NVIDIA 官方公布 DGX Spark 針對自主式 AI 代理的實測數據，其中最容易被誤讀的一點是：效能表中的「提示處理吞吐」與「token 生成吞吐」相差約兩個數量級。Nemotron 3 Super 120B 的提示處理達每秒 2,855 個 token，實際產出文字則為每秒 18 個。本文完整呈現原表五欄數據、說明 120B 模型得以放入 128GB 的真正原因（NVFP4 四位元量化，而非 MoE 架構），並整理多節點擴充在微調與推論上的差異，藉此釐清這台機器適合與不適合的用途。
探討 ERP 導入 AI 的內容多出自 ERP 廠商，結論一致指向「無須汰換系統、串接 API 即可」，卻略過了成本最高的另一半：這些資料最終在哪一台機器上運算。本文銜接軟體與硬體兩端，說明四種資料接法的取捨（唯讀檢視表、固定工具、RAG、Text-to-SQL）、ERP 場景九成不宜採用微調的原因、雲端與地端的分流原則，以及各情境對應的顯示記憶體與機型。內容源自 MAQ 自身 ERP 導入 AI 的實作經驗，並說明過程中的三項限制。
Apple 官方 WWDC26 影片示範：不連雲端、不用訂閱，用 MLX 讓完整的 AI 代理工作流全程跑在 Mac 上——OpenCode 接本機模型、Xcode 直接內建、還能擴展到多台 Mac。我們解析影片，並誠實對照 MAQ 的 Mac 工作站線。
BBC 介紹 2026 世界盃官方球 adidas TRIONDA——內藏 500Hz 感測器、每秒回傳 500 次資料給 VAR。我們解析它怎麼運作（其實 AI 在後端的感測器融合＋電腦視覺，不是球裡），以及同一套「電腦視覺＋即時推論」如何在製造、零售、保全、運動科學落地，背後都吃 GPU 算力。
雲端與地端怎麼算才划算、跑某個模型要買幾張卡、RAG 知識庫地端化怎麼選——MAQ 技術團隊把採購會遇到的難處與評比一次說清楚。完整選機邏輯見 AI 硬體選購指南 →
