Author: admin

行业动态更新：魔法扫帚用上麻瓜技术：剧版《哈利 · 波特》道具频繁被盗，剧组植入微型芯片定位

IT之家 5 月 8 日消息，HBO 警告《哈利 · 波特》剧组成员，怀疑有道具被盗，包括魔法书、扫帚、南瓜和魔杖等物品

值得关注的是，据《The Sun》5 月 6 日报道，HBO《哈利 · 波特》剧集的布景周围已放置了海报，展示装有微型芯片的扫帚道具，并警告称正在追踪每日移动记录

业内人士指出，海报警告称，道具离开指定区域，需要“获得道具部门的批准”

从更深层次来看，一位制作人说，剧集的主管对盗贼的行为“非常愤怒”，HBO 现在正在 eBay 上搜寻失踪物品，任何嫌疑人都面临“被惩罚和解雇”的威胁

值得关注的是，据IT之家此前报道，HBO 剧版《哈利 · 波特》将用七季拍完七部小说，计划 10 年内完播

值得关注的是，目前系列剧集第一季《哈利 · 波特与魔法石》已定档今年圣诞节（12 月 25 日）开播

业内人士指出，此外，剧版《哈利 · 波特》第二季《哈利 · 波特与密室》已获提前续订，计划今年秋季开拍

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的香港服务器租用，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，未来的平台，即是选择｜红帽重塑企业AI底层逻辑

过去三十年，企业IT世界经历过数次技术浪潮

业内人士指出，从ERP到互联网，从虚拟化到云原生，再到今天席卷全球的生成式AI，每一次技术革命都会催生新的应用形态，也会带来新的产业焦虑

值得关注的是，但当市场热议大模型、Agent乃至人形机器人时，一个更底层的问题正在重新浮现：当技术不断变化，企业究竟应该把未来建立在什么之上

业内人士指出，在2026红帽全球峰会上，红帽给出的答案是——”未来的平台，即是选择（The Next Platform is Choice）”

业内人士指出，这一主题背后，不仅折射出AI产业从模型竞争走向基础设施竞争的新趋势，也反映出企业级市场对于开放性、安全性和长期可持续性的重新思考

值得关注的是，从Linux到Agent，平台始终比应用更长寿 如果把今天的AI热潮放到更长的技术周期中观察，会发现一个有趣的现象：应用不断变化，但平台始终存在

业内人士指出，红帽全球副总裁兼大中华区总裁曹衡康（Victor Tsao） 红帽全球副总裁兼大中华区总裁曹衡康（Victor Tsao）回顾IT产业的发展历程时提到，三十年前企业市场讨论最多的是ERP和CRM系统，而这些应用最终都运行在Linux之上

值得关注的是，十多年前云原生成为产业焦点，大量应用和云服务涌现，但最终承载它们的是Kubernetes和OpenShift

值得关注的是，如今AI成为新的产业中心，底层依然是Linux与容器技术

业内人士指出，这种历史规律正在重新验证一个事实：决定企业长期竞争力的，往往不是某个具体应用，而是能够持续承载创新的平台

值得关注的是，事实上，当前全球大部分主流开源模型都构建于Linux生态之上

业内人士指出，无论是企业部署的大模型、推理框架还是智能体系统，本质上仍需要运行环境、资源调度能力以及安全治理能力作为支撑

从更深层次来看，从产业发展角度看，这也是企业客户与消费市场最大的区别

值得关注的是，普通用户追逐最新模型，而企业更关心未来五年甚至十年的可持续运营

从更深层次来看，对于银行、电信、制造等行业而言，AI不是一次性的技术采购，而是长期数字化战略的一部分

值得关注的是，曹衡康认为，AI时代最大的风险并不是选错模型，而是失去选择模型的能力

值得关注的是，当企业把所有业务押注在单一模型、单一GPU架构甚至单一云厂商时，未来技术路线变化带来的迁移成本可能远远高于模型本身的价值

业内人士指出，因此，平台存在的意义，不是替企业做选择，而是帮助企业保留选择权

从更深层次来看，过去两年，大模型产业经历了从”技术狂欢”到”商业落地”的转折

业内人士指出，在2023年至2024年间，企业最关注的问题往往是”应该选择哪个模型”；而到了2026年，越来越多企业开始讨论另外几个问题：如何控制成本、如何保障安全、如何实现规模化部署以及如何与现有业务系统融合，这也是本届红帽全球峰会反复强调的主题

值得关注的是，从企业CIO视角来看，现实压力远比外界想象得复杂

业内人士指出，一方面，CEO和董事会希望AI快速创造价值；另一方面，企业又无法推倒重建过去数十年积累的IT系统

从更深层次来看，遗留系统、组织惯性和预算限制共同构成了企业AI转型的现实边界

从更深层次来看，更重要的是，Agent时代正在放大这种复杂性

从更深层次来看，一个大型企业未来很可能同时运行数十个甚至上百个Agent

业内人士指出，不同部门拥有不同的知识边界和权限体系，人力资源Agent、销售Agent、研发Agent之间既需要协同，也必须保持隔离

值得关注的是，曹衡康提到的一个案例颇具代表性，某企业由于多个部门共用同一个Agent，最终导致工程师通过提示词诱导获取了薪酬信息

业内人士指出，这种情况说明，随着Agent开始直接参与业务流程，其权限管理和身份治理已经成为企业级AI落地的关键问题

从更深层次来看，从GPU采购到能源消耗，从模型训练到推理扩展，企业发现AI并非一个低成本工程

值得关注的是，因此行业讨论重点已经从”是否部署AI”转向”如何让AI创造真实生产力”

值得关注的是，红帽大中华区首席营销官赵文斌（Max Zhao） 红帽大中华区首席营销官赵文斌（Max Zhao）透露，从虚拟化替换、容器平台迁移，到AI应用平台和Agent部署，已经出现大量客户实践案例

值得关注的是，但截至目前，行业仍缺乏一套统一的方法论去衡量平台化转型所带来的长期收益

值得关注的是，在他看来，AI投资回报率（ROI）的计算远比外界想象复杂

业内人士指出，制造业更关注成本优化与运营效率，金融行业则更关注创新速度和业务价值增长，两者采用完全不同的衡量体系

值得关注的是，因此，红帽正在联合《CIO时代》启动新一轮企业级AI调研，计划访谈500家企业CIO，希望通过持续数年的跟踪研究，建立不同产业的AI价值评估模型

值得关注的是，这也意味着，企业AI竞争正在从技术指标竞争，逐步演变为组织效率竞争

业内人士指出，相比参数规模和模型排行榜，如何衡量创新速度、平台复用能力以及长期运营成本，正在成为企业决策者更加关注的问题

从更深层次来看，对于企业来说，真正重要的不再是模型排行榜，而是如何在可控成本下实现稳定、安全且持续的业务创新

值得关注的是，”四个任意”：红帽试图构建AI时代的中立平台 围绕这一需求变化，红帽正在尝试重新定义自身在AI时代的角色

从更深层次来看，红帽大中华区方案架构部总经理王慧慧（Aella Wang） 红帽大中华区方案架构部总经理王慧慧（Aella Wang）介绍，最新发布的Red Hat AI 3.4正围绕推理、数据、智能体和平台四个核心能力展开升级，目标是在任意云环境、任意硬件、任意模型和任意智能体之间建立统一运行平台

值得关注的是，过去一年，vLLM已经成为开源推理领域的重要基础设施

值得关注的是，本届峰会上，红帽进一步推动llm-d项目，通过分布式推理实现更大规模的模型服务能力，并新增请求优先级管理和批量处理能力

值得关注的是，值得关注的是，llm-d并不要求客户必须使用红帽自身的软件栈

值得关注的是，按照王慧慧的说法，这是红帽主动打破边界的一次尝试

从更深层次来看，企业可以使用自己的操作系统、自己的Kubernetes平台甚至不同云环境，而红帽希望提供的是跨平台能力，而非封闭生态

值得关注的是，这种思路实际上与当前AI产业普遍存在的”生态锁定”形成鲜明对比

从更深层次来看，过去几年，云厂商、芯片厂商和模型厂商都在构建各自的封闭体系，希望将客户绑定在特定技术路线中

从更深层次来看，而红帽则试图扮演中立层角色，让企业能够根据业务需求自由切换GPU、模型和云平台

值得关注的是，从产业演进角度看，这种策略更接近Linux和Kubernetes当年的成功路径

业内人士指出，它不是通过控制生态获得优势，而是通过开放标准降低创新门槛

业内人士指出，而在AI快速迭代的今天，开放性本身正在成为企业的重要资产

业内人士指出，Agent爆发之后，安全正在成为新的基础设施 如果说2024年是大模型之年，那么2026年正在成为Agent之年

业内人士指出，越来越多企业开始尝试让Agent直接调用工具、访问数据库甚至执行业务操作

业内人士指出，与此同时，AI安全问题也从模型安全延伸到执行安全

值得关注的是，红帽认为，未来企业级AI最大的挑战之一，将是如何管理越来越多拥有执行能力的Agent

从更深层次来看，为此，Red Hat AI 3.4引入了Agent身份识别、生命周期管理以及智能体追踪与可观测性能力

从更深层次来看，平台能够识别当前执行任务的是人还是Agent，并根据权限策略限制关键操作

从更深层次来看，红帽大中华区首席技术官张家驹披露了与NVIDIA联合开发的OpenShell项目

值得关注的是，该项目通过Agent沙箱和策略控制机制，为智能体建立安全边界，避免其直接对生产环境造成风险

值得关注的是，与此同时，AI带来的供应链安全问题也正在加剧

值得关注的是，随着代码生成工具和自动化开发工具普及，开源软件漏洞发现速度明显提升，但修复速度并未同步增长

业内人士指出，针对这一趋势，IBM与红帽宣布启动Project Lightwell（光井计划），计划投入50亿美元建设AI时代的开源安全体系

值得关注的是，除了漏洞修复和补丁回移机制外，红帽还推出安全加固镜像和可信供应链能力，通过SLSA Level 3标准构建软件交付体系

值得关注的是，这些动作背后反映出一个趋势：未来企业购买的不仅是AI能力，更是AI时代的安全保障体系

从更深层次来看，从AI到机器人，Linux正在扩展新的边界 在许多业内人士看来，AI之后的下一场竞争可能来自具身智能和机器人

值得关注的是，对此，红帽并没有将机器人视为全新的技术领域，而是看作Linux生态的进一步延伸

值得关注的是，王慧慧透露，红帽已经开始与人形机器人和工业机器人厂商展开合作，重点研究机器人操作系统架构以及统一平台管理能力

业内人士指出，未来无论是机器人”大脑”还是”小脑”，都可能建立在统一Linux体系之上

从更深层次来看，去年发布的RHIVOS（Red Hat In-Vehicle Operating System）已经进入车用市场，日产汽车成为合作案例之一

业内人士指出，未来无论是汽车、机器人还是边缘设备，其底层都可能共享相同的Linux技术体系

值得关注的是，张家驹认为，随着Agent时代到来，操作系统的重要性实际上正在提升而非下降

从更深层次来看，过去GPU主要负责模型推理，而今天Agent开始频繁调用工具、访问服务并执行任务，大量控制逻辑重新回到CPU侧

从更深层次来看，GPU负责计算，CPU负责协调，而Linux则成为统筹整个系统运行的核心枢纽

业内人士指出，从这个意义上说，操作系统不再只是资源管理工具，而正在成为AI时代的控制中心

从更深层次来看，也正因如此，张家驹引用红帽CTO的一句话总结当下产业格局：”所有的东西都跑在Linux上

值得关注的是，” 四个S背后：企业级AI真正的评判标准 当大众讨论AI时，关注的是模型能力；当企业讨论AI时，关注的却是另一套逻辑

业内人士指出，事实上，这也是企业级市场与消费级AI市场最大的区别

业内人士指出，曹衡康认为，许多企业至今仍不敢大规模推广AI，并非缺少模型能力，而是缺少足够稳定的基础设施支撑

业内人士指出，企业级AI从试点走向生产环境，需要一个极其稳固的平台作为底座

值得关注的是，没有稳定的平台，企业就无法放心地把核心业务交给AI

业内人士指出，他将企业级客户需求概括为”四个S”：Stable（稳定）、Security（安全）、Speed（速度）和Scale（规模化）

值得关注的是，其中，稳定意味着关键业务能够长期可靠运行；安全意味着企业数据、模型和Agent受到严格保护；速度意味着企业能够快速响应市场变化并持续创新；规模化则意味着AI能够从试点项目真正扩展到全业务场景

值得关注的是，在消费互联网时代，系统偶尔出错或许只是用户体验问题；但在银行转账、制造产线、能源调度和公共服务场景中，一次错误可能直接造成业务损失

从更深层次来看，因此，企业对于AI平台的要求天然高于普通应用

值得关注的是，一个优秀的平台，无论企业未来选择哪种模型、哪类GPU或哪种Agent架构，都能够提供稳定运行环境，并实现对算力资源和业务资源的高效调度

业内人士指出，某种意义上，大模型解决的是”AI有多聪明”的问题，而平台解决的是”AI能否真正进入企业生产系统”的问题

业内人士指出，随着企业级AI进入规模化部署阶段，后者的重要性正在快速上升

业内人士指出，过去几年，全球科技产业习惯于用模型参数、推理速度和排行榜成绩衡量AI竞争力

业内人士指出，但随着企业进入大规模部署阶段，市场正在发现另一个现实：模型会不断变化，而企业IT基础设施必须持续稳定运行

业内人士指出，本届红帽全球峰会释放出的核心信号并非推出了多少新产品，而是重新强调了平台的重要性

值得关注的是，无论是Red Hat AI、OpenShift、RHEL，还是AgentOps与自动化平台，其本质都围绕同一个目标展开——让企业在AI时代始终拥有选择权

业内人士指出，当行业从”模型之争”逐渐走向”生产力之争”，平台价值也正在重新回归

业内人士指出，对于企业而言，未来最重要的问题或许不再是”应该选择哪个模型”，而是”如何构建一个能够持续容纳所有模型的平台”

值得关注的是，随着AI逐渐成为企业数字化基础设施的一部分，”未来的平台，即是选择”或许不仅是一句峰会口号，更可能成为下一阶段企业AI落地的核心方法论

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的TikTok运营服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，国家统计局：电子行业利润 1-5 月增长 103.9%，AI 驱动高端算力 / 存储芯片需求爆发

IT之家 6 月 27 日消息，今日，国家统计局工业司首席统计师于卫宁解读 2026 年 1—5 月份工业企业利润数据，IT之家整理主要内容如下： 工业企业利润保持较快增长

从更深层次来看，1—5 月份，工业生产较快增长叠加工业品价格涨幅扩大，推动全国规模以上工业企业营业收入同比增长 5.5%，较 1—4 月份加快 0.3 个百分点

从更深层次来看，规模以上工业企业营收稳定增长，带动全国规模以上工业企业利润同比增长 18.8%，较 1—4 月份加快 0.6 个百分点，规模以上工业企业利润自今年以来保持较快增长态势

业内人士指出，从三大门类看，采矿业增长 33.5%，较 1—4 月份加快 7.5 个百分点；制造业增长 20.0%，电力、热力、燃气及水生产和供应业下降 2.7%

从更深层次来看，5 月份，全国规模以上工业企业利润同比增长 21.1%

业内人士指出，1—5 月份，规模以上装备制造业利润同比增长 14.1%，拉动全部规模以上工业企业利润增长 5.2 个百分点

从更深层次来看，从行业看，全球人工智能技术变革带来高端算力芯片和存储芯片需求爆发，推动电子行业利润高速增长，1—5 月份，电子行业利润增长 103.9%，对全部规模以上工业企业利润增长的贡献率达 43.1%，是规模以上工业企业利润较快增长的重要支撑

业内人士指出，1—5 月份，规模以上原材料制造业利润同比增长 83.1%，拉动全部规模以上工业企业利润增长 10.2 个百分点

值得关注的是，从行业看，受新能源、人工智能等新兴产业需求增加带动，铜、铝等产品价格维持在较高水平，推动有色行业利润增长 117.1%，拉动全部规模以上工业企业利润增长 5.3 个百分点；在石油产业链条相关产品价格上涨推动下，石油加工行业同比扭亏为盈，化工行业利润增长 71.6%

从更深层次来看，1—5 月份，规模以上高技术制造业利润同比增长 44.7%，拉动全部规模以上工业企业利润增长 8.0 个百分点，引领作用持续凸显

值得关注的是，从行业看，半导体产业链条行业发展向好，电子器件制造方面，光电子器件制造、半导体分立器件制造行业利润分别增长 53.8%、40.6%；电子元件及电子专用材料制造方面，电子专用材料制造、电子电路制造行业利润分别增长 665.4%、19.7%

值得关注的是，医疗设备器材相关行业利润增长较快，口腔科用设备及器具制造、卫生材料及医药用品制造行业利润分别增长 26.4%、23.2%

业内人士指出，1—5 月份，规模以上工业企业每百元营业收入中的成本为 84.95 元，同比下降 0.59 元，工业企业累计单位成本今年以来连续五个月下降

从更深层次来看，1—5 月份，规模以上工业企业营业收入利润率为 5.56%，同比提高 0.63 个百分点，营收利润率达 2024 年以来各月累计最高水平

值得关注的是，文章指出，总体看，1—5 月份规模以上工业企业利润继续保持较快增长态势

业内人士指出，但也要看到，国内供强需弱矛盾依然突出，部分行业企业生产经营还比较困难

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的高防服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：AI日报：阿里发布HappyHorse 1.1；字节豆包灰测网约车服务；三

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用

业内人士指出，新鲜AI产品点击了解：https://app.aibase.com/zh 1、阿里巴巴发布HappyHorse 1.1 视频生成模型 多维度系统性升级 阿里巴巴发布HappyHorse 1.1视频生成模型，实现多维度系统性升级，包括动态表现力、主体一致性、指令遵循、视觉质感和音频能力等方面，显著提升了视频生成的性能和用户体验

从更深层次来看，2、字节豆包灰测网约车服务，AI Agent加速重构服务入口 字节跳动旗下AI智能助手豆包APP正式在北京、杭州两地开启网约车出行功能的灰度测试，这标志着大模型应用正加速从“虚拟对话”向“实体服务”延伸，成为大厂重构本地生活流量入口的关键布局

从更深层次来看，🤖 豆包APP开启网约车服务灰度测试，标志着AI应用向实体服务延伸

值得关注的是，🚗 用户可通过自然语言交互直接下单，无需跳转第三方软件

从更深层次来看，💰 曹操出行提供专属订单通道，并为司机提供每单2元补贴

值得关注的是，3、OpenAI拿下史上最大订单：三星 12 万员工全面开启AI办公时代 OpenAI与三星电子签署最大规模的企业级部署协议，推动AI技术在企业中的广泛应用，标志着企业智能化转型的新里程碑

值得关注的是，🤖 三星电子为全球12万名员工开通ChatGPT企业版及Codex开发平台的使用权限

从更深层次来看，📊 Codex平台已从编码工具演变为支持非技术岗位的通用型平台，每周活跃用户突破500万

值得关注的是，🔒 为保障安全性，ChatGPT企业版在数据保护、用户权限管理等方面进行了专门强化

从更深层次来看，4、小米开源全屋智能AI方案Miloco 2.0：让家能记忆、会识人、懂执行 小米正式发布并开源了面向未来的全屋智能AI开源方案——Xiaomi Miloco 2.0

业内人士指出，该方案基于自研MiMo大模型构建，以Agent形式接入OpenClaw框架，在交互方式、产品功能和记忆系统等方面实现了全面升级

从更深层次来看，Miloco 2.0带来了通用常识、身份识别、家庭记忆和家庭任务四大核心能力，使系统具备主动智能，能够像管家一样在用户开口前完成任务

值得关注的是，🧠 通用常识能力让系统自动识别危险隐患并分级预警 👥 身份识别功能可融合人脸和体态信息，主动注册新成员 💡 家庭记忆功能沉淀家人习惯与偏好，支持复杂场景的自主执行 5、中文在线推出逍遥海外作者平台 中文在线推出‘逍遥海外作者平台’，通过自研大模型赋能网文全链路出海，降低跨文化创作门槛，加速中国网文范式全球化落地

业内人士指出，🧠 依托自研大模型，提供全链路AI辅助创作支持

业内人士指出，🌍 跨语种本地化能力，提升网文出海国际接受度

值得关注的是，🚀 构建商业闭环，助力优秀作品获得海外资源扶持

从更深层次来看，6、特斯拉递交Megapod商标申请，或将推出一体化模块化AI数据中心硬件 特斯拉近期提交了‘Megapod’商标申请，表明其可能推出一体化模块化AI数据中心硬件

值得关注的是，该产品将整合服务器、AI专用运算硬件、网络设备、供电和冷却模块，面向AI训练与推理场景

值得关注的是，目前该领域由英伟达主导，特斯拉的入局将面临激烈的竞争

从更深层次来看，此外，已有企业注册了同名商标，可能引发商标纠纷

值得关注的是，📦 特斯拉申请Megapod商标，计划推出集成供电、散热、服务器的一体化模块化AI算力机柜

值得关注的是，⚙️ 该赛道当前由英伟达产品主导，多家硬件厂商均有成熟同类方案，市场竞争激烈

值得关注的是，⚠️ 已有其他企业注册同名冷却设备商标，特斯拉Megapod存在商标权属争议风险

从更深层次来看，7、打破AI围墙：刘强东宣布京东技术全球共享，“涅槃计划”赋能蓝领转型 京东集团创始人刘强东在2026年APEC工商领导人中国论坛上宣布，将全面开放旗下AI技术，推动人工智能技术普惠化

值得关注的是，同时，京东启动“涅槃计划”，为70万蓝领员工提供职业再教育，帮助其适应智能制造时代

从更深层次来看，🚀 京东宣布全面开放AI技术，推动技术普惠化

值得关注的是，🔧 启动“涅槃计划”，为蓝领员工提供技能转型培训

从更深层次来看，8、AI 加持办公全家桶：Grok 正式接入 Microsoft Office 文章介绍了 SpaceXAI 推出的 Grok 扩展程序，其通过深度集成 Microsoft Office，使用户能够更高效地处理文档、数据和演示文稿，显著提升了办公智能化水平

值得关注的是，🧠 Grok 扩展程序深度集成 Microsoft Office，提升办公效率

从更深层次来看，📊 用户可通过自然语言指令完成数据处理与图表生成

从更深层次来看，🎨 PowerPoint 中的自动框架构建与版式匹配节省大量时间

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的海外VPS，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Token 爆发之后，IDC 价值看什么

当我们谈论 AI,真正在物理世界被点燃的,是一轮以”吉瓦(GW)”为计量单位的算力基础设施建设

业内人士指出，把过去数月全球公开披露的项目放在一起就会发现,这场超级周期的轮廓便清晰可辨——不再是零散的机房扩容,而是连续、巨额、跨大洲的产能锁定

值得关注的是，2026年6月2日，软银(SoftBank)拟在法国建设5GW、美国俄亥俄州建设10GW AI数据中心； 2026年6月5日，Damac Digital 计划在四大洲扩展6GW 数据中心； 2026年6月5日，AirTrunk与印度马哈拉施特拉邦签署210亿美元、规划3GW的数据中心协议； 2026年6月3日，万国数据与内蒙古乌兰察布市政府签署战略合作协议,计划建设多个GW级数据中心园区,并实现超过80%的绿电覆盖率，这仅是万国未来三年超300亿元资本开支计划的其中一部分； 2026年6月3日，Oracle与OpenAI在美国密歇根州启动约1GW项目； …… Token 调用量正在成为映射 AI 产业景气度的新指标 过去，行业讨论大模型，我们的焦点多在参数规模、训练成本与能力边界；如今，一个更贴近商业化进程的指标浮出水面——Token 调用量

从更深层次来看，它不是单纯的技术参数，而是 AI 应用被真实调用、真实消耗、真实计费的结果

业内人士指出，当调用量持续攀升，背后被高频调动的不只是用户的几次提问，而是算力、服务器、供电、散热、网络与数据中心资产构成的一整套生产体系

业内人士指出，公开口径显示，截至 2026 年 3 月，中国日均 Token 调用量已突破 140 万亿，较 2025 年末增长超 40%

从更深层次来看，从 2024 年初的 1000 亿，到 2025 年底的 100 万亿，再到 2026 年 3 月的 140 万亿级，曲线的陡峭已足以说明 AI 应用正从演示、试用走向规模化运营

值得关注的是，企业侧的信号同样明确：豆包大模型 3 月日均 Token 使用量突破 120 万亿，MiniMax、智谱等模型公司在 AI 编程与 coding plan 场景的消耗出现数倍至十余倍增长，且增量越来越多来自 AI 编程、智能体、多模态生成与企业流程自动化等生产场景，而非单纯的聊天问答

业内人士指出，这正是本轮 AI 基建周期区别于上一轮信息化建设之处：需求不再是”有多少企业上云”，而是”每一次推理、每一次调用、每一次智能体执行任务都会持续消耗算力”

从更深层次来看，Token 由此成为 AI 应用活跃度的外显指标，也成为底层基础设施压力的先行指标

值得关注的是，Token 重塑 AI 基础设施的生产函数 严格意义上，Token 调用量不能被简单换算成固定的电力消耗，也不能代表AI实际的落地效果

值得关注的是，而模型架构、参数规模、上下文长度、推理精度、并发调度效率、KV Cache 使用方式、量化压缩水平与硬件利用率，却都会实际影响单位 Token 对算力与能耗的实际占用

从更深层次来看，当调用量从千亿级跃迁到百万亿级，需求侧会沿一条相对稳定的链条向下传导：应用请求增加，推理负载上升，GPU/NPU 服务器利用率提升，集群规模扩大，随之而来的是更高密度的机柜、更复杂的东西向网络、更大的供电容量、更高要求的散热系统，以及更长周期的容量锁定

业内人士指出，因此，Token 爆发真正改变的不是某一个单点技术环节，而是 AI 基础设施的生产函数

从更深层次来看，过去，训练集群往往呈现阶段性、项目制、峰值驱动的扩张；现在，推理工作负载正在变成连续、实时、高并发的工业负载

从更深层次来看，AI 编程、智能体、企业知识库、智能客服、办公、营销、视频生成等应用一旦嵌入业务流程，算力消耗便具备更强的日常性与刚性

业内人士指出，这也是数据中心行业重新进入资本市场视野的根本原因——应用侧的 Token 增长，最终会转化为云厂商、互联网平台与模型公司对高性能数据中心资源的中长期锁定

从更深层次来看，需求兑现：竞争要素从”空间”转向”电力与交付” 需求侧最直接的信号，来自头部科技公司的资本开支以及大量电力基础设施的建设

从更深层次来看，海外方面，谷歌与 Intersect Power在得州动工建设数据中心以及超过1GW 清洁能源基础设施的项目、Meta 与长时储能公司 NoonEnergy 签署最高 1GW 供电协议、甲骨文(Oracle)则向 Bloom Energy 采购了高达 2.8GW燃料电池，同时在新墨西哥州部署高达 2.45GW 的 Bloom Energy燃料电池微电网以进行自有备电； 中国方面在强大电网基础设施的支撑下，大量资金近年来也开始加速投向AI基础设施建设：阿里巴巴已宣布未来三年投入超过 3800 亿元建设云与 AI 硬件基础设施；腾讯 2026 年一季度资本开支约 319 亿元，主要投向 IT 基础设施、数据中心与 AI 相关领域；围绕字节跳动的资本开支计划，多份媒体报道亦指向其持续加码 AI 基础设施，据称2026 年资本开支计划超过 2000 亿，其中国内占比约 65%

值得关注的是，中国科技大厂的大力投入，也引发了国产算力的加速崛起，中国 AI 产业进入高刚性、长周期、指数级增长的”超级周期” 这类投入不会停留在财报的 Capex 科目上

值得关注的是，对数据中心产业而言，它们最终会转化为三个更具体的需求：更大规模的电力容量、更高密度的 AI 机房交付、更长周期的资源预定

值得关注的是，由此，IDC 行业的竞争核心正从”空间竞争”转向”电力竞争”与”交付竞争”

从更深层次来看，传统周期里，客户围绕机柜数量、地理区位、带宽与成本进行决策；进入 AI 周期后，客户最关心的问题已变成：能否一次性获得足够规模的连续电力

从更深层次来看，能否支撑数十千瓦乃至更高功率密度的 AI 机柜

业内人士指出，能否保障长期 SLA、PUE、液冷改造与绿电覆盖

业内人士指出，机房面积仍然重要，但已不再是最稀缺的生产要素——电力指标、供电稳定性、散热架构、网络质量、建设速度与长期运维能力，正在共同决定 AI 数据中心的资产价值

业内人士指出，样本解剖：万国数据的订单、资本与区域三重验证 观察这一轮周期，更合理的方式是把企业财报当作产业变化的一个重要视角——看订单是否增长、客户是否提前锁定容量、建设是否加速、利用率是否爬坡、资金是否足以支持后续 Capex、资产循环是否跑通

从更深层次来看，万国数据 2026 年一季度财报，提供了一个具有代表性的样本

从更深层次来看，其一，订单与运营：风险结构从”先建后租”转向”以销定产”

业内人士指出，一季度新增签约约 200MW，创公司单季度历史最高水平；截至 2026 年 3 月 31 日，总签约及预签约面积达 725,485 平方米（同比 +11.7%），在运面积 674,269 平方米（同比 +10.4%），上架计费面积 520,929 平方米（同比 +12.7%），上架计费率提升至 77.3%；在建面积 118,411 平方米（环比 +60.0%），在运面积签约率 92.8%，在建面积预签约率 84.4%

值得关注的是，存量资产继续爬坡、新项目加速建设，且大部分在建容量已提前获得客户预定——这意味着数据中心资产的风险结构正从”先建后租”的库存风险，转向”以销定产”的交付风险；真正的考验不再是能否拿到订单，而是能否把订单按期转化为可计费容量

业内人士指出，其二，财务与资本：表观利润之外，更看资本调度能力

值得关注的是，一季度净收入 33.671 亿元（同比 +23.6%），剔除部分一次性项目后为 29.380 亿元（同比 +7.9%）；经调整EBITDA 19.487 亿元（同比 +47.2%），剔除部分一次性项目后为 14.303 亿元（同比 +8.0%）

值得关注的是，净利润 26.521 亿元（同比 +247.1%）

业内人士指出，评估 AI 数据中心，不能只看表观利润，而要同时观察经营性 EBITDA、利用率爬坡、订单储备、资本开支能力与资产循环能力

从更深层次来看，一季度，万国数据公司出售 DayOne 部分普通股回笼 3.85 亿美元，截至 2026 年 4 月 29 日仍持有约 19.9% 股权（按 C 轮融资价格计，剩余市值超 22 亿美元），并完成 3 亿美元 B 系列可转换优先股私募发行；一季度末现金及现金等价物（包含定期存款）为 192.3 亿元，同时维持 2026 年全年约 90 亿元 Capex 指引

值得关注的是，其三，区域与能源：从”All in 中国”到算电协同

值得关注的是，6 月 3 日，万国数据与乌兰察布市人民政府签署战略合作协议，计划打造多个高密度数据中心园区与 GW 级数据中心园区，并通过绿电直连、绿电交易实现 80% 以上绿电覆盖，形成规模化零碳数据中心集群

值得关注的是，这仅是万国数据未来三年超过 300 亿元资本支出计划的一部分

值得关注的是，将其与未来三年 300 亿至 500 亿元的国内投资计划（创公司成立 25 年以来资本支出新高）并置，资本配置方向清晰可见：公司把新增资金、订单承接与区域布局的重心压回中国 AI 基础设施

从更深层次来看，所谓”All in 中国”，是由资本开支、客户签约、在建项目与能源资源共同构成的经营事实

业内人士指出，这背后是”东数西算”叙事的升级——成熟市场（京津冀、长三角、粤港澳）继续承载在线推理、金融交易、实时互动与低时延服务，对网络质量、交付确定性与长期运维稳定性要求极高；新兴枢纽（乌兰察布、和林格尔、中卫）则凭借土地、电力、气候与绿电资源，承接更大规模的训练、离线推理、批量算力任务处理与多模态生成

业内人士指出，关键词正从”资源调度”转向”算电协同”：未来数据中心的竞争，不只看谁离客户近，更看谁离稳定、低碳、可规模化的电力近

值得关注的是，估值重构：从静态 EBITDA 到多阶段动态模型 AI 基建周期之下，数据中心的估值逻辑也在变化

从更深层次来看，传统估值锚围绕 EBITDA、上架率、稳定现金流、资产折旧与区域供需展开，这套框架依然重要，却已不足以完整反映 AI 数据中心的成长属性——其价值不只体现在当前已运营资产，更体现在未来数年可交付的电力容量、已签约订单、客户预定、建设进度与资本循环效率

从更深层次来看，更适配当前周期的，是一个多阶段动态模型：短期看订单获取能力与交付节奏，中期看利用率爬坡与 EBITDA 释放，长期看自由现金流、资本回报率，以及通过 REITs、ABS、基金、售后回租或资产出售实现的资产再循环能力

从更深层次来看，在此模型下，市场会重新追问：企业手握多少已签约 MW

值得关注的是，这也是万国数据一季度财报值得放入行业框架解读的原因：约 200MW 的单季新增、超 340MW 的年初至今签约、84.4% 的在建预签约率、77.3% 的数据中心上架计费率、192.3 亿元现金（包含定期存款），叠加未来三年 300 亿至 500 亿元投资计划，共同构成”订单—建设—资金—交付”的闭环雏形

从更深层次来看，单看其中任一指标都不足以证明其处于周期核心，但这些指标同时出现，便说明产业景气正在进入企业经营系统

从更深层次来看，不过，”超级周期”并不意味着所有 IDC 资产都会自动受益，行业景气与企业回报之间仍隔着多重风险

从更深层次来看，其一，Token 高增长不等于单位算力需求永远同速增长，模型压缩、推理优化、算子效率提升、国产芯片迭代与调度算法改进，都可能降低单位 Token 的算力成本；其二，客户签约不等于收入即时确认，订单到收入之间存在建设、交付、设备进场、上架与利用率爬坡的时间差；其三，AI 基础设施的 Capex 强度更高，一旦需求节奏放缓、融资成本上升或交付延迟，资产回报周期就会被拉长；其四，高密度数据中心对电力、液冷、网络与运维稳定性要求更高，拿到电力指标只是第一步，连续供电、控制 PUE、绿电消纳与满足 SLA 才是长期竞争的分水岭；其五，行业景气也可能带来局部供给扩张与价格竞争，中小玩家、地方平台、运营商与云厂商自建数据中心之间的竞争关系仍需观察

值得关注的是，真正受益的，更可能是同时具备四类能力的企业：能获得客户长期订单，能锁定稀缺电力与区位资源，能完成高密度 数据中心 的工程交付与长期运维，能通过多元融资与资产循环支撑连续扩张

业内人士指出，万国数据的优势也应放在这一框架中理解——它并非凭一份财报就天然获得确定性，而是其订单、资金、区域布局与交付能力，在 2026 年一季度同时出现了向 AI 基建周期靠拢的迹象

从更深层次来看，它是这一轮周期的重要观察样本，而非唯一答案

业内人士指出，Token 爆发之后，IDC 价值看什么 Token 爆发改变了 AI 产业的观察方式，也改变了数据中心行业的价值判断

业内人士指出，过去，IDC 更多被视作承载互联网流量与云计算需求的基础设施资产；现在，它正成为 AI 推理与训练负载的物理底座

业内人士指出，客户购买的不再只是机柜空间，而是电力容量、散热能力、网络质量、交付确定性与长期稳定运营；企业估值也不应停留在当前 EBITDA，而要看未来可交付容量、订单质量、利用率爬坡、资本回收与资产循环能力

从更深层次来看，这一轮 IDC 产业变化的本质，不止是功率密度的提升，更是 AI 把数据中心重新推回了数字经济生产函数的核心位置

从更深层次来看，谁能把 Token 爆发转化为稳定、绿色、可计费、可融资、可持续交付的算力基础设施，谁就更有可能成为中国 AI 基建超级周期中的长期受益者

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的泰国原生IP，欢迎访问 www.isclouder.com 了解更多

最新消息显示，Significant Upgrade to the MCP Protocol: Spring AI Alibaba and Higress Release t

MCP officially introduces a new Streamable HTTP transport layer, which represents a significant improvement over the original HTTP+SSE transport mechanism. This article will: Relevant project links are as follows: ● Complete runnable example: https://github.com/springaialibaba/spring-ai-alibaba-examples ● Spring AI Alibaba official blog article: https://java2ai.com/ ● Spring AI Alibaba open-source project address: https://github.com/alibaba/spring-ai-alibaba ● Higress official website: https://higress.ai/ In the original MCP implementation, communication between the client and server occurs through two primary channels: ● HTTP request/response: The client sends messages to the server via standard HTTP requests. ● Server-Sent Events (SSE): The server pushes messages to the client through a dedicated /sse endpoint. While this design is simple and intuitive, there are several key issues: 1. No support for reconnecting/recovery: When the SSE connection is dropped, all session states are lost, necessitating the client to re-establish the connection and initialize the entire session. For example, a large document analysis task being executed could be completely interrupted due to unstable WiFi, forcing the user to restart the entire process. 2. The server must maintain long connections: The server must maintain a long-lived SSE connection for each client, leading to a significant increase in resource consumption with a large number of concurrent users. When the server needs to restart or scale, all connections are interrupted, negatively affecting user experience and system reliability. 3. Server messages can only be transmitted via SSE: Even for simple request-response interactions, the server must return information through the SSE channel, creating unnecessary complexity and overhead. This approach is unsuitable for certain environments (such as cloud functions) due to the need to maintain long-lived SSE connections. 4. Infrastructure compatibility limitations: Many existing web infrastructures such as CDNs, load balancers, and API gateways may not correctly handle long-lived SSE connections. Corporate firewalls might force close timed-out connections, leading to unreliable services. Compared to the original HTTP+SSE mechanism, Streamable HTTP introduces several key improvements: The workflow of Streamable HTTP is as follows: 1. Session Initialization (Optional, Suitable for Stateful Implementation Scenarios): 2. Client Communication with the Server: 3. Server Response Methods: 4. Active Establishment of SSE Stream: 5. Connection Recovery: Scenario: Simple tool API services, such as mathematical calculations, text processing, etc. Client Server | | |– POST /message (Calculation Request) ——–>| | |– Perform Calculation |<——- HTTP 200 (Calculation Result) ——-| | | Advantages: Extremely simple deployment, no state management required, suitable for serverless architecture and microservices. Scenario: Long-running tasks, such as large file processing, complex AI generation, etc. Client Server | | |– POST /message (Processing Request) ——–>| | |– Start Processing Task |<——- HTTP 200 (SSE Starts) ——–| | | |<——- SSE: Progress 10% —————| |<——- SSE: Progress 30% —————| |<——- SSE: Progress 70% —————| |<——- SSE: Completion + Result ————| | | Advantages: Provides real-time feedback without needing to maintain a permanent connection state. Scenario: Multi-turn dialogue AI assistants that require context maintenance. Client Server | | |– POST /message (Initialization) ———->| |<– HTTP 200 (Session ID: abc123) ——| | | |– GET /message (Session ID: abc123) —>| |<——- SSE Stream Established —————–| | | |– POST /message (Question 1, abc123) —>| |<——- SSE: Thinking… ————-| |<——- SSE: Answer 1 —————-| | | |– POST /message (Question 2, abc123) —>| |<——- SSE: Thinking… ————-| |<——- SSE: Answer 2 —————-| Advantages: Maintains session context, supports complex interactions, while allowing for horizontal scaling. Scenario: AI applications used in unstable network environments. Client Server | | |– POST /message (Initialization) ———->| |<– HTTP 200 (Session ID: xyz789) ——| | | |– GET /message (Session ID: xyz789) —>| |<——- SSE Stream Established —————–| | | |– POST /message (Long Task, xyz789) –>| |<——- SSE: Progress 30% —————| | | | [Network Disruption] | | | |– GET /message (Session ID: xyz789) —>| |<——- SSE Stream Re-established ————–| |<——- SSE: Progress 60% —————| |<——- SSE: Completion ——————| Advantages: Increases reliability in weak network environments, improving user experience. In the previous sections, we theoretically outlined the advantages and disadvantages of the HTTP+SSE and Streamable modes. In actual applications, the fragmented request and response patterns of the HTTP+SSE model lead to a very tricky problem in architectural implementation and scalability: it forces the maintenance of sticky session connections between the client and server, even for stateless communication where we need to maintain a session ID and ensure that requests with the same session ID are sent to the same server machine. This poses a heavy burden on both the client and server implementations. For the Streamable mode, if the goal is merely to maintain stateless communication, there is no need to manage sticky sessions at all. Considering that over 90% of MCP services may be stateless, this presents a significant improvement in the overall architecture’s scalability. Of course, if stateful communication needs to be implemented, the Streamable HTTP mode still requires maintaining a session ID. Currently, neither MCP nor Spring AI’s official documentation has provided the Streamable mode; we have only provided the Stream HTTP Client implementation, which only supports stateless mode and can connect to the official Typescript server implementation and Higress community server implementation. A complete runnable example can be found at: https://github.com/springaialibaba/spring-ai-alibaba-examples Due to the ongoing development of the MCP Java SDK implementation for the Streamable HTTP solution, this example repository contains customized source code from the following two repositories: The examples integrate a Higress gateway that supports the MCP Streamable HTTP protocol implementation. This implementation still has many limitations, such as not supporting GET requests, not supporting session-id management, etc. The client can actively establish an SSE connection by sending a GET request to the /mcp endpoint, which will serve as the subsequent request-response channel. return Mono.defer(() -> Mono.fromFuture(() -> { final HttpRequest.Builder builder = requestBuilder.copy().GET().uri(uri); final String lastId = lastEventId.get(); if (lastId != null) { builder.header(“Last-Event-ID”, lastId); } return httpClient.sendAsync(builder.build(), HttpResponse.BodyHandlers.ofInputStream()); }).flatMap(response -> { if (response.statusCode() == 405 || response.statusCode() == 404) { // ….. } return handleStreamingResponse(response, handler); }) .retryWhen(Retry.backoff(3, Duration.ofSeconds(3)).filter(err -> err instanceof IllegalStateException)) .doOnSuccess(v -> state.set(TransportState.CONNECTED)) .doOnTerminate(() -> state.set(TransportState.CLOSED)) .onErrorResume(e -> { System.out.println(“Ignore GET connection error.”); LOGGER.error(“Streamable transport connection error”, e); state.set(TransportState.CONNECTED); return Mono.just(“Streamable transport connection error”).then(); })); POST request, server can respond with a normal response or upgrade to an SSE response: Example of an equivalent HTTP request, where listTool and callTool are similar requests. curl -X POST -H “Content-Type: application/json” -H “Accept: application/json” -H “Accept: text/event-stream” -d ‘{ “jsonrpc” : “2.0”, “method” : “initialize”, “id” : “9afdedcc-0”, “params” : { “protocolVersion” : “2024-11-05”, “capabilities” : { “roots” : { “listChanged” : true } }, “clientInfo” : { “name” : “Java SDK MCP Client”, “version” : “1.0.0” } } }’ -i http://localhost:3000/mcp You can start and test with the Streamable Server provided by the official TypeScript SDK in conjunction with the current client implementation. // Send POST request to /mcp, including public Mono<Void> sendMessage(final McpSchema.JSONRPCMessage message, final Function<Mono<McpSchema.JSONRPCMessage>, Mono<McpSchema.JSONRPCMessage>> handler) { // … return sentPost(message, handler).onErrorResume(e -> { LOGGER.error(“Streamable transport sendMessage error”, e); return Mono.error(e); }); } // Actually send the POST request and process the response private Mono<Void> sentPost(final Object msg, final Function<Mono<McpSchema.JSONRPCMessage>, Mono<McpSchema.JSONRPCMessage>> handler) { return serializeJson(msg).flatMap(json -> { final HttpRequest request = requestBuilder.copy() .POST(HttpRequest.BodyPublishers.ofString(json)) .uri(uri) .build(); return Mono.fromFuture(httpClient.sendAsync(request, HttpResponse.BodyHandlers.ofInputStream())) .flatMap(response -> { // If the response is 202 Accepted, there’s no body to process if (response.statusCode() == 202) { return Mono.empty(); } if (response.statusCode() == 405 || response.statusCode() == 404) { // … } if (response.statusCode() >= 400) { // … } return handleStreamingResponse(response, handler); }); }); } // Handle different types of responses that the server might return private Mono<Void> handleStreamingResponse(final HttpResponse<InputStream> response, final Function<Mono<McpSchema.JSONRPCMessage>, Mono<McpSchema.JSONR

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的海外服务器，欢迎访问 www.isclouder.com 了解更多