8月11日晚，MCU龍頭國民技術發佈產品價格調整通知函稱，決定自2026年10月1日起對公司部分產品價格進行10%至20%的上調。 通知函提到，今年以來，受AI產業持續升溫的影響，全球供應鏈結構深刻調整，半導體的產品結構、生產成本與交期也因市場需求而發生較大變化。MCU產品亦有結構性壓力，有關產品需求的增長與供給矛盾較為突出。經審慎評估，公司決定自2026年10月1日起對公司部分產品價格進行10%至20%的上調。 此前，國民技術在投資者互動平台表示，公司持續評估供給、需求的變化趨勢，研判調價空間，產品定價將結合成本、供需動態調整。公司產品調價節奏、覆蓋範圍以及對業績帶來的影響存在不確定性。 今年4月起，國民技術已對晶片產品進行一輪合理調價。彼時國民技術解釋稱，受AI算力需求拉動，近期晶圓、封裝材料等核心原材料成本連續大幅上漲，公司亦採取了諸多提效降本方式應對，為確保公司持續為客戶提供優質的產品服務，經過審慎評估，才決定漲價。

採用可靠的封裝技術，製造尺寸最大可達240毫米x240毫米的超大型封裝產品。 前言 如今最先進的人工智慧系統依賴於來自多個工藝節點和代工廠的更大、更複雜的晶片和晶片元件，這對先進封裝提出了前所未有的要求。在2026年IEEE電子元件與技術大會（ECTC）上，英特爾晶圓代工的兩個研究團隊提出了互補的方案來應對這一轉變：一個團隊概述了下一代人工智慧晶片封裝的架構藍圖，而另一個團隊則著手解決隨著封裝尺寸增大而出現的關鍵製造瓶頸。對於建構人工智慧平台的客戶而言，這些進展意味著更高的系統計算密度、更佳的能效，以及無需全新系統架構即可擴展下一代工作負載的能力。 本文的先進設計團隊闡述了如何設計和製造尺寸最大可達240 mm x 240 mm 的超大尺寸封裝 (HLFF)，將計算晶片陣列、高頻寬記憶體 (HBM) 和 I/O 元件整合到單個平台上。與此同時，組裝技術開發團隊開發了材料和工藝創新，以實現更大尺寸封裝的可靠性。這些努力共同推動了 HLFF 封裝從概念走向可製造的現實，為人工智慧資料中心、科學超級計算和大規模模型訓練系統提供支援。

https://news.futunn.com/post/77380987?futusource=news_push_page&src=1&main_broker=WzEwMDFd&hk_cid=16608385&client_hour_clock=24&channel=415&skintype=3&level=1&global_content=%7B%22promote_content%22%3A%22nn%3Apost%3A77380987%22%2C%22invite%22%3A16608385%7D&data_ticket=3064e060312398419d94f9d476dce24f 宏觀要聞 美伊談判卡在霍爾木茲 周末美伊局勢未見實質緩和。伊朗把重開荷姆茲海峽與美國讓步繫結，要求解除制裁、釋放凍結資產、結束海上封鎖、移除軍事威脅並賠償戰爭損失，同時稱正與阿曼敲定新航道安排。川普則向Axios表示，美方正對伊朗“低調處理”，繼續以經濟壓力和談判為主，暫未急於升級軍事行動。受海峽重開不確定性影響，周一油價走高，地區風險仍通過能源市場外溢。

隨著人工智慧（AI）數據中心市場呈現爆炸式增長，「熱管理」已成為決定AI基礎設施競爭力的核心技術。半導體、冷卻系統、電力設備乃至煉油行業都在全面投入熱管理技術研發。 據市場研究公司 Fortune Business Insights 預測，全球熱管理系統市場預計將從 2025 年的 819.7 億美元增長至 2034 年的 1694 億美元，複合年增長率為 8.5%。人工智慧數據中心設施投資預計也將從去年的 7500 億美元飆升至今年的 1 兆美元。 註：根據 Dell'Oro Group 的預測，全球數據中心資本支出 (CapEx) 預計將在 2026 年首次超過 1 兆美元，這印證了上述數字的發展趨勢。 一位業內人士指出：「數據中心冷卻方式分為風冷、晶片級液冷和浸沒式冷卻。」他補充道：「其中，浸沒式冷卻作為下一代冷卻技術正日益受到關注。」該人士進一步解釋說：「提高冷卻效率對於提升電源使用效率（PUE）至關重要，韓國正在積極開展相關技術研發，包括開發浸沒式冷卻解決方案。」

從感知到執行，從單體到協同——企業級 AI Agent 的技術架構與運行機制全景解析 一、引言：從 LLM 到 Agent 的範式躍遷 大語言模型（LLM）的突破性進展使人工智慧從"感知智能"邁向"認知智能"。然而，單純的 LLM 本質上是一個無狀態的機率文字生成器——它接收輸入、輸出文字，卻無法主動感知環境、規劃行動、呼叫工具，更無法在多步任務中保持連貫的執行邏輯。 AI Agent 的出現，正是為了彌補這一關鍵缺口。Agent 並非 LLM 的簡單包裝，而是在 LLM 認知核心之上建構的自主行動系統。它將大模型的推理能力與規劃、記憶、工具呼叫等機制深度融合，使 AI 從"回答問題"進化為"完成任務"。