Author: admin

据行业最新消息，日本横滨港测试100%可再生能源供电海上数据中心

据报道，该实证试验实际于2026年3月25日左右正式启动，计划持续约一年时间，主要验证设备在海上环境下的耐波浪摇晃性、海水盐分腐蚀性以及可再生能源供电的稳定性和能源管理效能

值得关注的是，若试验成功，未来可考虑与海上风力发电相结合扩大规模，实现商业化运营

从更深层次来看，海上设置的优势在于无需陆上地基改良和抗震加固，且可在造船厂预制后直接浮运至目标海域，具有显著的成本和灵活性优势

值得关注的是，目前试验仍在进行中，更多验证结果有待后续公布

业内人士指出，该项目旨在应对生成式人工智能（AI）和云服务普及带来的电力需求激增与用地紧张问题，重点测试能否依靠太阳能等可再生能源提供全部电力

值得关注的是，日本横滨市中区的横滨港日前启动了100%可再生能源供电的海上浮体式数据中心实证试验

从更深层次来看，如果您想了解更多关于泰国算力产业发展，以及数据中心项目落地情况、当地政策变化、中国出海企业现状等，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），并关注下午召开的DIF Lounge研讨会，与真正参与泰国 AI 数据中心建设一线决策者和工程伙伴面对面交流，提前锁定合作、项目与生态位置

从更深层次来看，日本邮船方面表示，这是全球首个100%依靠可再生能源运行的海上浮体式数据中心

值得关注的是，此项目是科技巨头及港口城市应对AI时代数据中心能耗挑战的创新尝试之一

业内人士指出，项目由日本邮船（NYK）、NTT Facilities、Eurus Energy Holdings、三菱UFJ银行以及横滨市政府等参与

业内人士指出，试验利用横滨港大さん桥码头（Osanbashi Pier）已有的”迷你浮体”（mini-float，长约80米、宽约25米）作为平台，在其上安装集装箱型数据中心、44千瓦太阳能发电设备以及配套蓄电池储能系统

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服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，总投资30亿元、规划算力10000P，蒙东（赤峰）绿色智算中心项目签约落地

6月4日，重庆云算通科技有限公司发布公告，公开与内蒙古赤峰市相关政府平台单位正式达成战略合作投资协议

值得关注的是，其中，一期项目投资额为11.2亿元，计划于2027年内完成土地平整、机房主体施工及首批算力设备的上架投产

从更深层次来看，目前，该项目已列入赤峰市2026年度市级重点新基建工程项目库

业内人士指出，双方将在赤峰市产业园区联合建设蒙东（赤峰）绿色智算中心项目

从更深层次来看，项目旨在承接京津冀、成渝地区的外溢算力需求

值得关注的是，据公告说明，该项目业务将聚焦AI大模型训练、算力租赁、政企数字化及工业互联网配套

值得关注的是，在硬件与规模方面，该智算中心规划建设12000个标准机柜，全部采用液冷散热方案，设计综合电能使用效率（PUE）控制在1.2以内

从更深层次来看，重庆云算通科技有限公司则全权负责项目的资金筹措、机房建设、设备采购以及全国范围内的市场化运营与算力调度

值得关注的是，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

值得关注的是，在政企合作模式上，赤峰市政府及属地国资平台将主要负责落实项目立项、用地、能耗及电力专线等审批流程，协助对接区域风电、光伏等绿电资源，落实相关补贴与税收政策，并统筹本地政务及国企的算力采购需求

值得关注的是，预计项目全面投产后，可实现年上缴属地税收超亿元，并提供200个以上的技术与运维就业岗位

从更深层次来看，根据规划资料，该项目总体规划总投资为30亿元人民币，建设周期预计为4年，将分三期批次落地

从更深层次来看，项目整体建成后，规划总算力规模将超过10000P，涵盖通用算力与智能算力

值得关注的是，本届大会以”AI 入场景，Token大时代”为主题，设置主论坛、供需交流会、年度评选、闪话：智算引力现场、创新成果展等多元环节，汇聚大模型企业、算力基础设施提供商（芯片、服务器等）、算力服务商、行业用户，共同探讨智算产业从建设走向应用、从技术走向生态的关键路径

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AI算力服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：谷歌 DeepMind 向独立制片公司 A24 注资 7500 万美元，共同研发影视 AI 工具

今年早些时候，Netflix 公开收购本 · 阿弗莱克旗下专门研发影视 AI 工具的公司 InterPositive

从更深层次来看，A24 出品过众多爆款影片，包括《至尊马蒂》《瞬息全宇宙》以及最新热映大片《后室》

值得关注的是，谷歌 DeepMind 将此次投资定义为合作项目，称其为“业内首创”的合作模式：双方将联合研发影视制作人工智能工具，同时谷歌 DeepMind 会吸纳顶尖创作者提供的反馈与专业指导

业内人士指出，IT之家 6 月 23 日消息，一家好莱坞影业公司与科技巨头组建了全新合作联盟

从更深层次来看，据《华尔街日报》消息，谷歌 DeepMind 于当地时间周一公开，向知名独立电影制片公司 A24 注资 7500 万美元（IT之家注：现汇率约合 5.09 亿元人民币）

值得关注的是，近期 A24 已携手提莫西 · 查拉梅、安妮 · 海瑟薇等知名艺人打造多部影视作品

值得关注的是，从项目初期便与 A24 这样的电影制作方、行业领军者联手，我们能够开发全新人工智能功能，助力创作者完成真实、有深度的故事创作，充分实现他们的创意构想

从更深层次来看，” 尽管好莱坞行业内围绕影视领域使用人工智能一事争议不断，但 A24 并非首家尝试将人工智能融入创作流程的影视公司

值得关注的是，谷歌 DeepMind 联合创始人兼首席德米斯 · 哈萨比斯在新闻稿中表示：“我们坚信，打造赋能创作者的工具，最佳途径就是与创作者直接协作

值得关注的是，而去年，亚马逊旗下米高梅影业（MGM Studios）就已成立人工智能部门，专注研发适用于剧集与电影制作的各类工具

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大带宽VPS，欢迎访问 www.isclouder.com 了解更多

最新消息显示，Counterpoint：预计今年 AI 手机渗透率达 45%，明年有望冲上 52%

消费者很可能多年来首次面临花费更多、硬件升级却更少的局面

值得关注的是，运行 AI 模型需要额外 DRAM 存放模型权重，使 AI 手机的批发价目前难以降至 400 美元（IT之家注：现汇率约合 2716 元人民币）以下

值得关注的是，高端 AI 手机拥有更大的利润空间，更容易消化成本上涨，市场地位反而可能进一步增强

从更深层次来看，Counterpoint Research 因此预计，低价手机市场将继续收缩，高端市场将进一步扩大，消费者延长手机使用时间也会推动翻新机市场增长

业内人士指出，受内存供应危机持续影响，2026 年全球智能手机出货量预计同比锐减 13.9% 至 10.8 亿部，创有记录以来新低

从更深层次来看，报告指出，AI 手机虽然正在迅速普及，但消费者的实际使用需求、内存成本以及不同厂商的生态整合能力将决定下一阶段的市场竞争

从更深层次来看，入门级市场受到的冲击最严重，零部件涨价正迫使厂商减少甚至取消低价机型

业内人士指出，与生成式 AI 迅速普及同时发生的，是内存成本大幅上涨，而成本压力对智能手机市场的影响已经超过任何新功能

业内人士指出，IT之家 6 月 22 日消息，Counterpoint Research 今晚公布的最新报告显示，支持生成式 AI 的机型将在 2026 年占全球智能手机出货量的 45%，高于 2025 年的 36%

业内人士指出，与此同时，AI 手机的渗透率仍将继续攀升，2027 年预计达到 52%，意味着生成式 AI 技术即将成为智能手机的常规配置

业内人士指出，随着内存供应压力逐步缓解，端侧模型的优化效率不断提高，生成式 AI 功能才会进一步下放至价格更亲民的智能手机

从更深层次来看，OEM 厂商虽然正在削减基础内存容量、摄像头配置和 SKU 数量，但仍会把相当一部分新增成本转嫁给消费者

业内人士指出，《Counterpoint：2026 年智能手机出货量预计同比下降 13.9%，创 2013 年以来新低》

业内人士指出，长期而言，内存仍是决定生成式 AI 能否快速进入中低价手机市场的关键

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CN2线路服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，字节跳动巴西数据中心签署20亿美元绿电合同

该数据中心平台Omnia与巴西可再生能源巨头Casa dos Ventos达成协议，合同总金额达20亿美元，将为正在建设中的拉美地区超大规模的数据中心提供清洁能源

值得关注的是，该数据中心项目于2025年首次披露，同年6月获批，7月由Patria作为主要开发商推进

业内人士指出，采用自发自用模式，使TikTok在法律上成为”自发电以满足自身需求”的生产者，从而优化税费结构，显著降低长期运营成本

值得关注的是，行业消息显示，字节跳动旗下TikTok在巴西的超级数据中心项目，锁定了为期20年的绿色电力供应

从更深层次来看，Omnia是巴西投资公司Patria Investimentos于2025年成立的超大规模数据中心平台，专注于满足人工智能基础设施的快速增长需求

业内人士指出，该数据中心位于巴西东北部塞阿拉州佩森港综合体，于2026年1月开工建设，预计2027年第三季度投入初期运营，并将在2029年前分阶段完成全部扩建

值得关注的是，Casa dos Ventos则是巴西最大的可再生能源开发商之一，运营及在建的风电、光伏项目总规模约33.4吉瓦，其中12吉瓦为与法国道达尔能源的合资项目

值得关注的是，这是Casa dos Ventos迄今与单一承购方达成的最大规模供电协议

值得关注的是，该项目还通过精密规划大幅减少用水，据称其耗水量仅相当于40至50户普通家庭，打破了传统数据中心”耗水巨兽”的形象

值得关注的是，同时，20年长协锁定了具有竞争力的能源价格，避免自由市场电价波动风险

从更深层次来看，项目总投资规模超过380亿美元，初始IT容量为200兆瓦，配套电力需求约300兆瓦，远期可扩容至更高水平

业内人士指出，电力将由Casa dos Ventos全资拥有并运营的两座风电设施供应，分别是装机630兆瓦的伊比亚帕巴风电综合体与皮奥伊州的多姆·伊诺森西奥风电场

从更深层次来看，本次交易采用巴西特有的”能源自发自用”模式，承购方Omnia将获得发电项目的部分股权，具体持股比例尚未披露

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香港大带宽服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Introducing AI-Native Database Service (AIDBS): Make Your Database Agent-Ready

Databases have always been the backbone of enterprise software. But for most organizations, they remain locked behind SQL expertise, manual operations, and complex integration layers that make them inaccessible to the people and AI systems that need them most. Today, we’re changing that. We’re excited to announce the general availability of AI-Native Database Service (AIDBS) — a unified platform that transforms your existing Alibaba Cloud databases into intelligent, agent-ready data infrastructure. We built AIDBS because we kept hearing the same three challenges from our customers: The Access Gap. Business analysts, product managers, and executives depend on engineering teams to write SQL queries. Every insight request becomes a ticket, a queue, a delay. By the time the data arrives, the decision moment has passed. The Operations Burden. DBAs — your most expensive and specialized engineers — spend their days on performance tuning, anomaly triage, and capacity firefighting. Reactive work that AI can handle better and faster. The AI Integration Challenge. Development teams want to build AI agents that query, understand, and act on production data. But connecting AI to live databases with proper security, context, and reliability is still a months-long engineering project. AIDBS addresses all three gaps with a unified platform built on top of your existing Alibaba Cloud databases: 1. Data Agent — Natural Language Queries for Everyone Data Agent lets anyone in your organization query databases using natural language. Ask a question in English (or any language), and get back SQL-verified answers as interactive charts, tables, or narrative reports. It understands your schema, respects your access controls, and supports shareable agent endpoints so teams can embed data Q&A directly into their internal tools. 2. Autonomous Operations — Self-Managing Databases AIDBS’s DAS Agent brings autonomous database operations to your production workloads. It detects anomalies in real-time, identifies root causes, applies optimizations automatically, and generates detailed incident reports. Performance tuning, index optimization, capacity scaling — all handled by AI, 24/7. Your DBAs can finally focus on database architecture and strategic work instead of operational firefighting. 3. AI Agent Development Platform — Build Agents on Real Data For development teams building AI applications, AIDBS provides a production-grade stack that includes cloud-managed Dify (visual workflow orchestration), RAGFlow (data preparation and retrieval-augmented generation), Supabase (backend-as-a-service for rapid development), native MCP server support (Model Context Protocol for AI-database connectivity), and an AI Data Gateway for agent observability and security. All pre-integrated with your existing PolarDB, AnalyticDB, and RDS instances. AIDBS is designed to work with your existing database infrastructure. There’s no data migration required, no new instances to provision, and no architectural overhaul needed. It connects directly to the databases you already run on Alibaba Cloud and adds an intelligent layer on top. This means you can start getting value within minutes of enabling the service — not weeks of setup and configuration. We’ve made it easy to explore AIDBS without financial commitment: • Data Agent: Free trial available • Forecast Agent, DataBridge Agent, AI Data Gateway: Free during public preview • Cloud-managed Dify, RAGFlow, Supabase: Subscription or pay-as-you-go • DAS Agent: Subscription or pay-as-you-go AI-Native Database Service (AIDBS) is available now for all Alibaba Cloud users. Whether you want to empower your business teams with natural language data access, free your DBAs from operational toil, or accelerate your AI agent development — AIDBS gives you a single platform to do it all. • Explore the product: https://www.alibabacloud.com/product/ai-native-database-service • Try it Now: https://aidbs.console.alibabacloud.com/ Your data is your most valuable asset. It’s time to make it agent-ready.

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云主机，欢迎访问 www.isclouder.com 了解更多

最新消息显示，深度丨建一座GW级AI数据中心到底需要多少钱

Anthropic报告其年化营收由2025年底的90亿美元增至2026年5月的470亿美元，且这一增长是在算力受限的背景下实现的：算力约束已迫使该公司宁愿放弃部分客户与收入，也不愿在算力上过度透支

业内人士指出，图表 4：AI 服务器电源组件 TAM（潜在市场规模） 来源：Bernstein 测算与分析

从更深层次来看，即便按0.15美元/kWh的偏高电价计算，运行一座GW级数据中心一年的电费约13亿美元；据报道，即便最大规模的数据中心也仅需8–10人运营，人力成本每人约3–8万美元/年

从更深层次来看，其中scale-up占 8%、scale-out 占5%

从更深层次来看，图表 5 & 图表 6：数据中心基础设施资本开支拆分 / 机柜级性价比 来源：Omdia、专家访谈、渠道调研、公司披露、英伟达规格、Bernstein 测算与分析

值得关注的是，图表 2：英伟达公布规格与 Bernstein 测算规格 蓝色为官方公布数据，红色为 Bernstein 测算

业内人士指出，本届大会以”AI 入场景，Token大时代”为主题，设置主论坛、供需交流会、年度评选、闪话：智算引力现场、创新成果展等多元环节，汇聚大模型企业、算力基础设施提供商（芯片、服务器等）、算力服务商、行业用户，共同探讨智算产业从建设走向应用、从技术走向生态的关键路径

业内人士指出，但若按6年折旧周期计算，资本开支对应的年度折旧约达79亿美元，是电费的6倍，是整个运营成本的绝对主导项

业内人士指出，上游，英伟达、AMD等Fabless设计公司与谷歌、亚马逊、Meta等互联网巨头的自研ASIC，经由博通、Alchip等设计服务商，汇入台积电的晶圆代工与先进封装体系，再由Amkor、日月光完成封装，京元电负责最终测试；最后，SK海力士、三星等内存企业与揖斐电、欣兴等载板企业在封装环节并入，构成芯片级的核心价值

值得关注的是，可交付的电是不是建立Token工厂的第一瓶颈

从更深层次来看，要理解Vera Rubin NVL72 910万美元的机柜成本，需要将其拆开来看

业内人士指出，HBM4（高带宽内存）：Vera Rubin规格列示20.7TB的HBM4

业内人士指出，据测算，电源价值量从GB200的约5万美元/机柜跃升至Vera Rubin的约15万美元，背后是更高的功率负载（从130kW升至220kW/机柜）与800VDC方案的早期采用

从更深层次来看，市面上流传的信息是”一台NVL72机柜成本约800万美元”，但基于对供应链的深度调研和与行业专家的系统性交流，这个数字已经过时，真实成本更接近910万美元，二者的差距主要在于一个核心变量：内存价格

从更深层次来看，这正是AI推理单位成本持续下行的底层逻辑：绝对造价贵了，但买到的算力更多了，Token的边际成本仍在快速降低

从更深层次来看，值得注意的是，超大规模客户以第三方交换机替换SpectrumX机顶交换机，是偏离英伟达参考架构最常见的做法之一，这也意味着实际网络成本存在较大配置弹性

从更深层次来看，鉴于Vera Rubin NVL72机柜额定功率为220kW，机柜约占数据中心总功率负载的78%（基于假设 PUE 为 1.15、服务器机柜占 IT 设备总功率的 90%），这意味着，每台机柜对应的数据中心总功耗约281kW，即一座GW级数据中心可容纳约3,557台Vera Rubin机柜，机柜总成本约323亿美元

值得关注的是，电源与散热环节（台达/Vertiv/AVC）则兼具30–45倍估值与38–66%的EPS增速，景气与盈利质量俱佳，呼应 Exhibit 4 的电源 TAM 主题

值得关注的是，算力供给的扩张，是AI应用渗透加速的先决条件，而非滞后结果

业内人士指出，同时，Vera CPU每颗约5000美元，每机柜配备36颗，合计约18万美元

值得关注的是，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

从更深层次来看，这意味着，HBM成本贡献将从34.4万美元暴增至约110万美元

值得关注的是，从AI供应链公司的财务数据来看，成长性最强的是光收发环节：中际旭创营收2025–2027年复合增速达92%、EPS复合增速102%，新易盛、天孚亦在60–78%，光模块已成为AI网络scale-out扩张最直接的弹性标的，但对应估值也最高（P/E 35–87倍）

值得关注的是，Vera Rubin NVL72机柜的FP8稀疏算力达2,520 PFLOPS，是GB200（720 PFLOPS）的3.5倍

从更深层次来看，来源：专家访谈、公司披露、文献检索、渠道调研、Bernstein 测算与分析

业内人士指出，这意味着，Rubin周期推动可用算力进一步跃升之后，被压抑的应用需求存在显著的释放空间

从更深层次来看，GW级Token工厂之问：是产业趋势，还是一场高杠杆豪赌

业内人士指出，当英伟达的Vera Rubin NVL72机柜开始成为产业讨论焦点，一个核心问题随之浮出水面：建一座GW级AI数据中心，究竟需要多少钱

从更深层次来看，下游，GPU模组由FII主导，经主板/基板（广达/英业达/美超微）、服务器、再到整机柜，形成从芯片到交付的完整制造链路；台达、光宝负责电源，台达、AVC负责散热，欣兴、沪电等覆盖高速PCB与网络互联

从更深层次来看，从供给侧看，支撑这一轮算力跃升的，是一条高度分工、环环吻合的全球供应链

从更深层次来看，来源：英伟达、SK 海力士、Bernstein 分析

业内人士指出，由于占资本开支最大头的IT硬件折旧最快，真实的总拥有成本（TCO）经济学比现金支出所隐含的更进一步向服务器、存储与网络倾斜

值得关注的是，值得注意的是，LPDDR潜在短缺也可能成为限制Vera Rubin出货量的隐性瓶颈

值得关注的是，但问题在于，到2027年Vera Rubin批量出货时，HBM4价格预计将升至48美元/GB；叠加英伟达可能向客户转嫁约10%加价，实际支付价格将达53美元/GB

业内人士指出，若按历史参考价约16.63美元/GB计算，这部分成本约34.4万美元，与800万美元的说法基本吻合

业内人士指出，算力部分合计约414万美元，构成成本的绝对核心

值得关注的是，散热约16万美元，同样随功率密度提升持续抬升

值得关注的是，值得关注的是，虽然绝对资本开支在上升，但每美元对应的算力产出在加速提升

值得关注的是，内存与存储是最大的变量，也是最容易被低估的部分

业内人士指出，调研显示，英伟达的SOCAMM架构相较于移动端DRAM价格存在约30%溢价，对应CPU DRAM价值量约80.2万美元/机柜

值得关注的是，据测算，机柜机箱（chassis）成本约10万美元，另有约10万美元的其他机柜内容，最终落在910万美元的BOM

业内人士指出，换算到每十亿美元资本开支可获得的FP16稀疏算力：H100为84.2 EFLOPS，GB200为105.5 EFLOPS，Vera Rubin跃升至189.3 EFLOPS——每美元算力效率较H100提升约2.25倍

业内人士指出，从机柜到GW级数据中心：470亿美元如何被”烧”出来

从更深层次来看，将机柜成本放大到数据中心整体，数字将更为震撼

从更深层次来看，当折旧超过电费：AI基础设施的真实成本结构 现金资本开支视角可能遮蔽了一些重要信息

业内人士指出，理解谁在这条链上”拿走了价值量”，是判断GW级数据中心投资回报的前提之一

从更深层次来看，叠加机电与土地建筑等物理基础设施成本（参照顶级新建项目约120–150亿美元/GW的行业水平），得出一个结论：AI数据中心资本开支约为470亿美元/GW，高于GB200时代的405亿与H100时代的370亿

业内人士指出，服务器与网络设备普遍为4–6年（各主要超大规模厂商均在此区间），机电设备多为8–25年，土地与建筑则长达7–40年

业内人士指出，910万美元：Vera Rubin时代的钱都流向了哪里

业内人士指出，图表 8：一致预期超大规模厂商 2026 年总 capex 同比 +69%、2027 年再增 13% 较 2025 年 11 月的预期显著上修

业内人士指出，直连存储（Direct-attached storage）：据配置测算，Vera Rubin每机柜NAND总容量约3.5PB，按TLC NAND约0.37美元/GB（含30%溢价）计，存储价值量约130万美元/机柜

业内人士指出，图表 1：英伟达数据中心 GPU 机柜资本开支拆分（按架构） 单位：千美元/机柜

值得关注的是，每颗Rubin GPU售价为5.5万美元，每台NVL72机柜配置72颗，仅GPU成本就达396万美元，接近机柜总价的一半

业内人士指出，这对算力资产的金融化具有实质意义：折旧周期越短，take-or-pay结构中的回收期压力越大，残值假设的容错空间越小

值得关注的是，据测算，内存与存储成本将达320万美元/机柜，约占机柜总成本的35%

值得关注的是，内存价格的剧烈波动、功率密度的持续跃升、折旧周期带来的财务压力、以及算力供需之间的动态博弈，这些问题，既是投资分析的核心变量，也是产业实践者每天需要面对的经营挑战

值得关注的是，来源：公司报告、Bloomberg（预测）、Bernstein 分析

业内人士指出，从应用侧看，2026年终端用户的渗透有加速迹象

业内人士指出，ODM环节（鸿海/广达/纬颖/纬创）营收增速虽达24–52%，但毛利率普遍仅6–8%，是典型的”大营收、薄利润”代工模式

从更深层次来看，从910万美元的Vera Rubin NVL72机柜，到470亿美元的GW级数据中心，这套数字背后是一个正在快速演进、充满不确定性的产业现实

从更深层次来看，图表 3：5 月 NAND 价格企稳，但波动率仍高于历史趋势 NAND 晶圆（3D TLC 512Gb）现货与合约价，单位：美元

业内人士指出，供应链的每一个环节，既是算力扩张的支撑，也是成本传导的通路

业内人士指出，CPU DRAM：Vera Rubin规格包含54TB的LPDDR5X CPU内存，是上一代GB200的约3.4倍

业内人士指出，来源：英伟达官网、Bernstein 测算与分析

从更深层次来看，来源：DRAMeXchange、Bernstein 分析

从更深层次来看，图表 9：AI 服务器供应链全景图 注：Bernstein 覆盖广达、台达、欣兴、致茂、台积电、三星、SK 海力士、美光、英伟达、AMD、博通、DISCO、揖斐电、BE Semi

从更深层次来看，这一数字显著高于按历史价格隐含的约200万美元

业内人士指出，这些问题，将在2026中国智算产业生态发展年会的高端圆桌对话中，由电力企业、算力基础设施提供商、算力服务商、数据中心运营商、大模型企业等行业专家共同正面回答

值得关注的是，散热与供电加起来约31万美元，看似占比不高，但代际变化极为显著

从更深层次来看，液冷、HVDC与模块化如何支撑GW级Token产能

业内人士指出，图表 10：AI 供应链公司汇总 注：Bernstein 覆盖 Dell、SuperMicro、HPE、广达、立讯（Luxshare）、台达

从更深层次来看，图表 7：超大规模厂商对相关资产类别折旧年限的披露 来源：公司财报披露、Bernstein 分析

值得关注的是，算力闸门打开之后：AI应用的下一轮跃迁 从需求侧看，市场对超大规模厂商资本开支的一致预期在持续上涨：七家主要超大规模厂商（亚马逊、谷歌、微软、Meta、甲骨文、CoreWeave、NBIS）合计资本开支从2024年约2500亿美元，到2026年同比增长约69%，2027年再增约13%，且当前预期几乎全面高于半年前的市场共识

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美国多IP服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，优派推出 24.5" QHD 180Hz 显示器 VX25G26-2K-W： Fast IPS 面板，白色模具

IT之家 6 月 22 日消息，优派 (ViewSonic) 行业消息显示在官网上线了游戏电竞显示器新品 VX25G26-2K-W

值得关注的是，这一型号采用白色模具，基于 24.5″ Fast IPS 面板，拥有 QHD (2560×1440) 分辨率和 180Hz 原生刷新率

值得关注的是，VX25G26-2K-W 亮度 300nits，静态对比度 1000:1；灰阶 (GtG) 反应时间 1ms；支持原生 8-bit 色深，色域 100% sRGB / 95% DCI-P3；覆盖 25% 雾度 3H 防眩涂层，支持硬件低蓝光不闪屏，具备 VRR 功能

值得关注的是，其采用外置电源设计，无内置扬声器，提供 2 个 HDMI 2.0、2 个 DisplayPort 1.4、1 个音频输出插孔；支架仅支持 -5° ~ +20° 倾斜调节

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大带宽服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Wan2.2-S2V: AI Video Generation from Static Images on Alibaba Cloud

Wan2.2-S2V represents a breakthrough in AI-driven video generation technology, capable of transforming static images and audio inputs into cinematic-quality videos. This cutting-edge model, developed by Alibaba Cloud, excels in film and television applications, generating natural facial expressions, body movements, and professional camera work. In this comprehensive guide, we’ll walk through the complete setup process for deploying Wan2.2-S2V on Alibaba Cloud’s infrastructure. Wan2.2-S2V (Speech-to-Video) is an audio-driven video generation model that converts static images and audio inputs into dynamic video content. The model supports: • Film-quality output with realistic expressions and movements • Minute-level video generation in a single process • Multi-format compatibility supporting full-body and half-body characters • Real-time lip synchronization with audio input • Text control functionality for scene manipulation • Model Size: 14B parameters • Supported Resolutions: 480P and 720P • Frame Rate: 24 fps • Architecture: Built on Tongyi Wanxiang foundation model with AdaIN and CrossAttention control mechanisms • License: Apache 2.0 for commercial use For optimal performance, consider these Alibaba Cloud GPU instances: • Log into your Alibaba Cloud console • Navigate to Platform for AI (PAI) • Click Activate PAI and create a default workspace • Complete real-name verification if required # Access PAI Console # Upper-left corner: Select your target region # Click “Workspaces” → “Create Workspace” Configure workspace parameters: • Workspace Name: wan-s2v-workspace • Default Storage: Configure OSS bucket for model artifacts • Member Roles: Add team members as needed • In PAI console, go to Model Training > Data Science Workshop (DSW) • Click Create Instance Basic Configuration: Instance Name: wan-s2v-instance Instance Version: Latest Resource Type: Public Resources (GPU-enabled) Resource Configuration: ECS Specification: ecs.gn7i-c32g1.8xlarge GPU Type: NVIDIA A100 40GB CPU Cores: 32 Memory: 188GB System Disk: 200GB SSD Data Disk: 1TB SSD Advanced Settings: Image: Ubuntu 20.04 with CUDA 11.8 Mount Dataset: Configure if needed Auto Shutdown: Enable for cost optimization Step 3: Environment Setup 3.1 Connect to Instance # Start your DSW instance from PAI console # Click “Open” to access JupyterLab interface 3.2 Create Virtual Environment # Open terminal in JupyterLab conda create -n wan-s2v python=3.10 conda activate wan-s2v 3.3 Install Dependencies # Clone the repository git clone https://github.com/Wan-Video/Wan2.2.git cd Wan2.2 # Install requirements pip install -r requirements.txt # Install additional dependencies if needed pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118 pip install packaging ninja pip install flash-attn –no-build-isolation Step 4: Download Model Files 4.1 Download from Hugging Face # Install huggingface-hub pip install huggingface-hub # Download Wan2.2-S2V-14B model from huggingface_hub import snapshot_download snapshot_download( repo_id=”Wan-AI/Wan2.2-S2V-14B”, local_dir=”./models/Wan2.2-S2V-14B/”, repo_type=”model” ) 4.2 Verify Model Files Ensure these files are present: ./models/Wan2.2-S2V-14B/ ├── config.json ├── model.safetensors ├── tokenizer.json └── tokenizer_config.json Step 5: Configure Model Parameters 5.1 Create Configuration File # config.py import torch MODEL_CONFIG = { “model_path”: “./models/Wan2.2-S2V-14B/”, “device”: “cuda” if torch.cuda.is_available() else “cpu”, “dtype”: torch.float16, # Use FP16 for memory optimization “max_frames”: 73, # Maximum motion frames “resolution”: “720p”, # Output resolution “fps”: 24, # Frames per second } Step 6: Implementation Code 6.1 Basic Video Generation Script import torch import torchaudio from PIL import Image import numpy as np class Wan2S2VGenerator: def __init__(self, config): self.config = config self.device = config[“device”] self.load_model() def load_model(self): “””Load the Wan2.2-S2V model””” print(f”Loading model from {self.config[‘model_path’]}”) # Model loading implementation pass def generate_video(self, image_path, audio_path, prompt=””, output_path=”output.mp4″): “””Generate video from image and audio””” # Load and preprocess image image = Image.open(image_path).convert(‘RGB’) # Load and preprocess audio audio, sr = torchaudio.load(audio_path) # Generate video with model with torch.no_grad(): video_frames = self.model_inference(image, audio, prompt) # Save video self.save_video(video_frames, output_path) return output_path def model_inference(self, image, audio, prompt): “””Core model inference logic””” # Implementation details for model inference pass def save_video(self, frames, output_path): “””Save generated frames as video””” # Video saving implementation pass # Usage example if __name__ == “__main__”: config = MODEL_CONFIG generator = Wan2S2VGenerator(config) result = generator.generate_video( image_path=”./examples/portrait.jpg”, audio_path=”./examples/speech.wav”, prompt=”a person speaking naturally”, output_path=”./output/generated_video.mp4″ ) print(f”Video generated: {result}”) Step 7: Advanced Configuration 7.1 Multi-GPU Setup For faster processing, configure multi-GPU inference: # Use torchrun for distributed processing torchrun –nproc_per_node=8 generate.py \ –task s2v-14B \ –size 1024*704 \ –ckpt_dir ./models/Wan2.2-S2V-14B/ \ –dit_fsdp \ –t5_fsdp \ –ulysses_size 8 \ –prompt “a person singing” \ –image “examples/portrait.png” \ –audio “examples/song.mp3” 7.2 Memory Optimization # Enable memory optimization techniques OPTIMIZATION_CONFIG = { “use_gradient_checkpointing”: True, “enable_xformers”: True, “cpu_offload”: True, “mixed_precision”: “fp16” } Step 8: API Integration with Alibaba Cloud Model Studio 8.1 Model Studio Deployment For production use, deploy via Model Studio: # Deploy to Model Studio import dashscope from dashscope import Generation # Configure API credentials dashscope.api_key = “your-api-key” def deploy_to_model_studio(): response = dashscope.deploy_model( model_name=”wan2.2-s2v”, model_path=”./models/Wan2.2-S2V-14B/”, instance_type=”ecs.gn7i-c32g1.8xlarge”, min_instances=1, max_instances=5 ) return response.endpoint_url 8.2 API Usage import requests import base64 def call_wan_s2v_api(endpoint_url, image_file, audio_file, prompt): # Encode files to base64 with open(image_file, “rb”) as img: image_b64 = base64.b64encode(img.read()).decode() with open(audio_file, “rb”) as aud: audio_b64 = base64.b64encode(aud.read()).decode() payload = { “image”: image_b64, “audio”: audio_b64, “prompt”: prompt, “resolution”: “720p”, “fps”: 24 } response = requests.post( endpoint_url, json=payload, headers={“Authorization”: f”Bearer {api_key}”} ) return response.json() Step 9: Performance Optimization 9.1 Resource Monitoring Monitor your instance performance: # Install monitoring tools pip install psutil gpustat # Monitor GPU usage gpustat -i 1 # Monitor system resources htop 9.2 Cost Optimization • Enable auto-shutdown for development instances • Use preemptible instances for non-critical workloads • Implement reserved instances for consistent usage # Auto Scaling Configuration scaling_policy: min_instances: 1 max_instances: 10 target_gpu_utilization: 70% scale_up_threshold: 80% scale_down_threshold: 30% 10.2 Load Balancing Configure Application Load Balancer for multiple instances: # Create ALB instance aliyun slb CreateLoadBalancer \ –RegionId cn-hangzhou \ –LoadBalancerName wan-s2v-lb \ –LoadBalancerSpec slb.s1.small Best Practices and Tips Security Considerations • Use RAM roles instead of hardcoded credentials • Enable VPC networking for secure communication • Implement API rate limiting to prevent abuse • Regular security updates for system packages • Batch processing multiple requests together • Model quantization for memory efficiency • Caching strategies for frequently used assets • Asynchronous processing for better throughput • Monitor billing through CloudMonitor • Use spot instances for development • Implement automatic scaling policies • Schedule instances based on usage patterns # Reduce batch size or enable CPU offloading torch.cuda.empty_cache() # Use gradient checkpointing model.gradient_checkpointing_enable() Model Loading Errors # Verify model files ls -la ./models/Wan2.2-S2V-14B/ # Check CUDA compatibility nvidia-smi Audio Processing Issues # Install additional audio libraries pip install librosa soundfile # Verify audio format compatibility Conclusion Wan2.2-S2V represents a significant advancement in AI video generation technology, offering film-quality output from simple image and audio inputs. By leveraging Alibaba Cloud’s robust infrastructure and following this comprehensive setup guide, you can deploy a production-ready video generation system that scales with your needs. The combination of PAI’s managed services, DSW’s development environment, and Model Studio’s deployment capabilities provides a complete ecosystem for AI video generation workflows. Whether you’re building a content creation platform, developing digital human applications, or exploring creative AI applications, Wan2.2-S2V on Alibaba Cloud offers the performance and reliability needed for enterprise deployments. • Hardware requirements: Minimum 24GB GPU VRAM for optimal performance • Alibaba Cloud services: PAI, DSW, and Model Studio provide end-to-end solution • Production deployment: Use multi-GPU setups and API endpoints for scalability • Cost optimization: Leverage auto-scaling and spot instances for efficiency Start your journey with AI video generation today by following these steps, and unlock the creative potential of Wan2.2-S2V on Alibaba Cloud’s powerful infrastructure! Disclaimer: The views expressed herein are for reference only and don’t necessarily represent the official views of Alibaba Cloud.

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BGP服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：总投资10亿元，规划算力5000P，蓝耘白城先进智算中心一期项目投入运行

项目全面投运满载后，将形成5000P的智能算力规模，主要面向AI大模型训练与推理场景提供核心算力支撑

从更深层次来看，在能源供给方面，该项目依托白城当地的风电、光伏电力资源及适宜数据中心散热的气候条件，以控制电力与制冷运营成本

业内人士指出，根据项目规划资料，该项目总投资10亿元，由蓝耘科技集团股份有限公司投资建设

业内人士指出，本届大会以”AI 入场景，Token大时代”为主题，设置主论坛、供需交流会、年度评选、闪话：智算引力现场、创新成果展等多元环节，汇聚大模型企业、算力基础设施提供商（芯片、服务器等）、算力服务商、行业用户，共同探讨智算产业从建设走向应用、从技术走向生态的关键路径

业内人士指出，项目总占地面积为6375.75平方米，主要建设内容包括1栋3层的算力厂房以及配套的柴油发电机厂房

值得关注的是，数据中心内部规划部署了320架单机柜功率为22.3kW的高功率机柜，主要搭载GPU服务器设备

从更深层次来看，目前，在推进一期项目运营交付的同时，二期项目的前期筹备工作也已同步启动

业内人士指出，根据规划，未来该智算中心二期将探索”风电+储能”的绿电直连（离网型）独立供电模式

值得关注的是，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

从更深层次来看，目前，该项目已完成全部系统调试，首批算力资源已交付相关大模型企业使用，预计将于本月中旬实现满负荷运行

业内人士指出，行业消息显示，蓝耘白城先进智算中心一期项目在吉林省白城市洮北经济开发区正式点亮运行

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GPU服务器租用，欢迎访问 www.isclouder.com 了解更多