巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻
巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻

巨頭不是為 SMB 而設計，卻意外改變了 SMB 的 AI 部署門檻 工程師思路系列・事出必有因 ｜ Mr. τ／風雲網通系統 如果把近兩年大型模型（Google、Meta、DeepSeek、阿里、Moonshot 等）的演進整理起來，可以發現一件有趣的事： 幾乎沒有任何一項技術，是專門為 SMB 本地部署而設計。 各家模型公司真正追求的，始終是資料中心的吞吐量（Throughput）、降低雲端服務成本、增加併發（Concurrency），以及降低每百萬 Token 的推論成本。 然而，這些為龐大雲端設施打造的底層技術，透過開源與社群的轉譯，最後卻讓只有雙卡 RTX 3060 12GB、甚至 Mac Studio 的 SMB 使用者，意外成了最大的受益者。 要理解這股紅利如何傳導到地端，不能只看單一名詞，而必須用系統工程的三層架構來拆解。更重要的是，這三層並非平行存在，而是嚴格的依賴與傳導鏈： 模型架構（決定天花板） → 推論框架（決定能不能跑） → 部署技術（決定有沒有資格入場） 例如：MLA 再強，如果推論引擎沒有支援，SMB 一樣享受不到；反過來，GGUF 量化格式再成熟，如果模型本身缺乏 GQA 或高效設計，VRAM 還是會被 KV Cache 瞬間撐爆。唯有三者同步成熟，地端的性價比甜蜜點才會出現。 第一層：模型架構層（決定天花板） 一 MLA（Multi-head Latent Attention）— 以 93.3% 壓縮率突破 KV Cache 瓶頸... » read more

0
Read
steven
[長篇] PC 平台演化與相容性失效的統一解釋框架 — 契約失效模型 Contract Failure Model (CFM)
[長篇] PC 平台演化與相容性失效的統一解釋框架 — 契約失效模型 Contract Failure Model (CFM)

契約失效模型 Contract Failure Model (CFM) 二十年 PC 平台演化與相容性失效的統一解釋框架 作者：Mr. τ　／　風雲網通系統有限公司 PCPiLOT　工程師思路系列　2026 年 7 月 摘要 本文提出「契約失效模型」（Contract Failure Model，CFM），作為解釋 2009 至 2026 年間 PC 平台相容性失效現象的統一理論框架。 傳統觀點認為電腦被淘汰的主因是硬體效能不足，然而透過對二十年現場案例的系統性歸納，本文發現真正的淘汰機制來自另一個方向：系統各層之間的隱性能力假設（即「契約」），在使用者不知情的情況下，被標準組織、作業系統開發者、平台廠商或硬體供應商單方面終止或改寫。 CFM 將所有失效形式收斂為四個維度：執行能力斷裂、溝通能力斷裂、維護能力斷裂、取得能力斷裂。在決策層，本文進一步提出四色交通燈評級系統，將抽象的四維狀態轉換為可直接用於現場判斷的風險評級，並指出同一台機器在不同用途下可以同時存在不同的 CFM 評級。 本框架目前屬於描述性但結構穩定的工程級理論，已可跨時代、跨平台、跨廠商一致地解釋系統失效現象，並具備直接的現場可操作性。 一、緣起：從一份舊電腦清單開始 這套理論的起點，是一份非常普通的清單。 作為服務台中中小企業的 IT 委外顧問，手邊長年累積了各種年代的筆記型電腦，從 2009 年的 ASUS F6V 到 2017 年的 ASUS P2530U，橫跨整整八年。每一台都面臨同一個問題：該繼續用，還是汰換？ 最初的問題只是：「這台電腦能不能順利播放 YouTube？」但隨著案例愈積愈多，一個更深層的問題逐漸浮現：為什麼有些電腦是「跑得慢」，有些卻是「完全不能用」？效能不足和功能缺失，這是兩件性質完全不同的事。 這個問題，引發了二十年現場經驗的系統性回顧，最終形成本文所提出的契約失效模型。 1.1　案例清單 以下為本文分析所依據的硬體案例集，涵蓋 2009 至 2017 年間的八個代表性機型，並標注各機型已觸發的 CFM 限制條件：... » read more

0
Read
steven
規格表贏了，然後呢？從 Intel ARC 驅動更新看半導體競爭的真實邏輯
規格表贏了，然後呢？從 Intel ARC 驅動更新看半導體競爭的真實邏輯

工程師思路系列・事出必有因 規格表贏了，然後呢？ 從 Intel ARC 驅動更新看半導體競爭的真實邏輯 Mr. τ・風雲網通系統・2025 最近看到 Intel ARC 系列顯示卡發布了新版驅動程式，點進去看更新內容，發現絕大多數都是 bug fix——修這個、修那個，幾乎沒有新功能或性能提升。 這讓我停下來想了一下。 因為如果只看硬體規格，Intel ARC B580 其實不差。12GB GDDR6、192-bit 記憶體介面、繪圖記憶體頻寬 456 GB/s——放在同價位段，這個數字完全不輸競品，甚至超過不少對手。 規格表上，Intel 這次是認真做的。但驅動更新清單告訴你另一件事：規格表贏，不等於產品力贏。 一、NVIDIA 與 AMD 這十幾年鋪了什麼 要理解 Intel ARC 面對的困難，必須先搞清楚對手這十幾年到底累積了什麼。這些東西不會出現在規格表上，但全部都是真實的護城河。 第一層：幾千款遊戲的相容性資料庫。每一款遊戲都有自己的怪癖——特定的渲染 API 用法、記憶體存取模式、多執行緒行為。NVIDIA 和 AMD 的驅動裡，藏著多年來針對個別遊戲調校的 profile，有些甚至是為了修一個特定遊戲的特定場景而存在的 workaround。這個資料庫是時間換來的，沒有捷徑。 第二層：開發者生態的綁定。NVIDIA 的 CUDA 已經成為 AI 運算的事實標準，PhysX、DLSS 讓遊戲開發者主動針對 NVIDIA 優化。AMD 則有 FSR 和 ROCm 在追趕。這些工具不只是功能，而是讓開發者在設計產品時就預設你存在——這種綁定一旦形成，競爭者要切入的成本極高。... » read more

0
Read
steven
Windows 11 更新，有時，不是越新越好
Windows 11 更新，有時，不是越新越好

PCPiLOT FIELD NOTES ✦ 工程現場實錄 Windows 11 更新，有時，不是越新越好 一台 Q470 主機板，三層電源管理的通關紀錄 2026-06 ✦ Mr. τ／風雲網通系統 這篇文章不需要你懂 BIOS 或 Windows 更新機制。 它講的是一件很多人用過幾年的電腦都可能碰到的事：Windows 11 更新越裝越新，機器卻開始出現各種說不清楚的怪現象。睡眠有問題、關機有問題、更新裝不進去——每一個問題看起來都不一樣，但追到最後，指向的是同一個方向。 這是一次真實的維修通關紀錄，也是我交機時跟客戶說的那段話。 起點：以為只是換一顆 SSD 鄰居送來一台 ASUS 商用機（Q470 晶片組），SSD 故障。好消息是還在保固內；壞消息是原廠更換要等兩週。最近 SSD 漲價四到六倍，客戶很冷靜：「等就等。」 於是我用工程部備用的 SATA SSD，做了一次乾淨的 Windows 11 24H2 安裝，讓機器先恢復正常使用。等原廠 SSD 修返，再用系統複製工具把整個環境搬過去。補完主機板驅動，讓 Windows Update 慢慢跑。一切看起來只是例行維修——直到更新開始跑。 ⚠️ 關卡一：DISM 都過了，更新還是卡在 98% KB5095093（選用預覽更新）安裝 → 重新開機 → 更新到 98%... » read more

0
Read
steven
一台印表機故障，如何長出一套診斷工具
一台印表機故障，如何長出一套診斷工具

從一次客戶故障，到一套診斷工具的誕生 工程師思路系列：好心辦壞事 —— 一台印表機故障，如何長出一套診斷工具 有些問題，看起來像設備故障。 有些問題，看起來像驅動程式損壞。 但真正深入追查後才發現， 問題其實來自一個原本出於善意的設計。 這次的個案，就是如此。 問題出現 家中有一台 HP Smart Tank 510 無線印表機。 多台 Windows 11 電腦長期正常使用。 但其中一台電腦，某天開始突然無法列印。 更奇怪的是： 測試頁正常 印表機狀態頁正常 Ping 正常 印表機顯示 Online 唯獨 PDF 與 Word 文件送出後， 印表機只動一下就停住。 彷彿設備正常， 卻又無法真正工作。 第一輪排查 遇到這種問題時，最重要的不是急著修復， 而是先排除錯誤假設。 於是開始逐項驗證： 重新安裝 HP 官方完整驅動 確認 Wi-Fi 連線正常 確認其他電腦可正常列印 確認印表機韌體正常 確認網路可正常 Ping 通 結果全部通過。 問題依然存在。 此時可以確定： 印表機本身並沒有壞。... » read more

0
Read
steven
三個不同案例，相同的處理態度與思路
三個不同案例，相同的處理態度與思路

三個不同案例，相同的處理態度與思路 —— 事出必有因系列：不放棄，往問題核心一層層剝去 今天處理了三個 SMB 客戶的現場案件。 網站與信箱突然全部中斷、NAS 權限設定怎麼改都沒用、診所印表機突然不能列印。 三件事看起來毫無關聯，但處理完之後，我發現它們其實在說同一件事： 每一個「突然壞掉」，都只是入口。真正的工作，是從入口走進去，一層一層，直到找到那個改變的點。 案例一｜公司網站與信箱同時消失 客戶早上傳訊息過來：「官網打不開，寄出去的信全部退回。」 第一反應不是叫他去問主機商。 因為網站無法存取，不一定是主機壞了。第一順位的懷疑，是 DNS。 查了 WHOIS，果然——域名出現了 clientHold 狀態。 這個狀態代表：域名在註冊商端被暫時凍結，整個 DNS 解析鏈中斷，網站、信箱、所有對外服務，全部同時消失。 問題是，這個案件牽涉四個環節： 環節 負責方 域名註冊 國外供應商 Tucows，台灣由遠振代理 網站架設 另一家廠商維護 郵件服務 Google 代管 現場 IT 客戶自行處理 四個環節，沒有一個有完整的第一手資訊。能做的，是透過即時聊天持續與客戶確認現象，同時用 DNS 查詢工具監測狀態，逐層排查。 大約三、四個小時後，clientHold 自動解除，服務恢復正常。 原因？到現在還沒有明確答案。 這就是某些案件的現實——你找到了問題在哪裡，但「為什麼發生」這個問題，有時候沒辦法有完美的結論。 📌 企業主應該知道的事 域名是你公司數位資產的地基。地基出問題，上面所有東西同時消失——網站、信箱、一切對外的數位服務。 它不在你的主機上，不在你的 IT 人員手裡，它在域名註冊商那裡。 幾個值得確認的問題：你的域名在哪家註冊商？續費通知寄到哪個信箱？負責人離職後，這些資訊還在公司手裡嗎？ 案例二｜NAS 權限設定怎麼改都不生效 建築師事務所，Synology NAS。 管理員反映說有兩個資料夾的存取權限怎麼設都沒用——帳號正常，操作步驟也對，就是不生效。... » read more

0
Read
steven
收斂的委員會：Decision Convergence Engineering 的一次實踐
收斂的委員會：Decision Convergence Engineering 的一次實踐

個案經驗分享 · AI 應用實戰 · 決策工程 收斂的委員會 Decision Convergence Engineering 的一次實踐 人越多，越難收斂——這是多數人對開會的印象。但我的經驗剛好相反：當與會者全是 AI，收斂速度反而比任何真人委員會都快。 Mr. τ ／ 風雲網通系統　·　2026 🤔 一個違反直覺的觀察 很多人對開會的直覺是：人越多，立場越多，越難有結論。 這個直覺在真人世界裡完全正確。但當與會成員換成 AI 助理，這個規律就失效了。 我長期使用多模型合議來輔助重大決策，觀察到一件事：AI 委員會的發散速度很快，收斂速度也很快。 而且幾乎不需要主席強行裁決——觀點的碰撞本身就會自然篩選出值得保留的東西。 ⚖️ 真人委員會 vs AI 委員會 真人委員會難以收斂，不是因為人不夠聰明，而是因為人帶著太多與問題本身無關的東西進入討論： 真人委員會的阻力 AI 委員會的特性 權力鬥爭與派系利益 ✔ 無組織政治 面子問題、不願認錯 ✔ 無自我防衛 情緒反應與歷史包袱 ✔ 每次對話都是新的起點 部門本位、各守地盤 ✔ 只針對問題本身給出立場 開會時間有限、精力有限 ✔ 幾分鐘內給出有結構的完整立場 AI 之間觀點不同，但沒有任何一個模型有「贏過其他模型」的動機。它們只是在回應問題本身。這讓討論的訊噪比大幅提高。 🧭 實際流程是這樣跑的 我的主導... » read more

0
Read
steven
AI 時代工作法企業 AI 治理知識工程
AI 時代工作法企業 AI 治理知識工程

AI 時代工作法 企業 AI 治理 知識工程 你不需要懂 AI， 但你需要當市長 從三個真實事故，長出來的企業 AI 治理架構 Mr. τ／風雲網通系統有限公司  ·  2026 有一次，我交代一個任務給 AI 助理。 它沒有問我任何問題，直接開始工作。 三十分鐘後，它回報完成了。 但它做的，不是我要的那件事。 它自己判斷了工作範圍，自己決定了方向，然後非常認真地，走錯了路。成本，照單全收。 這不是特例。這件事在不同形式下，我遇到了很多次。 每次我都在想同一個問題： 如果 AI 不知道邊界在哪裡，它會自己畫一條。 而那條線，不一定是你要的那條。 這個問題，帶過人的主管都遇過。新進員工摸不清楚狀況，做了一堆不在範圍內的事；外包廠商沒有接到明確指令，就按照自己的習慣走。AI 也是一樣——只是它做事的速度快很多，所以走錯的代價也大很多。 後來我把這些事故整理了一遍，發現它們都指向同一個根本原因： 不是 AI 不夠聰明。而是沒有人在治理它。 這也是我後來畫出這張圖的原因。 ［ 五層市政廳架構圖 ］ 人類治理 → AI 協作 → 文件系統 → 知識中心 → CSP 基礎設施 這張圖把企業 AI 協作拆成五層。每一層，我都曾經在真實事故裡感受過「缺了它會怎樣」。 以下，我用三個事故來解釋這張圖。 事故一：它很認真，但沒有人告訴它邊界在哪裡... » read more

0
Read
steven
AI 沒有猜錯，但我還是不知道自己在看哪一張 RTX 3060
AI 沒有猜錯，但我還是不知道自己在看哪一張 RTX 3060

AI 沒有猜錯，但我還是不知道自己在看哪一張 RTX 3060 從 GPU Name、Index、Bus ID 到 VBIOS Version，一場關於「可信觀測點」的除錯旅程 最近在研究 Ollama 與 llama.cpp 的 GPU 排程行為。一開始只是想搞清楚幾個小問題：為什麼 Windows 工作管理員看到的數字，跟 nvidia-smi 看到的不太一樣？為什麼有些模型看起來應該跑在某張卡上，行為卻又不像？ 查著查著，我突然發現一個更根本的問題： 我根本不知道自己正在看哪一張 RTX 3060。 我的機殼裡插著三張長得一模一樣的 RTX 3060：同晶片、同 12GB 容量、外觀幾乎沒有差別。當兵時學過「四清、兩點、五查、三找」，裝備識別一個都不能少。沒想到二十年後在自己家裡，我被三張顯示卡逼著把這套紀律重新拿出來用——而且用得比當兵時還狼狽。 GPU 識別其實不是問題本身。它是為了驗證推論系統行為，不得不先解決的前置問題。觀測點如果不可信，後面所有的推論都會跟著錯。以下是這趟除錯的完整過程，包含 AI 助理陪我一起猜錯的每一層。 四層誤判 1第一層誤判：GPU Name 三張卡通通顯示 NVIDIA GeForce RTX 3060。完全沒用，毫無區別。 2第二層誤判：nvidia-smi 的 Index（GPU 0 / 1 / 2） 很多人第一反應是看 Index。但這台機器一路從 GTX 750... » read more

0
Read
steven
36GB VRAM 的幻覺：我讓三家 AI 預測 RTX 3060 ×3 的推論效能，結果全部輸給實測數據
36GB VRAM 的幻覺：我讓三家 AI 預測 RTX 3060 ×3 的推論效能，結果全部輸給實測數據

36GB VRAM 的幻覺：我讓三家 AI 預測 RTX 3060 ×3 的推論效能，結果全部被數據打臉 Mr. τ／風雲網通系統 · 2026-06-10 · 地端 AI 基礎設施 一、心動的開始 前幾天，社群裡流傳一篇文章。 有人用 RTX 5090 在本地跑 Gemma 4 12B，透過一個參數調整，TPS 從 27 直接飆到 103。將近四倍。 看完之後，我盯著螢幕想了很久。 「我手上有三張 RTX 3060 12GB，加起來 36GB VRAM。應該也能跑得很猛吧？」 其實買第三張卡的初衷很務實。不是為了炫耀規格，而是有實際需求： 兩張卡跑大一點的模型，偶爾會 OOM（顯存不足），動不動就崩 想測試 26B、27B 等級的模型，需要更寬裕的 VRAM 緩衝 不希望因為顯存限制，就把好不容易找到的優質模型放棄 帶著這個期待，我做了一件很多人都會做的事：先去問 AI。 💡 小科普：什麼是 TPS？ TPS = Tokens Per... » read more

0
Read
steven
看懂 Qwen3-30B-A3B-QAT-Instruct-Q4_K_M-MTP-NSFW：2026 地端 AI 模型命名學完全指南
看懂 Qwen3-30B-A3B-QAT-Instruct-Q4_K_M-MTP-NSFW：2026 地端 AI 模型命名學完全指南

看懂 Qwen3-30B-A3B-QAT-Instruct-Q4_K_M-MTP-NSFW：2026 地端 AI 模型命名學完全指南 從模型名稱看懂參數規模、MoE 架構、量化格式與推理優化 當你開始接觸地端 AI（Local AI）之後，很快就會發現一件事： 最大的障礙不一定是顯示卡，也不一定是 Linux。 而是模型名稱。 第一次看到： Qwen3-30B-A3B-QAT-Instruct-Q4_K_M-MTP-NSFW 很多人的反應通常都是： 「這到底是模型名稱，還是 Wi-Fi 密碼？」 事實上，這串名稱並不是亂命名。 它其實是在用最短的字數，描述模型的架構、規模、量化方式、推理特性與用途。 如果能看懂這些縮寫，你幾乎可以在下載前就判斷： 需要多少記憶體？ 跑起來快不快？ 適合聊天還是寫程式？ 是否支援特殊優化？ 是否有安全限制？ 一、30B 是什麼？ 30B 指的是： 30 Billion Parameters 也就是 300 億參數。 參數可以理解成模型在訓練過程中學到的知識權重。 模型規模 常見用途 3B 輕量聊天助手 7B 個人 AI 助理 14B 進階推理 30B 高品質通用模型 70B+ 接近大型商業模型能力 通常參數越大，能力越強，但所需記憶體也越高。 二、A3B 是什麼？... » read more

0
Read
steven
工作管理員說 llama-server 吃了 17GB RAM 我把整個過程錄下來了
工作管理員說 llama-server 吃了 17GB RAM 我把整個過程錄下來了

本地 AI 推論 · 記憶體診斷 工程筆記 · 實測紀錄 Mr. τ／風雲網通系統  ·  2026-06-09 我有一台 64GB RAM 的地端 AI 主機，平常系統總用量很少超過 16GB。那天睡眠喚醒後，瞄到用量靠近 32GB，直覺就覺得不對。打開工作管理員，最顯眼的那行是 llama-server.exe，排在所有程式最上面，佔了 17GB。 第一個念頭：GPU offload 掛了，Qwen3.6 27B 整個跑回 CPU 了？ 但 nvidia-smi 一查，GPU1 8153MB、GPU2 8701MB，紋絲不動。推論速度 18.6 tok/s，也沒事。 GPU 好好的，模型在跑，但 RAM 突然多了將近一倍的用量。 那個 17GB 到底是什麼？ 我沒有重開機。我寫了一個監控程式，把整個過程錄下來。 實測數據：163 筆，每 2 秒一筆 程式從喚醒前就跑著，Sleep/Resume 全程自動記錄。以下是這次事件的完整時間軸。 19:31:52 ── 基準線 llama-server Working... » read more

0
Read
steven