八變成一比四，甚至更低，說明伺服器架構正在重新平衡。這個變化對英特爾很重要，因為它正好把公司最擅長的 CPU 基礎能力重新拉回中心。\u003C\u002Fp>\u003Cp>我的經驗是，很多團隊在討論 AI 架構時，太容易把“算力”當成唯一變數。實際上，推理服務上線後，真正吞資源的是調度、網路、快取、記憶體和業務編排。你如果只盯 GPU，系統很快就會在別的地方卡住。陳立武這次講 CPU 回潮，我聽著不像是樂觀口號，更像是對資料中心真實負載變化的判斷。\u003C\u002Fp>\u003Cp>怎麼用？如果你在做 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>規劃，別只算 GPU 預算。你要同時算 CPU 核數、記憶體容量、PCIe \u002F CXL 拓撲、網路頻寬和儲存吞吐。推理業務一旦上量，CPU 往往會成為隱藏瓶頸。很多團隊最後不是 GPU 不夠，而是 CPU 把整台機器的吞吐拖住了。\u003C\u002Fp>\u003Cp>我會建議你在架構評審時強制回答這幾個問題：推理請求的調度在哪一層完成？哪些前處理必須在 CPU 上做？GPU 空閒時 CPU 能不能把隊列餵滿？如果這些問題答不清，說明你還沒真正理解推理系統。\u003C\u002Fp>\u003Ch2>英特爾真正要改的，是組織習慣，不只是技術路線\u003C\u002Fh2>\u003Cblockquote>“在穩固資產負債表、聚焦產品線之後”\u003C\u002Fblockquote>\u003Cp>這句話看起來像財務語言，但我覺得它其實是在說組織紀律。英特爾過去最大的问题之一，不是沒有技術，而是技術、製造、產品和資本配置之間經常互相打架。陳立武把“穩住資產負債表”放在前面，說明他知道如果財務不乾淨，後面所有長期投資都會被短期壓力扯碎。\u003C\u002Fp>\u003Cp>這也是為什麼我對他的表述比較認同：先收縮戰線，再集中火力。你不可能一邊背著一堆低效資產，一邊還幻想在新材料、新封裝、新平台上全面開花。組織要轉向，先得承認自己不能什麼都做。這個判斷聽起來簡單，實際執行很難，因為每個部門都會覺得自己該被保留。\u003C\u002Fp>\u003Cp>我見過太多技術公司死在“都想要”。產品線太散、研發目標太多、資源分配太碎，最後每條線都做不深。陳立武這次的表態至少說明，他不是在講空洞願景，而是在講資源重排。對一家像英特爾這樣的公司來說，這比喊口號重要得多。\u003C\u002Fp>\u003Cp>如果你是團隊負責人，最應該學的不是“押注什麼新材料”，而是“怎麼砍掉不該做的東西”。路線圖不是把所有可能都堆上去，而是把最能放大優勢的那幾條留下來。你可以把這個原則直接搬到自己的專案管理裡：每\u003Ca href=\"\u002Fnews\u002Fatomicbot-llama-cpp-fork-throughput-gains-zh\">條路\u003C\u002Fa>線都要有明確的退出條件，沒有退出條件的專案，最後都會變成組織負擔。\u003C\u002Fp>\u003Cp>我通常會要求團隊回答三個問題：這條線如果三年後沒達到目標，能不能停？它和主業務的協同點是什麼？它需要的組織能力我們到底有沒有？如果這三個問題答不上來，別急著立項。\u003C\u002Fp>\u003Ch2>你可以直接拿去用的路線圖模板\u003C\u002Fh2>\u003Cp>下面這個模板不是給英特爾寫的，是給你自己做晶片、硬體、AI 基礎設施或者平台規劃時直接套用的。你可以把它當成“從單點工藝思維切到系統材料思維”的會議稿。\u003C\u002Fp>\u003Cp>我建議你先用它開一次內部評審會，別討論願景，直接討論邊界、瓶頸和資源。這樣最能看出團隊到底是在做計畫，還是在做幻想。\u003C\u002Fp>\u003Cpre>\u003Ccode># 系統級技術路線圖模板（可直接改名使用）\u003C\u002Fcode>\u003C\u002Fpre>\u003Cpre>\u003Ccode>## 1. 我們不再只用「節點」定義競爭力，而是用系統指標定義競爭力\n- 目標指標：頻寬 \u002F 延遲 \u002F 功耗 \u002F 成本 \u002F 良率 \u002F 可擴展性\n- 當前瓶頸：\n- 未來 12 個月最可能卡住的環節：\n\n## 2. 架構先行，封裝跟上\n- 哪些功能必須保留在單 die 內：\n- 哪些功能可以拆成 chiplet：\n- 互連協議與頻寬預算：\n- 熱設計與失效隔離策略：\n- 測試與驗證計畫：\n\n## 3. 材料不是後勤，是產品能力的一部分\n- 高功率器件候選材料：GaN \u002F SiC \u002F 其他\n- 高速互連或光電候選材料：InP \u002F 其他\n- 散熱與熱擴散候選材料：人工鑽石 \u002F 其他\n- 每種材料的量產風險：\n- 供應鏈成熟度：\n\n## 4. 先驗證客戶價值，再驗證技術漂亮\n- 客戶真正願意付費的效能點：\n- 當前方案與競品差異：\n- 3 個必須達成的商業指標：\n- 2 個必須避免的失敗模式：\n\n## 5. AI \u002F 資料中心場景的 CPU 與加速器協同\n- 推理負載中 CPU 負責什麼：\n- GPU 負責什麼：\n- 調度、前處理、網路、儲存分別由誰承擔：\n- CPU \u002F GPU 配比目標：\n- 機器級別的瓶頸排查清單：\n\n## 6. 退出機制\n- 如果 6 個月內沒有進展，停哪裡：\n- 如果 12 個月內成本不降，砍哪裡：\n- 如果供應鏈不成熟，替代方案是什麼：\n- 誰對最終決策負責：\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>如果你想更進一步，我會把這份模板拆成三個版本：產品經理版、架構師版、供應鏈版。因為同一套技術路線，站在不同角色眼裡，關注點完全不一樣。產品經理看客戶價值，架構師看系統邊界，供應鏈看交付風險。你要是把這三層都寫進去，路線圖才不會淪為 PPT 裝飾。\u003C\u002Fp>\u003Cp>我最後再說一次，這篇文章最有價值的地方，不是“陳立武說了什麼新鮮詞”，而是他把英特爾的下一階段講成了一套可執行的工程邏輯：先穩財務，再收產品線；先看系統瓶頸，再看工藝節點；先押封裝和材料，再談單點性能。這個順序很現實，也很難做，但至少方向是對的。\u003C\u002Fp>\u003Cp>原始內容來自知乎轉載頁：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653\u003C\u002Fa>。我這裡做的是基於公開文字的拆解和方法化整理，模板部分是我重新整理出來的，不是原文逐字複製。\u003C\u002Fp>","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。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2051434428648497653",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782342200185-fjma.png","industry","zh","b10159ab-4111-48da-bc2a-f64cbff423ef",[17,18,19,20,21,22],"chiplet","advanced packaging","glass substrate","AI inference","CPU","materials",[24,25,26],"別把製程節點當唯一答案，系統指標才是路線圖核心。","封裝與材料不是後勤，是產品架構的一部分。","AI 推理會拉高 CPU 角色，基礎設施規劃不能只算 GPU。",0,"2026-06-24T23:02:57.434146+00:00","2026-06-24T23:02:57.422+00:00","5afe8a7a-987b-4c48-836b-ab4ce9f53f1c",{"tags":32,"relatedLang":35,"relatedPosts":38},[33],{"name":20,"slug":34},"ai-inference",{"id":15,"slug":36,"title":6,"language":37},"chen-liwu-intel-packaging-materials-podcast-en","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"2471ac23-2b37-4d2e-a499-03cda55ea81c","cloudflare-rivals-web-security-infrastructure-zh","Cloudflare 的 4 個主要對手，各自最強在哪","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782354765100-c52g.png","2026-06-25T02:32:19.385373+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"a18f7546-c4b2-42c3-8a33-674ad19198b1","white-house-reversal-anthropic-pressure-zh","白宮轉向後，Anthropic 仍卡在兩道聯邦壓力","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782352972913-tvfx.png","2026-06-25T02:02:30.751766+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"e1d4e5e5-1c30-49fb-9b70-dfbd40618b96","google-ai-cycle-slow-signals-zh","谷歌 AI 节奏慢了，5 个信号看懂","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782349365283-d7gu.png","2026-06-25T01:02:20.276409+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"0113784b-be26-4965-aa50-4887369b85b1","worthing-watersports-duotone-demo-wales-zh","5 款 Duotone 2026 試玩重點，Rhosneigr 一次看完","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782345769221-3qwi.png","2026-06-25T00:02:22.418886+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"a7139e35-f8f1-498d-84d8-5a3c1c7c0192","zilliz-vector-lakebase-unified-ai-data-platform-zh","Zilliz 把向量搜尋收進單一 AI 資料層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782339470762-t7nh.png","2026-06-24T22:17:21.056184+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"493ea70d-fffd-4365-ba76-63069ada5744","atomicbot-llama-cpp-fork-throughput-gains-zh","AtomicBot 的 llama.cpp 分支，兩條路都加速","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782332275892-6iw2.png","2026-06-24T20:17:28.725554+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"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":82,"slug":83,"title":84,"created_at":85},"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":87,"slug":88,"title":89,"created_at":90},"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":92,"slug":93,"title":94,"created_at":95},"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":97,"slug":98,"title":99,"created_at":100},"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":102,"slug":103,"title":104,"created_at":105},"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":107,"slug":108,"title":109,"created_at":110},"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":112,"slug":113,"title":114,"created_at":115},"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":117,"slug":118,"title":119,"created_at":120},"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":122,"slug":123,"title":124,"created_at":125},"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"]