[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-gemini-siri-memory-cost-line-zh":3,"article-related-gemini-siri-memory-cost-line-zh":30,"series-industry-aa5ffd6a-3bbb-4024-9339-114f94ecd25f":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},"aa5ffd6a-3bbb-4024-9339-114f94ecd25f","gemini-siri-memory-cost-line-zh","Gemini 進 Siri，把記憶體變成本項","\u003Cp data-speakable=\"summary\">Apple 把 \u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 接進 Siri，示範了 AI 功能怎麼把記憶體直接\u003Ca href=\"\u002Fnews\u002Fai-capex-turns-into-a-debt-trap-zh\">變成\u003C\u002Fa>產品成本。\u003C\u002Fp>\u003Cp>我做 device AI 做到現在，最怕的不是\u003Ca href=\"\u002Fnews\u002Fdatabricks-ai-gateway-inference-tables-served-models-zh\">模型\u003C\u002Fa>不夠大，是團隊一副「先把功能做出來再說」的樣子。Demo 很漂亮，簡報很順，大家都在講智慧、個人化、自然對話。結果一要真的上機，\u003Ca href=\"\u002Fnews\u002Fbineval-binary-questions-llm-evals-zh\">問題\u003C\u002Fa>就冒出來：記憶體不夠、快取爆掉、context 放不下、fallback 路徑卡住。你會發現，真正拖垮產品的，常常不是模型本身，而是那些沒人想寫進規格書的小成本。\u003C\u002Fp>\u003Cp>這次我注意到 Apple 的原因也很簡單。這不是單純的「Siri 加了 Gemini」而已。它更像是把雲端 AI 跟裝置策略綁在一起，然後把記憶體壓力攤在台面上。這種事我看過太多次：功能一開始看起來只是軟體升級，最後卻悄悄逼你把 RAM tier 拉高、把 BOM 往上推，然後大家再回頭問，為什麼一個助手功能會讓硬體變貴。\u003C\u002Fp>\u003Cp>所以我看到這個案例，不是先想到消費新聞，而是先想到一個很實用的警告：如果你要做 on-device AI、\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa>、或 hybrid cloud-local 產品，記憶體不是背景噪音，它就是功能成本的一部分。\u003C\u002Fp>\u003Cp>我先從 \u003Ca href=\"https:\u002F\u002Fletsdatascience.com\u002Fnews\u002Fapple-integrates-gemini-faces-memory-price-pressure-d47d5542\">Let’s Data Science\u003C\u002Fa> 這篇整理切進去，它轉述了 Adam Levy 在 The Motley Fool 與 Yahoo Finance 的報導脈絡，重點是 Apple 把 Gemini 納入 Siri\u002F\u003Ca href=\"\u002Ftag\u002Fapple-intelligence\">Apple Intelligence\u003C\u002Fa> 後，部分 MacBook 和 iPad 價格上調，背後還碰上 Micron 的 DRAM 價格壓力。這篇沒有提供觀看數或書籤數，我就不硬掰數字了。\u003C\u002Fp>\u003Ch2>Apple 不是只加模型，是多了一筆記憶體帳單\u003C\u002Fh2>\u003Cblockquote>Apple rebuilt Siri using Alphabet’s Gemini large language model，並且對部分 MacBook 與 iPad 調價，以守住 gross margin。\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：AI 功能不是免費長在硬體上。當 Siri 開始依賴 Gemini 這種等級的能力，產品就不再只是語音助理，而是雲端推理、裝置狀態、快取、同步、fallback 一起運作的混合系統。你不只是在買一個模型，你是在買一整套能把模型藏進產品體驗裡的架構。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782946989099-t8c1.png\" alt=\"Gemini 進 Siri，把記憶體變成本項\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前跟團隊做過類似的事，最常見的誤判就是以為雲端能把麻煩全吞掉。理論上大模型在雲上跑，裝置只要送 request、收 response 就好。實務上完全不是這樣。裝置還是得放短期 context、音訊 buffer、個人化 state、local policy check，很多時候還得塞一個小型 on-device 模型，讓 UX 不要像網頁包裝器。這些東西每一個都要吃 RAM。\u003C\u002Fp>\u003Cp>Apple 這個案例的重點就在這裡。它可以對外講智慧、隱私、連續性，但工程現實是：這些東西通常都會把裝置資源需求往上拉。你要把它賣出去，就只能選擇自己吞成本，或把一部分成本轉出去。從報導看起來，Apple 兩邊都有做：調整產品組合，也調整部分定價。\u003C\u002Fp>\u003Cp>實操上我會怎麼做？我會在 feature brief 裡先寫記憶體成本，再寫 launch copy。把 RAM 影響、cache 影響、local model footprint，直接跟 latency、accuracy 放在同一頁。只要你的功能需要更高記憶體 tier，就早點講。不要等到最後才發現，你做出來的「智慧助理」其實是一個披著友善外衣的 margin 問題。\u003C\u002Fp>\u003Cul>\u003Cli>按功能追 memory，不要只看 app 整體。\u003C\u002Fli>\u003Cli>把 cloud inference cost 跟 device-side state cost 分開算。\u003C\u002Fli>\u003Cli>先假設個人化一定會增加 persistent storage 與 cache pressure。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Gemini in Siri 是混合系統，不是換一顆模型而已\u003C\u002Fh2>\u003Cp>原文提到 Apple 把 \u003Ca href=\"\u002Ftag\u002Fgoogle\">Google\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\">Gemini\u003C\u002Fa> 接進 Siri 和 Apple Intelligence。這句話如果只看表面，會以為就是「換模型」。但我看過太多系統，知道事情通常不是這麼單純。真正落地時，多半是 cloud model 負責大範圍推理，local components 負責低延遲或隱私敏感任務，中間再放一層 product logic 決定什麼該跑哪裡。\u003C\u002Fp>\u003Cp>也就是說，「用了 Gemini」不等於「把 Siri 外包掉」。助理還是得像原生功能，還是得快、得記得住上下文、得知道裝置狀態，還不能看起來像一個披著系統皮的 web service。這些都需要 orchestration，而 orchestration 最常吃掉的，就是記憶體。\u003C\u002Fp>\u003Cp>我自己在做這類系統時，腦袋裡會直接切三層：雲端負責語意與廣度，裝置負責 wake word、短期 context、隱私敏感片段與即時互動，中間那層控制平面負責 cache、eviction、summarization。少了中間層，助理會笨；中間層做太肥，裝置就會變成 RAM 黑洞。\u003C\u002Fp>\u003Cp>這就是 Apple 這個案例真正值得看的地方。它買的不只是模型能力，而是能把雲端與裝置縫起來的產品架構。這種架構，通常都會比原本硬體規劃想像的更吃 memory。\u003C\u002Fp>\u003Cp>實操上，我會把 hybrid AI 功能當成 state management 問題來設計。直接畫三個 box：cloud reasoning、local execution、memory orchestration。然後每一塊都問清楚：什麼一定要留在裝置上？什麼可以摘要？什麼可以重算？如果你說不出某段 context 為什麼要常駐，那它大概不該常駐。\u003C\u002Fp>\u003Cul>\u003Cli>Cloud 用來處理廣度，不要每個互動都丟上去。\u003C\u002Fli>\u003Cli>Local state 要小、要明確、要能量測。\u003C\u002Fli>\u003Cli>Eviction 與 summarization 不能是事後補丁，要是第一級行為。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>DRAM 漲價不是背景音，是產品數學改了\u003C\u002Fh2>\u003Cp>原文也提到 \u003Ca href=\"https:\u002F\u002Finvestors.micron.com\u002F\">Micron\u003C\u002Fa> 回報 DRAM 價格比前一季上漲超過 60%。這不是什麼供應鏈註腳，這是直接告訴你：記憶體變貴了，而且變貴會立刻改變硬體團隊能不能合理化一個功能。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782946984283-bnju.png\" alt=\"Gemini 進 Siri，把記憶體變成本項\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是，「不然就多加一點 RAM」這句話開始變難聽了。很多團隊處理 AI UX 問題的預設答案就是加記憶體：context 不夠，補 RAM；cache 不夠，補 RAM；多模態 buffer 不夠，還是補 RAM。這套方法在市場正常時很好用，等到採購或財務問你為什麼 BOM 變重，你就會開始後悔自己把 RAM 當成萬用解法。\u003C\u002Fp>\u003Cp>我以前也踩過這種坑。某個功能一開始看起來只是多吃一點記憶體，結果一拉高就碰到 memory tier，硬體成本、定價、產品分層全部一起被扯動。沒人想承認，但最後那個功能已經不是單純的軟體需求，而是商業決策。Apple 現在被拿出來講，就是因為它把這件事放到檯面上了。\u003C\u002Fp>\u003Cp>對工程師來說，這裡最實際的結論很粗暴，但很好用：memory economics 本來就是 architecture 的一部分。如果 DRAM 供給收緊，你的軟體選擇就更重要。quantization、較小 context window、更聰明的 cache、嚴格的 state pruning，這些不再只是 optimization，而是產品能不能活下去的手段。\u003C\u002Fp>\u003Cp>實操上，我會替每個 AI 功能寫一份「memory sensitivity」備註，固定問三件事：它吃多少 RAM、如果 RAM 變貴會怎樣、最先能降級的是什麼。如果這三題答不出來，這功能還沒準備好上 device roadmap。\u003C\u002Fp>\u003Ch2>On-device AI 不是模型很大就好，是紀律要夠\u003C\u002Fh2>\u003Cp>這篇文章我最認同的技術背景，就是 device-first AI 一定會碰到可量測的 memory 與 latency trade-off。這件事沒有什麼浪漫的地方，只有取捨。你得在豐富度、成本、延遲之間拉扯，而最痛的那一段通常會丟回給軟體團隊處理。\u003C\u002Fp>\u003Cp>也就是說，on-device AI 的核心不是模型尺寸，而是紀律。你需要 quantization 壓 footprint，需要 parameter-efficient adaptation 省訓練成本，需要 eviction policy 不要像抽籤，需要 API 把 memory 顯性化，而不是丟一句「系統會自己管理」。\u003C\u002Fp>\u003Cp>我看過不少團隊把所謂的智慧功能做成什麼？其實就是 memory leak 外加一個 product manager。Demo 時很順，因為 state 是乾淨的，裝置是新的。等真實使用者來了，cache 滿了、背景 app 一堆、資料累積一週，整個功能就開始像失憶症患者。不是模型差，是 memory story 太鬆。\u003C\u002Fp>\u003Cp>這也是 Apple 案例的價值。連這種有硬體控制力的大公司都會碰到 memory 與 margin 的壓力，那小團隊就不要再假裝這是可選題。軟體必須替自己的 memory footprint 負責。\u003C\u002Fp>\u003Cp>實操上，我會把 memory 直接放進 dev tools 和 release review。報 peak RAM、steady-state RAM、cache growth、cold start 行為，全部跟 latency、error rate 一樣看。你的 AI 功能如果說不清楚自己的 memory curve，基本上還不到 production-ready。\u003C\u002Fp>\u003Ch2>調價不是財務動作，是產品訊號\u003C\u002Fh2>\u003Cp>文章把 Apple 的 price increases 解讀成守住 gross margin，這當然沒錯。但從工程角度看，調價同時也是一個訊號：產品團隊正在吸收新的成本結構。通常這表示技術堆疊已經變了，而且變到不能再假裝沒事。\u003C\u002Fp>\u003Cp>翻譯一下就是，hardware pricing 跟 software architecture 以前就有關，現在是綁更緊了。AI 功能不再只是軟體加分項，它會直接影響 device positioning、memory tier、pricing ladder。到這一步，工程團隊就不能再躲在「我們只是做功能」後面。功能本身已經成了 SKU 策略的一部分。\u003C\u002Fp>\u003Cp>我以前就遇過一個團隊想在高階裝置上加 local AI helper。功能本身沒問題，問題是它把 memory requirement 往上推了一點點，結果 BOM 變了，產品 tier 也變了，launch plan 也跟著變。到最後，原本以為很小的 feature，變成一個商業決策。\u003C\u002Fp>\u003Cp>Apple 現在做的事情，就是這種麻煩的放大版。如果它一邊推 AI 深入助理體驗，一邊調整價格，等於在告訴你：AI capability 是有成本的，而且成本得有人付。\u003C\u002Fp>\u003Cp>實操上，我會要求每個 AI feature proposal 都附一行 pricing note。不用寫完整定價策略，只要先標出可能造成的硬體 tier、subscription、cloud usage 後果。只要功能有可能把裝置推到更高記憶體 tier，或讓雲端成本上升，就先寫下來，免得之後在 margin review 才第一次看到。\u003C\u002Fp>\u003Ch2>如果是我來做，我會先管記憶體預算\u003C\u002Fh2>\u003Cp>如果我現在要設計一個 device assistant，我不會先想「再加一顆模型」，我會先想「怎麼管記憶體預算」。意思很簡單：系統應該先圍繞 state lifetime 設計，而不是只圍繞 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> endpoint。\u003C\u002Fp>\u003Cp>翻譯一下就是，我會先問：什麼必須持久化？什麼可以摘要？什麼可以重算？什麼應該丟到雲端？光是這幾題，就比一堆架構 buzzword 更能控制成本，也更能逼產品人承認，有些功能貴不是因為模型酷，而是因為它太有狀態。\u003C\u002Fp>\u003Cp>我會立刻加上的 guardrail 也很直接。第一，context growth 要封頂。第二，embeddings 要積極壓縮。第三，user-visible state 跟 hidden machine state 要切乾淨。第四，低記憶體裝置要早測，不要等發版才測。第五，實機負載下的 memory cost 要量，不要只看 lab。\u003C\u002Fp>\u003Cp>這篇原文把 AI 功能、記憶體經濟、裝置定價拉進同一個框架，我覺得這不是什麼遙遠趨勢，這件事其實已經在發生了。真正能把產品做穩的，不是最會講模型的人，而是最早把 memory 當成產品約束的人。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Device AI 記憶體預算模板（可直接貼進 spec \u002F PRD \u002F RFC）\n\n## 1. 功能定義\n- 功能名稱：\n- 使用者問題：\n- 為什麼需要 AI：\n- 是否必須 on-device：是 \u002F 否 \u002F 部分\n\n## 2. 模型分工\n- Cloud model：\n- On-device model：\n- Fallback path：\n- 失敗時的降級行為：\n\n## 3. 記憶體預算\n- Peak RAM 上限：\n- Steady-state RAM 上限：\n- Cache budget：\n- Context window 上限：\n- Embedding storage 上限：\n- Audio \u002F multimodal buffer 上限：\n\n## 4. 成本影響\n- 若 RAM tier 上升，BOM 增加多少：\n- 若雲端用量成長，月成本增加多少：\n- 若 margin 被壓縮，是否需要調價：\n- 是否會改變 SKU 分層：\n\n## 5. 效能目標\n- Cold start latency：\n- Warm response latency：\n- Offline 可用性：\n- 低記憶體裝置行為：\n- 背景多 app 時行為：\n\n## 6. 優化手段\n- Quantization：\n- Summarization：\n- Eviction policy：\n- Compression：\n- Parameter-efficient adapters：\n- Cache trimming：\n\n## 7. 發版檢查\n- 是否在最低記憶體支援裝置測過：\n- 是否量過 peak memory：\n- 是否量過真實負載下的 cache growth：\n- 是否寫清楚降級路徑：\n- 是否 review 過 pricing \u002F SKU 影響：\n\n## 8. 決策規則\n- 只有在功能能塞進記憶體預算，且不會逼出未計畫的硬體 tier 變更時，才准進入 launch。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會丟給產品、設計、韌體、ML、平台一起看的版本。它故意寫得很無聊，因為真正會害你爆掉的，通常都是那些一開始看起來很酷、最後卻沒人管 memory 的功能。\u003C\u002Fp>\u003Cp>來源致謝：我主要拆的是 \u003Ca href=\"https:\u002F\u002Fletsdatascience.com\u002Fnews\u002Fapple-integrates-gemini-faces-memory-price-pressure-d47d5542\">Let’s Data Science 這篇\u003C\u002Fa>，它引用了 Adam Levy \u002F The Motley Fool \u002F Yahoo Finance 的脈絡，另外參考了 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\">Google Gemini\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Finvestors.micron.com\u002F\">Micron\u003C\u002Fa> 的公開資訊。上面這份模板與工程解法是我自己整理出來的。","我拆 Apple 把 Gemini 接進 Siri 的做法，順手整理成可直接套用的記憶體預算模板。","letsdatascience.com","https:\u002F\u002Fletsdatascience.com\u002Fnews\u002Fapple-integrates-gemini-faces-memory-price-pressure-d47d5542",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782946989099-t8c1.png","industry","zh","8770cf24-978d-4961-813a-dc24d3658ffc",[17,18,19,20,21],"Gemini","Siri","DRAM","on-device AI","memory budget",[23,24,25],"AI 功能真正吃掉的是裝置記憶體與快取預算，不只是模型成本。","混合雲端與本地的 assistant，必須先設計 state orchestration 與降級路徑。","把 memory sensitivity 和 pricing impact 寫進 spec，才能避免功能把 BOM 拉爆。",0,"2026-07-01T23:02:45.850301+00:00","2026-07-01T23:02:45.84+00:00","0a99281d-959f-4d6e-8852-15d0ad2e3693",{"tags":31,"relatedLang":38,"relatedPosts":42},[32,34,36],{"name":18,"slug":33},"siri",{"name":20,"slug":35},"on-device-ai",{"name":17,"slug":37},"gemini",{"id":15,"slug":39,"title":40,"language":41},"gemini-siri-memory-cost-line-en","Gemini in Siri turns memory into a cost line","en",[43,49,55,61,67,73],{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"2ae84852-b499-426e-b61a-4bf3d5cdafb7","tiktok-ai-moderation-trust-teams-cuts-zh","TikTok 300 人裁撤背後的 5 個關鍵訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782958673011-t3r4.png","2026-07-02T02:17:24.05692+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"0c730754-ae66-4845-a097-325cef1c1ec3","milvus-leads-2026-vector-dbs-scale-speed-zh","Milvus 領跑 2026 向量資料庫","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782954177775-50zr.png","2026-07-02T01:02:29.70481+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"c5fe434d-9cba-42fd-9bb4-88b7a7f53716","ai-capex-turns-into-a-debt-trap-zh","AI capex 變成債務陷阱","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782944290692-mnwv.png","2026-07-01T22:17:42.20669+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"be1f01c5-c7f3-4093-bee9-0def22431174","tema-semianalysis-ai-chip-etf-plan-zh","Tema 與 SemiAnalysis 推 8 檔 AI 晶片 ETF","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782943368309-gfe3.png","2026-07-01T22:02:19.036219+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"5a64e7a5-909b-4584-893f-c1549b9f69f4","ai-coding-subscriptions-predictable-value-2026-zh","AI 編碼訂閱只在可預測時才值得付費","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782926269134-d2wt.png","2026-07-01T17:17:20.372331+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"be129748-9a5c-42e0-b392-437aa1255f29","claude-privacy-location-retention-truth-zh","Claude 隐私争议：4 個關鍵看懂真相","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782925367248-bxtm.png","2026-07-01T17:02:22.261458+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"]