Author: admin

最新消息显示，How to Split a Single Table with 800 Million Rows? Let AI Design Your PolarDB-X

As a backend developer or DBA, you have an order table with 800 million rows. Queries are getting slower and slower, and your boss is pushing you to optimize. You know the answer is “go distributed and partition the table,” but when you actually start, a flood of questions hits you: • Which partition key should you choose? The primary key? A business field? Pick the wrong one, and you end up with either write hot spots or full-shard scan queries — slower than not splitting at all. • GSI How to build? When should you use a common GSI, Clustered GSI, or UGSI? Too many wastes resources; too few leaves queries uncovered. • How many partitions? 64? 128? 256? Guessing always feels unreliable. • How to handle primary keys and unique keys? PolarDB-X Partitioned table rules differ from standalone MySQL. Improper handling can lead to data loss. The standard flow for solving these problems used to be: read documents → review Best Practices → compare against your own scenario → adjust repeatedly → find someone to review. Now, a single sentence is all it takes. LLMs can write code and translate, but for database partition design — a task requiring deep domain knowledge and strong context dependency — general-purpose LLMs often fail to deliver reliable solutions. They don’t understand the details of PolarDB-X partition algorithms, the trade-off logic between Clustered GSI and common GSI, or how your demand mode should match a partition policy. This is exactly the problem that PolarDB-X Skill aims to solve. We encapsulated the distributed partitioning best practices that PolarDB-X has accumulated over the years into a Skill that can be directly invoked in AI programming assistants: polardbx-sql. It is not a general Q&A pair, but a partitioning design expert who understands PolarDB-X kernel rules. We have an order table t_order, which is currently a single table with 800 million rows of data. Recently, queries have been getting slower and slower. The table schema is roughly: order_id BIGINT primary key, buyer_id BIGINT, seller_id BIGINT, amount DECIMAL, create_time DATETIME, status TINYINT. The most frequent query is querying the order list by buyer_id, followed by single-row queries by order_id, and some queries by seller_id. I want to convert this table to a PolarDB-X partitioned table in AUTO mode. Please help me design the partition solution and provide the complete SQL. The Skill directly outputs a complete partition solution and executable DDL: Many people’s first reaction is to ask: What’s the difference between this and ChatGPT stitching templates? The difference is that every output from Skill goes through an inference chain based on PolarDB-X Best Practices: Key difference: Skill determines the type of each GSI based on the demand mode you describe (which field is queried most often, and whether the query returns a list or a single row). This is not a mechanical operation of “creating an index whenever there is a query,” but a precise match based on query features. Skill can adapt to various partition design scenarios, such as: • Multi-dimension query — “The order table is queried by both order_id and buyer_id, and their last few digits are the same” → Skill recommends CO_HASH partitions • Metric — “Clean up expired data by month” → Skill recommends HASH + RANGE subpartitions + TTL • Multi-tenancy — “Each tenant’s data must be fenced” → Skill recommends a LIST + HASH combination • Tables with UNIQUE constraints — “I have a UNIQUE KEY that cannot be lost” → Skill uses a three-step migration method: first create a UGSI, then expand the partitions Just describe “what the table looks like and how to query it,” and leave the rest to Skill. npx skills add https://github.com/polardb/polardbx-skills –skill polardbx-sql Step 2: Describe Your Tables and Queries in Natural Language Just describe the table schema, data volume, and main demand mode. No strict format required. Skill outputs executable DDL statements, which are directly executed on PolarDB-X after review confirmation. Applicable to PolarDB-X 2.0 Enterprise Edition (Distributed Edition) databases in AUTO pattern. In the AI era, the threshold for database O&M and design is being redefined. Partition design work that used to require reading documents, consulting experts, and repeated authentication can now be completed in seconds with a single Skill. However, this does not mean that the value of DBs is decreasing — on the contrary, when AI takes over repetitive solution design work, DBs can focus more on architecture decisions, performance tuning, and stability assurance — things that truly require experienced judgment. We will continue to release more Skills covering O&M, diagnostics, migration, and other scenarios. Feel free to try them out, and you are welcome to submit Issues and PRs on the GitHub repository to help make distributed databases easier to use.

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物理服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：联想问天超节点解决方案发布：单节点可搭 40 张 GPU，FP8 算力超 28 PFLOPS

IT之家获悉，联想在本次发布会发布了联想问天超节点算力解决方案，具备四大特点： 强算力：单节点可搭载 40 张 GPU，FP8 算力超 28 PFLOPS，HBM 显存突破 5.76 TB，满足万亿参数大模型训练与推理需求； 全互联低时延：访存总带宽超 80TB/s、百纳秒级芯片 P2P 单向时延，破解万卡级集群协同的通信瓶颈； 灵活扩展：单节点支持 40 卡、Scale-out 横向扩建集群，还可向下兼容 32 卡配置，满足各种规模的训练、推理和开发测试； 简易部署：采用无线缆正交直插架构，兼容标准 19 英寸机箱，将集群部署周期压缩至数小时，大幅降低大规模算力集群落地门槛

从更深层次来看，IT之家 6 月 25 日消息，联想昨日在北京举行发布会，联想集团副总裁、中国基础设施业务群总经理陈振宽公开，2027 年，联想中国基础设施群将锚定 1000 亿元人民币的目标，并剑指中国服务器市场第一

从更深层次来看，此外，联想还发布了万全异构智算平台 V5.0，迎来两大核心升级： 集群训推加速技术通过分层解耦 PD 分离架构、KV Cache 共享缓存优化等核心技术，实现大模型训推性能的全面领先，大幅提升集群资源利用率； 芯模编译优化技术实现面向不同模型的计算图自适应匹配和算子自动生成，深度适配多元算力芯片生态，提升训练与推理的全流程计算效率

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海外服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，交通运输部：加快推动人工智能在交通运输领域规模化创新应用

推动建设智能化低空融合基础设施，部署基于人工智能的空中交通态势感知与高精度导航增强网络，支撑航空器智能路径规划与实时冲突消解

从更深层次来看，面向桥梁、隧道、路面等典型结构设施，开展结构状态感知、病害识别、趋势预测、养护决策等关键技术应用，实现结构性能评估、风险等级判断、质量安全管控、养护策略推荐等功能

业内人士指出，应用推广类聚焦技术成熟、需求明确的场景，加速成果转化与推广，鼓励率先实现规模化应用

值得关注的是，在确保安全的前提下，探索开展垂直起降航空器与无人机在短途运输、空中游览等场景应用，提升低空运输服务能力

值得关注的是，鼓励建立海上危险品泄漏、船舶碰撞等重大险情的智能推演与辅助决策系统，依托大数据与情境认知技术动态生成最优救援方案，进一步提升海上突发事件响应速度和处置效率

值得关注的是，聚焦交通运输、设施运行、应急响应、经济运行等场景的智能风险预警与干预能力提升，开展交通安全态势感知、异常事件自动识别、事故智能推演与干预策略生成等关键技术应用，强化高风险作业智能提醒、突发事故智能调度、重大危险源管控、数智化执法、智慧化财审监督等能力，实现对高风险区域、重点设备、危险作业行为、重要经济活动等方面的预测、监管与响应

值得关注的是，鼓励各地立足行业实际与发展需求，因地制宜拓展特色应用场景创新实践

从更深层次来看，支持邮件快件分拣设备智能化升级，充分利用物联网与机器视觉技术，实现邮件快件自动识别、精准定位与无人化搬运设备的智能调度，进一步提升分拣效率

值得关注的是，鼓励利用人工智能、大数据等技术，加强城市公共交通客流实时分析研判，动态匹配客流优化组织调度，推动城市公共交通智慧运营

从更深层次来看，支持开发融合数字孪生与强化学习的应急决策推演模型，实现对多情景预案的智能仿真与处置方案自主优化，有效提升公路安全韧性水平

值得关注的是，鼓励发展基于深度学习的船舶能效管理与货物状态监测系统，提升沿海货运经济性与可靠性

值得关注的是，鼓励构建基于数字孪生与机器学习的预测性维护系统，对铁路装备核心部件进行多模态数据融合分析与时序异常检测，实现亚健康状态早期预警与剩余寿命精准预测

从更深层次来看，推广无人机集群智能巡检系统在公路、港口、航道等场景应用示范

从更深层次来看，以习近平新时代中国特色社会主义思想为指导，全面贯彻党中央、国务院关于“人工智能 +”行动决策部署，统筹发展和安全，遵循“市场主导、政府支持、多方参与、协同推进”的原则，坚持创新引领、应用牵引、因地制宜、安全有序，以“技术突破 — 场景验证 — 产业应用 — 体系升级”为路径，稳妥有序推进“人工智能 + 交通运输”规模化创新应用，服务构建智能综合立体交通网，助力交通运输一体化融合、安全化提升、数智化升级、绿色化转型

值得关注的是，依托物联网和智能机器人、无人机等装备，利用多模态大模型，提升智能化巡检能力

从更深层次来看，推进智慧货运管理，鼓励构建全链路智慧货运协同系统

值得关注的是，鼓励采用人工智能技术融合激光雷达点云、无人机巡检等数据，自动生成桥梁、隧道等基础设施三维模型，实现基础设施设计的数据驱动

业内人士指出，鼓励利用机器学习与知识图谱技术，对航运物流数据进行深度挖掘与智能分析，实现市场需求预测、运力动态调配与最优航线规划

从更深层次来看，构建基于多源感知数据与人工智能的公路自然灾害监测预警系统，实现边坡塌方、路面损毁、团雾结冰等风险源的自动辨识、动态评估与预警预报

从更深层次来看，支持采用人工智能技术实施“车－站－电网”协同、动态能源网络规划，完成智能驾驶货车绿色能源智能补给

从更深层次来看，建设内河高等级航道电子航道“一张图”，实现基于电子航道图的船舶导助航信息服务

业内人士指出，研发低延时船岸通信系统与人机共驾切换模型，实现极端工况岸基远程无缝接管，构建“自主为主、远程为辅”智能航行模式

从更深层次来看，推动应用人工智能技术实现收费环节特情提前感知、快速处置，提升收费站点通行效率

值得关注的是，构建“车－柜－桩”协同运营与动态补电网络，依托物联网和运筹优化方法实现能源智能调度与基础设施高效复用，有效破解“最后一公里”运力碎片化与人力短缺难题

业内人士指出，鼓励建设船－岸－云协同的智能航行支持系统，依托卫星通信、气象大数据与海洋数字孪生技术，实现船舶状态实时监控与全局航行策略动态优化

值得关注的是，深化人工智能技术在大宗货物运输、冷链运输、危险品运输等场景集成应用，提升智能调度、仓储协同、异常预警等能力，实现铁公水空多式联运智能协同，提升运输组织效率

值得关注的是，鼓励构建跨方式、全流程的智能调度与自动履约模型，实现运输资源自主适配与作业流程无缝衔接

从更深层次来看，应用场景创新行动试点任务分为应用推广类、创新示范类和攻关突破类三类

业内人士指出，支持部署全旅程多模态智能服务系统，融合计算机视觉与自然语言处理技术，实现乘客异常行为识别与个性化服务主动推荐

业内人士指出，支持构建基于大数据与人工智能的航运运营一体化智能决策系统，打通物流、资金流与信息流壁垒

从更深层次来看，支持建设基于人工智能的多模式出行规划与路径推荐系统，整合多种交通方式运行数据和服务资源，提供个性化出行方案推荐、实时路况信息推送、换乘引导提示等功能

业内人士指出，鼓励构建机场全域感知与智能决策数字系统，实现运行保障节点的全流程动态监控与协同调度

业内人士指出，鼓励研发“港口数字孪生 +AI 辅助决策”等智能体，提升港口效率、服务、安全等综合智能化水平

业内人士指出，健全“人工智能 + 交通运输”标准体系，积极开展预标准化研究，对验证成熟的产品、技术和场景，支持相关技术单位、用户单位联合制定国家和行业标准

值得关注的是，支持交通流态势智能推演与拥堵原因分析，自动生成疏导策略，缩短事故处置时间，破解公路应急响应滞后难题

业内人士指出，推广应用人工智能技术，融合多源传感数据，实现路基、路面、桥梁、隧道病害和交通标志标线破损等自动识别，以及桥梁、隧道、边坡智能监测

值得关注的是，鼓励构建基于大数据和人工智能算法的骨干和末端网络智能路径规划与调度系统，实现海量寄递业务与动态路况下的实时路径规划与多目标决策优化

业内人士指出，支持部署基于人工智能的航空器与货物智能装卸系统，实现无人化装备精准识别定位与自主作业

从更深层次来看，根据《行动方案》，应用场景创新行动将以“技术突破 — 场景验证 — 产业应用 — 体系升级”为路径，稳妥有序推进“人工智能＋交通运输”规模化创新应用，以加快构建智能综合立体交通网为牵引，助力交通运输实现一体化融合、安全化提升、数智化升级、绿色化转型

值得关注的是，鼓励构建端到端全链路智能供应链协同系统，实现采购、生产、仓储、运输、销售各环节数据贯通与优化决策

从更深层次来看，推动多智能体协同优化算法研究，支持列车群协同决策与自主运行，提升线路通过能力

从更深层次来看，交通运输部牵头，加强组织协调和工作统筹，具体组织综合交通运输、公路、水路等领域试点任务

业内人士指出，支持构建基于人工智能的出行即服务（MaaS）一站式票务系统，实现多模式出行服务的智能联程规划与无感票务集成

业内人士指出，IT之家 6 月 25 日消息，据中国交通新闻网报道，行业消息显示，交通运输部发布《“人工智能＋交通运输”典型应用场景创新行动方案》（简称《行动方案》），围绕智能驾驶、智慧公路、智能航运、智能安全监管等十大方向，将组织实施超百项试点项目，集聚超千家创新主体，形成一批场景级解决方案，加速推动交通运输行业高价值场景全面落地，推动智能终端、智能体普及应用

值得关注的是，支持利用人工智能算法，实现集疏运资源的智能匹配与动态优化

从更深层次来看，攻关突破类聚焦算法、智能终端等核心技术研发和试用，通过真实应用场景检验和提升技术供给能力，原则上由人工智能企业牵头，联合行业用户共同实施

业内人士指出，支持构建“一脸通行”全流程无感服务系统，深化多模态生物识别技术在值机、通关、登机等环节的应用

从更深层次来看，鼓励应用环保智能管控系统，采用人工智能调度模型，开展施工进度智能监管、违规施工行为监管、物资智能监管等智能化监管，实现施工过程全要素数字化管控，保障施工安全

业内人士指出，面向公路货运、园区运输、短途接驳等不同类型场景，开展智能测评技术研发与验证，探索建立虚实结合的智能化测试场

从更深层次来看，支持建设水文数字孪生与多源感知融合系统，保障编队在急弯、浅水区、雨雾环境的全天候航行

值得关注的是，支持建立枢纽集群运行数字孪生系统，精准模拟和预测流量波动与设施瓶颈，实现异常事件的智能预警与协同应急处置，显著提升综合交通网络整体效能与韧性

从更深层次来看，推动智能列车与运行控制系统研发与测试，支持嵌入具备自感知、自学习、自运行能力的智能化部件，提升列车状态识别与运行过程自主调节能力

值得关注的是，为深入贯彻党中央、国务院决策部署，全面落实交通运输部等部门《关于“人工智能 + 交通运输”的实施意见》，加快推动人工智能在交通运输领域规模化创新应用，交通运输部会同国家铁路局、中国民用航空局、国家邮政局、国家铁路集团组织开展“人工智能＋交通运输”典型应用场景创新行动（以下简称应用场景创新行动），制定方案如下

从更深层次来看，推广应用“手机 +”无卡便捷通行、站前预交易等模式

值得关注的是，推广应用养护决策智能体，结合历史数据与性能预测，自动生成个性化、最优化的养护策略

从更深层次来看，推动发展协同决策与多车分布式调度优化模型，实现区域内整体揽投效率最优、资源消耗最低，显著提升物流运输时效性与服务满意度

从更深层次来看，应用场景创新行动试点任务分为“应用推广类”“创新示范类”和“攻关突破类”

业内人士指出，支持构建多式联运电子运单、协同调度与智能合约系统，完善枢纽集疏运与大通道运输智能调度机制

值得关注的是，建立跨运输方式的客票清分与结算智能合约系统，实现资源高效协同与收益精准分配，显著提升旅客全程出行效率与一体化服务体验

业内人士指出，开展“人工智能 + 交通运输”航海保障实践，构建现代化航海保障体系，拓展船舶智能航行、支持商渔船共治、新业态建设等航海保障应用场景

值得关注的是，下一步，交通运输部将建立“人工智能＋交通运输”创新成果库，鼓励各地因地制宜拓展特色应用场景创新实践；组织加强典型经验总结与交流，鼓励优秀智能体成果参与综合交通运输大模型智能体创新应用大赛；健全“人工智能＋交通运输”标准体系，积极开展预标准化研究；采用“科技＋工程”模式，推进重大创新工程实施，健全成果转化应用机制

从更深层次来看，支持应用强化学习算法，提升车辆在复杂城市环境中的交互决策与长期续航能力

从更深层次来看，推动城市空中交通运行数字孪生系统建设，优化空域资源配置与流量调度，实现低空运输系统安全、高效发展

从更深层次来看，鼓励推广无人化施工装备集群协同作业，实现公路交通基础设施施工实时感知与自适应调节

业内人士指出，支持采用人工智能技术实现多源信息融合，实现勘察报告、设计图纸、设计报告自动生成、复杂工程三维模拟自动分析、勘察设计历史数据挖掘等功能，强化对复杂地质条件、气象及水文分布变化等高风险灾害区域的研判，做好科学安全选线、多通道布局论证和多走廊比选

值得关注的是，应用场景创新行动由交通运输部会同国家铁路局、中国民用航空局、国家邮政局、国家铁路集团等部门组织实施

从更深层次来看，聚焦智能驾驶、智慧公路、智能铁路、智能航运、智慧民航、智慧邮政、智能建养、智慧出行服务、智慧货运、智能安全监管等重点方向，围绕路网运行状态智能监测、铁路装备自主健康管理、船舶编队智能航行、航空旅客智能安检、邮件快件智能分拣、基础设施智能巡检、海上智能救援、数智化执法等典型应用场景开展试点示范，广泛凝聚各方面创新主体力量，营造“千帆竞渡、百舸争流”的浓厚创新氛围，持续拓展人工智能技术在交通运输领域的应用广度与深度

值得关注的是，鼓励探索应用大数据分析与智能算法，优化城际客运票价策略与动态组合

值得关注的是，鼓励研发港航一体化智能调度系统，实现堆场、码头、锚地之间作业计划的统筹编制、动态更新和协同调度

从更深层次来看，支持应用多智能体强化学习与集群控制算法，优化无人机、无人艇、无人潜航器等智能装备协同搜索、目标定位与应急救援任务自主执行

值得关注的是，支持利用人工智能技术，提供货运全程可视化追踪监测，当出现突发状况或异常预警时，能够及时响应，动态调整调度方案

业内人士指出，根据行业消息，交通运输部已梳理出公路运行状态智能监测等首批 41 个重点场景，计划于今年启动布局实施

值得关注的是，鼓励建立基于区块链的联运数据共享与可信互操作机制，保障多方协作可信可溯、责任清晰与利益公平分配，提升运输链条的可靠性、效率与集约化水平

值得关注的是，支持应用货物特征自适应装卸系统，实施场站智能调度，实现煤炭、粮食等散货及集装箱的自动抓取、定位与装载，实现 24 小时高效周转

业内人士指出，推动工程数字孪生、智能预警装置、人工智能大模型等技术应用，探索实施大数据智慧辅助管理，实现工程施工现场质量安全动态监测和主动预警

业内人士指出，支持应用多智能体强化学习与运筹优化算法，实现跨枢纽货物转运、存储与运输能力的实时匹配与自主决策

值得关注的是，推动建立针对不同车型、不同应用场景的测试评价要求与规范

业内人士指出，鼓励应用多元数据，基于人工智能算法向车辆实时推送个性化安全驾驶建议与路线优化信息

值得关注的是，鼓励发展基于区块链与智能合约的多主体可信协作网络，确保供应链全程透明可溯与履约风险智能管控，全面提升供应链响应速度、资源利用效率和系统抗干扰能力

从更深层次来看，支持开发融合多源信息的实时避障决策模型，自主生成多船联合避碰路径，降低碰撞风险

从更深层次来看，构建基于人工智能的视频智能巡检系统，实现暴力分拣、异常作业等疑似违规作业行为的远程安全监控

值得关注的是，支持采用人工智能技术实现城际客运出行需求的动态预测与运力资源的精准匹配

业内人士指出，支持构建贯通“铁－公－水－空”的多式联运全程电子化运单系统，实现一单托管、全程可溯与智能履约

值得关注的是，结合收费站车辆通行数据，支持利用人工智能技术自动生成收费车道配置、车辆通行引导、多样化支付等推荐策略，优化支付服务体验

值得关注的是，推动构建基于多智能体强化学习的船舶协同控制系统，实现内河船舶编队动态间距保持与自适应队形稳定，提升通行效率

值得关注的是，推进航道智能感知网络建设，开发基于多源数据融合的航道智慧运行监测预警系统，实现航道养护尺度等重要航道信息的动态发布

业内人士指出，聚焦矿产、集装箱、粮食等大宗货物干线运输场景，开展智能驾驶技术集成应用验证，推进货物运输技术性降本提质增效

业内人士指出，依托公路既有感知设施，探索采用多杆合一、多感合一等模式，利用多模态大模型等技术，提升覆盖基础设施、交通运行、路网环境的公路全要素感知能力，加强对夜间、雨雪等天气、施工作业等异常状态下的路网运行监测

业内人士指出，鼓励发展基于人工智能的智能调度与路径协同优化模型，自动生成最优运输组合方案，推动构建“一次委托、一口报价、一单到底”的集约化货运服务新模式

从更深层次来看，探索人工智能技术应用于设计、施工、管理、养护等建养全流程，提升交通基础设施全生命周期管理能力

从更深层次来看，鼓励加大智能安检系统推广应用力度，提高智能安检设备占比

值得关注的是，鼓励在住宅区、商业区、产业园、有条件的农村地区等场景部署基于人工智能的无人快递车集群调度系统，实现订单动态分配、路径实时规划与多车交通流协同优化

从更深层次来看，附件：“人工智能 + 交通运输”典型应用场景建设指引（第一批） 鼓励构建贯通“干线运输－货物装卸－能源补给”全链条的智能驾驶货运体系，在高速公路、物流骨干通道探索基于人工智能的智能驾驶货车编队自动化稳定运行，提升通道运力，降低物流成本

从更深层次来看，开展船舶编队智能航行技术创新，提升内河、沿海航行效率

业内人士指出，鼓励采用人工智能自动线形生成技术，集成地质勘探数据、环境参数与规范库，辅助规避地质风险，实现线形最优

值得关注的是，支持构建“空－天－岸－海－潜”一体化智能海上救援协同指挥系统，推动提升搜救力量的可视性、调度指挥的智能化水平，强化跨部门协同联动

业内人士指出，拓展垂直起降航空器与无人机在短途运输、空中游览等场景应用，研发智能任务分配与多机协同控制算法，提升服务可靠性

从更深层次来看，支持构建覆盖仿真环境－封闭场地－实际道路的全维度、多层级智能驾驶测评体系

值得关注的是，支持应用机器学习和时空预测技术，精准预估揽投时效、交通拥堵与节点通行能力，为路径动态调整提供依据

值得关注的是，应用场景创新行动将根据人工智能技术发展态势，“十五五”期分批次推出典型应用场景建设指引（第一批典型应用场景建设指引详见附件），动态组织推进

值得关注的是，鼓励采用人工智能技术，开展公路自由流收费创新，实现“无感通行”新体验

从更深层次来看，构建覆盖寄递全流程的行政执法智能辅助系统，实现执法检查、违法取证、行政处罚、执法文书自动生成等执法流程智能化处理，提升执法效率与监管效能

值得关注的是，支持构建“感知－分析－预警”全链条监测体系，应用多源感知融合技术精准识别交通事件

值得关注的是，推广行李全流程追踪与自动化管理系统，应用视觉识别等技术实现行李高效分拣、精准定位与智能托运，显著提升旅客出行体验与行李处理可靠性

值得关注的是，引导人工智能技术优先应用于工作环境差、危险度高的应用场景，对智能驾驶、无人配送等智能技术及应用，加强就业影响评估和监测预警，审慎把握其应用节奏、范围和力度，尽可能减少对从业人员的冲击

业内人士指出，鼓励建立跑道、廊桥等设施健康状态的物联网监测与预测性维护模型，提前预警并生成维修方案

业内人士指出，结合路况、天气情况和交通管控等信息，智能化分析研判车辆行驶过程中可能的拥堵和风险动态，生成最优路径或预警提示，及时引导车辆合理出行

从更深层次来看，围绕调度、通信、供电、服务、应急等核心环节，推动铁路运行模式智能化能力提升，拓展智能铁路应用边界

从更深层次来看，推进港口智能感知网络建设，鼓励建设基于数据大脑的综合管理系统，加快码头设备设施数字化建设、自动化改造、智能化升级

值得关注的是，鼓励研发并部署基于人工智能的灾害快速评估系统，实现灾情范围、等级与影响路段的分钟级精准判定与可视化呈现

值得关注的是，推动构建基于人工智能的通航建筑物联合调度与安全监管系统，提升运行效率和安全水平

业内人士指出，鼓励在城市货运调度系统中研发并应用智能运力预测模型，基于实时路况、历史数据与订单需求，实现车辆与司机的最优动态匹配

业内人士指出，到 2030 年，将开放一批高价值应用场景，形成一批高水平算法模型，涌现一批“人工智能＋交通运输”领域的新基础设施、新技术装备、新服务模式与新产业形态

值得关注的是，鼓励应用人工智能技术赋能交旅融合，动态生成并推送个性化出行信息

从更深层次来看，探索建设“人工智能 +”航道服务体系，提升船舶引航、船桥防碰撞、港口前沿专用航道服务能力

业内人士指出，深化应用无人机巡航联动智能工作船舶等，自动排查、识别隐患并提示报警，提升养护巡查效率

从更深层次来看，围绕航线规划、飞行安全、航班编排、签派决策、机组排班等核心任务，鼓励开发民航垂域大模型，开展运行预测、调度优化、风险防控等关键技术应用，打造全流程个性化出行服务、机坪态势感知与风险预警、无人化智慧货运站等多方面立体化应用场景，加快推进民航数智化转型升级

业内人士指出，鼓励采用视觉大模型、智能机器人等，实现简单重复性巡检场景的智能化作业，提升装备自主检测、自主诊断、自适应等数智化精准运维能力

业内人士指出，鼓励应用大数据与人工智能算法，为旅客动态生成时效最优、成本最低、舒适度最高的个性化综合出行方案

从更深层次来看，围绕邮件快件分拣、运输调度、末端投递、运行监控等环节，推进邮政快递基础设施数智化改造与应用场景数智化升级，开展自动化仓储、智能分拣、智能安检、无人配送等关键技术研发，探索基于数据驱动的服务调度、路径优化、智能客服等智能体部署，加快智能终端在农村、社区、校园等末端节点的规模化应用，提升邮政寄递整体运行水平与服务质量

值得关注的是，支持在有条件的地区，拓展寄递无人机应用场景，提升服务质效

从更深层次来看，鼓励开发装备故障自生成诊断知识图谱与决策推理引擎，提升自检测、自诊断、自适应能力，最大化系统可用性与可靠性，降低全生命周期维护成本

值得关注的是，推动利用高速公路 ETC 门架、通信基站、交通监控等既有设施，集约化部署高清摄像头等路侧感知设备，结合人工智能技术强化多源数据融合应用，构建全天候、全要素的智能感知网络

从更深层次来看，开展交通流态势智能推演与拥堵机理分析，自动生成疏导策略，并向出行者推送，提升路网智能调度能力

从更深层次来看，创新示范类聚焦成熟技术的系统集成与落地推广，加大高价值典型场景开放力度，促进技术供需双方对接，以人工智能赋能交通运输业务应用，原则上由场景所有方牵头，联合人工智能企业、高校、科研院所等创新主体共同实施

从更深层次来看，鼓励应用虚实融合的交互导览与异常事件智能处置系统，提升旅客出行体验与应急响应效率

业内人士指出，支持利用人工智能技术，提供车辆全程可视化追踪、异常预警与智能客服服务

值得关注的是，鼓励开发基于多源数据融合的跨境贸易真实性核验引擎，自动化完成信用证、提单、检验报告等单证的智能审校与风险识别

业内人士指出，构建基于人工智能的交通运输网络与数据安全智能监管系统，实现部、部属单位、关键信息基础设施及重要数据安全状态实时感知、网络攻击行

值得关注的是，推动建设基于区块链与智能合约的电子单证系统，实现提单、装箱单、舱单等港航单证的链上签发、传输与核销

从更深层次来看，聚焦船岸协同、港航调度、安全监管、智能运维、船舶节能等场景，开展状态感知、路径规划、船闸调度、安全管控等关键技术集成与应用，实现通航环境下的辅助靠离泊、集疏运协调和编队航行等

从更深层次来看，支持构建站车一体化的动态资源调度模型，通过人工智能算法实时优化售票、候车、乘降、换乘等环节资源分配

从更深层次来看，推动人工智能全面赋能港口数字化建设、自动化改造、智能化升级以及智慧航道建设、航道数智升级，提升港口生产运营、航道运行养护管理和对外服务智慧化水平

业内人士指出，组织加强典型经验总结与交流，鼓励优秀智能体成果积极参与综合交通运输大模型智能体创新应用大赛等，发挥标杆示范引领作用，营造互学互鉴、协同共进的创新氛围

业内人士指出，其中，应用推广类聚焦技术成熟、需求明确的场景，加速成果转化与推广；创新示范类聚焦成熟技术的系统集成与落地推广，加大高价值典型场景开放力度，以人工智能赋能交通运输业务应用；攻关突破类聚焦算法、智能终端等核心技术的研发与试用，通过真实应用场景检验并提升技术供给能力

值得关注的是，支持应用区块链与物联网技术，确保运单数据不可篡改、货物状态实时感知与运输资源透明协同

从更深层次来看，采用“科技 + 工程”的模式，聚焦综合性重大场景、集成式场景，进一步实施重大创新工程，健全成果转化应用机制

值得关注的是，融合 DSRC 通信数据、视频图像数据、手机信令数据、北斗定位数据等多模态感知数据，优化通行车辆识别和路径还原算法，实现车辆车牌、车型等智能识别，提高准确率

值得关注的是，支持开发机场安全风险多模态智能防控体系，实现对道面异常状况、跑道侵入、无人机及鸟情等安全隐患的主动发现与智能处置，全面提升机场安全与运行效率

从更深层次来看，推动构建基于环境感知与自主决策的智能航行系统，实现沿海货运船舶在复杂海况下的自主路径跟踪与航速优化

从更深层次来看，国家铁路局、中国民用航空局、国家邮政局、国家铁路集团根据工作职责，具体组织各自领域试点任务

从更深层次来看，交通运输部会同国家铁路局、中国民用航空局、国家邮政局、国家铁路集团，按职责分工组织开展综合绩效评价，凝练形成一批可复制、可推广的创新成果，建立“人工智能 + 交通运输”创新成果库

值得关注的是，鼓励应用人工智能技术融入多源传感数据，实现航道、整治建筑物、通航建筑物状态智能监测预警与设备设施故障诊断

值得关注的是，鼓励依托通航环境、气象水文、运行状态等多源数据融合，实现智能监测预警与设备设施故障诊断，构建安全高效的智能航运保障体系

业内人士指出，支持智能安检技术在安检环节深度应用，加快推进人工智能辅助判图在安检环节的应用

业内人士指出，支持研发多模态融合感知与高鲁棒性决策规划模型，应对恶劣天气、夜间航行、密集渔船等长尾场景，保障航行安全

从更深层次来看，深化多模态生物识别与智能安检技术在值机、通关、登机等环节集成应用，构建安检通道旅客识别系统、行李匹配系统、服务引导终端等，提升旅客出行体验

从更深层次来看，推动自感知、自学习、自决策的智慧化动车装备，以及多编组列车智能驾驶、协同控制和智能能源管理等技术应用

值得关注的是，部署基于人工智能的旅客服务机器人及虚拟助手，提供个性化登机引导、航班动态实时提醒及智能问答服务

业内人士指出，鼓励构建基于人工智能的极端长尾场景生成、安全边界验证与预期功能安全测评工具链，加速技术迭代与可靠性验证，为智能驾驶规模化应用提供权威、统一的测评支撑

业内人士指出，推动机场、港口、铁路站、公路港等枢纽资源优化

业内人士指出，支持构建基于数字孪生与人工智能的多式联运协同调度与智能合约系统，实现不同运输方式间运力、舱位等精准匹配与动态协同

业内人士指出，鼓励研发并应用港口智能调度模型，实现集卡智能预约与闸口无感通行

值得关注的是，统筹规划无人快递车、快递无人机、快递无人重卡、快递无人仓及无人驿站等无人快递技术装备及设施应用场景

业内人士指出，支持应用大数据与人工智能技术，实现市场需求精准预测、库存动态优化与物流自主调度

值得关注的是，到 2030 年，开放一批高价值应用场景，形成一批高水平算法模型，涌现一批“人工智能 + 交通运输”新基础设施、新技术装备、新服务模式、新产业形态，人工智能更加有力地引领交通运输高质量发展和高水平安全

从更深层次来看，支持构建城际客运智能票务系统，实现跨运营商票务整合、智能推荐与便捷购票

业内人士指出，鼓励城市群、都市圈建设出行服务“一体化系统”，探索联程联运、扫码通行、一键支付等服务模式，推动面向公众的交通信息服务精准推送、智能客服等技术应用，培育一批服务精准、体验友好的出行服务智能终端和智能体，提升公众出行便捷性、舒适性和获得感

从更深层次来看，融合交通、天气等多源数据，利用人工智能技术，为物流运输动态规划最优方案

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印度服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，280MW！TM Nxera柔佛-新加坡经济特区数据中心

TM Nxera由新加坡电信（Singtel）的数据中心业务部门Nxera与马来西亚Telekom Malaysia（TM）合资成立

业内人士指出，连接性方面，将依托TM和Singtel的全球海底光缆网络（Singtel相关网络总长度超过41.5万公里），提供低延迟和高可靠性的国际互联服务

值得关注的是，行业分析指出，柔佛州正因邻近新加坡而成为数据中心热点，新加坡的电力和土地限制促使部分需求外溢至此

从更深层次来看，行业消息显示，新加坡数据中心运营商TM Nxera位于柔佛-新加坡经济特区（Johor-Singapore Special Economic Zone，简称JS-SEZ）的数据中心项目举行了封顶仪式

从更深层次来看，如果您想了解更多关于东南亚算力产业发展，以及与数据中心项目落地情况、当地政策变化、中国出海企业现状，欢迎报名即将于2026年5月27日在泰国曼谷香格里拉酒店召开的数字基础设施全球合作发展曼谷论坛（DIFGC 2026 · THAILAND），诚邀您共话全球数字集成新篇章

从更深层次来看，2026年1月，TM Nxera已与马来西亚国家电力公司Tenaga Nasional Berhad（TNB）达成多年电力供应协议，锁定280MW电力供应，以保障项目运营

值得关注的是，该园区所在位于柔佛-新加坡经济特区离新加坡仅约16-17公里，驾车约25分钟

值得关注的是，据多家行业媒体报道，此次封顶的是TM Nxera在柔佛的首个超大规模AI就绪数据中心园区项目

值得关注的是，园区总规划容量达280MW，首期容量为64MW，预计将于2026年开始商业运营，后续可根据市场需求扩展至超过200MW

从更深层次来看，该协议被视为推动马来西亚云和AI创新的重要一步，同时强化其作为区域数字枢纽的地位

值得关注的是，TM Nxera项目是柔佛-新加坡经济特区内的旗舰投资之一

业内人士指出，项目背景可追溯至2024年6月，TM与Nxera公开成立合资公司（TM持股51%，Nxera持股49%），旨在马来西亚开发可持续、超连接的AI就绪数据中心校园

值得关注的是，该数据中心定位为Tier 3级、云就绪设施，设计注重能源和用水效率，旨在支持大规模AI工作负载、云计算以及GPU即服务等需求，目标客户包括云超大规模企业

业内人士指出，相关各方未披露具体投资总额，但项目被视为TM和Singtel在数字基础设施领域的战略合作成果

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香港服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，OSS Tables: The Missing Piece in the AI Data Lakehouse Infrastructure

How Alibaba Cloud’s new Table Bucket completes the multimodal storage trifecta for the AI Agent era The AI landscape has fundamentally shifted. We are no longer building models that consume neat, tabular datasets. The AI Agent era demands a data infrastructure that can simultaneously handle high-resolution images, streaming video, unstructured documents, dense vector embeddings, and the structured metadata that ties it all together. For years, enterprises have been forced to stitch together disparate storage systems — object stores for blobs, vector databases for embeddings, and data warehouses for structured analytics — creating silos, escalating costs, and operational nightmares. What if a single storage platform could natively unify all three? Alibaba Cloud Object Storage Service (OSS) officially launched Table Bucket, completing a product family that now includes Object Bucket, Vector Bucket, and Table Bucket. This is not merely a new feature; it is the architectural completion of an AI-native multimodal data foundation. OSS Tables brings native Apache Iceberg table semantics directly into object storage, delivering serverless, zero-ops structured data management at a scale and cost that traditional data lakes cannot match. This deep dive explores what OSS Tables is, why it matters, how it works under the hood, and how it integrates with the broader Alibaba Cloud ecosystem to solve real-world AI data challenges. OSS Tables is a structured data lake storage service built on top of Alibaba Cloud OSS. It provides out-of-the-box, low-cost, high-performance structured data storage specifically designed for two dominant workloads: At its core, OSS Tables natively integrates the Apache Iceberg open table format. This means you get full ACID transactions, schema evolution, time travel, and partition evolution — all managed by the storage layer itself, not by a separate metastore or compute cluster. The value proposition is clear: all the power of Apache Iceberg with none of the operational burden. OSS Tables introduces a clean, hierarchical data organization model that mirrors familiar database concepts while leveraging cloud-native resource isolation: Table Bucket (Resource Container) ├── Namespace “ml_training” (Schema) │ ├── Table “image_labels_v2” │ ├── Table “experiment_runs” │ └── Table “annotation_queue” ├── Namespace “analytics” │ ├── Table “user_events” │ └── Table “revenue_daily” └── Namespace “iot_telemetry” └── Table “sensor_readings” Table Bucket The top-level resource container. Think of it as the equivalent of an S3 bucket, but purpose-built for structured tables. Each Table Bucket: A logical isolation layer analogous to a database schema. Each Table Bucket supports up to 10,000 namespaces, enabling fine-grained organizational boundaries for multi-team, multi-project environments. Namespaces enforce permission isolation and simplify access control. The actual data table, stored in Apache Iceberg format. Each table: The single biggest pain point in self-managed data lakes is maintenance. Small files accumulate from streaming writes, snapshots pile up from frequent commits, and orphaned files leak storage costs. Teams routinely dedicate 20-30% of their data engineering capacity to writing and scheduling maintenance jobs. OSS Tables eliminates this entirely through three built-in, storage-layer mechanisms: Streaming and micro-batch writes inevitably produce small Parquet files that degrade read performance. OSS Tables continuously monitors file sizes and automatically merges them into optimally-sized files — without consuming your compute resources or requiring Spark compaction jobs. Every Iceberg commit creates a snapshot. Over time, expired snapshots consume metadata storage and slow down catalog operations. OSS Tables applies configurable retention policies (default: nonCurrentDays=10) to automatically expire old snapshots. When snapshots expire, the underlying data files may still exist on disk. OSS Tables safely identifies and removes files no longer referenced by any active snapshot (default: unreferencedDays=3). This is the safety net that prevents storage cost creep. These mechanisms run transparently at the storage layer. Your compute clusters focus exclusively on queries and transformations, not janitorial work. Vendor lock-in is the elephant in the room for any cloud-native data platform. OSS Tables addresses this head-on through uncompromising adherence to open standards: OSS Tables exposes a fully compliant Iceberg REST Catalog endpoint. Any tool that speaks Iceberg REST — which now includes virtually every major engine — connects without modification: Your existing Iceberg jobs migrate by changing a single catalog URL. No code refactoring. No proprietary SDK dependencies. Data is stored as standard Parquet files within the Iceberg metadata structure. If you ever need to move, you can export the raw files and metadata to any S3-compatible storage. The format is yours, not Alibaba Cloud’s. Alibaba Cloud has announced plans to introduce Lance, a next-generation columnar format optimized for multimodal AI workloads (random access, vector search, zero-copy reads). This will complement Iceberg for scenarios where analytical SQL meets embedding retrieval, further solidifying OSS as a truly open, multi-format data platform. Table Bucket does not exist in isolation. Its true power emerges when combined with OSS’s existing bucket types: Consider an autonomous driving team training a perception model: All three buckets share: This is the multimodal data foundation that AI Agents actually need — not three separate products bolted together, but one coherent platform. Batch-only data lakes are increasingly insufficient. Modern AI pipelines require real-time streaming ingestion with strong consistency guarantees. Alibaba Cloud Message Queue for Kafka has been deeply integrated with OSS Table Bucket: This reduces real-time data lake architecture from a five-component pipeline (Kafka → Flink → HDFS/S3 → Compaction → Catalog) to a two-component flow (Kafka → OSS Tables), slashing both complexity and operational cost. Early benchmarks from the preview release demonstrate significant advantages over self-managed alternatives: Concurrent Write Throughput:In a 500-table concurrent write scenario, OSS Tables achieves 10x+ higher TPS compared to a typical self-managed Iceberg deployment on comparable infrastructure. This is attributed to storage-layer optimizations in metadata management and write path parallelization. Query Performance: Reads benefit from automatic compaction (no small-file penalty) and storage-tier caching. Performance is competitive with dedicated warehouse solutions for scan-heavy OLAP workloads. Maintenance Overhead: Effectively zero. Teams report eliminating 4-8 hours/week of maintenance job monitoring and troubleshooting. Note: Production performance may vary based on workload characteristics, region, and configuration. # Create a namespace ossutil tables-api create-namespace \ –table-bucket-arn acs:osstables:cn-hangzhou:1234567890:bucket/my-table-bucket \ –namespace ml_training # Create a table ossutil tables-api create-table \ –table-bucket-arn acs:osstables:cn-hangzhou:1234567890:bucket/my-table-bucket \ –namespace ml_training \ –table image_labels \ –schema ‘{“fields”: […]}’ Spark Connection Example from pyspark.sql import SparkSession spark = SparkSession.builder \ .config(“spark.sql.catalog.oss_tables”, “org.apache.iceberg.spark.SparkCatalog”) \ .config(“spark.sql.catalog.oss_tables.type”, “rest”) \ .config(“spark.sql.catalog.oss_tables.uri”, “https://oss-tables-cn-hangzhou.aliyuncs.com”) \ .config(“spark.sql.catalog.oss_tables.warehouse”, “acs:osstables:cn-hangzhou:1234567890:bucket/my-table-bucket”) \ .getOrCreate() # Query directly df = spark.sql(“SELECT * FROM oss_tables.ml_training.image_labels WHERE label = ‘cat’ LIMIT 100”) df.show() Who Should Care? Role Why OSS Tables Matters Data Engineers Eliminate maintenance jobs. Focus on pipelines, not plumbing. ML Engineers Versioned, queryable training metadata. Reproducible experiments. Solution Architects Unified multimodal storage. Simplified security and governance. CTOs / VP Engineering 10x write throughput. Zero vendor lock-in. Predictable serverless billing. Platform Teams Multi-tenant namespace isolation. Centralized audit and compliance. Looking Ahead OSS Tables represents a strategic bet: that the future of data infrastructure is multimodal, open, and serverless. The roadmap includes: For enterprises building AI-native applications today, OSS Tables offers a compelling proposition: stop managing data lake infrastructure and start extracting value from your data. The storage layer should be invisible, intelligent, and infinitely scalable. With Table Bucket, Alibaba Cloud OSS takes a decisive step toward making that vision a reality. Disclaimer: Pricing and feature availability are subject to change upon general availability. Always consult official Alibaba Cloud documentation for the latest information.

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云主机，欢迎访问 www.isclouder.com 了解更多

最新消息显示，和林格尔新区：绿电+AI，绘制算力版图新核心

和林格尔新区正为全国数字经济高质量发展提供可复制、可推广的西部范式

从更深层次来看，作为呼和浩特市绿色算力与人工智能产业发展的”核心引擎”，截至2025年7月，和林格尔新区已落地46个数据中心项目，总算力突破10.1万P，其中智算达9.6万P

业内人士指出，新区得益于三大天然优势：绿电洼地，本地风光装机超60%，数据中心绿电使用达80%以上，电价全国最低；冷源经济，年均气温6℃，PUE（电力使用效率）稳定控制在1.15以下，每年可节省制冷费3-4亿元；网络低时延，通过国家骨干直联点与国际数据专用通道保障，到北京单向时延小于9毫秒，满足金融、AI等高要求场景

值得关注的是，新区展望：2025年底，算力冲刺12万P，发布”草原大模型2.0″；2027年，创建国家绿色算力先进制造业集群，实现从”全国新高地”向”全球重要节点”跃升，成为向北开放的数字桥头堡

业内人士指出，通过20-40%的”算力券”补贴，旨在将本地算力价格打穿全国”地板价”，吸引京津冀等外溢需求

值得关注的是，作为国家”东数西算”内蒙古枢纽核心支点，和林格尔新区正输出”绿电+冷源+政策洼地”的”内蒙古方案”，并牵头制定《绿色算力中心评价规范》国家标准，抢占行业话语权

业内人士指出，此外，提供”语料券+模型券”补贴，开放政务场景，目标每年孵化50个垂类大模型，构建”草原大模型生态”

值得关注的是，和林格尔新区正加速崛起为全国绿色算力与人工智能新高地

业内人士指出，自2025年起，每年1.28亿元专项资金及不低于30亿元产业基金将大部分惠及新区

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物理服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，25MW！吉宝浮动数据中心在新加坡开建

同时，海水冷却系统有助于提升能源使用效率（PUE），缓解热带地区数据中心散热难题

值得关注的是，新加坡作为全球数据中心枢纽，长期面临土地稀缺和电力供应紧张的挑战

从更深层次来看，其模块化特性允许根据需求快速部署新模块，并将旧模块回收再利用，符合循环经济理念

值得关注的是，行业消息显示，吉宝数据中心（Keppel Data Centres）正式启动新加坡浮动数据中心项目的建设工作

业内人士指出，浮动数据中心被视为新加坡数字基础设施创新解决方案的一部分

从更深层次来看，该项目位于新加坡罗央新月25号（25 Loyang Crescent），此前为石油公司Toll集团拥有的工业用地，目前正被出售给房地产公司凯德集团（CapitaLand）

从更深层次来看，吉宝数据中心基金II（Keppel Data Centre Fund II）为该项目提供资金支持

值得关注的是，目前，项目具体建设细节、确切电力来源配置以及与海底电缆的直接连接方案尚未进一步公布

从更深层次来看，该浮动模块将占用约9,870平方米陆域和7,580平方米海域空间

业内人士指出，核心创新在于利用海水进行冷却，以应对新加坡在土地、能源和水资源方面的传统制约

值得关注的是，分析指出，随着全球AI和数字化需求激增，浮动数据中心等创新模式可能为土地资源紧张的沿海城市提供可复制的解决方案

从更深层次来看，吉宝同时还在推进新加坡其他数据中心项目，包括计划于2026年中期开工的Keppel DC SGP 9

业内人士指出，吉宝数据中心长期以来推动”浮动数据中心公园”（Floating Data Centre Park）愿景，旨在通过模块化设计实现快速扩展，并探索LNG（液化天然气）和氢能等低碳能源整合，以降低运营成本和碳足迹

值得关注的是，双方均有新加坡主权财富基金淡马锡（Temasek）作为主要投资者

从更深层次来看，项目早期曾与Toll集团、皇家孚宝（Royal Vopak）等伙伴达成谅解备忘录，探讨近岸浮动设施及能源基础设施

从更深层次来看，据吉宝2026年第一季度业绩更新披露，浮动数据中心项目建设已正式开工

从更深层次来看，如果您想了解更多关于东南亚算力产业发展，以及与数据中心项目落地情况、当地政策变化、中国出海企业现状，欢迎报名即将于2026年5月27日在泰国曼谷香格里拉酒店召开的数字基础设施全球合作发展曼谷论坛（DIFGC 2026 · THAILAND），诚邀您共话全球数字集成新篇章

业内人士指出，吉宝此举也体现了其在数据中心领域的长期战略布局

值得关注的是，行业观察人士认为，该项目标志着新加坡在可持续数据中心发展上的重要里程碑

值得关注的是，吉宝在2025年年度报告中表示，这一项目”展示了应对数据中心常见土地、能源和水资源限制的实用且可扩展方法”

从更深层次来看，该项目总容量约25MW，其中包括一个19.2MW的水上模块，计划于2028年投入运营，目前已锁定一名全球超大规模（hyperscale）客户

从更深层次来看，项目概念最早可追溯至2019年探索阶段，2023年获得监管批准，并完成了环境影响评估（EIA）

值得关注的是，项目设计采用模块化浮动结构，包括一个四层高的水上数据中心模块（水载模块），并配套岸上基础设施

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CDN加速，欢迎访问 www.isclouder.com 了解更多

最新消息显示，250MW 正大集团控股公司True IDC在曼谷开建新数据中心

True IDC首席执行官及相关高层此前强调，该类投资将推动泰国进入”Giga Data Center时代”，支持泰国4.0战略和东盟数字总体规划

值得关注的是，但在当今世界，敏捷性已不足够，必须与主动安全相结合

从更深层次来看，True IDC在泰国现有数据中心总容量已超过150MW，此次250MW项目进一步巩固其在国内的领先地位，并助力泰国打造区域数字枢纽

从更深层次来看，该项目预计将为泰国数字经济注入新动力，并为公共、私营部门提供高可靠、高安全的基础设施支持

值得关注的是，泰国数据中心运营商True IDC于2026年4月1日公开，在曼谷以外的东部经济走廊（Eastern Economic Corridor, EEC）正式破土动工，建设一座超大规模数据中心园区

业内人士指出，分析人士指出，此次破土动工反映出全球AI需求驱动下，东南亚数据中心市场的强劲增长

从更深层次来看，2025年10月公开的合作旨在加速泰国AI与云转型，提升国家数字基础设施

从更深层次来看，此次EEC新项目获得泰国投资促进委员会（Board of Investment, BOI）批准，作为多项重大投资的一部分，总额超过770亿泰铢（约23.6亿美元）

业内人士指出，True IDC此前已在2025年推出泰国首座AI数据中心，并与Microsoft达成战略合作，将为微软泰国云区域提供关键数据中心支持

值得关注的是，该园区定位为AI超大规模数据中心，支持数据、云和AI处理，并融入能源可持续创新技术

值得关注的是，我们致力于将这座数据中心打造为驱动’安全经济’与数字经济的重要引擎——实现技术独立、保护国家关键数据，并确保公共与私营部门系统不间断运行

值得关注的是，项目还获得国际融资支持，包括此前报道的数亿美元债务融资，用于绿色地块开发建设

业内人士指出，该项目满载容量可达250MW，首期设施预计2027年投入服务

值得关注的是，True IDC总裁Thanasorn Jaidee表示：”作为泰国领先的数据中心与云服务提供商已有23年历史，True IDC深知企业仍需高速数字基础设施

业内人士指出，在泰国境内的现有设施包括North Muangthong、East Bangna、Midtown Ratchada和Midtown Pattanakarn等地

业内人士指出，” True IDC隶属于True Corporation，由泰国最大企业集团Charoen Pokphand Group（CP Group，正大集团）控股

值得关注的是，该公司自称是泰国最大的数据中心和云服务提供商，在泰国、缅甸和越南运营数据中心

值得关注的是，目前，True IDC正持续扩展其区域足迹，聚焦可持续、高密度计算设施，以应对生成式AI等新兴技术带来的算力激增

业内人士指出，行业背景显示，泰国正积极推动数据中心发展，2026年初BOI已批准多项总投资约31亿美元的数据中心项目，其中True IDC相关项目占据重要份额

从更深层次来看，2025年5月，Global Infrastructure Partners（GIP，黑石旗下基础设施投资平台）投资True IDC；同年早些时候，Telenor将其在True Corp的股份出售给Arise Digital Technology

从更深层次来看，True IDC通过与GIP、Microsoft等国际伙伴合作，不仅扩大本地容量，还强化数据主权与安全标准，助力泰国成为亚太地区值得信赖的AI与云创新中心

值得关注的是，EEC地区凭借先进工业生态、高容量电网和光纤基础设施，成为超大规模云服务和AI工作负载的理想选址

从更深层次来看，首期设施2027年上线后，将进一步提升泰国在东南亚数字基础设施竞争中的地位

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云主机，欢迎访问 www.isclouder.com 了解更多