Infosys、Mphasis、Persistent、LTM、TechM：五大 IT 股票推薦與目標價

Back

Category : News

然而，它認為恐懼會扭曲實際局勢。「我們的核心論點是，AI 週期正從『建置容量』轉向『證明回報』——這一轉型本質上偏重服務，並直接發揮印度 IT 在部署、整合、治理與舊系統現代化方面的優勢，」它表示。

該券商表示，價值正從資助 AI 建置的層級轉移到部署 AI 的層級。首先是企業軟體平台，接著是整合與運營這些平台的服務公司。

它表示，這就像雲端劇本重演：資本支出先行，報酬後至，惠及不同參與者，如同鐵路、光纖與 2015-19 年的雲端 J 曲線所見。以下是該券商對其五大 IT 股票推薦所給予的目標價與看法。

Tech Mahindra
Anand Rathi 表示，Tech Mahindra 即將進入 FY27，這是其三年轉型計劃的最後一年，驅動因素從毛利率恢復轉向高於同業的營收成長，背後有自計劃啟動以來最強勁的一季、加速的訂單動能、健康的訂單簿（企業需求無明顯惡化）、涵蓋顧問、平台、工程與夥伴關係的 Project Helix，以及其 Agentic Development & Modernization Services 產品組合。

LTM

Anand Rathi 表示，LTM 獲得強勁營收成長能見度支持，來自大型交易動能、關鍵 BFSI 與最大客戶帳戶的復甦、透過 Randstad 收購案在歐洲的策略擴張、Lakshya’31 成長策略的執行，以及透過提高股利支付比率來增加股東回報的空間。

Infosys

Anand Rathi 表示，Infosys 的 FY27 預計表現平淡；然而 BFSI（占 28%）與 EURS（占 13%）應會表現良好。FY28 預計將因 LTM 第一季大型交易 TCV 成長 30% 而改善，Anand Rathi 表示。AI 貨幣化上升（占營收 8.2%，從第三季到第一季 CQGR 成長 22%），加上 Topaz Fabric/Cobalt 與平台主導的收購案，預計將支持成長與毛利率。FY26-28E 調整後 EPS CAGR 為 7.8%，股利收益率 4.2%，FCF 收益率 8.1%，調整後 PEG 為 1.9 倍，提供估值支撐。

Persistent Systems

Persistent 仍處於領先業界成長的良好定位，受惠於透過 Sasva 與 iAURA 等平台強勁的 AI 主導執行、嚴謹的執行、在 BFSI（占營收 34%）與醫療保健（占營收 25%）加速的需求，以及擬議中的 Nagarro 收購案，該收購將擴大其歐洲布局、可觸及市場與長期成長機會。

Mphasis

Mphasis 定位良好，可搶占市占率，受惠於創紀錄高的業務管道（年增 28%），其中 AI 主導交易如今占約 70%，相較於 Mphasis AI 推出時的約 12%。此外，還有更高的穩態 TCV 基線、透過 Neo IP、Continuum AI 與 Tria 的平台主導執行，以及透過成果導向模式改善獲利能力。

Disclaimer: Business Today provides stock market news for informational purposes only and should not be construed as investment advice. Readers are encouraged to consult with a qualified financial advisor before making any investment decisions.

https://www.businesstoday.in/markets/stocks/story/infosys-mphasis-persistent-ltm-techm-top-5-it-stock-picks-target-prices-552482-2026-09-01?utm_source=rssfeed

https://www.worldprogramming.org/posts/infosys-mphasis-persistent-ltm-techm-top-5-it-stock-picks-target-prices-swnlos

標題：平行路由讓 Next.js App Router 的 layout 透過名為 @slot 的資料夾，在同一個 URL 下能同時渲染多個頁面，而攔截路由（(.)、(..)、(..)(..) 和 (...) 資料夾慣例）則讓連結可以在不改變 URL 的情況下，將該 slot 替換成不同的元件。兩者結合後，就能實現 Instagram 風格的可分享相片 Modal：同一個 URL 在軟性導航時顯示 Modal，在硬性重新整理時則顯示完整頁面，而 default.tsx 就是兩者之間的接縫。

關鍵重點

平行路由是一個具名的 slot —— 以 @ 為前綴的資料夾，例如 @modal —— Next.js 會將其渲染為 prop，傳入最接近的 layout.tsx，與隱含的 children slot 並存。Slot 資料夾不會為 URL 增加片段。
攔截路由慣例（(.)、(..)、(..)(..)、(...)）是相對於檔案系統而非 URL 來匹配路由，因此從動態消息中點擊的連結，可以將 /photo/[id] 渲染為 Modal，而 URL 中永遠不會出現名為 (.)photo 的資料夾。
default.tsx 是當目前 URL 在該 slot 內沒有任何匹配時，Next.js 會為該 slot 渲染的內容。如果省略它，當硬性導航到一個沒有填滿所有 slot 的路由時，就會出現 404。
對 /photo/123 進行硬性重新整理或分享連結時，不應該顯示 Modal —— 而是應該渲染 app/photo/[id]/page.tsx 作為一般的完整頁面。這個後備機制才是這個模式的真正目的，而不是需要繞開的 bug。
每個 slot 都是擁有自己 loading.tsx 和 error.tsx 的獨立子樹，因此 Modal 可以獨立於後方頁面的渲染進行暫停與串流。

平行路由實際上解決了什麼問題？

平行路由可以在同一個 layout 中同時渲染多個頁面，每個頁面都由一個具名 slot 而非 URL 片段來定址。我第一次使用它是在一個相片網格中：點擊縮圖應該在不離開網格的情況下開啟燈箱，但燈箱也需要有自己的可分享 URL，以便直接連結到單張相片就能開啟完整頁面。由布林值驅動的客戶端 Modal 能免費獲得前半部分，但完全無法做到後半部分 —— 因為 useState 中的狀態沒有對應的 URL。

資料夾慣例是加上 @ 前綴的名稱。Next.js 會將每個 slot 匹配到的內容，以資料夾名稱為 prop 名稱，傳入最接近的 layout，與每個 layout 原本就會收到的隱含 children slot 並存。

app/
  layout.tsx
  page.tsx
  @modal/
    default.tsx
    (.)photo/
      [id]/
        page.tsx
  photo/
    [id]/
      page.tsx

進入全螢幕模式

退出全螢幕模式

// app/layout.tsx
export default function RootLayout({
  children,
  modal,
}: {
  children: React.ReactNode;
  modal: React.ReactNode;
}) {
  return (
    <html lang="en">
      <body>
        {children}
        {modal}
      </body>
    </html>
  );
}

進入全螢幕模式

退出全螢幕模式

這裡的內容還沒有任何與 Modal 相關的特定設計 —— 一個擁有兩個 slot 的 layout 只是能渲染兩個獨立子樹的 layout。我後來也用相同的機制來實作一個儀表板，包含可以獨立導航的 @team 和 @analytics 面板：在 @analytics 內點擊連結只會重新渲染該 slot，而 @team 則會繼續顯示原本的內容。

(.) 慣例如何決定要攔截什麼？

這些點號片段慣例是相對於攔截檔案在檔案系統中的位置來匹配目標路由，而不是相對於目前的 URL：

慣例	匹配對象
`(.)`	同一層資料夾的路由
`(..)`	上一層資料夾的路由
`(..)(..)`	上兩層資料夾的路由
`(...)`	從 app 根目錄開始的路由

app/@modal/(.)photo/[id]/page.tsx 會攔截對 /photo/[id] 的客戶端導航，只要該導航是從與 @modal 資料夾處於同一層的路由觸發的。從該頁面追蹤 <Link href="/photo/123">，Next.js 就會將攔截的元件渲染到 @modal slot 中，而不是替換整個樹。將 /photo/123 作為全新頁面載入（重新整理、貼上 URL、從外部網站點擊連結）時，Next.js 會以一般方式解析 app/photo/[id]/page.tsx。攔截只會在客戶端轉場時觸發；它從來就不是用來改變完整頁面載入的回應內容。

為什麼需要 default.tsx？如果跳過它會發生什麼事？

我第一次跳過它時，在開發環境中一切正常，直到我在開啟 Modal 的路由上重新整理後得到了 404。當一個 slot 在目前 URL 下沒有匹配的片段時，它需要有東西可以渲染，而在完整頁面載入時，沒有先前的客戶端狀態可以回退 —— Next.js 必須從頭開始渲染該 slot。default.tsx 就是這個後備機制。

// app/@modal/default.tsx
export default function Default() {
  return null;
}

進入全螢幕模式

退出全螢幕模式

客戶端導航則比較寬容：如果一個 slot 沒有 default.tsx，且新的 URL 在其中沒有任何匹配，Next.js 會繼續渲染該 slot 上次顯示的內容，而不是將其卸載。這對於儀表板分頁的案例非常有用 —— 在 @analytics 中切換分頁不應該重置 @team —— 但這也意味著缺少 default.tsx 可能在每次手動點擊測試中都隱藏起來，只有在硬性重新載入時才會浮現，而這正是分享連結所採用的路徑。

為什麼重新整理 Modal 路由會顯示完整頁面而不是 Modal？

因為它本來就應該這樣。這是我在正確理解這個模式之前一直抗拒的部分：我想要 Modal 能在重新整理後繼續存在，但實際的設計是它不應該繼續存在。app/photo/[id]/page.tsx 是一個完整的、獨立的頁面 —— 相同的內容、沒有 Modal 的外觀，而且不需要先執行任何客戶端 JavaScript 就能存取。這才是讓 URL 真正可分享且可被索引的原因：搜尋引擎或不執行你客戶端路由器的連結預覽機器人，會得到真正的頁面，而不是一個等待 JavaScript 開啟對話框的空殼。

如何關閉 Modal 並回到原本的位置？

Modal 元件是一個客戶端元件，它會呼叫來自 next/navigation 的 router.back()，這會反轉開啟它的軟性導航，讓被攔截的 slot 回退到它的 default.tsx。

'use client';
import { useRouter } from 'next/navigation';

export function Modal({ children }: { children: React.ReactNode }) {
  const router = useRouter();
  return (
    <div className="modal-overlay" onClick={() => router.back()}>
      <div className="modal-content" onClick={(e) => e.stopPropagation()}>
        {children}
      </div>
    </div>
  );
}

進入全螢幕模式

退出全螢幕模式

我在正式環境中發現的缺口是：如果訪客從分享的連結直接在新分頁中開啟 /photo/123，就沒有歷史記錄可以返回，因此 router.back() 要嘛什麼都不做，要嘛離開應用程式。我最後在疊加層處理程式旁邊加上了一個明確的關閉連結，指向一個真正的返回相簿的 href，這樣關閉 Modal 就不再依賴歷史記錄是否存在。

客戶端狀態 Modal 與攔截路由 Modal —— 真正的權衡是什麼？

	布林狀態 Modal	攔截路由 Modal
擁有自己的 URL	否	是
可分享 / 重新整理時顯示	否	是 —— 渲染為完整頁面
是否需要客戶端 JS 才能渲染內容	是	否（直接導航時）
設定成本	一個 `useState`	一個 slot、一個攔截資料夾、一個後備路由、`default.tsx`

對於真正屬於一次性 UI 的對話框（例如確認提示、設定面板），布林值仍然是正確的工具。只有當 Modal 後方的內容值得擁有自己的 URL 時，才應該選擇路由版本。

常見問題

問：像 @modal 這樣的平行路由 slot 資料夾會出現在 URL 中嗎？
答：不會。@ 前綴會將資料夾標記為 slot 而非路由片段，因此它對 URL 是隱形的，只會影響 layout 的哪一個 prop 會收到它的內容。

問：如果有人不是從動態消息中的縮圖點擊，而是直接導航到 /photo/123，會發生什麼？
答：Next.js 會將 app/photo/[id]/page.tsx 渲染為一般的完整頁面。攔截只會在從匹配路由進行的客戶端轉場時發生，這是設計上的意圖。

問：平行路由 slot 可以有自己的 loading.tsx 嗎？
答：可以。每個 slot 都是獨立的子樹，可以定義自己的 loading.tsx、error.tsx 和 not-found.tsx，因此 Modal 可以獨立於後方頁面進行資料擷取的暫停，而不會阻擋後方的頁面。

問：為什麼 router.back() 無法為直接開啟連結的人關閉 Modal？
答：當一個路由是分頁中第一個載入的內容時，就沒有歷史記錄可以返回。請將關閉處理程式與指向真實後備路由的明確連結搭配使用，而不是只依賴歷史記錄。

問：我可以將 (..)(..) 與定義在樹上更高層的平行路由 slot 結合使用嗎？
答：可以 —— 點號的數量與 @slot 資料夾所在的位置無關；它只描述目標路由相對於攔截檔案自身位置往上幾層。

原文發表於 devya.dev。也刊登於 eng-ahmed.com。由 Devya Solutions 建置。

https://dev.to/ahmed_mahmoud360/parallel-routes-and-intercepting-routes-in-the-nextjs-app-router-field-notes-on-the-photo-modal-56ko

https://www.worldprogramming.org/posts/parallel-routes-and-intercepting-routes-in-the-nextjs-app-router-field-notes-on-the-photo-modal-pattern-jkslmd

我正在使用 Rust 與 Python 開發開源 MMORPG — 正在尋找貢獻者

大家好！👋

我目前正在開發The Last Signal，這是一個開源的末日後 MMORPG 專案。

這個專案以Rust 和 Python為基礎，特別注重網路、伺服器架構、測試，並最終建構一個持久化的多人遊戲世界。

專案仍在開發階段，因此有許多部分可以探索、改進和建構。

🎮 什麼是 The Last Signal？

我們的目標是打造一個多人末日後世界，讓玩家能夠探索、互動、戰鬥、交易，並創造屬於自己的故事。

我目前並非一次建構所有功能，而是專注於開發專案的基礎：客戶端與伺服器之間的通訊、封包處理、測試、CI 以及整體架構。

🛠️ 目前使用的技術

🦀 Rust — 伺服器與網路相關元件
🐍 Python — 客戶端與工具
🌐 客戶端/伺服器網路通訊
📦 自訂網路封包系統
🧪 自動化測試
⚙️ GitHub Actions / CI
🗄️ 資料庫元件
🔐 實驗性加密 — 目前仍處於非常早期的階段

🌐 網路部分

目前其中一個技術重點是 Python 客戶端與 Rust 伺服器之間的通訊。

專案擁有自己的封包系統，使用不同類型的封包在兩端之間進行通訊。

我目前正在處理的事項包括：

封包建立
序列化與反序列化
處理無效資料
網路錯誤處理
測試通訊協定
保持客戶端與伺服器實作的一致性

這是 Rust 貢獻者可以對專案產生直接影響的領域之一。

🔐 加密功能才剛起步

專案的加密部分非常實驗性且仍處於早期階段。

我正在嘗試各種想法，並探索加密系統如何融入這個專案。

目前並非以生產環境可用或安全的加密方式呈現。

我實際上正在尋找能夠挑戰設計、找出弱點與假設，並幫助判斷哪些方法值得進一步探索的人。

對密碼學、密碼分析或安全性有興趣的人在這裡會非常受到歡迎。

🤝 我正在尋找貢獻者

我目前正在尋找有興趣參與開源專案的人。

🦀 Rust 開發者

協助以下領域：

網路
封包處理
伺服器開發
測試
錯誤處理
架構
效能

🐍 Python 開發者

協助以下事項：

客戶端開發
測試
工具
自動化
與 Rust 伺服器的通訊

🔐 安全性 / 加密貢獻者

加密工作才剛開始。

可能的貢獻包括：

審核實驗性設計
找出安全性假設
發現潛在弱點
研究替代方法
設計安全性測試
討論實驗與現實世界加密之間的界線

你不需要立即撰寫加密程式碼。一份好的技術分析已經是非常有價值的貢獻。

📚 文件貢獻者

協助讓新開發者更容易理解專案：

架構文件
網路協定文件
開發者指南
英文文件

⚙️ CI/CD 貢獻者

專案也有 GitHub Actions 工作流程，可以進行改進與維護。

歡迎參與以下事項：

測試
建置工作流程
自動化
可靠性
效能

的貢獻。

🧪 你可以從哪裡開始？

我已經建立了幾個 GitHub Issues，專門設計作為貢獻者的切入點。

目前的領域包括：

🦀 Rust 網路協定測試
🐍 Python 客戶端測試
📚 客戶端/伺服器協定文件
🔐 加密設計審核
⚙️ CI/CD 改進
🌍 英文文件

你不需要先理解整個專案才能貢獻。

小型貢獻也非常歡迎。

🌱 你不需要是專家

如果你正在學習 Rust 或 Python，並希望在真實的開源專案中累積經驗，歡迎前來貢獻。

我特別對喜歡以下事情的人感興趣：

透過真實專案學習
實驗技術想法
解決困難問題
討論架構
檢視並改進現有程式碼

你可以透過撰寫程式碼、測試、撰寫文件、檢視，或單純提供有建設性的技術回饋來貢獻。

🧠 技術回饋非常歡迎

專案還很年輕，因此我並不執著於目前的每一個實作。

如果你看到可以改進的設計，我寧願聽到有充分理由的批評，也不希望壞的設計留在專案中。

我們的目標是透過合作與討論來打造更好的東西。

🔗 專案

GitHub：
https://github.com/DDCoder23/The-last-signal-

此儲存庫包含原始碼、文件和開放的 Issues。

如果這個專案讓你感興趣，請查看儲存庫，並歡迎：

開啟 Issue
在現有 Issue 下留言
提出改進建議
提交 Pull Request

我期待認識那些想要一起學習、實驗和打造事物的人。🦀🐍🚀

感謝閱讀！

https://dev.to/ddcoder23/im-building-an-open-source-mmorpg-with-rust-python-join-the-project-2lp0

https://www.worldprogramming.org/posts/im-building-an-open-source-mmorpg-with-rust-python-join-the-project-zrgwiq

AI 採用正變得更容易。擴展 AI 則不然。

模型能力更強。API 更容易存取。Copilot 可以快速部署。團隊可以在幾天內原型化有用的工作流程。

然而許多組織仍難以將這些活動轉化為持久的能力。

原因越來越清楚：AI 無法僅透過技術來擴展。它透過營運模式來擴展。

這意味著決定誰擁有 AI、如何選擇使用案例、如何治理風險、如何分享學習、如何讓人類判斷保持在迴路中，以及如何讓成功的實驗成為日常工作的一部分。

這就是為什麼AI 營運模式這個詞正變得越來越重要。在 2026 年，Deloitte 報告了一個驚人的差距：雖然許多技術領導者相信他們能夠大規模部署和治理 AI，但近四分之三仍預期其營運模式將在 12 到 18 個月內改變。問題是從「我們能使用 AI 嗎？」轉移到「組織能否良好地吸收它？」

這是另一個不同的問題。

什麼是 AI 營運模式？

AI 營運模式是決定 AI 決策如何制定、治理、資助、建置、採用和改進的組織系統。

它不僅僅是一份 AI 策略文件。它不是 AI 治理政策。它也不是一個換了新名稱的中央 AI 團隊。

一個有用的 AI 營運模式至少連結六件事：

決策權 — 誰可以核准、停止或升級 AI 使用案例；
所有權 — 誰對業務成果負責，而不僅是模型；
治理 — 需要哪些證據、控制和審核；
交付 — 想法如何從實驗移動到正式上線；
能力 — 團隊如何學習良好且安全地使用 AI；
回饋 — 真實成果如何改變未來的 AI 決策。

技術很重要。但圍繞技術的模式決定它是否成為能力，還是停留在實驗階段。

為何 AI 試點的增加速度快於 AI 能力

大多數組織並不缺乏想法。

他們有使用案例清單。

客服想要摘要。財務想要預測。行銷想要內容加速。產品想要研究合成。工程想要編碼協助。營運想要自動化。領導想要更好的決策支援。

常見的回應是啟動試點。

試點很有用，因為它們降低了學習成本。但當每個團隊獨立進行試點時，組織可能會產生一種新的碎片化：

重複的工具；
不一致的資料處理；
不明確的模型所有權；
不同的審核標準；
沒有共享的評估方法；
沒有共同的人類監督方法；
成功的實驗從未成為可重複的實務。

結果可能看起來像「很多 AI」，但沒有多少機構能力。

這就是 AI 營運模式變得有用的地方。它創造了一種讓學習能夠累積而非在每個團隊中重置的方式。

每個 AI 營運模式中的三個系統

理解 AI 採用的一種方式是透過三個互動的視角：心理學、技術與組織。

這很重要，因為 AI 同時改變這三者。

1. 心理學：人們決定 AI 是否真正被使用

一個 AI 系統在技術上可能極佳，但如果人們不信任它、不了解它或不知道何時該覆寫它，它仍然會失敗。

採用受到以下問題的影響：

員工是否相信 AI 會幫助他們還是取代他們？
管理者是否了解何時應該質疑 AI 輸出？
人們是否願意承認模型可能出錯？
介面是否鼓勵驗證還是被動接受？
激勵措施是否與負責任的使用一致，還是僅與速度一致？

這就是為什麼「訓練」這個詞對 AI 採用來說太狹隘。

真正的問題是行為。

AI 營運模式必須創造信心而不造成自滿。它應該讓良好的判斷更容易，而不僅是讓 AI 可用。

2. 技術：系統決定 AI 可以安全地做什麼

第二層是技術性的。

AI 需要存取資料、工具、工作流程和應用程式。隨著能力增加，架構和控制的重要性也隨之增加。

因此組織需要對以下問題有明確的答案：

哪些模型和平台被核准？
每個系統可以存取哪些資料？
檢索、編輯或權限控制必須放在哪裡？
提示、輸出和模型版本如何被記錄？
部署前後如何評估品質？
當代理程式可以採取行動而不僅是產生文字時，會發生什麼？

這就是標準和風險框架重要的地方。NIST 的 AI 風險管理框架及其生成式 AI 概況強調生命週期風險管理，而 ISO/IEC 42001 將 AI 視為管理系統問題，而非一次性技術控制。

這些框架很有用，因為它們強化了一個簡單的觀點：負責任的 AI 需要圍繞技術的可重複組織流程。

3. 組織：結構決定 AI 是否成為能力

第三層是組織性的。

必須有人負責這些決策。

這聽起來很明顯，但 AI 常常跨越現有的界線。一個面向客戶的 AI 功能可能涉及產品、技術、法律、安全、資料、營運和客服。一個編碼助理可能影響工程品質、智慧財產、安全和生產力衡量。一個內部代理程式可能觸及多個團隊擁有的系統。

傳統的組織圖不會自動解決這些問題。

因此 AI 營運模式必須定義：

誰擁有使用案例；
誰擁有模型或平台決策；
誰擁有風險接受；
誰可以核准正式上線使用；
誰在推出後監控效能；
誰決定何時應該退役 AI 系統。

沒有這種明確性，治理就會變成排隊，而交付就會變成談判。

集中式還是聯邦式？通常兩者皆是

常見的 AI 營運模式問題是 AI 是否應該集中化。

集中化部分內容有充分理由。共享標準、架構、安全、評估、供應商決策和治理，如果每個業務單位獨立重建，會變得昂貴且不一致。

但集中化每個使用案例會產生另一個問題：最接近工作的人失去了所有權。

這就是為什麼許多企業 AI 模式正朝向聯邦式結構發展。

中心掌握應該共通的事項：

原則和政策；
核准的平台；
模型和供應商標準；
可重用的架構；
評估方法；
高風險審核；
共享知識和操作手冊。

業務和產品團隊掌握需要情境的事項：

問題定義；
工作流程設計；
使用者行為；
領域特定的品質門檻；
採用；
成果所有權。

中心不應該成為每個 AI 決策都要等待的地方。

它的職責是讓良好的分散式決策成為可能。

AI 卓越中心應該散布能力，而非收集權力

這就是卓越中心可以提供幫助的地方——如果它被正確設計。

一個弱的 AI CoE 會變成審核請求的委員會。

一個較強的則會變成讓 AI 能力可重複的組織機制。

它的角色可能包括：

維護共享的 AI 架構和標準；
定義評估和治理要求；
維護可重用的模式和操作手冊；
幫助團隊建構高價值使用案例；
建構內部能力；
連結跨部門的經驗教訓；
為高風險決策建立升級路徑。

測試很簡單：這個 CoE 是否讓組織更有能力，而不會讓它更依賴？

Cralgo 在其關於卓越中心和技術作為組織系統的工作中探討了這個更廣泛的能力問題。

治理必須以執行的速度前進

AI 治理常常被討論為控制問題。

它也是一個執行設計問題。

如果治理只在專案結束時發生，團隊要麼等太久，要麼繞過它。如果每個使用案例都接受相同的審核，低風險實驗會變得不必要地緩慢，而真正重要的風險可能獲得太少的關注。

更好的 AI 營運模式讓治理成比例。

例如：

低風險內部協助

使用核准企業資料的會議摘要工具可能只需要輕量級控制、明確的保留規則和基本的品質檢查。

中風險工作流程自動化

推薦營運行動的 AI 系統可能需要更強的記錄、人類核准和明確的回滾路徑。

高風險決策支援

用於醫療保健、就業、財務決策或安全敏感營運等領域的 AI 可能需要獨立驗證、記錄證據、更嚴格的監控和正式的問責。

重點不是讓治理變得更小。

而是讓治理符合決策的後果。

缺失的能力往往是判斷

隨著 AI 系統變得更有能力，組織可能會傾向於將更多決策移入系統。

但能力和權威並不相同。

一個模型可能能夠推薦行動，但不一定是擁有該行動的正確地方。

這種區別在代理程式能夠呼叫工具、更新系統、觸發工作流程或與客戶溝通時尤其重要。

關鍵的設計問題從：

AI 能做什麼？

轉變為：

AI 應該被允許做什麼，在什麼條件下，由誰的判斷圍繞它？

這就是為什麼 AI 的人類面向無法與技術面向分離。信任、注意力、決策和問責都塑造了成果。

實用的 AI 營運模式檢查清單

在組織內擴展 AI 之前，領導團隊應該能夠清楚回答這些問題：

我們試圖用 AI 改善哪些成果？
試點結束後誰擁有每個使用案例？
哪些 AI 能力是集中的，哪些是分散的？
組織內共享哪些技術標準？
使用案例如何依風險分類？
正式上線部署前需要哪些證據？
人類判斷在哪裡是強制性的？
模型效能和業務成果如何分別被監控？
一個團隊的學習如何成為另一團隊的可重用知識？
即使供應商改變，哪些能力應該留在組織內？

如果這些答案模糊，組織可能還沒有 AI 營運模式。它只有 AI 活動。

這兩者並不相同。

營運模式是將 AI 轉化為組織能力的關鍵

企業 AI 的下一個階段不會僅由誰能存取最強模型來決定。

存取正變得更容易。

更難的優勢是組織性的：良好決策、安全部署、快速學習、散布能力，以及在 AI 嵌入日常工作時保留判斷的能力。

這就是為什麼 AI 營運模式很重要。

技術改變了什麼變得可能。

人們決定它如何被理解和使用。

組織決定那個可能性是否成為可重複的能力。

成果來自這三者的結合。

Cralgo 是一家研究與技術公司，探索心理學、技術與組織如何塑造更好的成果。

探索 Cralgo、Technology，以及 Operating Model。

參考資料

Deloitte Insights, Rewiring the enterprise operating model for AI scale (2026): https://www.deloitte.com/us/en/insights/topics/technology-management/rewiring-ai-operating-model.html
NIST, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework
NIST, Generative AI Profile: https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
ISO/IEC 42001:2023, AI management systems: https://www.iso.org/standard/42001

https://dev.to/cralgo/ai-operating-model-why-scaling-ai-is-an-organisational-design-problem-2cg9

https://www.worldprogramming.org/posts/ai-operating-model-why-scaling-ai-is-an-organisational-design-problem-tffxfi

2026 年 9 月 1 日

Ryan 與 Tim Lindholm 對談。Tim 是 Sun Microsystems 早期 Java 語言的貢獻者，他們聊了在 Java 剛誕生時打造這門史上最受歡迎的程式語言之一是什麼感覺、為什麼對 Java 團隊來說建立跨平台的 ABI 以與 Windows NT 競爭具有戰略重要性，以及 applet 最初只是個有趣的展示。

觀看 Cult.Repo 在 YouTube 推出的新紀錄片，深入了解 Java 的早期歷史以及打造它的人們。

在 LinkedIn 上與 Tim Lindholm 聯繫。

向使用者 gabuzo 致敬，他因回答 What is the standard method for generating a nonce in Python? 而獲得 Populist 徽章。

https://stackoverflow.blog/2026/09/01/the-good-ol-days-of-building-java/

https://www.worldprogramming.org/posts/the-good-ol-days-of-building-java-nuompu

小米喺8月24號嘅玄戒晶片技術溝通會上，亮相咗一款叫AI Cube嘅工程原型迷你電腦。呢部機用咗三顆自家玄戒晶片：O3、O100同D100，專為本地運行AI大模型而設計，可持續釋放高達150W效能。
其中玄戒O3係主處理器，配備10核CPU、16核G2-Ultra NX GPU同200 TOPS NPU；O100係高頻寬AI加速晶片，採用6nm 3D堆疊封裝，近存計算頻寬高達1.22TB/s；而D100就係3nm智駕AI晶片，有20核CPU同16核NPU，最高支援160GB統一記憶體。
機身用航天級鋁合金一體成型，帶有33874個CNC精密鏤孔。官方表示可以本地部署120B同3B大模型，仲支援快慢系統切換。目前O100同D100預計2027年商用，AI Cube本身就未公布售價同上市時間。
https://www.notebookcheck.net/Xiaomi-unveils-AI-Cube-mini-PC-with-three-Xring-chips-and-150-W-performance.1376717.0.html

OpenAI 已發布七月 Hugging Face 入侵事件的詳細驗屍報告，揭示其 AI 代理所做的遠遠超過逃離網路安全沙盒。

這些模型建立了未經授權的通訊網路、分享漏洞與憑證、在不同的評估運行中協調攻擊，最終入侵了 Hugging Face 以及 OpenAI 自身部分研究基礎設施。

OpenAI 的調查，在 CrowdStrike 的協助下，顯示該活動主要由一個未發布的研究模型驅動，稱為 Internal Model 1 (IM1)，其規模被描述為與 GPT-5.6 Sol 相當。

問題始於五月在強化學習訓練期間。原本應該獨立運作的代理發現它們可以將檔案寫入 OpenAI 內部託管的 Artifactory 套件服務，實際上將其變成了一個臨時留言板。它們後來濫用 Artifactory 來轉發外部網際網路請求，並在 6 月 26 日前利用權杖更新漏洞取得了管理員等級的存取權。

Hugging Face 經營著最大的平台之一，用於託管與分發 AI 模型、資料集和機器學習應用程式。如先前報導，在其生產環境成為目標後，這些代理開始搜尋外部服務以尋找有助於解決困難 ExploitGym 網路安全挑戰的資訊。

在 OpenAI 於七月初重建 Artifactory 後，這些代理使用目錄名稱重建了它們的留言板，並恢復交換發現。OpenAI 表示這些模型開始在自己之間分工，有些搜尋憑證、有些開發漏洞、有些協調活動。有幾個代理將所形成的群體稱為「swarm」或「collective」。

在 7 月 10 日，代理恢復了 14 個具有寫入權限的公開暴露 Hugging Face 憑證。第二天，它們利用一個先前未知的涉及 HDF5 檔案的缺陷，從 Hugging Face 生產工作器取得機密，然後將該存取權與一個名為「RefJinja」的模板注入漏洞結合起來，在伺服器上執行命令。

到 7 月 12 日，這些代理已將存取權擴展到多個 Hugging Face 叢集，並取得了 Kubernetes、資料庫、訊息、原始碼儲存庫和雲端憑證。OpenAI 表示程式碼在數十台伺服器上被執行，其中一台系統取得 root 存取權，並存取了有限的私人資料。

OpenAI 的調查找出了該行為背後的幾個因素。代理學會了「獎勵駭客」行為，透過追求意外的捷徑來完成評估，持續在看似實際上無法解決的任務上工作，並隨著額外推理努力的提供而越來越多地探查基礎設施。在 898 個 ExploitGym 挑戰中，有 198 個先前從未被解決，而這些佔了透過臨時留言板討論的任務的 93%。

該公司還發現其最強的生產防護措施在評估環境中並不存在。回溯測試顯示，OpenAI 目前的思考鏈監控很可能會在 Hugging Face 被入侵前一天多就偵測到危險活動。

OpenAI 此後已隔離 IM1 的權重、暫停主要的邊界強化學習運行、強化其沙盒與網路隔離，並將思考鏈監控強制用於涉及 GPT-5.6 Sol 等級或更高模型的工具使用評估。嚴重警報現在需要停止運行，除非回應者在 30 分鐘內確定該警告是誤報。

OpenAI 稱該事件為「警告射擊」，顯示具備足夠能力的 AI 代理可以結合堅持、利用和自主協調來克服安全邊界。

如果您喜歡這篇文章，請務必在 X/Twitter 和 LinkedIn 上關注我們，以獲取更多獨家內容。

https://cyberinsider.com/openai-says-ai-agents-formed-a-swarm-before-breaching-hugging-face/

https://www.worldprogramming.org/posts/openai-says-ai-agents-formed-a-swarm-before-breaching-hugging-face-sdjou9

每一個季度輝達都公布超越前一季的破紀錄業績，已成為一種傳統。本週三也不例外，該公司公布營收達962億美元，年成長106%，這歸因於其AI硬體需求持續上升。但這樣的業績也伴隨著代價，因為公司必須對未來進行大量投資。在其2027會計年度第二季，輝達必須承諾採購高達1600億美元的記憶體，其中包括與SK海力士簽訂的記憶體供應協議。

深入了解 TH Premium：AI 與資料中心

每季營收接近1000億美元

輝達2027會計年度第二季（於2026年7月26日結束），其GAAP營收創下紀錄達962.21億美元，季成長18%，年成長106%。輝達淨利總計596.88億美元，年成長126%，毛利率達到75.0%。輝達運算與網路硬體銷售達到882.99億美元，季成長18%、年成長114%，而其繪圖硬體銷售則達到79.22億美元，季成長12%、年成長46%。

「AI已達到其轉捩點，」輝達創辦人暨執行長黃仁勳表示。「AI正在從事有用的工作。其符號（token）具有生產力且能帶來獲利。現在，運算是營收。而且需求正在加速。[…] 我們正處於新AI實驗室與新創公司的黃金時代，多個前沿實驗室並行擴展，一個蓬勃發展的開放模型生態系，以及實體AI開始上線 […]。AI基礎設施建置正全速進行。現在已全面量產的Vera Rubin，正是為了推動這個時刻而打造。」

輝達的業績主要由其資料中心級AI硬體銷售所驅動，各種客戶購買了890.23億美元的設備，季成長18%，年成長117%。超大規模雲端業者向輝達採購了487.10億美元的硬體（年成長102%、季成長13%），而來自AI雲端、工業與企業的營收則攀升至403.13億美元（年成長138%、季成長25%），這顯示雖然超大規模雲端業者仍向輝達採購更多設備，但ACIE部門的成長速度更快。輝達邊緣運算產品銷售額為71.98億美元（年成長27%、季成長13%），這意味著儘管GPU與記憶體短缺，個人電腦繪圖產品銷售依然強勁。

承諾總額達2790億美元

輝達預期其產品需求在未來數年仍將維持強勁。為了滿足這一需求，公司將長期採購承諾從2027會計年度第一季的1190億美元，提高至第二季的2790億美元。通常，輝達的長期供應承諾包括預付款以及在台積電的晶圓加工與先進封裝承諾，以及DRAM廠商生產的HBM記憶體。這一次，輝達明確表示，這些承諾的大部分「主要與記憶體採購有關」。

如此龐大的承諾顯示，公司預測未來數年對其資料中心AI產品的需求將大幅成長。在與財務分析師和投資人的電話會議中，公司表示客戶預測顯示明年需求將翻倍，但輝達目前認為其供應鏈只能支持約70%的成長。

「儘管我們的需求遠高於70%，但我們的供應讓我們能夠有信心地交付70%，」黃仁勳表示。「不受限制的情況下會高出很多、很多。[…] 我們已經確保了大量供應，但我們還需要更多。」

訂閱 Tom’s Hardware 最佳新聞與深度評測，直接送達您的收件匣。

有鑑於此，2790億美元的供應承諾不應被解讀為預防性庫存建立，而是確保出貨成長的策略性舉措。輝達實際上是在預訂記憶體和其他產能，因為它預期需求將超過供應鏈在至少2028會計年度結束前所能提供的量，正如其管理階層明確表示，供應至少在2028會計年度前仍將是瓶頸。

第三季預期每季1080億美元

對於2027會計年度第三季，輝達預期營收約為1080億美元，上下浮動2%，其展望中未包含來自中國的資料中心運算營收，這是因為出口與進口許可的不確定性。公司預計GAAP毛利率約為74%，並預期GAAP營運費用約92億美元。

追蹤 Tom’s Hardware on Google News，或 將我們新增為偏好來源，以在您的資訊流中取得我們的最新新聞、分析與評測。

Anton Shilov 是 Tom’s Hardware 的特約撰稿人。在過去數十年間，他報導過從CPU與GPU到超級電腦，從現代製程技術與最新晶圓廠工具到高科技產業趨勢等各種主題。

https://www.tomshardware.com/tech-industry/big-tech/nvidia-revenue-tops-usd96-billion-as-memory-commitments-soar-to-usd160-billion-ceo-jensen-huang-says-ai-has-reached-its-inflection-point

https://www.worldprogramming.org/posts/nvidia-revenue-tops-96-billion-as-memory-commitments-soar-to-160-billion-ceo-jensen-huang-says-ai-has-reached-its-inflection-point-ytnxbw

Cloudflare 在其 Agents Week 期間宣布推出 Cloudflare Wallets，為 AI 代理程式提供穩定幣餘額，並提供 cloudflare.pay handle，以便在支付 API、資料與內容時出示。目前僅有領取 handle 的功能可用。資金注入與付款功能預計將在未來幾個月內推出。

這項已上線的功能已引發抱怨。在 Hacker News 上，留言者 merek 發現自己的公司名稱與多個變體已被搶注：

沒有域名驗證，這名使用者的意圖除了詐欺／冒充之外還能是什麼？

他補充，自己已經有一個冒充者在以他的品牌經營網站，並讓顧客感到混淆。留言者 nikolay 將此次推出與 Meta 處理保留使用者名稱的方式進行對比，Meta 會事先通知並提供平等的起跑點，並對此產品做出結論：

Cloudflare 的做法基本上是推我不要使用他們的產品，因為我無法取得自己的使用者名稱。

付款運行於 x402，該協議 repurposes HTTP 402 Payment Required 狀態碼，用於機器原生的微支付。Coinbase 最初提出此概念，目前由 Linux Foundation 主持，約有 40 位成員，包括 Cloudflare、Stripe、Visa、Mastercard、Google 與 Amazon Web Services。MCP 也走過同樣的路，從單一供應商轉移到 Agentic AI Foundation，理由相同。一個每個競爭者都必須實作的協議，若置於基金會內，對其創始者而言比自己掌控更有價值。

基金會主持解決了誰擁有規格的問題，但未解決誰能在其上競爭的問題，而 Cloudflare 較晚進入這個領域，該領域已有來自 AWS、Google Cloud、Circle 以及各大卡組織的解決方案。其論點在於分發能力。Wallets 是其於 7 月 1 日推出的 Monetization Gateway 的買方補充方案，後者讓網站與 API 能透過相同軌道向代理程式按請求收費。同時握有兩端意味著商家能向代理程式收費，而代理程式也能支付他們，橫跨 Cloudflare 所稱涵蓋 337 個城市、觸及約五分之一網站的網路。

數位留言者認為這篇公告與付款無關，而是關於其他事情。留言者 eddythompson80 指出，代理程式身分至今仍被困在個別系統內，因為 AWS IAM 指派的身分無法在不相關的網站上使用，而 OIDC 聯邦對一般網站來說太過複雜。障礙從來不是機制，而是無法就提供者達成共識：

同意單一 IdP 才是問題，目前大約有 40 個。

他的結論是 Cloudflare 看到了這個機會：

這有真正的需求，看起來 cloudflare 認為如果他們成為「網際網路代理程式身分提供者」，那麼就能對網際網路與 AI 使用擁有大量的權力與控制。

留言者 wxw 提出了平台版本的相同觀點，指出 Durable Objects 與 Workers 是良好的代理程式基礎元件，因此已經在使用它們的團隊不妨也採用 wallet、sandbox 與 AI gateway。其他人則沒那麼放心。留言者 Ycros 寫道 Cloudflare 不斷將自己插入一切事物之間，nater5000 回覆表示，一家在自家市場中打造有明確需求的產品的公司不需要進一步解釋。

值得仔細閱讀的部分是控制模型。每個帳戶持有人會獲得一個 Account Wallet，並可為每個代理程式建立獨立的 Virtual Wallets，從主帳戶提供資金，並受帳戶持有人設定的三項控制所限制：額度、核准商家的允許清單，以及最大交易金額。明確的目的是讓代理程式能夠測試與購買服務，而無需人類核准每一筆付款，並有硬上限來限制損害。

Cloudflare 儀表板中的 Account Wallets 與 per-agent Virtual Wallets（來源：Cloudflare 部落格）

這些基礎元件描述的是預算而非政策。額度是一個持續的總額。允許清單是一個集合成員資格測試。最大交易金額是一個每次請求的限制。每一個都是針對目前付款與固定限制進行評估，沒有一個能表達付款之間的關係。

平台團隊通常想要的規則會表達關係。一個代理程式只能支付它已經對照核准目錄檢查過的供應商。它不能在一小時內為同一件事支付兩個供應商。它必須在第一次向新商家購買前取得核准。每一個都需要針對序列而非目前請求進行推理。

並行性提出了相關問題。代理程式會平行發出動作，因此多筆付款可能在尚未扣減額度的情況下進行檢查，且每一筆都通過了它們總和已超過的上限。Cloudflare 尚未公布其額度在並行支出下的行為，這在讓代理程式無需逐筆核准即可交易前值得先確認。

這種模式並非 Cloudflare 特有。此領域的供應商推出的都是限制而非政策語言，而每一家都將這些限制的組合留給上層應用程式。

對正在評估代理程式付款的團隊來說，問題很明確。支出政策應該存在於錢包還是應用程式？當多個代理程式動作平行執行並使用同一筆預算時會發生什麼？以及供應商提供的是限制還是語言，因為這決定了有多少東西必須自行建置。

x402 是一條可運作的軌道，而誰來治理它的問題也已解決。一個代理程式在一連串付款中能夠支出多少，則尚未解決。

關於作者

Steef-Jan Wiggers

https://www.infoq.com/news/2026/08/agent-payment-rails-x402/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global

https://www.worldprogramming.org/posts/cloudflare-wallets-arrives-late-to-x402-and-the-spending-controls-stop-at-the-payment-euevty

原文發表於 lavkesh.com

如今大多數公司都會告訴你，他們正在運用人工智慧，它已融入他們的營運中，而且正在改變一切。他們談論代理、模型，以及資料流動的方式。這是普遍的共識，是你在每場研討會上都會聽到的內容。但這些組織中，不到四成能夠指出其 AI 努力帶來了任何實際的利潤或成本節省。2026 年的史丹佛 AI 指數將這個數字定在 39%，這意味著大多數組織都在 AI 上花錢，卻沒有看到它反映在資產負債表上。

這種脫節感覺很熟悉，就像看著一個團隊慶祝新服務部署到正式環境，並將其稱為勝利。真正的勝利當然是該服務*為企業帶來什麼*，它如何解決客戶問題，或如何降低特定的營運成本。同樣的模式也出現在雲端遷移上，企業將一切搬到新的資料中心供應商並宣告勝利，結果卻發現成本增加且可靠性維持不變。

對新技術的熱情往往掩蓋了定義明確、可衡量成果的艱苦工作。當我在能源管理領域時，我們有一套能預測設備故障的系統。最初的興奮點在於預測準確度、假陽性與真陽性的比例。但真正的價值來自於我們能夠證明，根據這些預測採取行動後，非計畫性停機時間減少了特定百分比，從而節省了數百萬的生產損失和維修成本。這需要將 AI 輸出整合到維護排程中、訓練技術人員，並追蹤每次避免故障的財務影響。

這正是許多 AI 專案失敗之處。工程師打造出一個聰明的模型，產品團隊為它找到位置，領導階層宣布採用。大家都感覺良好。但接著專案預算膨脹、模型開始漂移，而維護它的營運成本開始侵蝕任何理論上的獲益。Gartner 預計明年將有超過 40% 的代理式 AI 專案被擱置，因為投資報酬率不明且成本過高。光說 AI 正在運行是不夠的；你還必須說出它正在賺取或節省什麼。

問題始於關於 AI 的討論大多是技術性或抱負性的。我們談論 AI *能* 做什麼，而不是*這個特定 AI* 正在為*這個特定項目* *實際* 做什麼。焦點轉移到採用指標——有多少使用者、有多少模型、每秒有多少推論——而不是業務指標，例如降低客戶流失率、加快交易處理速度，或可直接歸因於 AI 影響的銷售轉換率提升。

想想餵養這些模型所需的資料管線、持續的重新訓練、對偏差或漂移的監控。每個步驟都伴隨著成本，無論是基礎設施還是人力投入。如果你的 AI 正在自動化一項每月花費一百美元人力時間的任務，但 AI 本身每月運行和維護卻要花兩百美元，那你就沒有贏。這看起來很明顯，但我見過許多團隊過度專注於技術的「酷炫」，而忽略了基本的算術。

建立從 AI 功能到損益表的清晰可視線，需要工程、產品和財務團隊之間的合作，使用他們都能理解的語言。這意味著定義成功不僅是模型準確度，還要用金錢來衡量。你需要知道 AI 正在解決什麼問題、用 AI 解決它的成本是多少，以及替代方案的成本又是多少。若沒有這些，你只是在把錢砸在一個有前景的想法上。

也許最大的挑戰在於，衡量真正的最終獲利影響很困難，比計算部署了多少模型或處理了多少資料點還要難。這意味著要提出棘手的問題，有時是在初始投資多年後，並且願意承認某件事行不通。這意味著要把 AI 視為不是神奇子彈，而是工程工具箱中的另一項工具，它必須像任何其他軟體一樣證明自己的存在價值。

https://dev.to/lavkeshdwivedi/ai-is-everywhere-except-the-balance-sheet-184c

https://www.worldprogramming.org/posts/ai-is-everywhere-except-the-balance-sheet-8pdhrs