近日一款由日本廠商與高校聯合金研的人形機器人原型機正式亮相，被當地媒體稱為「純日本產」機型。不過，在此前嘅測試中，該機器人嘅頭部零組件突然故障，導致其喺發佈會上無法完成行走示範。 呢款機器人名為「晴明」，身高 140 釐米，體重 49 公斤。其「軟體」零組件全部採用日本國內供應商。該項目由 2 所大學同 14 家企業參與，目標係喺 2029 年 3 月底前開發出可在受災現場等環境中發揮作用嘅量產型號。

研發團隊用咗 4 個月就完成咗原型機嘅製作。

原型機故障與規格詳情

項目團隊計劃喺 5 月底前完成對該機器人嘅修復同改進，並同時展示其實際運行情況。值得注意嘅係，機器人「身體」嘅馬達、感測器等零組件均由日本廠商提供，但負責控制系統嘅計算機核心部分——GPU，則來自美國英偉達公司。

OpenAI 研究科學家陳博遠在知乎上發表了一篇文章，開頭非常直接：「大家好，我是 GPT Image 團隊的研究科學家陳博遠。上週發佈的 GPT 生圖模型就是我主導訓練的！」他還提到，這次終於修好了模型的中文字體渲染。如果中文用戶有什麼反饋，可以直接回覆他。 ChatGPT Images 2.0 發佈之後，很多人的第一反應是：這個模型的中文字體能力，強得有點不講道理。

過去的圖像模型多少有些「看不懂字」。它們能畫風景、畫人物，但一旦涉及中文，就很容易變成一團難以辨認的鬼畫符。但 GPT-image-2 不一樣，它不僅能寫對字，還能排版、分段、生成帶邏輯結構的中文資訊圖。曾經那種「看文字判斷是不是 AI 生成」的訣竅，到這一代已經行不通了。 陳博遠是 GPT Image 2 訓練和能力展現裡真正站到前臺的人之一。在發佈會上，他和奧特曼一起演示了文字渲染能力。

發佈後，他又在知乎上解釋了官網圖片背後的很多花絮：LMArena 雙盲測試時，GPT Image 2 曾用「duct-tape」（布基膠帶）作為代號；官網 blog 裡的很多圖片，是他親手用模型做出的；中文字體漫畫、米粒刻字、多語言文字、視角證明、自動生成二維碼，這些看起來像宣傳材料的圖片，其實是有設計目的的能力測試。 對這個「duct-tape」的膠帶，他用了很有趣的解釋：「至於為啥起名叫布基膠帶呢.

.當然是因為你可以用布基膠帶把香煙貼在牆上嘛！」

他在問一個更深的問題

陳博遠並不是那種一眼就能被記住的研究員。沒有頻繁的公開演講，也沒有刻意經營個人表達。他會寫博客、發一些輕鬆的內容，但這些更像是記錄，而不是建立影響力。相比之下，他的存在感更多來自模型本身。 他現在是 OpenAI 的一名研究員，參與圖像模型的訓練。在此之前，他在麻省理工學院完成電子工程與計算機科學博士學位，同時修讀哲學，也曾在 Google DeepMind 參與多模態模型的研究工作。

這些經歷已經足夠亮眼，但更重要的是他長期關注的問題。 從 DeepMind 到 OpenAI，陳博遠的研究方向並沒有改變。當大部分人還在討論模型能不能寫得更好、畫得更像的時候，他關心的是一更基礎的層面：模型究竟在「理解」什麼。可以看作三個問題：模型如何理解圖像？圖像和語言之間到底是什麼關係？當一個模型面對真實世界時，它究竟是在生成結果，還是模擬世界？ 這些問題聽起來抽象，但它們卻決定了今天這一代模型的邊界。

在他的個人主頁上，他把自己的研究方向寫得很直接：世界模型、具身智能、強化學習。 所謂世界模型，可以理解為一件事：讓 AI 在腦部形成一個對世界的判斷。它不要知道眼前發生了什麼，還要能預測接下來會發生什麼。這和今天常見的 LLM（大語言模型）有點區別，LLM 更像是在處理語言，而世界模型更近於一種結構：它需要理解空間、時間、因果，以及行為的結果。 用一個很簡單的例子來說，AI 如果真的「理解」世界，它應該知道塑料杯掉在地上會彈一下，而玻璃杯會碎掉。

具身智能和強化學習，則可以理解為這個問題的延伸——如果一個模型真的理解世界，它就不應該只是回答問題，還應該能行動，並在行動中不斷修正自己的判斷。他參與的工作，往往不是單一任務優化，而是試圖把生成模型、視覺理解和決策系統連在一起。 他最具代表性的工作之一，是一項名為 Diffusion Forcing 的研究。這項研究試圖解決一個很基礎的問題：模型到底是一步一步生成，還是瞬時生成？

LLM 是前者，它長序列生成，但長內容裡容易出錯；擴散模型更近於後者，它更穩定，但缺乏結構。 陳博遠的做法，就是把這兩種方式放在同一個模型裡，讓模型既能逐步生成，又能對整體進行約束。如果說 Diffusion Forcing 是在時間維度上做統壹，那麼他參與的另一項工作 SpatialVLM，就是在空間維度上補充能力。 這個工作針對一個長期存在的問題：模型雖然能看圖說話，但並不真正理解空間關係。

它不知道遠近、大小，也不理解物體之間的相對位置。為了解決這一點，他所在的團隊建了一套三維空間推理體系，讓模型不僅能「看見」，還要能「推理」。 類似的思路也出現在他的其他工作中，例如利用歷史資訊引導生成的 History-Guided 方法，或將視覺、動作與語言統壹建模的研究。這些工作看起來分散，但都指向一個方向：讓模型不只是輸出結果，而是在腦部形成一種穩定的表達。

在嚴肅的研究方向之外，陳博遠也會偶爾展現出一種很活潑的個人趣味。例如這次在知乎上發表的文章，又例如他在個人主頁特別介紹了自己的興趣是煮波霸奶茶（making boba），連知乎名都是「MIT 奶茶店長」。 他還寫了一篇博客，給美國計算機科學名校做了一個排名，標準不是科研實力，而是煮奶茶。斯坦福被他排在第一，因為校園周圍「有被高質量奶茶店包圍」，而 MIT 則被他打了一個不太高的分數，原因是「還近奶茶店太少，而且質量不穩定」。

這類表達很輕鬆，但可以看出他的研究風格：把複雜的問題拆開，找到可以比較的維度，再做判斷。他的工作本質也在做類似的事，只不過對象換成了模型。 陳博遠並不是那種一眼就能被記住的研究員。沒有頻繁的公開演講，也沒有刻意經營個人表達。他會寫博客、發一些輕鬆的內容，但這些更像是記錄，而不是建立影響力。相比之下，他的存在感更多來自模型本身。 如果只看圖像模型的發展路徑，過去的邏輯其實很簡單：更大的參數、更高的分辯率、更穩定的生成過程。

大多數改進，集中在「畫得更像」這件事上。 但隨著模型開始處理更複雜的內容，這條路也走到了瓶頸：當圖像裡不僅有視覺元素，還包含文字、結構乃至邏輯關係時，問題不再只是像不像，而是這些資訊如何同時成立。 問題從生成質量，轉向了結構一致性。這類問題並不是所有研究者都會去做，它既不直接對應某個評測指標，也很難在短期內轉化成產品效果。相比之下，做分辯率、做風格、做細節，往往更容易看到提升。

而陳博遠的路徑，恰好避開了那些「更容易」的方向：從他在學術階段的研究開始，他關注的就不只是單一模態的能力，而是不同能力之間如何被連接到一起。 在很長一段時間裡，視覺模型、語言模型和決策系統，是各自發展的。它們可以通過接口連接，但在腦部往往是分開的。因此，模型雖然可以「調用能力」，卻很難表現出一致的理解。 陳博遠做的工作，就是試圖改變這種狀態。這次模型的很多能力展現，本來就發生在「圖像、文字、邏輯、真實物體和文化語言環境」的交界處。

陳博遠說，官網 blog 裡的很多圖片都是他親手做的。整個 blog 都是用圖片生成的，完全沒有普通文字。換句話說，用戶在官網上看到的很多示例，不只是宣傳材料，而是模型能力本質的一部份。 例如那幅中文彩蛋漫畫。他想做一個很有趣的漫畫，於是用到了「接住桿」和「香煙桿」。為了展示文字能力，他特意讓模型在圖裡加入多國語言文字，又在家庭廚房的微小角落生成特別特別小的中文，用來測試模型到底能處理多細的細節。

更關鍵的是，這幅圖不是拼湊出來的——按他的說法，整幅圖，包括畫中畫和畫中畫中的畫，都是瞬時生成的。他希望大家以為這是拼圖，這才特意在圖底加了註解。 這正好說明 GPT Image 2 的難點在哪裡。過去的圖像模型如果能寫出幾個不出錯的大字，已經算很不錯了。但 GPT Image 2 要處理的是一整套層級：它要知道這是一幅漫畫及插圖，漫畫裡有圖，圖裡還有圖；它要在不同層級裡放入不同語言的文字；它還要讓這些文字和畫面關係成立，而不是隨機散落在圖裡。

再比如米粒刻字。陳博遠說，他一開始覺得普通文字渲染還不夠驚艷，於是在隊友提議下做了一幅 4K 圖：畫面上是一顆米粒，其中一粒米上刻著字。這測試了模型在極小尺度裡的文字控制能力。 還有那幅黑板視角證明。陳博遠表示：「如果讓他解普通數學題方程啥的，好像就太簡單了。nano banana 好像通過思考模式+文字渲染的方式也能做。於是我想到了一個我非常喜歡的視角證明來真正考驗 GPT Image 2 獨特的視角推理效果。

圖裡提示詞語的，是在黑板上用視角（而不是數字）證明從 1 開始的奇數之和是一個平方的。普通的模型其實很容易推理出數字解，但圖形解只有視覺模型才能做了。」 這也是 GPT Image 2 這次發佈裡最值得注意的變化之一：它開始能把一個抽象關係變成圖像結構，再把這個結構用視角方式表達出來。 所以，與其說 GPT Image 2 在「生圖」，不如說它在生成一種帶有結構的視角表達。

漫畫、海報、視角證明……這些東西本質上都不是純圖片，它們同時包含文字、排版、層級、對象關係、任務目標和審美判斷。 過去的圖像模型容易在這裡崩潰，是因為它們把圖像當成像素結果。而這一代更強的圖像模型，必須把圖像當成一種帶結構的表達。 在 OpenAI 內部，真正參與模型訓練的人其實不多。GPT-image-2 發佈之後，研究負責人 Gabriel Goh 在社交媒體上公開感謝了他們的團隊成員。

名單並不長，只有十幾個人。這更像是一支小團隊，而不是龐大的工程體系。團隊成員分散在不同方向，有人做視覺，有人做生成機制，有人處理系統結構，但最終指向的是一件同一件事：讓模型具備一套可以同時處理圖像、語言和結構的能力。 推文裡的插圖某種程度上也像是一張比喻：一群人圍在一起，每個人負責一部份，最後拼成同一幅圖。 模型的結構、能力邊界，乃至「圖像應該是什麼」，都是在這樣一支團隊裡一點一點做出的。

有個值得注意的地方是，在這十幾人的核心團隊裡，可以看到相當數量的中文姓名。除了陳博遠之外，還包括做視覺語言模型的王劍鋒（Jianfeng Wang）、做模型評估與數據問題的梁偉新（Weixin Liang）、長期從事圖像生成的楊宇光（Yuguang Yang），以及參與圖像生成與系統訓練的多位研究者。 陳博遠也沒有把這件事寫成一個人的勝利。在知乎文章的最後，他特別感謝了整個團隊。

他說，每個人都做了很多很多的事。在發佈前的尾聲，他除了修一些小細節，就是和市場部同事、做藝術的同事一起準備發佈會和網站。 也就是說，GPT Image 2 是一次研究、產品、審美和宣傳的共同完成。模型團隊要把能力做出來，藝術團隊要知道什麼樣的圖能把能力展現出來，市場團隊要把這些能力翻譯成普通用戶看得懂、願意測試、也願意宣傳的畫面。 這也是為什麼這次發佈裡的很多示例都很特別。

它們並不是隨便生成一幅絢爛圖片就結束，而是主動製造難題：多國語言、極小文字、畫中畫、真實物體、視角證明、搜尋生成海報、二維碼嵌入。 每幅圖都在告訴用戶：你以前覺得圖像模型做不到的事，現在可以重試一遍。 從這個角度看，陳博遠的位置很特殊。他既在模型訓練一側，也站到了發佈現場的一側；他不僅參與把模型做出來，還親手設計了很多讓外界理解模型能力的圖片。 GPT Image 2 當然不是陳博遠一個人的作品，但從公開資訊看，陳博遠確實是這次圖像模型發佈中值得中文社群關注的名字之一。

一方面，這次發佈的 GPT 生圖模型就是他主導訓練的；另一方面，他又剛好抓住了中文用戶最容易感知的突破：中文字體渲染。 當 AI 終於能把中文寫進複雜圖像裡，背後那個長期研究世界模型、空間理解和生成一致性的研究世界，站到了臺前。 他說：「希望這次穩穩接住了大家。」

根據 CNBC 報導，為了在全球最大汽車市場——中國——維持價格戰中生存下來，中國電動汽車製造商正不遺餘力地同樣開發人工智能功能。過去一年，汽車行業的競爭格局發生變化，從提升電續航里程到推出駕駛輔助系統和使用更強大的汽車晶片，如今，汽車製造商正將重點放在一系列車載人工智能功能上。 字節跳動旗下雲平台火山引擎上週五在北京車展上宣佈，目前已有超過 50 個汽車品牌採用字節跳動的豆包 AI 模型。

該科技門戶在車展上設立了一個展位，由自動駕駛出租車公司 Pony.ai 演示。火山引擎表示，這意味著豆包已應用於 145 款車型，覆蓋超過 700 萬輛汽車。除了國產車型外，豆包 AI 還被集成到一些國外品牌的車型中，例如純電動悍馬 GLC、上汽集團奧迪 E7X 和上汽大眾 ID. ERA 9X。「我們將繼續加快新功能的集成速度。」奧迪與上汽合資項目首席執行官費爾明·索拉上月在車展前夕告知記者。

他指出，汽車製造商可以遠程快速部署技術更新，即 OTA。儘管新功能推出迅速，汽車製造商仍面臨持續的銷售壓力。他說：「情況依舊會很艱難，因為產能是有界的。這場價格戰在下個月不會真正結束。」

中國車廠轉向車載 AI 突圍

向人工智能的轉變反映了消費者對互聯功能的渴求，同包括華為智能手機屏幕或豆包等語音助手。根據諮詢公司 Chozan 的數據顯示，字節跳動的豆包是目前中國使用最廣泛的人工智能聊天機器人，截至今年初，其周活躍用戶超過 1.55 億。火山引擎在車展展位上展示了用於汽車的中英文人工智能系統。AlixPartners 亞洲汽車與工業諮詢業務合夥人兼董事總經理 Stephen Dyer 表示，價格戰已演變為圍繞駕駛輔助技術的功能之戰。

然而，挑戰在於，很多這類技術很快就會變得相似，這使得公司更難脫穎而出。根據艾睿鉻（AlixPartners）的數據顯示，在中國最暢銷的 20 款電動汽車車型中，售價在 10 萬元人民幣（約 HK$109,000，US$14,645，約 HK$114,231）以上的車型均提供了類似的駕駛輔助和車載娛樂功能。「有了技術，他們就需要互相競爭，而且要不斷競爭，因為技術傳播速度太快，你永遠無法長期維持技術優勢。

」戴爾說。 相對地，他預計中國企業將開始在「車外體驗」方面展開更多競爭，類似於提供專屬生活方式體驗的豪奢品牌。中國汽車製造商蔚來汽車例如，該公司除了提供採用高級皮革材料的車輛外，還為客戶提供專屬產品和娛樂部會所。這家中國電動汽車公司一直面臨著提供此類優勢帶來的成本壓力以及市場增長放緩的雙重挑戰。但蔚來汽車上週宣稱，其 ES8 是業界首款售價 40 萬元以上的車型中，僅用 215 天就交付 10 萬輛的車型。

阿里雲公司上週五還宣佈，其 Qwen 人工智能模型將集成到包括比亞迪在內的多家汽車製造商的車輛中，以及大眾汽車的一家當地合資企業。該系統允許駕駛員通過語音指令訂餐、預訂酒店、購買景點門票和追蹤包裹等。該模型將採用英偉達的汽車晶片系統，即使得在網絡連接有限的情況下也能正常運作。諮詢公司 Sino Auto Insights 的創始人兼總經理徐樂告訴 CNBC 的 Eunice Yoon，歸根結底，人工智能應該在後台運作以支持用戶體驗，而不一定要成為車輛的功能。

即使汽車製造商在中國市場難以脫穎而出，但他們或許能更有效地與外國同行競爭。「我們認為在大眾汽車中算是簡單功能和標準配置的東西，在西方市場也很快就會成為標配。」Le 說道。（頭條新聞、電車界、AI 普瑞斯編譯）

剛剛，Elon Musk 在 X 宣佈：「您現在可以用您的 ChatGPT 帳號登入 OpenClaw 並在那裡使用您的訂閱！祝您捕龍愉快。」在此之前，用戶在 OpenClaw 中使用 GPT-4/5 模型通常需要綁定 OpenAI API Key，現在可直接使用 ChatGPT 訂閱（Plus/Pro）登入，並在 OpenClaw 中使用自己的 ChatGPT 訂閱額度。

對於開發者特別是「捕龍族」來說，主要好處除了簡單方便外，還有 Token 整體成本更低。以往用 API 運行一個「全天候監控郵件並回覆」的任務，可能每月會產生數百美元的帳單；現在，廣大 ChatGPT Plus 或 Pro 級的訂閱者無需再額外購買大量 API Token，只需使用原有的訂閱，就能在 OpenClaw 中調用同級別的 GPT 模型，包括 GPT-5.

5 的 Terminal-Bench 2.0（命令行工作解決）、GDPval（知識工作指標）等智能體核心模型能力。

OpenClaw 的崛起與 AI 巨頭對壘

OpenClaw 成立於 2025 年底，是知名獨立開發者 Peter Steinberger 建立的開源 AI 智能體項目，主打「能完成各種任務」，其可連接各類主流行大模型，透過微信群、Slack、iMessage 等即時通訊應用或手機指令，讓 AI 接管用戶的日常任務——處理郵箱、編寫代碼、預訂航班、操作電腦乃至執行銀行接口操作相關事務。有意思的是，今年 4 月初，OpenAI 的最大競爭對手、由前 OpenAI 成員建立的 Anthropic（A 社）突然宣佈了與 OpenAI 相悖的策略

：封殺 OpenClaw。自 2026 年 4 月 4 日起，訂閱用戶將無法再使用 Claude 訂閱額度透過 OpenClaw 等第三方聚合工具訪問其大模型。如果用戶要繼續讓 OpenClaw 調用 Claude，則須採用常規 API 按量付費，支付與原訂閱計費分開計算的新費用。這一動作為大量依賴開源 AI 智能體完成自動化工作者的用戶群帶來了不小的麻煩。

已加入 OpenAI 的 OpenClaw 創始人 Peter Steinberger，當時對 Anthropic 的舉措進行了激烈抨擊：「時機未免太巧合了——他們先是把一些熱門功能抄到自家閉源聚合工具裡（指 Anthropic 自家推出的 Claude Cowork 等智能體產品），然後就來封殺開源項目。」OpenAI 這一波收穫了大批開發者的好感。有開發者在 Elon Musk X 下留言稱：「其他公司都在築高牆，而你們只是在發放鑰匙。

喜歡這種氛圍，祝大家玩得開心。」 為什麼 OpenAI 一下 Open 了呢？主要原於模型思維路的改變。在不遠前 GPT-5.5 發佈之前，官方反覆強調模型的高度「智能體」特性：「我們致力於打造最智能、最直觀易用的模型」，也是「面向真實工作和智能體任務打造的引擎」。Elon Musk 在多個測評中親眼見高調稱：「根據我的經驗，它知道該做什麼。」GPT-5.5 將在與 Claude 等競爭對手的激烈市場中收復原有份額。

也就是說，OpenAI 的模型主攻的不再只是問答、搜索、繪畫或寫文案，而是要完成任務——當然，這也是千問、Kimi 等國內頭部開源模型在加力的方向。ChatGPT 支持直接登入 OpenClaw 也意味著，在 Agent 時代，AI 訂閱服務不再是「用戶須來我的平臺使用」，而是「用戶訂閱了 AI 可以帶著走」：一套可 inside 一切、驅動一切、融入一切的 AI 服務體系，用戶用帳號登入後，就能在任何 Agent、工作流、應用場景使用 AI 訂閱。

OpenAI 與 Anthropic 對 OpenClaw 相悖的策略，體現出 AI 巨頭的競爭邏輯正在發生本質轉變：OpenAI 逐步走向「Open」，擁抱開源共建設態，實現群策群力的 AI 創新；Anthropic 走向絕對封閉，追求自營式生態和閉環式安全。

台積電近日在矽谷舉辦的 2026 年技術研討會上宣布，公司正加速推進 2nm 製程的生產規模，以滿足人工智能及高性能計算領域不斷增長的芯片需求。台積電高級副總經理侯永清表示，2nm 製程已正式進入量產階段，且其良率提升速度優於此前的 3nm 製程，儘管 2nm 採用了更為複雜的納米片架構。

擴產計劃與全球布局

為實現產能的大幅躍升，台積電已部署五座 2nm 工廠並於今年進入產能爬坡階段。據統計，這五座工廠的產出能力預計將比同期的 3nm 工廠高出 45%。台積電計劃每年通過升級或新建九座工廠來擴大生產，其擴張速度達到歷史最高水平。目前，除了在中國台灣地區的布局，台積電位於美國亞利桑那州、日本熊本以及德國德累斯頓的工廠也在同步推進產能建設。 市場需求方面，受人工智能加速器需求激增影響，台積電相關晶圓出貨量增長了 11 倍，而採用先進封裝技術的大尺寸芯片需求也增長了 6 倍。

通過對 3D 封裝技術的持續優化，台積電已將 SoIC 芯片的量產時間縮短了 75%，預計到 2027 年，其整體先進封裝產能將增長 80%。 面對行業內高漲的訂單需求，包括 Apple、NVIDIA、Qualcomm 和 AMD 在內的多家科技企業已鎖定台積電的 N2 製程產能，其中 Apple 據稱獲得了初始產能的一半以上。儘管台積電正在以前所未有的速度擴產，但高性能芯片供應依然面臨挑戰。

台積電表示，將繼續通過多地工廠協同和技術迭代，提升在全球半導體製造領域的產能供應能力。

五一假期第一天，全國首個成建制交付的交管機器人中隊在杭州正式上崗，一共 15 台，名為「杭警智行」。五一假期一開始就成了街頭焦點。這批機器人主要部署在西湖景區周邊、湖濱商圈還有城區主要道路的重點路口，和真人交警一起配合維護交通秩序。它們的任務很明確，幫遊客指路、攔導非機動車和行人違法、協助指揮交通，正好能分攤五一假期警力最緊張的工作。因為接入了大語言模型，機器人回應問題特別快。

遊客問路直接開口說，機器人秒回，屏幕上還會彈出路線指引。像斷橋、動物園這些熱門點位，問路需求最大，現在基本上由機器人接手，幫警力省了不少事。在路口執勤時，機器人也很管用。遇到行人或非機動車越線停車，它會溫和提醒，當事人聽到後一般會馬上配合。

機器人執勤效率高 市民遊客爭相拍照

現場民警說，機器人提醒的效果反倒很好，大家更願意聽。過去年輕人愛聊天，不累積，覆蓋範圍也有限。現在機器人可以長時間駐守，自動識別、提醒、上報信息到預警中心，一整套流程自己就能完成，效率高很多。五一假期這幾天，這批交管機器人會一直上崗，一邊工作一邊優化功能。不少市民和遊客路過都會停下來拍照，覺得新鮮又實用。

Intel股價迎來重磅突圍，盤中一度大漲逾 6%，成功站上 100 美元每股，總市值亦隨之突破 5000 億美元。呢波漲勢來得十分突然，整個 4 月份，Intel股價累計漲幅達到 114%，短短一個月就實現翻倍式增長，成為資本市場嘅熱門焦點。 股價大漲背後，是Intel實際業績支撐。2026 年第一季度，公司營收約 136 億美元，同比增長 7%，已經連續多個季度超出市場預期。

其中最亮眼嘅是數據中心與 AI 業務，收入同比增長 22%，成為拉動Intel增長嘅核心動力，也讓市場看到呢家老牌科技企業喺 AI 時代嘅強大競爭力。

第二季度業績指引超出預期

除咗一季度業績亮眼，Intel仲给出高於市場預期嘅二季度業績指引，傳遞出業務需求持續旺盛嘅信號，進一步提升投資者信心。喺 AI 技術快速發展嘅當下，Intel憑藉數據中心與 AI 業務嘅穩定增長，重獲資本青睞，股價與市值雙雙創下新高，亦為整個半導體行業注入信心。