[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-omdia-ai-factory-model-turns-capex-output-zh":3,"article-related-omdia-ai-factory-model-turns-capex-output-zh":30,"series-industry-59f49f24-5d56-4638-a1da-17aa37bd9688":82},{"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},"59f49f24-5d56-4638-a1da-17aa37bd9688","omdia-ai-factory-model-turns-capex-output-zh","Omdia把 capex 變成輸出","\u003Cp data-speakable=\"summary\">Omdia 的 AI factory playbook 把基礎設施改寫成 token 輸出、主權部署與最後一哩交付。\u003C\u002Fp>\u003Cp>我最近一直在看 \u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>，越看越煩。不是因為它不重要，是因為大家還在用老掉牙的方式講它：多買 GPU、多上 rack、多接雲。聽起來很像在做事，實際上常常只是把錢堆進去，然後讓它在那邊等資料、等排程、等審批、等整合。這種場景我看過太多次了，預算過了，機房起了，產品團隊最後才發現自己蓋了一個很貴的等待室。\u003C\u002Fp>\u003Cp>所以我看到 Omdia 這份 \u003Ca href=\"https:\u002F\u002Fwww.lightreading.com\u002Fai-machine-learning\u002Ffive-dynamics-redefining-ai-infrastructure-in-2026-omdia\">Light Reading 文章\u003C\u002Fa>時，真的有被戳到。它沒有把 AI infra 當成一般雲端升級，而是直接當工業生產系統來看：有輸出、有瓶頸、有主權、有物理限制。這種講法比較不浪漫，但比較誠實。Omdia 提到全球資料中心累計投資到 2030 年可能接近 \u003Cstrong>$1.6 trillion\u003C\u002Fstrong>，而 \u003Ca href=\"\u002Fnews\u002F2026-ai-zh\">2026\u003C\u002Fa> 年領先科技企業在 AI infra 的 capex 可能超過 \u003Cstrong>$600 billion\u003C\u002Fstrong>。這不是「先試試看」的數字。\u003C\u002Fp>\u003Cp>我想拆的不是標題，而是它背後那套 operating model。因為真正有用的，不是它說 AI 很大，而是它怎麼把大錢變成可衡量的輸出。\u003C\u002Fp>\u003Ch2>別再拿 FLOPS 當 KPI，先看輸出\u003C\u002Fh2>\u003Cblockquote>“Budgets for compute hoarding have been frozen as enterprises confront a ‘Zombie GPU’ effect, in which expensive GPUs idle in I\u002FO wait; evaluation metrics are shifting to Time-to-First-Token and vector retrieval speed.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：你買到的算力，不等於你真的在產出。GPU 如果一直卡在 I\u002FO、檢索、排程，那它不是算力，它是很貴的電暖器。我看過不少團隊一直炫耀 cluster 多大、卡多新，結果一問 latency，整條 pipeline 爛到不行。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780197492825-hikt.png\" alt=\"Omdia把 capex 變成輸出\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Omdia 把 \u003Cstrong>Time-to-First-Token\u003C\u002Fstrong> 拉出來講，我覺得很對。因為這會逼你看使用者真的感受到\u003Ca href=\"\u002Fnews\u002Fwhy-sora-alternatives-are-better-than-sora-was-zh\">什麼\u003C\u002Fa>，而不是只看內部喜歡的指標。第一個 token 出不來，前面買再多 FLOPS 都沒用。向量檢索速度也是同一件事，RAG 的體感卡住，整個 AI app 就會像 demo 卡死。\u003C\u002Fp>\u003Cp>我之前幫一個團隊看過一套 RAG stack，他們一直加 GPU，效益先有一點，然後很快平掉。後來真正有效的不是再加卡，而是把檢索路徑縮短、索引重整、重複呼叫砍掉。很煩，但事實就是這樣：問題通常在 plumbing，不在 horsepower。\u003C\u002Fp>\u003Cp>實操寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>先追 TTFT、端到端 latency、retrieval latency，再追 GPU utilization。\u003C\u002Fli>\u003Cli>找出 GPU 空轉是不是來自資料搬運、queueing 或 orchestration。\u003C\u002Fli>\u003Cli>把重複 embeddings、重複 API call、重複 model hop 全部抓出來。\u003C\u002Fli>\u003Cli>先優化 pipeline，再談買下一組 rack。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Omdia 提到一些 vendor case study，號稱有 \u003Cstrong>12x vector indexing speed-up\u003C\u002Fstrong>，以及最多 \u003Cstrong>75% cost reduction\u003C\u002Fstrong>，我不會把這種數字當神諭，但它至少提醒我：浪費通常就藏在那些看起來不起眼的中間層。\u003C\u002Fp>\u003Ch2>AI factory 不是資料中心改個名字\u003C\u002Fh2>\u003Cp>Omdia 把 AI Factory 定義成一種只為產出 intelligence 而存在的基礎設施，token 是基本輸出單位。這跟「我們有個 data center，順便跑 AI」是完全不同的腦袋模型。\u003C\u002Fp>\u003Cp>我認同它的原因很直接：資料中心正在從 business support center，變成 digital product manufacturing center。這句話很像顧問話術，但你真的在企業裡做 AI 規模化，就會知道它不是形容詞。你需要能源、硬體、排程、虛擬化、產品交付全部一起動，少一層就會卡。\u003C\u002Fp>\u003Cp>Omdia 把 stack 拆成四層：\u003Cstrong>energy and physical infrastructure\u003C\u002Fstrong>、\u003Cstrong>hardware and network fabric\u003C\u002Fstrong>、\u003Cstrong>scheduling and virtualization orchestration\u003C\u002Fstrong>、\u003Cstrong>MaaS plus AI application ecosystem\u003C\u002Fstrong>。我喜歡這個拆法，因為它直接打臉那種「模型層最重要」的偷懶講法。不是。你花三個月調 prompt，卻完全沒看 power density、network fabric、placement policy，最後就是漂亮簡報加上醜陋事故。\u003C\u002Fp>\u003Cp>這種工業化的講法，也解釋了為\u003Ca href=\"\u002Fnews\u002Fblind-human-votes-beat-demo-reels-ai-video-ranking-zh\">什麼\u003C\u002Fa>這市場會越來越資本密集、越來越政治化。當 AI output 變成戰略資產，底下那堆 infra 就不再只是 IT，而是某種國家級產能規劃。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把 AI stack 拆成物理、網路、排程、應用四層。\u003C\u002Fli>\u003Cli>每層都指定 owner，不要丟給「平台團隊」一口吞。\u003C\u002Fli>\u003Cli>設計時就以 token production 為目標，不要只想 model hosting。\u003C\u002Fli>\u003Cli>在第一個 production rollout 前，先看 power、cooling、network 假設。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要對照 Omdia 用的詞彙，可以回頭看 \u003Ca href=\"https:\u002F\u002Fwww.lightreading.com\u002Fai-machine-learning\u002Ffive-dynamics-redefining-ai-infrastructure-in-2026-omdia\">原文\u003C\u002Fa>。它的重點其實很明白：你不是在買雲端功能，你是在經營一台工業機器。\u003C\u002Fp>\u003Ch2>Hyperscaler 正在被迫分裂成兩條路\u003C\u002Fh2>\u003Cp>Omdia 說 hyperscaler 一邊要 agile，一邊要 sovereignty，所以現在大概只能走兩種 delivery paradigm。第一種是 \u003Cstrong>full-stack drop-in\u003C\u002Fstrong>，像 AWS、Huawei、\u003Ca href=\"\u002Ftag\u002Fgoogle-cloud\">Google Cloud\u003C\u002Fa>、OCI 這類廠商，把整套 AI 能力直接塞進客戶自己的 data center。第二種是 \u003Cstrong>software\u002Fhardware decoupling\u003C\u002Fstrong>，把軟體能力本地化，硬體生態則依區域或政策條件去配。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780197493422-8mxd.png\" alt=\"Omdia把 capex 變成輸出\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個分裂我覺得很合理。以前雲端故事太整齊了，大家都假裝只要上雲就好。但企業買 AI，常常想要的是 cloud-grade 的能力，外加控制權、資料駐留、合規。這些需求彼此打架，打到最後只能妥協。於是 hyperscaler 也只能把自己包成比較彆扭、比較在地、比較不優雅的樣子。\u003C\u002Fp>\u003Cp>我在採購會議裡看過很多次同樣的戲碼：買方說要 private AI，翻譯一下通常是「我們不想讓敏感資料跨三個司法管轄區，再經過法務和資安各一輪」。供應商的回應也差不多：要嘛整套 drop-in，要嘛把軟體和硬體切開，讓本地化更容易。兩種都不完美，但都是真的。\u003C\u002Fp>\u003Cp>重點是 sovereignty 早就不是附加條件，它正在直接改寫架構。這代表你選 vendor，不只是價格決策，而是政策決策、部署決策、長期依賴決策。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先決定你的 use case 要 integrated deployment 還是 localized control。\u003C\u002Fli>\u003Cli>在架構圖裡把 software portability 和 hardware sourcing 分開看。\u003C\u002Fli>\u003Cli>直接問 vendor 怎麼處理 residency、auditability、operational boundary。\u003C\u002Fli>\u003Cli>測試 workload 能不能搬，不要等到要遷移時才發現整包綁死。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要看 Omdia 點到哪些廠商，可以先看 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002F\">AWS\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002F\">Google Cloud\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.oracle.com\u002Fcloud\u002F\">Oracle Cloud Infrastructure\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.huawei.com\u002Fen\u002F\">Huawei\u003C\u002Fa>。重點不是它們一樣，而是它們正在被推向不同的部署妥協。\u003C\u002Fp>\u003Ch2>Compute-native AI cloud 會變成預設升級路徑\u003C\u002Fh2>\u003Cp>Omdia 提到 rack power density 從 \u003Cstrong>2024 年的 10–15 kW\u003C\u002Fstrong>，上升到 \u003Cstrong>2026 年的 40–250 kW\u003C\u002Fstrong>。這不是小幅變化，這是整個運作區間換掉。到了這種密度，還在說「再加幾個 rack」的人，通常只是還沒被現實打到。\u003C\u002Fp>\u003Cp>它也說工作負載正在從 proof-of-concept 走向 production-grade deployment，像 \u003Ca href=\"https:\u002F\u002Fwww.nebius.com\u002F\">Nebius\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.sensetime.com\u002F\">SenseTime\u003C\u002Fa> 這類玩家，正在從 bare-metal leasing 轉向 Model as a Service。這和我看到的市場很一致：大家從租盒子，慢慢變成買結果，至少是想買結果。\u003C\u002Fp>\u003Cp>我覺得有意思的是 Omdia 把 energy 跟 computing 綁在一起講。當 power envelope 變緊，compute 和 energy 就不是兩個話題了，是同一個話題。你不能控 power，就不能控 service quality；你不能控 service quality，AI platform 很快就只剩 demo。\u003C\u002Fp>\u003Cp>所以 compute-native 這個詞不是裝飾，它有實際意義。compute-native AI cloud 不是雲上面掛幾張 GPU 而已，它是為高密度 workload、高利用率、production service delivery 設計的。如果你還是用 general-purpose infra 的假設去設計，基本上就是在跟工作負載對著幹。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>用現在的 rack density 重新檢查 power 和 cooling，不要沿用去年的規格。\u003C\u002Fli>\u003Cli>把 PoC infra 和 production infra 分開。\u003C\u002Fli>\u003Cli>評估 provider 是賣 bare metal、MaaS，還是完整 service layer。\u003C\u002Fli>\u003Cli>把 energy procurement 和 workload scheduling 一起規劃。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這最後一點最容易被低估。我看過太多案子，算力都準備好了，結果 facility 扛不住 load profile。表面上叫「已核准」，實際上只是「沒人仔細看物理限制」。\u003C\u002Fp>\u003Ch2>最後一哩才是 AI 變成生意的地方\u003C\u002Fh2>\u003Cp>Omdia 把這段叫做 AI industrialization 的 \u003Cstrong>last mile\u003C\u002Fstrong>，我覺得這是整篇最有用的詞。vertical integrator、domain operator、ISV，最後真正吃到價值的，通常是那些把長週期 data governance、legacy integration、scenario-specific \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> assembly 做完的人。\u003C\u002Fp>\u003Cp>意思很簡單：錢不只在模型，也不只在 cluster，錢在把東西真的塞進 business 裡。這包含資料清理、workflow integration、權限、audit trail，還有簡報裡最常被跳過的那些髒活。\u003C\u002Fp>\u003Cp>我做過夠多 \u003Ca href=\"\u002Ftag\u002Fenterprise-ai\">enterprise AI\u003C\u002Fa> 專案了，模式都差不多：模型在實驗室裡很能打，一碰到企業現場就撞牆。legacy system 很醜，資料政策很亂，domain logic 藏在老員工腦子裡。所謂 last mile，就是把這些東西翻成真的能上線的流程。\u003C\u002Fp>\u003Cp>Omdia 提到 \u003Ca href=\"https:\u002F\u002Fwww.inspur.com\u002F\">Inspur Cloud\u003C\u002Fa> 那種 heavy-asset \u003Ca href=\"\u002Ftag\u002Fai-infrastructure\">AI infrastructure\u003C\u002Fa> strategy，也是在講同一件事：基礎設施不是結束，還要有人把工業線圍起來，對準真實 use case，然後長期維持運轉。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>從第一天就把 integration、governance、workflow mapping 算進預算。\u003C\u002Fli>\u003Cli>找 domain owner，不要只找 technical owner。\u003C\u002Fli>\u003Cli>做 scenario-specific agent，不要做那種沒人信的泛用 AI assistant。\u003C\u002Fli>\u003Cli>評估 adoption 和 task completion，不要只看 model accuracy。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你不處理最後一哩，就不會得到 platform，只會得到一個有帳單的 prototype。\u003C\u002Fp>\u003Ch2>主權資料工廠正在把法規變成架構\u003C\u002Fh2>\u003Cp>Omdia 提到像 \u003Ca href=\"https:\u002F\u002Fartificialintelligenceact.eu\u002F\">EU AI Act\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.eiopa.europa.eu\u002Fdigital-operational-resilience-act-dora_en\">DORA\u003C\u002Fa> 這類框架，正在推動敏感資料留在實體隔離的設施裡。這也讓像 \u003Ca href=\"https:\u002F\u002Fwww.g42.ai\u002F\">G42\u003C\u002Fa> 這種區域型業者，從機櫃房東變成國家級資料的實體守門人。\u003C\u002Fp>\u003Cp>這不是單純的 compliance 文書問題，它會直接改變 stack 裡誰有權力。資料不能出境時，本地 infra 就不是可有可無，而是戰略資產。控制設施的人，通常也控制了存取、延遲、政策執行，還常常一起控制商業關係。\u003C\u002Fp>\u003Cp>這也是很多舊雲端假設會壞掉的地方。以前我們把 location 當部署細節，現在它可能就是整個 business model。區域與工業型 operator 被拉進來之後，角色就變成 infra、regulation、trust 三者混在一起。很亂，但市場就是往這裡走。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把 workload 依 residency、sensitivity、regulatory exposure 分級。\u003C\u002Fli>\u003Cli>需要時，直接把 physical isolation 寫進 infra 設計。\u003C\u002Fli>\u003Cli>把 compliance requirements 當成 architecture requirements 來看。\u003C\u002Fli>\u003Cli>法務還沒炸掉前，就先找 regional operator 對齊。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Omdia 也提到 2026 和 2027 會是 AI Factory 發展的關鍵窗口。我不會把這句話講得太大，但我同意方向：能把 local control、industrial ops、real AI delivery 湊在一起的人，確實比較有路可走。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI Factory Operating Model Template\n\n這份模板用來把 AI 基礎設施從「買 GPU」改成「可交付的生產系統」。\n\n## 1) 定義輸出\n- 主要輸出：tokens \u002F completions \u002F retrieval results \u002F agent actions\n- 對應的 business KPI：［填入］\n- 使用者可感知 latency 目標：［填入］\n- TTFT 目標：［填入］\n\n## 2) 拆成四層\n### Layer 1: Energy and physical infrastructure\n- Power envelope：［填入］\n- Cooling model：［填入］\n- Facility constraints：［填入］\n- Residency \u002F geography constraints：［填入］\n\n### Layer 2: Hardware and network fabric\n- GPU \u002F accelerator type：［填入］\n- Network topology：［填入］\n- Storage \u002F data movement bottlenecks：［填入］\n- GPU idle time sources：［填入］\n\n### Layer 3: Scheduling and virtualization orchestration\n- Scheduler：［填入］\n- Placement rules：［填入］\n- Multi-tenant isolation model：［填入］\n- Queueing policy：［填入］\n\n### Layer 4: MaaS and application ecosystem\n- Model service layer：［填入］\n- Retrieval layer：［填入］\n- Agent \u002F app layer：［填入］\n- Domain owner：［填入］\n\n## 3) 先量這些，再買更多算力\n- TTFT\n- End-to-end response latency\n- Retrieval latency\n- GPU utilization\n- GPU idle time caused by I\u002FO\n- Cost per successful task\n- Cost per 1,000 tokens delivered\n- Task completion rate\n\n## 4) 決定交付模式\n從下面選一個：\n- Full-stack drop-in\n- Software \u002F hardware decoupling\n- Compute-native AI cloud\n- Private AI foundation stack\n- Regional \u002F sovereign operator\n\n每個模式都要寫清楚：\n- Data residency requirements\n- Integration effort\n- Vendor lock-in risk\n- Time-to-production\n- Compliance burden\n\n## 5) 先處理 Zombie GPU\n在加 compute 之前，先問：\n- GPU 是不是在等資料？\n- Model 是不是在等 retrieval？\n- Orchestration 有沒有造成 queueing？\n- 我們是不是在重複 API calls？\n- 能不能先減少 redundancy，再談 scale？\n\n## 6) Production readiness checklist\n- [ ] Data governance 已核准\n- [ ] Network bottlenecks 已量測\n- [ ] Power \u002F cooling 已驗證\n- [ ] Residency requirements 已映射\n- [ ] Observability 已到位\n- [ ] Domain owner 已指定\n- [ ] Incident response 已定義\n- [ ] Cost model 已審過\n\n## 7) 一句規則\n如果這套 infra 不能穩定產出 tokens，它還不算 AI factory。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這就是我會直接丟給團隊的版本。它會逼大家把討論從「我們能買多少 GPU」拉回到「我們到底在產什麼、卡在哪裡、誰負責哪一層」。這樣花錢比較不會瞎掉。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.lightreading.com\u002Fai-machine-learning\u002Ffive-dynamics-redefining-ai-infrastructure-in-2026-omdia\">https:\u002F\u002Fwww.lightreading.com\u002Fai-machine-learning\u002Ffive-dynamics-redefining-ai-infrastructure-in-2026-omdia\u003C\u002Fa>。我這篇主要是拆 Omdia 的框架，再加上我自己的實作判讀、案例和模板；五個 dynamics 與原始措辭來自來源，操作建議是我整理出來的。\u003C\u002Fp>","我拆 Omdia 的 AI factory playbook，重點放在 token 輸出、主權部署、最後一哩與可直接套用的營運模板。","www.lightreading.com","https:\u002F\u002Fwww.lightreading.com\u002Fai-machine-learning\u002Ffive-dynamics-redefining-ai-infrastructure-in-2026-omdia",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780197492825-hikt.png","industry","zh","6fb295b3-95b3-4029-9a34-dc6d0a55e139",[17,18,19,20,21],"AI factory","TTFT","sovereignty","MaaS","GPU utilization",[23,24,25],"AI 基礎設施該看輸出，不該只看 FLOPS 和 GPU 數量。","主權、能源、排程、最後一哩，正在一起改寫 AI infra 架構。","先用可抄模板把輸出、瓶頸與 owner 拆清楚，再決定要不要擴算力。",4,"2026-05-31T03:17:49.055238+00:00","2026-05-31T03:17:49.032+00:00","fe20f6f6-432b-47bf-a410-a5f516d885ed",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,36,38,39],{"name":18,"slug":33},"ttft",{"name":20,"slug":35},"maas",{"name":17,"slug":37},"ai-factory",{"name":19,"slug":19},{"name":21,"slug":40},"gpu-utilization",{"id":15,"slug":42,"title":43,"language":44},"omdia-ai-factory-model-turns-capex-output-en","Omdia’s AI factory model turns capex into output","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"3d7ff80a-4045-4b66-9e21-b6a8eb3b6f6d","openai-europe-privacy-policy-zh","OpenAI 歐洲隱私政策更新重點","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781052479369-yomr.png","2026-06-10T00:47:31.176745+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"69002c63-177a-4723-9e63-d28506f08edd","openai-ads-sensitive-chats-policy-zh","OpenAI把廣告擋在敏感對話外是對的","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781051578409-en02.png","2026-06-10T00:32:23.404084+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"ea98a8c9-ebe1-4258-8a2b-b0d82b25deed","ai-bootlegs-streaming-royalties-stick-figure-zh","AI bootlegs 正在抽走串流版稅","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781050681742-3rdh.png","2026-06-10T00:17:31.017287+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"20d0b5fc-a363-481d-86b2-e30276a49e92","amd-microsoft-windows-ml-acceleration-zh","AMD 與 Microsoft 把 Windows ML 推進 GPU 與 N…","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781047980407-vd5p.png","2026-06-09T23:32:31.304436+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"9a0692ba-a9c5-42eb-823d-8a0e6e6ae3fc","openai-ipo-filing-turns-hype-into-scrutiny-zh","OpenAI IPO 讓神話變審核","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781042614962-bj12.png","2026-06-09T22:03:04.524304+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"40d4f012-36b6-4b8f-b470-30242a0b8483","skatteetaten-public-sector-ai-should-be-judged-by-outcomes-zh","Skatteetaten 證明公部門 AI 應該看成果，不是看噱頭","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781038986405-p8cf.png","2026-06-09T21:02:32.1198+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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"]