[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-google-deepmind-turns-science-into-tools-zh":3,"article-related-google-deepmind-turns-science-into-tools-zh":30,"series-research-6f5be102-5764-44f1-ab3f-722fc5c32c23":77},{"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},"6f5be102-5764-44f1-ab3f-722fc5c32c23","google-deepmind-turns-science-into-tools-zh","Google DeepMind把AI變研究工具","\u003Cp data-speakable=\"summary\">\u003Ca href=\"\u002Ftag\u002Fgoogle-deepmind\">Google DeepMind\u003C\u002Fa> 把 AI 包成研究工具，重點是可驗證、可重複、可放進科學流程。\u003C\u002Fp>\u003Cp>我盯 \u003Ca href=\"\u002Ftag\u002Fgoogle\">Google\u003C\u002Fa> 的 AI 講法一陣子了，老實說，很多時候都很像在看一份很會講話的簡報：詞很大、姿態很正、責任感也寫得很滿，但我真的想動手時，還是找不到能直接拿來用的東西。這次我看到 Google DeepMind 的頁面，第一反應不是「哇好厲害」，而是「喔，終於講到一個具體的場景了」。它不是在賣一個抽象的 AI 神話，而是在講科學、實驗、工具，以及怎麼把研究做得更快、更準。\u003C\u002Fp>\u003Cp>我在意的也不是品牌包裝，而是它到底把 AI 放進哪個工作流、解決哪種痛點、又有沒有什麼我可以偷學的結構。這頁在 \u003Ca href=\"https:\u002F\u002Fblog.google\u002Finnovation-and-ai\u002Fmodels-and-research\u002Fgoogle-deepmind\u002F\">Google Blog\u003C\u002Fa> 上，沒有給我完整規格，這點其實有點煩；但它至少丟出一個很清楚的訊號：Google 想把研究級 AI 做成工具，而不是只做成展示品。\u003C\u002Fp>\u003Cp>對開發者來說，這種訊號比空泛口號有用多了。因為我現在最怕的，就是那種「AI for everything」頁面，講了一圈，最後你還是不知道要接哪個 API、要怎麼驗證、要怎麼落地。這頁至少讓我知道 Google 想押在哪裡：科學、實驗、以及所謂 responsible deployment。這就夠我拆了。\u003C\u002Fp>\u003Cp>原始觸發來源就是這篇 \u003Ca href=\"https:\u002F\u002Fblog.google\u002Finnovation-and-ai\u002Fmodels-and-research\u002Fgoogle-deepmind\u002F\">Google DeepMind\u003C\u002Fa> 頁面。頁面本身沒有提供觀看數、書籤數或星數，所以我不亂編。\u003C\u002Fp>\u003Ch2>它不是在賣 AI，它是在賣研究吞吐量\u003C\u002Fh2>\u003Cblockquote>“Gemini for Science: AI experiments and tools for a new era of discovery”\u003C\u002Fblockquote>\u003Cp>我把這句翻成白話就是：Google 想把 AI 放進研究流程，當成能提升產出速度的基礎設施，而不是一個會聊天的玩具。這句裡面真正重要的不是 \u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 這個名字，而是 “experiments and tools” 這個組合。它代表的不是 demo 模式，而是 workflow 模式。重點不是讓我驚呼，而是讓研究人員能跑更多實驗、看更多資料、少走一些冤枉路。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105628-g4op.png\" alt=\"Google DeepMind把AI變研究工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看過太多 AI 產品死在這裡。團隊一開始都很愛做一個很炫的介面，結果真正的使用者要的是可重複、可追溯、可驗證。科學領域更狠，你只要不能被檢查、不能被引用、不能被重現，UI 再漂亮都沒用。所以當 Google 寫 “new era of discovery”，我腦中翻譯成的是：我們想把 AI 塞進一個本來就有規則的流程裡，而且還不能亂來。\u003C\u002Fp>\u003Cp>這比做聊天機器人難很多，也比較像真的工程\u003Ca href=\"\u002Fnews\u002Fprompt-injection-ai-security-problem-zh\">問題\u003C\u002Fa>。它也解釋了為什麼 Google 一直把 research 掛在旁邊。它不是只想賣一個模型，而是想讓模型看起來像實驗室桌上的一個工具。\u003C\u002Fp>\u003Cp>如果我自己要做內部 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>給工程師、分析師或研究員，我會先問一個很不浪漫的問題：這東西到底有沒有增加吞吐量，而且有沒有把可信度弄爛？如果答案不清楚，先別急著做炫的互動。先把引用、日誌、版本、審核流程補起來，這些才是工具，不是裝飾品。\u003C\u002Fp>\u003Cul>\u003Cli>設計時先鎖定可重複的任務，不要先想泛用聊天。\u003C\u002Fli>\u003Cli>預設顯示來源、輸入和假設，不要藏起來。\u003C\u002Fli>\u003Cli>先看少了多少返工，再看使用者爽不爽。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>「負責任」這三個字，這頁用得很重\u003C\u002Fh2>\u003Cp>頁面上有一句意思很直白的話：Google 在做 AI，而且要「responsibly to benefit everyone」。我對這種句子一向有點警戒，因為「負責任」常常只是包裝詞，沒落到產品上就等於沒說。不過我也不會直接把它當廢話。你如果真的把 AI 塞進科學、醫療、教育或企業流程，責任不是加分項，是基本門檻。\u003C\u002Fp>\u003Cp>我從這頁讀到的訊號是：Google 想把 Google DeepMind 做成一個公開樣板，證明它的 AI 堆疊可以被用在高風險場景，而且不會每次都變成信任災難。這很重要，因為 AI 一旦進研究工作流，後果就不是「答錯一題」而已。錯誤建議會浪費時間，錯誤自動化會扭曲實驗，錯誤的自信會讓人以為自己看懂了，其實沒有。這不是介面問題，這是系統問題。\u003C\u002Fp>\u003Cp>我自己就踩過這個坑。我做過一個文獻摘要的研究助理 prototype，模型很會講，講得像真的一樣，但它對脈絡缺乏感知。使用者一開始很愛，因為看起來很聰明；但一旦他們開始追問來源、比較差異、要不確定性，整個系統就露餡。最後我們只好把介面重做成「先看證據，再看結論」，模型沒那麼神，但真的比較能用。\u003C\u002Fp>\u003Cp>實操上，我會把「responsible」拆成工程規則，而不是口號。如果你的系統不能告訴我它從哪裡來、不能顯示不確定性、不能被人審核，那你還沒做出負責任的系統。你只是做出一個很會唬人的系統。\u003C\u002Fp>\u003Cul>\u003Cli>永遠保留回到原始資料的路徑。\u003C\u002Fli>\u003Cli>生成和驗證分開，不要混成一團。\u003C\u002Fli>\u003Cli>把不確定性顯示出來，不要拿修飾過的文案蓋掉。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Google DeepMind 其實是好幾個賭注包在一起\u003C\u002Fh2>\u003Cp>這頁不是單獨一個產品公告，它比較像一個容器，把幾個東西包在一起：\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002F\">DeepMind\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fblog.google\u002Ftechnology\u002Fai\u002Fgoogle-gemini-ai\u002F\">Gemini\u003C\u002Fa>、Google Research，還有一些 science-facing experiments。這件事我覺得比\u003Ca href=\"\u002Fnews\u002Fcloudflare-technology-partner-program-integrations-zh\">技術\u003C\u002Fa>本身還有意思，因為它透露的是組織策略。Google 在告訴我們：研究、模型、產品層，現在要被拉進同一個敘事裡。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105426-4zx0.png\" alt=\"Google DeepMind把AI變研究工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話一點說，就是 Google 想縮短研究成果到可用工具之間的距離。這很 Google，也很容易做壞。做對了，你會拿到強基礎設施、夠大的分發能力、還有真的能幹活的算力；做歪了，你就只會看到一堆名字很像、功能重疊、但沒人知道該從哪裡開始的東西。\u003C\u002Fp>\u003Cp>我在自己團隊也碰過這種狀況。研究、產品、平台三邊各講各的，大家都在描述同一件事，但詞彙完全\u003Ca href=\"\u002Fnews\u002Fmeasuring-llm-behavior-portability-zh\">不一\u003C\u002Fa>樣。有人講 capability，有人講 workflow，有人講 surface。到最後使用者聽到的只剩一坨名詞，原本想解的問題反而被埋掉。Google 這頁就是在試著把那堆東西收斂到一個名字：Google DeepMind。\u003C\u002Fp>\u003Cp>如果我要把這招搬回自己的組織，我會直接照抄它的精神：一個計畫、一個 owner、一套評估標準。不要讓同一個東西被三個部門講成三種版本，不然最後每個人都很忙，但沒人能用一句話說清楚你在幹嘛。\u003C\u002Fp>\u003Ch2>科學工具最不性感，但也最能驗證 AI 有沒有用\u003C\u002Fh2>\u003Cp>我其實蠻喜歡這頁把焦點放在 science。這不是最會吸睛的題目，但它是很好的壓力測試。科學會懲罰含糊的系統，也會獎勵精準、一致、能處理大量雜訊的工具。如果 AI 在這裡有用，那它在很多地方大概也有用；如果它在這裡沒用，那大概也別太幻想。\u003C\u002Fp>\u003Cp>頁面裡那句「expanding the scale and precision of scientific exploration」很關鍵。scale 是更多工作、更多實驗、更多候選、更多搜尋空間；precision 是更少低級錯誤、更好的目標、更緊的結果。這對開發者很有感，因為它直接對應到系統設計：一邊是吞吐量，一邊是錯誤控制。\u003C\u002Fp>\u003Cp>我做工具時很常看到團隊只盯著 scale，完全不管 precision。他們想要更多輸出、更多自動化、更多生成內容，結果最後被清理工作淹死。科學剛好相反：如果不夠準，規模一放大，垃圾也跟著放大。Google 這頁至少在紙面上承認了這個交換條件。\u003C\u002Fp>\u003Cp>實操上，我會逼自己先定義兩件事：你到底在放大什麼？你又在約束什麼？如果兩個都回答不出來，那你多半是在做 demo，不是在做工具。\u003C\u002Fp>\u003Cul>\u003Cli>先挑一個精準比速度更重要的流程。\u003C\u002Fli>\u003Cli>先量錯誤率，再量使用量。\u003C\u002Fli>\u003Cli>用 AI 幫你縮小搜尋空間，不要只幫你產更多字。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>頁面很空，反而更有資訊量\u003C\u002Fh2>\u003Cp>這頁讓我有點不爽，但也讓我更容易判斷它在幹嘛，因為它真的很空。沒有技術細節、沒有模型規格、沒有架構圖、沒有很漂亮的 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 列表。這種空，反而很有資訊：它代表這頁是 banner，不是 manual。\u003C\u002Fp>\u003Cp>也就是說，我不該把這頁當產品說明書。我應該把它當方向牌。真正的細節，大概會散落在 \u003Ca href=\"https:\u002F\u002Fresearch.google\u002F\">Google Research\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fblog.google\u002Ftechnology\u002Fai\u002Fgoogle-gemini-ai\u002F\">Gemini 公告\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002F\">DeepMind\u003C\u002Fa> 的研究頁面，還有 Google Blog 其他相關文章裡。你如果是開發者，正確讀法就是這樣：不要過度解讀 landing page，要看它背後連到哪個生態。\u003C\u002Fp>\u003Cp>我自己也曾經在內部平台發佈時犯過同樣的錯。高層寫了一篇很漂亮的總結，大家就以為那是規格書。不是。那只是方向提示。你如果把它當規格，最後做出來的東西通常會跟真實需求差一截，然後大家一起裝沒事。\u003C\u002Fp>\u003Cp>所以我現在看到這種頁面，第一件事不是抄文案，而是把周邊連結全抓出來，看看這家公司真正的重心在哪。這頁的重心很明顯：科學、研究、Gemini、DeepMind、Google Research。這不是一個產品頁，這是一個定位頁。\u003C\u002Fp>\u003Ch2>我會抄的，不是品牌，是它的框架\u003C\u002Fh2>\u003Cp>我對這頁最有感的地方，不是 Google DeepMind 這四個字，而是它的 framing。Google 想把 AI 放進一個能被衡量、能被檢查、能被反覆使用的領域。這種框架才值得抄。如果你也在做 AI，先找一個有真實限制、真實回饋迴路的 domain。那裡才會把模型從 novelty 逼成 infrastructure。\u003C\u002Fp>\u003Cp>我不會抄的是品牌煙霧。你不是 Google，就不要硬包一個超大 umbrella name。你也不需要喊「為所有人」這種話，除非你真的有分發能力和可驗證的使用場景。多數團隊應該更窄：選一個任務、選一個使用者、選一個驗證方式，然後把它做穩。\u003C\u002Fp>\u003Cp>如果我要把這頁濃縮成 playbook，我會留四條：選高訊號領域、輸出可審核、把不確定性攤開、量工具到底有沒有減少工作量。這才是藏在企業外殼底下，真的能拿去用的東西。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI 工具定位模板：研究型工作流版\n\n## 一句話承諾\n我們幫助 [特定使用者] 用 AI 完成 [特定任務]，同時保留 [驗證機制 \u002F 控制機制]。\n\n## 這個工具是拿來做什麼的\n- Input: [資料、文件、實驗、需求、查詢]\n- Output: [摘要、候選項、預測、計畫]\n- Constraint: [引用、人工審核、可重現性、信心門檻]\n\n## 產品規則\n1. 任何生成結果都不能直接當最終答案，一定要有 review 路徑。\n2. 盡量顯示來源、假設、信心區間。\n3. 優化目標先放「減少返工」，不要只看輸出量。\n4. 工作流要夠窄，錯誤才看得見。\n5. 要能把模型輸出和 ground truth 做比較。\n\n## UX 流程\n- Step 1: 使用者提交任務\n- Step 2: 系統收集上下文，並顯示使用了哪些資料\n- Step 3: 模型產出草稿或排序後的候選項\n- Step 4: 人工確認、修改或拒絕\n- Step 5: 系統記錄決策與原因\n\n## 評估清單\n- 這個工具有沒有縮短拿到第一個可用結果的時間？\n- 使用者能不能一路追回輸入來源？\n- 錯誤能不能在擴散前被看見？\n- 它是在提升 precision，還是在只增加 volume？\n- 這東西能不能用在高風險流程裡？\n\n## 可直接貼上的定位段落\n我們正在為 [domain] 建立 AI 工具，目標是改善 [workflow]，同時不把不確定性藏起來。系統會顯示來源、支援審核，並提高 precision，讓團隊可以更快移動，但不會把信任一起丟掉。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會直接拿去改的版本。它把那種很空泛的「responsibly to benefit everyone」翻成工程語言：誰用、做什麼、怎麼驗證、怎麼審核、怎麼量成效。這樣才像工具，不像口號。\u003C\u002Fp>\u003Cp>來源致謝：原始材料來自 \u003Ca href=\"https:\u002F\u002Fblog.google\u002Finnovation-and-ai\u002Fmodels-and-research\u002Fgoogle-deepmind\u002F\">https:\u002F\u002Fblog.google\u002Finnovation-and-ai\u002Fmodels-and-research\u002Fgoogle-deepmind\u002F\u003C\u002Fa>，以及我連帶參考的 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002F\">DeepMind\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fresearch.google\u002F\">Google Research\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fblog.google\u002Ftechnology\u002Fai\u002Fgoogle-gemini-ai\u002F\">Gemini\u003C\u002Fa> 頁面。上面拆解裡的判讀與模板是我自己的整理，不是 Google 原文複製。\u003C\u002Fp>","我拆 Google DeepMind 這頁，看看它怎麼把 AI 從口號包成研究工具，讓開發者能抄走定位、流程與模板。","blog.google","https:\u002F\u002Fblog.google\u002Finnovation-and-ai\u002Fmodels-and-research\u002Fgoogle-deepmind\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105628-g4op.png","research","zh","f3edd37b-2524-4d6d-b411-7ca0cce9eff0",[17,18,19,20,21],"Google DeepMind","Gemini","research tools","AI workflow","scientific discovery",[23,24,25],"Google 把 AI 定位成研究工具，不是聊天玩具。","真正值得抄的是可驗證、可重複、可審核的工作流。","科學場景逼你同時看吞吐量和精準度，這比喊口號有用。",0,"2026-06-29T08:17:57.716568+00:00","2026-06-29T08:17:57.702+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":36,"relatedPosts":40},[32,34],{"name":17,"slug":33},"google-deepmind",{"name":18,"slug":35},"gemini",{"id":15,"slug":37,"title":38,"language":39},"google-deepmind-turns-science-into-tools-en","Google DeepMind turns science into tools","en",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"5172bfc7-34c8-4477-a177-ffa615497ecf","opd-distillation-skills-without-bruteforce-rl-zh","OPD 讓你把技能蒸餾進模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782730101413-5wjx.png","2026-06-29T10:47:57.457072+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"c649adb7-c8ae-4ade-a092-2c0d53beeb71","measuring-llm-behavior-portability-zh","LLM 行為不一定可移植","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782717472977-na8g.png","2026-06-29T07:17:29.597679+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"637c3016-e364-4bfe-904e-5e60a18ed678","prompt-injection-ai-security-problem-zh","Prompt injection 已是 AI 資安問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782716580916-m1nm.png","2026-06-29T07:02:36.173749+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"118680f5-6212-4535-986a-50c4a0e71699","solver-choice-nash-equilibrium-selection-zh","求解器會改變納許均衡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782714784181-t42d.png","2026-06-29T06:32:31.062308+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"f303e5bb-372c-48f6-bfc3-f7a73a1e678b","proper-positive-only-learning-characterization-zh","正向樣本學習的完整界線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713880760-9ang.png","2026-06-29T06:17:33.749889+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"89159fcf-2fbb-4b72-9e05-7928e609a925","dexcompose-reuses-dexterous-policies-across-tasks-zh","DexCompose 讓手部技能可重用","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782712975186-mj1e.png","2026-06-29T06:02:28.144402+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":84,"slug":85,"title":86,"created_at":87},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]