[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-micron-anthropic-memory-ai-infrastructure-deal-zh":3,"article-related-micron-anthropic-memory-ai-infrastructure-deal-zh":30,"series-industry-eb904e1e-9876-45e3-990e-e8f729dd360d":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},"eb904e1e-9876-45e3-990e-e8f729dd360d","micron-anthropic-memory-ai-infrastructure-deal-zh","Micron 把記憶體變策略","\u003Cp data-speakable=\"summary\">我拆 Micron 跟 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的合作，重點不是新聞點，而是它怎麼把記憶體、儲存、供應與 \u003Ca href=\"\u002Ftag\u002Fclaude\">Claude\u003C\u002Fa> 導入綁成一套 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>打法。\u003C\u002Fp>\u003Cp>我盯 AI 基礎設施公司很久了，越看越煩。大家都說自己在做 AI，講到最後不是 GPU 供應，就是丟一張架構圖，再補一句「我們也有軟體」。但實際上，很多\u003Ca href=\"\u002Fnews\u002Fgke-system-metrics-tpu-hpa-cloud-monitoring-zh\">系統\u003C\u002Fa>卡住的地方根本不是算力，而是記憶體、儲存、封裝，還有資料怎麼在\u003Ca href=\"\u002Fnews\u002Ffable-5-ban-model-routing-race-zh\">模型\u003C\u002Fa>、快取、檢索之間來回搬，搬到一半不爆掉。\u003C\u002Fp>\u003Cp>所以我看到 \u003Ca href=\"https:\u002F\u002Finvestors.micron.com\u002Fnews-releases\u002Fnews-release-details\u002Fmicron-and-anthropic-announce-strategic-agreement-scale-next\">Micron 跟 Anthropic 的合作公告\u003C\u002Fa>時，第一反應不是「喔又一個合作」。我看到的是一個很明確的訊號：這次不是只賣零件，也不是只掛名 AI。它把記憶體與儲存架構、供應規劃、還有 Micron 內部導入 Claude 綁在一起。這種打法很現實，也很老派，因為它在搶的不是單一訂單，而是系統設計的話語權。\u003C\u002Fp>\u003Cp>我也順手對照了 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\">Claude 的產品頁\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.micron.com\u002F\">Micron 官網\u003C\u002Fa>與投資人資料。這東西不看 stack 就看不懂，只看標題只會把它當成普通 PR。\u003C\u002Fp>\u003Ch2>他們不是在賣晶片，是在搶架構的位置\u003C\u002Fh2>\u003Cblockquote>Micron 宣布與 Anthropic 達成策略性協議，涵蓋記憶體與儲存的 AI 架構設計、供需規劃、Micron 內部的 Claude 導入，以及對 Anthropic 的策略投資。\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Micron 不想只當「你需要多少顆就出多少顆」的供應商，它想進到架構討論桌上。記憶體和儲存不是配角了，它們變成設計的一部分。這件事對很多團隊來說有點刺耳，因為大家習慣先挑模型、再挑 GPU、最後才想到資料管線。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782147789565-exb7.png\" alt=\"Micron 把記憶體變策略\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前在專案裡真的踩過這個洞。團隊一開始先決定模型，接著買算力，做到一半才發現 latency 爆掉、cache miss 很兇、資料搬移成本高到離譜。等到這時候才想調整，通常已經晚了，因為硬體、雲配置、資料流都綁死了。記憶體供應商如果能提前介入，目的就是把這種錯誤擋在前面。\u003C\u002Fp>\u003Cp>對開發者來說，這代表一件很實際的事：別再把記憶體和儲存當成看不見的水管。它們會直接影響 throughput、batching、retrieval latency、checkpointing，甚至決定你的模型到底是「能思考」還是「一直卡住」。\u003C\u002Fp>\u003Cul>\u003Cli>先看 memory bandwidth，再去迷信模型大小。\u003C\u002Fli>\u003Cli>先看 storage latency，再怪 inference server。\u003C\u002Fli>\u003Cli>先看資料搬移成本，再急著加 GPU。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操上，我現在會先寫出四個東西：模型、context length、retrieval pattern、資料更新頻率。接著才去對 memory 和 storage 對應需求。這樣做很土，但比後面整團人一起救火有效太多。\u003C\u002Fp>\u003Ch2>Claude 進 Micron 內部，才是最有意思的地方\u003C\u002Fh2>\u003Cp>公告裡提到 Micron 會在企業內部導入 Claude。這句話很重要，因為它把 Anthropic 從「合作夥伴」變成「真的會進工作流的工具」。如果一家像 Micron 這種規模的公司，真的把 Claude 放進內部流程，那它就不是在玩新鮮感，而是在處理那些最耗時間的髒活：分析、草擬、內部知識查找、支援與規劃。\u003C\u002Fp>\u003Cp>我讀到這裡的意思不是「Micron 喜歡 Claude」，而是「Micron 想把 AI 做成工作的一部分」。這跟很多公司只拿 AI 做簡報展示差很多。簡報很漂亮，但真正每天被表單、信件、文件、ticket 磨的人，根本沒感覺。把模型塞進流程，才知道它到底有沒有用。\u003C\u002Fp>\u003Cp>我見過太多公司買了模型，卻沒定義它要解哪個工作。結果就是一個很貴的聊天框，大家試兩天就放生。比較像樣的做法，是先挑幾個可重複、可衡量、文字密集的任務，逼模型先在那裡\u003Ca href=\"\u002Fnews\u002Fanthropic-robodog-test-physical-agentic-ai-zh\">證明\u003C\u002Fa>自己。\u003C\u002Fp>\u003Cp>實操寫法很簡單：不要問「我們要不要用 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa>？」改問「哪個內部流程慢到讓人想翻桌，而且那個流程大部分都是文字工作？」先把模型放進那個洞，再看時間有沒有省、錯誤有沒有少、團隊有沒有真的用。\u003C\u002Fp>\u003Cul>\u003Cli>先從一個團隊、一個流程、一個指標開始。\u003C\u002Fli>\u003Cli>優先挑文字量大、判斷重複的工作。\u003C\u002Fli>\u003Cli>先保留人工審核，等失敗模式變得可預期再說。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>供需規劃看起來無聊，其實最值錢\u003C\u002Fh2>\u003Cp>公告還提到 supply 和 demand planning。這聽起來很像採購部門的事，沒什麼戲，但我反而覺得這是整份合作裡最務實的部分。AI 基礎設施這幾年最大問題之一，就是預測一直亂跳。供應商愛講產能，客戶愛搶容量，大家都不太信彼此，但又都離不開彼此。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782147788763-2yp8.png\" alt=\"Micron 把記憶體變策略\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話一點說，Micron 跟 Anthropic 是在試著把不確定性往前壓。當模型需求會持續推高記憶體與儲存要求時，供應和架構就不能分開看。你如果知道 workload 會長成什麼樣，生產規劃和系統設計就能一起調，不用每次都靠臨時救火。\u003C\u002Fp>\u003Cp>我看過不少團隊把供應當成採購問題，結果最後被架構打臉。因為一旦你的 AI 系統建立在某種特定記憶體或儲存行為上，供應限制就不是「買不買得到」而已，而是「架構能不能撐」。這種事到規模起來時最痛。\u003C\u002Fp>\u003Cp>實操寫法：如果你是客戶端，就別只 forecast compute，記憶體、儲存、網路一起算。如果你是供應端，就別只問總量，去問 workload 的形狀。訓練、微調、檢索、推論，這四種需求長得完全不一樣，混在一起看只會誤判。\u003C\u002Fp>\u003Cp>我現在會固定用這三條來拆：\u003C\u002Fp>\u003Cul>\u003Cli>按 workload 類型預測，不按人頭預測。\u003C\u002Fli>\u003Cli>把 training、fine-tuning、retrieval、inference 分開算。\u003C\u002Fli>\u003Cli>把資料成長納入規劃，不要只看模型成長。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Micron 其實是在把瓶頸故事搶回來\u003C\u002Fh2>\u003Cp>Micron 本來就是做記憶體和儲存的，所以它想把 AI 講成記憶體和儲存的故事，這很合理，也很正常。但我不覺得這只是行銷話術。AI 系統越往上疊，真正卡住的地方越常不是原始算力，而是資料移動、持久化、存取模式。這就是記憶體廠商重新變重要的原因。\u003C\u002Fp>\u003Cp>以前很多人把 memory 當成 commodity，買來插上去就算數。AI 把這件事打爛了。現在 memory capacity、bandwidth、latency 會直接決定系統順不順、檢索準不準、推論成本能不能壓住。這就不是配件了，這是產品體驗的一部分。\u003C\u002Fp>\u003Cp>我自己在做 retrieval-heavy 系統時也踩過一次。模型本身沒那麼糟，真正拖垮體驗的是 vector store 存取、cache 行為、還有跨層搬資料的成本。後來把 memory 和 storage 假設調順，整個「AI 問題」瞬間小很多。這種事很煩，但很真。\u003C\u002Fp>\u003Cp>實操上，如果你在設計 AI 產品，我建議你先問：系統到底在等什麼？等 retrieval？等 cache miss？等 checkpoint？等資料 hydrate？那些等待點，就是 memory 與 storage 變成產品決策的地方。\u003C\u002Fp>\u003Cp>如果你在買基礎設施，別只問 peak FLOPS。你還要問這些數字：\u003C\u002Fp>\u003Cul>\u003Cli>memory bandwidth\u003C\u002Fli>\u003Cli>storage latency\u003C\u002Fli>\u003Cli>checkpoint speed\u003C\u002Fli>\u003Cli>data locality\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Anthropic 拿到的是硬體盟友，不只是客戶\u003C\u002Fh2>\u003Cp>從 Anthropic 的角度看，這種合作有價值的地方在於，它拿到的不只是採購或導入，而是一個能影響底層物理層的夥伴。Claude 系列本來就主打企業場景，這代表 Anthropic 必須在乎的是穩定性、吞吐量、成本，而不是只在 demo 裡看起來很會講話。你可以從 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\">Claude 產品頁\u003C\u002Fa>看出它的企業導向。\u003C\u002Fp>\u003Cp>白話翻譯就是：Anthropic 不只是找人下單，它是在找人一起把部署假設調順。這件事很重要，因為企業用量一旦起來，成本、延遲、SLA、使用者抱怨，全部都會一起上來。模型不是飄在空中的，它活在系統裡。\u003C\u002Fp>\u003Cp>我看過不少模型團隊低估基礎設施紀律的重要性。demo 能跑、pilot 能過，不代表正式上線能撐。只要使用量一上來，整件事就會變成成本控管問題。懂 memory、storage、供應規劃的人，通常比較能避免這種失控。\u003C\u002Fp>\u003Cp>實操寫法：如果你是 AI 供應商，別只想「誰願意投錢」。你應該想的是「誰能幫我把系統變便宜、變快、變好維運」。這差很多。前者是漂亮合作，後者才真的會改變部署算式。\u003C\u002Fp>\u003Ch2>企業導入那段，才是真正的落地測試\u003C\u002Fh2>\u003Cp>Micron 內部導入 Claude 不是附帶條款，我反而覺得那是整個合作最像真的地方。因為一旦進到企業內部，所有 AI 導入都會碰到一樣的麻煩：訓練、信任、治理、權限、到底哪些工作可以自動化，哪些只是看起來很省事其實會出事。\u003C\u002Fp>\u003Cp>這就是最不性感，但最決定成敗的部分。模型可以很強，導入還是可能翻車，因為沒人定義流程、沒人負責結果、沒人追蹤指標。我真的看過這種局，通常都很浪費時間。\u003C\u002Fp>\u003Cp>實操寫法：如果你要導入 Claude、\u003Ca href=\"\u002Ftag\u002Fchatgpt\">ChatGPT\u003C\u002Fa> 或任何內部模型工具，先寫下三件事再開 pilot：\u003C\u002Fp>\u003Cul>\u003Cli>它到底取代或加速哪個任務\u003C\u002Fli>\u003Cli>誰是那個流程的人工負責人\u003C\u002Fli>\u003Cli>怎樣才算真的有效\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣做至少可以避免你最後得到一個昂貴的玩具。也能逼團隊老實面對：模型到底有沒有省工，還是只多了一個可以貼文字的地方。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI 基礎設施合作備忘錄模板\n\n## 這次合作到底在做什麼\n我們把 AI 基礎設施當成系統設計問題，不是單純買零件。\n\n## 為什麼要做\n- 降低記憶體、儲存與資料搬移的瓶頸\n- 讓供需規劃跟實際 workload 成長對齊\n- 把模型導入內部工作流程\n- 提升部署成本、延遲與維運可預測性\n\n## 合作範圍\n1. 架構檢視\n   - 記憶體容量與頻寬目標\n   - 儲存延遲與 checkpoint 要求\n   - 資料 locality 與 retrieval 行為\n\n2. 供需規劃\n   - 依 workload 類型預測\n   - 分開看 training、fine-tuning、retrieval、inference\n   - 每季檢查一次容量假設\n\n3. 內部導入\n   - 選 1 到 3 個工作流程導入模型\n   - 每個流程指定一位人類 owner\n   - rollout 前先定義成功指標\n\n## 簽之前要問的問題\n- 真正瓶頸是 compute、memory、storage 還是 network？\n- 我們實際要擴的是哪種 workload？\n- 哪個內部流程會先用到模型？\n- 我們怎麼衡量省下的時間、成本或錯誤？\n\n## 運作規則\n- 從一個團隊、一個流程開始\n- 在失敗模式可預期前，保留人工審核\n- 看真實 workload，不看 demo traffic\n- 第一次用量暴增後，重新檢查架構假設\n\n## 內部 rollout 說明\n我們導入 AI 是為了改善特定流程，不是為了多一個聊天框。\n流程 owner 負責採用、衡量與升級處理。\n成功的定義是：重複文字工作變少、可避免的錯誤變少、流程速度變快。\n如果模型沒有改善流程，我們就停止或重做。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段是我根據 \u003Ca href=\"https:\u002F\u002Finvestors.micron.com\u002Fnews-releases\u002Fnews-release-details\u002Fmicron-and-anthropic-announce-strategic-agreement-scale-next\">Micron 的公告\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\">Anthropic 的產品頁\u003C\u002Fa>，再加上我自己看 AI 基礎設施案子的拆法整理出來的。原始來源是 Micron 的投資人新聞稿，其他內容是我把它翻成開發者能直接拿去用的版本。\u003C\u002Fp>\u003Cp>如果你只想抄一句話，我會抄這句：別把 AI 當成模型選型問題，先把它當成記憶體、儲存、供應和流程的組合題。這樣你才不會一直在錯的地方加碼。\u003C\u002Fp>","我拆 Micron 跟 Anthropic 的合作，重點不是新聞點，而是它怎麼把記憶體、儲存、供應與 Claude 導入綁成一套 AI 基礎設施打法。","investors.micron.com","https:\u002F\u002Finvestors.micron.com\u002Fnews-releases\u002Fnews-release-details\u002Fmicron-and-anthropic-announce-strategic-agreement-scale-next",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782147789565-exb7.png","industry","zh","9882c561-4e42-4ef8-81cb-9118031de662",[17,18,19,20,21],"memory bandwidth","AI infrastructure","Claude","supply planning","enterprise adoption",[23,24,25],"Micron 這筆合作的重點不是賣晶片，而是把記憶體、儲存與架構話語權綁在一起。","Claude 進入 Micron 內部，代表 AI 導入要落到流程、指標與人類 owner，不然只會變成聊天框。","真正該抄的做法是先拆 workload，再規劃 memory、storage、network 與供需，而不是先買算力。",0,"2026-06-22T17:02:47.00673+00:00","2026-06-22T17:02:46.997+00:00","166ad762-eb22-4df8-83f5-f344194edd88",{"tags":31,"relatedLang":36,"relatedPosts":40},[32,34],{"name":19,"slug":33},"claude",{"name":18,"slug":35},"ai-infrastructure",{"id":15,"slug":37,"title":38,"language":39},"micron-anthropic-memory-ai-infrastructure-deal-en","Micron’s Anthropic deal turns memory into strategy","en",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"5b658734-ae26-449c-a1b2-ac7a952e454f","github-open-source-topic-52555-repos-zh","GitHub 開源主題列出 52,555 個專案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782155869273-a2su.png","2026-06-22T19:17:19.686473+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"ca6df247-3419-4819-91d5-5a870ba7350b","amazon-drops-guadagnino-altman-film-buyers-circle-zh","Amazon棄片後，5 個關鍵看點","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782154961527-64z5.png","2026-06-22T19:02:20.215836+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"f7b1eeca-bc01-4932-84be-be60c880289d","cloudflare-q1-2026-revenue-jumps-34-to-6398m-zh","Cloudflare Q1 2026 營收增34%至6.398億美元","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782134300303-9zqk.png","2026-06-22T13:17:17.006254+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"70a0fdc0-e38a-4d1c-b70a-560f198e2bee","ferc-ai-grid-order-turns-backlog-into-urgency-zh","FERC 讓 AI 併網從等候變急件","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782126204447-3idp.png","2026-06-22T11:02:54.520109+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"68852384-bde0-4b26-927c-7e0687ae4f4f","google-home-speaker-preorder-gemini-first-zh","Google Home Speaker 預購先看 Gemini 取向","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782123467179-iqxq.png","2026-06-22T10:17:24.095643+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"7fbc580e-2ad1-4c9b-b762-8bfce4743f30","nvidia-bond-sale-turns-ai-spending-into-debt-zh","Nvidia 發債把 AI 支出變成債務","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782115400347-4j1z.png","2026-06-22T08:02:47.493091+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"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":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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"]