DeepSeek V4 是中國 AI 公司深度求索發布的新一代對話 AI 模型（就像 ChatGPT 一樣，能用文字對話、寫程式、分析文件的人工智慧）。這個模型採用「MoE」架構（混合專家，Mixture of Experts，就是把 AI 拆成很多小專家子網路，每次只啟動其中幾個來回答問題，大幅節省計算資源與費用），總參數（可以理解成 AI 的「記憶格數」）高達 1.6 兆個，但每次實際推理時只動用約 490 億個，讓使用成本遠低於參數量相近的模型。在學術標準測試（benchmark，給 AI 出考題看答對率，用來比較不同 AI 的能力）中，V4-Pro 的程式撰寫（LiveCodeBench 93.5%）與邏輯推理（GPQA Diamond 90.1%）進入全球頂尖水準，軟體工程任務（SWE Verified 80.6%）幾乎與 Anthropic 的 Claude Opus 4.6 持平（80.8%）。更關鍵的是，V4 的 API（應用程式介面，讓開發者付費呼叫這個 AI 的服務）定價大幅低於同等級競品，業界稱之為「定價破壞者」，可能迫使 OpenAI、Google 等公司重新評估高階方案收費策略；同時模型以 MIT 授權開放權重（open weights，就是把 AI 的完整參數公開，任何人都可以下載、自行部署或修改），讓開源社群能快速整合與量化（將模型壓縮到消費級硬體可跑的大小）。
假設我的公司有一套法律文件審核流程，每天需要讓 AI 讀取一份 200 頁的採購合約（約 30 萬中文字），找出所有付款條款、違約罰則與爭議仲裁條款，並輸出結構化摘要。用過去的做法：主流模型的上下文視窗（AI 一次能讀的文字量上限）大多在 20 萬字以內，必須把合約切成 10 段分批送入、再人工彙整結果，不但容易因切割位置不當漏掉跨頁條款，API 費用也因為多次呼叫而疊加。換用 DeepSeek V4-Flash，它支援最多約 75 萬個英文單字（即 100 萬 token，token 是 AI 計量文字的單位）的單次輸入，200 頁合約可以整份一次丟入，不需分割，AI 能看到完整上下文後再回答，避免跨頁條款遺漏。同時 V4-Flash 的輸入費率比 GPT-4o 或 Claude Sonnet 低數倍，同樣一份合約的處理成本下降明顯。對開發者而言，只需把原本呼叫 OpenAI 的程式碼中的 endpoint 換成 DeepSeek API、model 名稱換成 deepseek-v4-flash，幾乎零改動即可上手。唯一要注意的是：V4 在「事實知識正確率」（SimpleQA-Verified 57.9%）仍落後頂尖模型，若需要高精度的法律事實查詢（如特定法條內容），仍建議搭配外部檢索資料庫做驗證，不要直接信任模型的記憶。
GPT-5.5 是 OpenAI 最新推出的旗艦 AI 對話模型，於 2026 年 4 月 25 日正式開放 API（讓開發者可以在自己的程式裡直接呼叫這個 AI 的介面）。它在業界廣泛使用的「Artificial Analysis Intelligence Index」（一種整合多項測試、用來跨模型比較整體能力的 AI 綜合評分表）上以 60 分拿下第一，超越 Anthropic 的 Claude Opus 4.7 與 Google 的 Gemini 3.1 約 3 分。在代理任務（讓 AI 自動規劃並執行多步驟工作）和數學推理等評估上大幅領先競爭對手，但在 BullshitBench（專門測試 AI 是否會「編造不存在的事實」的評估）上，GPT-5.5 的幻覺錯誤率（AI 自信說出錯誤或虛構內容的比率）高達 86%，而 Claude Opus 4.7 同測試只有 36%、Gemini 3.1 也只有 50%，差距相當驚人。API 定價為每百萬輸入 tokens（AI 處理的文字單位，大約 750 個英文單字等於 1000 tokens）5 美元、輸出 30 美元，名目上是前一代的兩倍，但 OpenAI 說因為新模型更精簡、使用的 tokens 少約 40%，實際費用只多約兩成。
我想讓 AI 自動執行一連串終端機指令（比如：自動部署程式、依序跑多個腳本、根據輸出結果做判斷再繼續下一步）。用 GPT-5.5，它在 Terminal-Bench 2.0（測試 AI 操作終端機指令能力的評估）拿到 82.7%，意思是大多數複雜的多步驟指令任務它都能跑完，Claude Opus 4.7 在同測試只有 69.4%，差了 13 個百分點，實際上就是失敗率更低、需要人工介入的次數更少。但如果同一個工作流程裡要 AI 同時撰寫技術說明文件，GPT-5.5 的幻覺率高達 86%，很可能寫出「根本不存在的 API 參數名稱」或「錯誤的技術規格說明」，每一句話都必須人工核查；而 Claude Opus 4.7 幻覺率只有 36%，文件內容可信度高出一截。實際使用上，指令執行類任務選 GPT-5.5，需要高正確率的正式文件輸出則選 Claude Opus 4.7，是目前兩個模型最適合的分工方式。
Alibaba 在 2026 年 4 月 25 日發布了 Qwen3.6-27B，這是一款擁有 270 億個「參數」（就是 AI 模型裡面學到的數值，數量越多代表模型越大）的人工智慧語言模型，特別擅長寫程式與解決工程問題。最驚人的地方在於：這個「小」模型在多項程式碼能力測試中，竟然打敗了比自己大 14.7 倍、擁有 3,970 億個參數的前代模型 Qwen3.5-397B——在真實 GitHub（全球最大程式碼共享平台）問題修復測試 SWE-bench Verified（由真人驗證的工程修 bug 任務，分數越高代表模型解決真實問題越強）中得分 77.2，勝過前代的 76.2。這款模型完全開源免費，可以在消費級顯卡（例如 RTX 5090，一張約 2,000 美元的個人電腦繪圖卡）上單卡運行，本地部署費用只有 OpenAI GPT-4o API 的 1/77、Claude Opus 的 1/192，讓個人開發者和小團隊也能用到接近頂級商業模型的程式碼生成能力。這次發布也代表一個重要趨勢：靠著架構創新（混合使用計算效率更高的線性注意力和傳統注意力機制），AI 模型不再需要無限堆大參數量，小而精的模型在特定任務上可能更有競爭力。
假設我是一位接案工程師，需要把客戶 GitHub 上有 200 個 bug issue 的舊程式庫逐一修復，每次都要送給 GPT-4o 分析，費用按每百萬個 token（token 就是 AI 處理文字時的最小單位，大約 1,000 個 token 等於 750 個英文字）計費，很快就累積到幾百美元。改用 Qwen3.6-27B 本地部署後，同樣任務在自己電腦上跑，每百萬 token 的攤銷成本只要約 0.13 美元，比 GPT-4o 便宜 77 倍。具體流程是：在配有 RTX 5090 的電腦上安裝 vLLM（一套加速 AI 推理的開源框架），下載 Q6_K 量化版（把模型壓縮成約 18GB 的精簡版、精度幾乎不損失），用一行指令啟動本地推理服務，之後像呼叫 API 一樣把 bug 描述和程式碼送進去，模型每秒可輸出約 80 個 token，即時給出修復建議。對比舊做法的付費 API，這套本地方案月費主要是電費和顯卡折舊，總成本可壓到原來不到 2%，而且程式碼不需上傳外部伺服器，對有保密需求的客戶專案尤其重要。
HuggingFace（全球最大 AI 模型社群平台）於 2026 年 4 月 21 日開源了一個叫做 ml-intern 的工具，讓電腦自動幫你做「機器學習工程師」（就是設計、訓練 AI 模型的工程師）的工作。傳統上，ML 工程師要花大量時間手工查論文、整理資料、跑訓練程式、評估結果，再反覆調整——這些步驟全部分散，要靠人把它們串在一起。ml-intern 把這整個流程自動化：它能自己讀論文、抓資料、訓練模型、評估效果，還能在失敗時自動修正重試，最多可以跑 300 次迭代（就是嘗試 300 輪）。實測結果顯示，在單張 H100 顯示卡（目前最頂級的 AI 訓練用 GPU）、10 小時的限制內，它把 GPQA（一個用來衡量 AI 解答研究所等級難題能力的測驗）的成績從約 10% 拉高到 32%，甚至比 Claude Code 的 22.99% 還高。不過它目前主要依賴 HuggingFace 自家生態系，仍需要工程師在關鍵節點審核確認，定位更像是「AI 實習生與資深工程師協作」，而非完全取代人類。
我是一個 ML 研究員，我想重現 DeepMind 某篇論文裡的 MATH-500 數學基準測試實驗——這通常要自己找論文、理解方法、設定訓練環境、跑實驗、評估結果，可能要花好幾天。用 ml-intern 的做法：先 pip install ml-intern 安裝工具，設好 HuggingFace 的 API 金鑰（HF_TOKEN，就是存取 HuggingFace 平台的密碼），然後執行 ml-intern run --task posttrain --model Qwen3-1.7B --budget-hours 2 指定模型和時間預算，再跑 ml-intern eval --benchmark gpqa 評估效果。系統會自動去找相關論文和資料集、訓練模型、跑評估，遇到失敗自動重試並修正方向。官方實測案例顯示，agent 在 15 分鐘內完成了 DeepMind 論文基線的重現，MATH-500 的數學測試分數從原本的 45% 提升至 65%。對比舊做法：工程師要手動串接各種工具、四處找資料、每次失敗都要自己診斷原因——現在改成「設定好目標讓 AI 跑、在關鍵節點按確認」，大幅減少重複的手工作業。
小米（就是做手機的那個小米）於 2026 年 4 月推出了一款新的 AI 語言模型（就是像 ChatGPT 一樣會對話、寫程式、解決問題的 AI 系統）叫做 MiMo V2.5 Pro。它採用 MoE（混合專家模型，一種讓 AI 更省資源又更強的設計：把整個 AI 拆成很多個「專家小組」，每次回答問題只召喚需要的幾組，其餘的不啟動，省電又省費用）架構，總參數量達 1 兆（1T），但每次運作只用到 420 億（42B）個，約只動用 4% 的規模。它支援一次讀取高達 100 萬個 token 的超長文字（token 是 AI 計算用的文字單位，100 萬 token 大約等於 1,500 頁 A4 文件），非常適合分析長篇合約、大型程式碼庫或厚重報告。在 SWE-bench Pro（一個專門測試 AI 解決真實軟體 bug 的國際評測）中，它拿到 57.2%，超越了 Claude Opus 4.6（Anthropic 的頂級模型）的 53.4%，在全球 147 個模型裡排名第 8。小米已宣布「MiMo V2.5 系列即將開源」——開源就是把 AI 的完整設計圖公開，讓任何人都可以免費下載並在自己的伺服器上執行，一旦開源，將是全球首個達到頂級閉源模型水準的開放可用模型。
假設你是一家軟體公司，現在用 Claude Opus 4.6 的 API 幫工程師自動找 bug、寫測試，每月大約花 5,000 美元。改用 MiMo V2.5 Pro 後有兩個好處：第一，它的定價是每百萬 token 混合費率 $1.50，而且每次回答消耗的 token 比同等能力模型少 40–60%（因為 MoE 架構更精準，不會廢話連篇），實測下來同樣工作量月費可能降到 2,000–3,000 美元；第二，社群評測顯示它能解決「通常要用 Codex 5.3 high 才能搞定」的複雜 coding 問題，能力不輸目前最頂的閉源模型。等開源版本釋出後，你可以把整個模型下載到公司自己的伺服器跑，完全不需要付 API 費用，也不必把公司的程式碼傳到第三方雲端，適合有資料隱私或法規合規需求的企業。
2025 年 12 月，Anthropic（開發 Claude AI 的公司）在舊金山辦公室進行了一個稱為「Project Deal」的實驗。他們建立了一個類似蝦皮拍賣的二手物品市集，但所有買賣談判完全由 AI agent（一種可以自主完成任務的 AI 程式，不需要人每次確認）代替員工操作。69 名員工各獲得 100 美元的預算，讓 Claude agent 全程自動議價、談判、成交，共完成 186 筆交易，總金額超過 4,000 美元。實驗同時比較了兩個版本的 Claude：功能更強的 Opus 4.5（Anthropic 的高階旗艦模型），以及輕量省錢的 Haiku 4.5（成本較低、能力相對弱的版本）。結果發現，使用 Opus 的一方平均每筆多賺 2.68 美元（賣家）或少付 2.45 美元（買家），成交數量也更多。最令人不安的是：使用 Haiku 的員工完全不知道自己系統性地吃虧了——雙方對交易公平性的評分幾乎一樣（Haiku 組 4.05 分、Opus 組 4.06 分，滿分 7 分），差距微乎其微。Anthropic 也警告，讓 AI agent 代替人類做商業決策的法律與政策框架目前根本不存在，社會需要盡快跟上。
假設你公司要採購一批軟體工具，你用普通版的 AI agent（等級相當於 Haiku）去和供應商談合約，供應商那邊用的是更強的 AI agent（等級相當於 Opus）。你的 agent 以正常節奏詢問報價、提出需求、確認條款；對方的 agent 則能讀出你的報價底線、選擇最佳出價時機、識別哪些條件可以讓步換取更高總價，最終以表面上「雙方都滿意」的條件成交。談判結束後，你回報老闆「這次採購談得還不錯，雙方都很滿意」，但其實你已經比本可以拿到的條件多付了一筆錢，只是完全不知道。這就是 Project Deal 揭示的現實：AI 能力的差距不像棋盤輸贏那麼明顯，而是悄悄藏在每一筆看似公平的交易裡。舊做法是人對人談判，輸贏雙方都感受得到；新的 agent 對 agent 模式下，弱勢方的體感與強勢方幾乎無差——吃虧卻渾然不覺。
這是 The Sequence AI 週報第 849 期的精華整理，涵蓋過去一週最重要的 AI 動態。本週的核心主題是：AI 正從「回答問題的聊天工具」演變成嵌入真實工作流程的「自動執行層」。OpenAI 發布了 GPT-5.5（最新旗艦 AI 模型，驅動 ChatGPT 的大型語言模型（LLM），也就是那種能對話、寫程式、分析文件的 AI）、Workspace Agents（工作區 AI 助理，讓 AI 直接整合進公司的協作工具，如 Slack、ChatGPT，能跨工具執行有記憶、有權限管理的長期任務），以及 ChatGPT Images 2.0（升級版圖片生成，更好的文字渲染與視覺推理能力）。中國的 DeepSeek V4 更新至 1M token 超長上下文（意即能一次處理約數本小說份量的文字），並強化了 agent（自主執行任務的 AI 系統）能力；Kimi 2.6 則主打強化版 AI 程式碼代理。在研究面，Google DeepMind、Meta 超智慧實驗室、Stanford、CMU、微軟等頂級機構同步發表論文，涵蓋分散式訓練韌性、多模態統一模型、agent 技能持續學習、程式碼 agent 測試時擴展等前沿議題。整體趨勢是：AI 的競爭已不再只比「誰的模型更聰明」，而是比誰能讓 AI 更深入整合進真實工作環境、更可靠地「代替人做完整件事」。
假設我是一位行銷主管，每週要彙整多個來源的客戶回饋、撰寫週報、更新 Notion 頁面並通知團隊。舊做法是：手動花 4 小時從 Email、Slack、CRM（客戶管理系統）複製貼上，再花 1 小時整理成報告寄出。現在有了 OpenAI 的 Workspace Agents，我可以在 ChatGPT 裡建立一個「每週報告 Agent」：它在我授權的範圍內自動讀取 Slack 頻道訊息、Google Docs 文件、CRM 資料，理解內容後產出結構化週報草稿，更新到 Notion 指定頁面，最後在 Slack 發通知讓我確認送出。整個流程從「我花 5 小時完成」變成「Agent 跑 20 分鐘、我確認 5 分鐘」。與過去用 Zapier 這類自動化工具的差別在於：舊工具只能照固定規則搬運資料、格式一變就失效；新的 Agent 能真正「讀懂」非結構化的文字內容，遇到不確定的地方會先問你再繼續，更像一個真正能理解任務的助理。
Google 宣布對 AI（人工智慧）公司 Anthropic 投資最高 400 億美元，其中包含 100 億美元即時現金，以及五年期、高達 500 萬顆 Ironwood TPU（Google 自研的 AI 專用運算晶片，就像給 AI 用的超強計算機）算力資源。這場投資的核心爭議在於一個「循環結構」：Anthropic 拿到的錢，極可能大部分以雲端算力費形式回流給 Google Cloud，等於 Google 向自己深度了解的大客戶「放貸」，而非傳統意義上的股權投資。技術面上，Anthropic 的新一代模型 Mythos（仍在受限測試階段）已展現出在網路安全滲透測試中利用 181 個零日漏洞（就是連軟體廠商自己都不知道存在的安全破口）的能力，遠超現有 Claude Opus 4.6 只能找到 2 個的水準。Anthropic 還同步推出 Project Glasswing 安全生態系計畫，與 Amazon、Apple、Microsoft、Cisco 等八家巨頭合作，布局 AI 安全基礎設施，這是單純模型廠商做不到的護城河。整件事的深層邏輯是：算力（能訓練和執行大型 AI 的電腦基礎設施）正在取代模型本身，成為 AI 競賽中各方搶先佔位的核心資產。
假設你是企業資安工程師，想測試公司系統有沒有未被發現的安全漏洞。傳統做法是雇用滲透測試人員逐一手動測試，費時費錢且覆蓋率有限。Anthropic 的 Mythos 模型在受控測試環境中，對 Firefox 瀏覽器一次性識別並利用了 181 個零日漏洞，而現行的 Claude Opus 4.6 同樣情境下只能找到 2 個——相差約 90 倍。這種跨量級的能力提升，直接來自更大規模的算力投入：Anthropic 用 Google 提供的 5 GW（相當於一座中型城市用電量）Ironwood TPU 算力訓練更強大的模型。沒有這批算力，就像跑車沒有油，模型能力的躍升根本無從實現。對開發者來說，這意味著在 Mythos 正式發布前，現在可先透過 Claude API 的 Sonnet 系列驗證 AI 在安全分析場景的實用性，同時等待下一代模型帶來的能力跳躍。
美國聯準會（Fed，就是美國的中央銀行，負責管理全國金融政策）的研究人員在 2026 年 3 月發表論文，用大規模勞動統計數據發現：ChatGPT（一種會對話的 AI，2022 年 11 月上線）問世後，美國程式設計師相關職位的就業成長率幾乎腰斬。在 ChatGPT 上線前，程式設計類工作每年增長約 5%，遠高於整體就業市場；上線後這個成長率大幅放緩。研究者估算，2022 到 2025 年間有約 50 萬個程式設計職位「本來應該被創造出來、但沒有出現」，他們稱之為「未誕生的職位」。衝擊最集中的是初級（entry-level，就是剛出社會或轉職進入程式設計領域的新人）職位，以及 IT 外包合約商（幫其他公司寫程式的外包廠商，占全美程式設計師就業約三分之一）。值得注意的是，現有工程師的薪資並未明顯下滑，缺口表現在「企業少招人」而非「大量裁員」，是一種靜默的結構調整。不過，聯準會同期還有另一份研究得出相反結論：高 AI 採用率的企業並未減少整體職缺張貼數，兩份論文的分歧至今仍是學界爭論焦點。
想像一位 2025 年剛從資工系畢業的學生正在找第一份工作。幾年前，Accenture、TCS 或國內軟體接案公司這類 IT 外包廠商，每季都會批量招募幾十位初級工程師，任務是：幫客戶寫標準功能模組、把 API 文件轉成程式碼、修常見 bug、做測試。這些工作有固定套路，學完就能上手。現在，這些公司讓一位資深工程師搭配 GitHub Copilot（一種 AI 輔助寫程式工具）或 ChatGPT，就能在同樣時間內完成過去需要五位初級工程師才能做完的量。結果是：這位剛畢業的學生投了五十家公司，發現很多初級職缺已從招募頁面消失，或要求「要有三年以上實務經驗」才考慮。薪資沒跌，但門根本沒開——這就是這份研究所說的「未誕生的職位」。
Matt Pocock 是 Total TypeScript（一個知名 TypeScript 教學平台）的作者，他把自己平常使用 Claude Code（一種讓 AI 直接輔助寫程式的工具）的工作流程整理成一個開源資料庫，放到 GitHub（一個程式碼分享平台）上供所有人免費使用。這個資料庫包含 17 個「技巧」（skills），每個技巧是一份小型文件，告訴 Claude Code 在特定情境下應該怎麼行動，例如怎麼釐清需求、怎麼跑測試驅動開發、怎麼避免下錯誤的 git 指令。截至 2026 年 4 月，這個資料庫已累積超過 20,900 顆星，成為近期 AI 工具類開源專案中爆紅的代表作。其中最受歡迎的技巧叫 `grill-me`，光在 X（前身為 Twitter）就獲得約 15.8 萬次瀏覽——它的功能是強迫 Claude Code 在動手寫任何程式碼之前，不斷追問使用者，把所有需求和細節問清楚才停手。
假設你想讓 Claude Code 幫你做一個「會員後台管理系統」。以往直接說「幫我做個後台系統」，AI 可能馬上開始寫，但因為需求沒說清楚（比如：要幾種帳號權限？要匯出 CSV 嗎？手機版需要支援嗎？），寫到一半才發現方向不對，前功盡棄。安裝 `grill-me` 技巧後，你輸入需求，Claude Code 不會立刻動筆，而是開始連續追問你各種決策點——「你希望管理員有哪些權限？」「資料要怎麼匯出？」「需要支援多語言嗎？」——這個訪談過程通常約 45 分鐘。等你把所有答案回答完，AI 才開始動工。最終結果是：實際寫出來的系統更貼近你真正想要的，而不是一個「看起來差不多但還要大改」的半成品。安裝只需一行：`npx skills@latest add mattpocock/skills/grill-me`。
ComfyUI 是一款開源的 AI 創作工具，讓使用者透過「節點式工作流程」（就是把整個 AI 生成任務拆成一個個可視化的小積木步驟，每個積木叫「節點」，創作者可以在每一步插手調整，不用全部交給 AI 自己決定）來生成圖片、影片和音訊。與市面上多數工具「只能輸入一句提示詞讓 AI 一次生成結果」的方式不同，ComfyUI 讓創作者像導演一樣在流程每個環節控場，大幅提升生成結果的穩定性與可控性。2026 年 4 月，ComfyUI 宣布完成 3,000 萬美元（約台幣 10 億）的融資，公司估值達到 5 億美元，累計融資金額達 4,800 萬美元，由知名創投 Craft Ventures 領投。目前平台已有超過 400 萬名用戶、社群共建了 6 萬個自製節點，每天下載量超過 15 萬次，並在 2026 年 3 月正式推出 App Mode 與 ComfyHub 雲端服務，逐步從純開源工具走向商業平台。
廣告公司 Silverside AI 使用 ComfyUI 製作 SVEDKA 伏特加的 2026 年超級盃電視廣告——這是業界首支以 AI 工具為主力製作的超級盃廣告。過去用傳統「prompt-only」方式（就是只靠輸入一段文字讓 AI 一次生成畫面），首次嘗試的準確率大約只有 60%~80%，也就是說每 10 個鏡頭就有 2~4 個跑掉，必須反覆重新指示。改用 ComfyUI 之後，Silverside AI 的團隊把廣告製作流程切成多個節點步驟——先生成背景，再疊加人物，最後加光影特效——人類創作者在每一站確認並微調，才繼續下一步，等於是「人機協作每一個環節」而非全部押寶在最終輸出。結果是：出稿效率大幅提升，播出品質能夠穩定達標，不再依賴運氣。
2026 年 4 月，加拿大 AI 公司 Cohere 宣布收購德國 AI 公司 Aleph Alpha，合併後的公司估值約 200 億美元。這次合併背後有一個關鍵概念叫做「主權 AI」（Sovereign AI，意思是一個國家或企業的 AI 資料和運算，完全在自己管轄的伺服器上處理，不透過美國科技巨頭如 Google、Microsoft 的雲端服務路由），歐洲政府和高監管產業（如金融、醫療、國防）對此有強烈需求。Cohere 擅長做通用的大型語言模型（LLM，就是 ChatGPT 這種能對話、寫文章的 AI），在全球企業市場有一定份額；Aleph Alpha 則專攻歐洲語言的 AI 和小型語言模型（SLM，相對 LLM 更輕量、更適合在特定場景客製化部署），兩者技術互補。這次合併獲得德國零售巨頭 Schwarz Group（Lidl 超市母公司）以 5 億歐元參與 Series E 輪投資，並獲得加拿大與德國政府雙雙背書支持，整合後平台計劃優先運行於 STACKIT 主權雲（德國本地、受歐盟法律管轄的雲端基礎設施）。
假設我是一家德國醫院的 IT 主管，需要導入 AI 助理幫助醫生撰寫病歷摘要，但德國醫療法規（GDPR 等個資保護規定）要求病患資料不能離開歐盟伺服器，更不能傳送到美國公司的雲端。過去的選項是：要嘛用功能有限的歐洲小廠 AI，要嘛冒法規風險使用 OpenAI 或 Claude。合併後的 Cohere + Aleph Alpha 平台，計劃在 STACKIT 主權雲上運行，同時具備 Cohere 的英語企業 LLM 能力與 Aleph Alpha 的德語語言模型專長。理論上，醫院可以在合規前提下取得功能更完整的 AI 服務——既不違反資料主權法規，也不需要在語言能力上妥協。差異在於：舊做法是在合規與功能之間二選一，新方案理論上兩者兼顧。不過目前合併仍在等待監管機構批准，整合時程尚不明朗，開發者和企業採購方需等待明確產品路線圖再規劃遷移。