Author: admin

据行业最新消息，Cung cấp không gian làm việc dùng một lần cho tác nhân AI của bạn với Alibaba Cl

Do Rizky Andriawan, Solution Architect Alibaba Cloud Indonesia, viết TL;DR — Tác nhân AI không chỉ trả lời mà còn hành động. Tác nhân có thể chạy mã, điều khiển trình duyệt và thao tác với tệp. Vì vậy, tác nhân cần một không gian làm việc. Sự chuyển dịch mà gần như mọi đội ngũ xây dựng hạ tầng tác nhân đều đi đến trong hai năm qua không phải là “tác nhân không tự lưu lại trạng thái”, mà là tác nhân buộc chúng ta phải đảo chiều giả định mặc định khi thiết kế hệ thống. Con người mặc định có khả năng duy trì trạng thái; còn tác nhân thì mặc định được cô lập, chỉ duy trì trạng thái trong trường hợp ngoại lệ. Môi trường thực thi của tác nhân nên là môi trường dùng một lần, trong khi bộ nhớ, danh tính và kết quả đầu ra của tác nhân được chủ động lưu trữ ở nơi khác và có thể duy trì lâu dài. Bài viết này giải thích vì sao sự đảo chiều đó là lựa chọn đúng đắn, cũng như cách AgentRun của Alibaba Cloud biến cách tiếp cận này thành một không gian làm việc mà bạn có thể sử dụng mà không cần dựng bất kỳ máy chủ nào.* Dùng một lần ở nơi tác nhân vận hành, bền vững ở nơi tác nhân ghi nhớ. Chatbot chỉ trả lời. Tác nhân thì hành động. Khi bạn hỏi chatbot một câu, chatbot chỉ viết lại câu trả lời bằng văn bản, và thế giới bên ngoài không có gì thay đổi. Giao cho tác nhân một tác vụ, chẳng hạn như “phân tích bảng tính này và vẽ biểu đồ các giá trị ngoại lệ”, “sửa bài kiểm tra lỗi trong kho mã nguồn này” hoặc “mở trang web này và lấy ba tin đăng rẻ nhất”, thì tác nhân phải thực hiện các hành động: chạy mã, ghi tệp, điều khiển trình duyệt, đọc kết quả và quyết định bước tiếp theo. Cứ lặp đi lặp lại trong một vòng lặp. Chính khác biệt duy nhất đó (hành động thay vì trả lời) tạo ra một nhu cầu mà chatbot chưa bao giờ cần: một nơi để thực hiện công việc. Một nơi để chạy đoạn mã đó. Một vùng lưu trữ tạm. Một trình duyệt. Một môi trường dòng lệnh. Hãy gọi đó là một không gian làm việc. Vậy câu hỏi thực sự là: bạn nên cung cấp loại không gian làm việc nào cho một tác nhân như vậy? Câu trả lời theo trực giác, “cùng loại không gian làm việc như dành cho nhà phát triển”, hóa ra lại hoàn toàn ngược lại. Và hiểu được lý do là cách nhanh nhất để nắm rõ một nền tảng như AgentRun được tạo ra nhằm mục đích gì. Chatbot trả lời trong một bước duy nhất. Một tác nhân chạy vòng lặp bên trong không gian làm việc được cô lập, rồi tác động đến thế giới bên ngoài. Hãy nghĩ về môi trường phát triển của chính bạn, chiếc laptop của bạn hoặc một VM mà bạn SSH vào. Bạn thiết lập môi trường đó một lần. Bạn cài đặt công cụ, để các tệp nằm đó, rồi ngày mai quay lại và thấy mọi thứ vẫn còn nguyên. Đó là mặc định của con người: mặc định duy trì trạng thái, chỉ cô lập trong trường hợp ngoại lệ. Bạn chỉ dùng đến sandbox hoặc một VM sạch trong trường hợp hiếm hoi khi xử lý gì đó không đáng tin cậy. Tác nhân cần điều ngược lại: mặc định cô lập, chỉ duy trì trạng thái trong trường hợp ngoại lệ. Mỗi tác vụ chạy trong môi trường sạch và được cô lập riêng, còn mọi thứ cần tồn tại sau tác vụ đều được chủ động đẩy ra bên ngoài môi trường đó. Từ đang âm thầm gánh nhiều ý nghĩa ở đây là “không gian làm việc”, vì vậy hãy cùng làm rõ khái niệm này. Thứ nên dùng một lần là môi trường thực thi của tác nhân, nơi tác nhân chạy mã, điều khiển trình duyệt và ghi tệp tạm. Những thứ không nên dùng một lần, như bộ nhớ của tác nhân (“Acme là một thương vụ đang bị đình trệ”), danh tính và quyền của tác nhân, các kết quả đầu ra do tác nhân tạo ra, cùng dấu vết kiểm tra về những gì tác nhân đã thực hiện, hoàn toàn không nằm trong không gian làm việc. Những thứ đó được lưu bên ngoài không gian làm việc, bền vững một cách có chủ đích, để không gian làm việc có thể bị loại bỏ mà không làm mất những dữ liệu và kết quả đó. Sự tách biệt đó chính là điểm mấu chốt. Nếu đặt phép so sánh ở cấp độ môi trường thực thi nơi tác nhân thực sự thực hiện công việc thì chúng ta sẽ thấy rất rõ sự khác biệt: Đây chính là khoảng trống mà AgentRun được xây dựng để lấp đầy. Thay vì bạn phải cấp phát và duy trì máy chủ để các tác nhân hoạt động, AgentRun cung cấp cho mỗi tác nhân một không gian làm việc thực thi mới, cô lập và dùng một lần theo nhu cầu, đồng thời chỉ tính phí trong thời gian tác nhân thực sự làm việc. Phần còn lại của bài viết này thực chất là giải thích vì sao đây là thiết kế đúng đắn, lần lượt qua từng thuộc tính. “Dùng một lần” nghe có vẻ như một sự đánh đổi. Với môi trường thực thi, đây là một bước nâng cấp, và từng lý do đều tương ứng với một khả năng mà AgentRun mang lại: Hãy chú ý rằng mô hình mối đe dọa và thiết kế gần như tự thân đã khớp với nhau. Mối nguy nằm ở mã không đáng tin cậy chạy trên các đầu vào không đáng tin cậy. Giải pháp (cô lập để không thể vươn ra ngoài, dùng một lần để mọi thao tác không lưu lại lâu dài) gần như là sự phủ định trực tiếp của mối nguy đó. Đây là điểm mấu chốt dành cho những ai vẫn thấy tác nhân hơi khó hiểu: không gian làm việc đã hé lộ bí mật đó. Tác nhân không phải là một nhà tiên tri biết sẵn câu trả lời. Tác nhân là một vòng lặp thử mọi thứ trong không gian làm việc, đọc lại kết quả đã xảy ra, rồi thử tiếp. Lý do duy nhất khiến tác nhân cần đến sandbox dùng một lần là vì tác nhân sẽ tạo ra mớ hỗn độn: chạy mã bị lỗi, cài sai thứ cần cài, đi sai hướng, và bạn muốn mớ hỗn độn đó được cô lập rồi loại bỏ. Lý do bộ nhớ của tác nhân nằm bên ngoài không gian làm việc cũng tương tự: để phần hỗn độn có thể bị loại bỏ, trong khi phần đã học được vẫn được giữ lại. Quá trình thử và sai diễn ra trong một ô cô lập mà bạn sẽ loại bỏ; còn bài học được lưu vào một kho lưu trữ mà bạn giữ lại. Hãy hình dung tác nhân AI không phải như một thiên tài, mà giống một thực tập sinh rất nhanh nhẹn, không biết mệt, được bạn giao cho một căn phòng cô lập, một chiếc máy tính và đúng một tác vụ. Bạn dựng lại căn phòng đó từ đầu cho công việc tiếp theo, nhưng vẫn giữ lại các ghi chú. Không chỉ là một phép ẩn dụ. Về cơ bản, đó chính là kiến trúc. Tác nhân hoạt động bằng cách thử và sai: lập kế hoạch, chạy, thất bại, thử lại, rồi thành công. Hãy xem một ví dụ thực tế. Một tác nhân vận hành bán hàng được giao nhiệm vụ: “lấy báo cáo hệ thống bán hàng của tuần trước và đánh dấu các thương vụ đang bị đình trệ.” Tác nhân đăng ký một không gian làm việc mới. Tác nhân mở trình duyệt, đăng nhập vào CRM của bạn và tải báo cáo về. Tác nhân chạy vài dòng Python để tìm các thương vụ không được cập nhật trong 14 ngày. Tác nhân viết một bản tóm tắt ngắn. Sau đó, tác nhân thoát ra và không gian làm việc bị hủy. Bây giờ, hãy xem những gì đã không xảy ra: Và những thứ bạn thực sự muốn giữ lại, như bản tóm tắt do tác nhân tạo ra, nhật ký kiểm tra của từng cú nhấp chuột, và bộ nhớ của tác nhân rằng “Acme đã ngừng phản hồi”, đều được chủ động ghi bên ngoài không gian làm việc, để không gian làm việc có thể biến mất mà không kéo theo những thứ đó. Đó là sự đảo chiều mặc định trong một tác vụ đơn lẻ: quá trình thực thi là dùng một lần, còn các kết quả đầu ra và bộ nhớ thì không. Một khi nhận ra mô hình này trong một quy trình làm việc, bạn sẽ thấy mô hình này xuất hiện ở khắp nơi. Đây chính là mô hình mà AgentRun đóng gói thành dịch vụ. Dễ gọi AgentRun là “một chiếc hộp tác nhân tất cả trong một”, nhưng cách gọi đó lại đánh giá thấp thiết kế này, vì AgentRun giữ những thành phần riêng biệt ở đúng trạng thái riêng biệt thay vì gom tất cả lại với nhau: Dễ bắt đầu: một biểu mẫu duy nhất để xác định mô hình, câu lệnh và công cụ của tác nhân — không cần quản lý hạ tầng. AgentRun cung cấp năm mẫu sandbox — mỗi mẫu được thiết kế riêng cho một loại công việc khác nhau của tác nhân. Tạo AIO Sandbox: chọn tài nguyên, trình duyệt và môi trường chạy của bạn — không gian làm việc được khởi tạo theo nhu cầu và biến mất khi tác vụ hoàn tất. Quản trị mô hình: kiểm soát những mô hình mà tác nhân có thể gọi, cũng như các giới hạn áp dụng. Bộ nhớ nằm bên ngoài không gian làm việc dùng một lần — bền vững, có thể tìm kiếm và được tách biệt có chủ đích. Lớp quan sát: theo dõi từng lệnh gọi, đo lường từng đơn vị tài nguyên. Không gian làm việc dùng một lần chính là phần mà toàn bộ bài viết này tập trung phân tích. Các lớp còn lại tồn tại chính là để phần này có thể dùng một lần. Nhiệm vụ của AgentRun là kết nối các lớp đó với nhau để bạn không phải tự làm, đồng thời giữ ranh giới đủ rõ ràng để bạn vẫn biết lớp nào đang đảm nhiệm việc gì. Dùng một lần ở trung tâm, bền vững ở vùng biên, tất cả trên một nền tảng serverless. Mở rộng năng lực của tác nhân với marketplace gồm các công cụ MCP và kỹ năng tích hợp đám mây ngay từ đầu — từ Playwright đến RDS Copilot. Dễ quản lý: mọi môi trường chạy của tác nhân đều được hiển thị và có thể kiểm soát từ một nơi. Mối lo hiển nhiên là: nếu một tác nhân chạy mã không đáng tin cậy và hàng nghìn tác nhân dùng chung phần cứng, liệu một tác nhân có thể thoát khỏi môi trường cô lập và truy cập vào khách hàng khác không? Đây là câu hỏi đúng, và câu trả lời trung thực không phải là “môi trường được cô lập hoàn hảo” cũng không phải là “muốn làm gì cũng được”. Các không gian làm việc này không nằm trực tiếp trên một máy dùng chung không có lớp cách ly. Các không gian làm việc này chạy trên cùng lớp cô lập cấp VM nhẹ (bộ chứa bảo mật) vốn đã tách biệt hàng triệu khối lượng công việc serverless đa đối tượng thuê. Ranh giới cách ly này vững chắc, đã được kiểm chứng qua thực tế vận hành, chứ không phải một ranh giới mới mẻ và mong manh. Nhưng “vững chắc” không có nghĩa là “hoàn hảo”. Không có cơ chế cách ly nào là không thể bị phá vỡ, giới nghiên cứu đôi khi vẫn tìm ra lỗ hổng, và tác nhân còn tạo thêm một bề mặt tấn công thực sự mới mà không sandbox nào có thể khép kín hoàn toàn: chèn câu lệnh, trong đó đầu vào không đáng tin cậy chính là các chỉ dẫn dành cho tác nhân, được cài cắm qua một trang web hoặc tài liệu mà tác nhân đọc. Vì vậy, tư thế bảo mật thực sự là phòng thủ theo chiều sâu: cách ly mạnh mẽ, cộng với khả năng dùng một lần (không có gì được duy trì để bị đánh cắp sau này), cộng với kiểm soát lưu lượng ra ngoài (không thể tùy ý gọi ra bên ngoài), cộng với thông tin xác thực theo nguyên tắc đặc q

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站群服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：The Evolution of Qoder NEXT: From Inline Completion to Intelligent Code Editing

Over the past two years, the continuous advancement of Large Language Model (LLM) capabilities has driven significant progress in the accuracy and responsiveness of code completion, leading to its widespread adoption in AI coding products. However, this progress brings new challenges: How can we further refine basic Line-level completion? How can we achieve long-range context prediction across files and modules? More importantly, how can we anticipate a developer’s coding intent to proactively complete code edits? To address these challenges, we have undergone four stages of technical evolution (as illustrated below). We have progressed from initially predicting local modifications near the cursor to supporting multi-point predictions within an entire file, and now to achieving intelligent cross-file coordination. Currently, we are further integrating AI Agents, engineering-level semantic understanding, and advanced model capabilities to explore deeper predictions of the developer’s next actions. Alongside this technical evolution, our product has undergone a brand upgrade – Qoder NEXT. Centered on the core philosophy of “Think Ahead, Code Next”, it moves beyond passive response to engage in development through proactive collaboration. By deeply understanding the overall project architecture and strengthening reasoning models and context modeling, Qoder NEXT can proactively identify developer intent and provide smarter code editing suggestions, significantly boosting development efficiency. The industry first introduced the Line-level completion, primarily offering two capabilities: in-line completion and line-breaking continuation. As a fundamental feature, it is the most frequently used tool in a developer’s daily workflow. However, despite years of technical accumulation, developers still frequently encounter inaccurate recommendations that deviate significantly from expectations. For example: The real-world issues encountered in development go far beyond these examples, and the basic Line-level completion still has immense room for improvement. Many factors influence the effectiveness of code completion. Our analysis identifies the following three as the most critical: Completion tools often only see a small snippet of code near the current line. They struggle to access comprehensive engineering information, such as the specific libraries, encapsulations, conventions, global variables, and external interfaces used throughout the project. Even if the engineering side provides more context, it is impossible to cram an entire repository, its dependencies, history, and related files into a single inference pass. Information must be truncated, and the discarded parts are often the key constraints required for accuracy. Models are primarily trained on open-source code. However, real-world enterprise projects contain vast amounts of private frameworks, internal libraries, team-specific conventions, and domain-specific terminology. Since these rarely appear in training data, the model appears “smart” on generic code but fails to fit the specific needs of a concrete project. We have implemented a comprehensive optimization of our Line-level completion capabilities across three dimensions: Basic Line-level code completion is limited to the immediate vicinity of the cursor, making it difficult to identify and synchronize modifications across multiple related locations. In daily development, we often encounter “cascading edits”: for example, after renaming <font style=”color:rgb(13, 18, 57);”>user_id</font> to <font style=”color:rgb(13, 18, 57);”>userId</font>, a developer needs to convert all other instances of that variable in the file to camelCase to maintain consistency. This highlights a critical requirement: Multi-point Prediction. The model must not only understand the current editing intent but also accurately infer all other locations within the file that require synchronized adjustments. Multi-point prediction is highly relevant in various development workflows: In practice, the scenarios requiring multi-point predictions are endless. If a completion tool can proactively assist with these predictions, development efficiency can be significantly improved. Despite its obvious value, implementing multi-point prediction in a real-world environment presents several challenges: To overcome these hurdles, we optimized our system across three dimensions: Through these improvements, the usability and accuracy of multi-point prediction in real-world scenarios have been significantly enhanced. It no longer just provides reasonable code for a single line, it reliably covers associated modification points, reducing omissions and rework. This transforms “cascading edits” from a manual chore into an automated and reliable collaborative process. The Multi-point prediction capabilities developed in Stage 2 focus primarily on the current file, lacking the ability to perform global analysis across the entire project. In real-world engineering, what appears to be a “single-line change” often triggers a ripple effect involving call chains, type constraints, tests, and documentation. For example: These scenarios necessitate a new capability: Cross-file Prediction. Cross-file prediction is significantly more complex than in-file prediction. Take a Java-based e-commerce system as an example (as shown in the figure below), where a <font style=”color:rgb(13, 18, 57);”>placeOrder()</font> interface method is defined. This interface has numerous subclass implementations and multiple upstream callers: As the business evolves, a new input parameter must be added to this interface. In a purely manual refactoring process, a developer would first modify the interface declaration, then update every subclass implementation, and finally fix all caller code. If this process were driven by a code-completion tool, the tool would face the following challenges: These challenges place immense pressure on engineering architecture, model capabilities, performance, and UI design. To address these technical hurdles, we implemented a reproducible, high-triggerable-rate, and high-precision cross-file prediction capability through the following innovations: Through our deep exploration of various development scenarios, we identified a high-frequency demand in manual-centric coding: developers often want to make a specific, localized change that logically necessitates a series of cascading adjustments across files and modules. The problem is that current mainstream AI completion—whether Line-level, Multi-point, or Cross-file—essentially operates on a “point-by-point generation/modification” basis. While these tools improve efficiency at individual points, they struggle to automatically propagate the engineering-wide impact of a single small change or ensure global consistency throughout the repository. On the other hand, assigning such tasks directly to a Coding Agent is often “overly heavyweight.” While Agents excel at end-to-end task completion, they tend to introduce excessive rewriting in core business logic or strictly constrained engineering environments. Their scope of change is often difficult to converge, the generated content can be hard to control, and they may inadvertently break team-specific code styles, abstraction boundaries, or risk-compliance requirements—leading to high audit and regression costs. Consider a payment module in an e-commerce system. Due to a security policy upgrade, a team is required to add “secondary identity verification” logic to every critical path involving financial transactions.If our code-completion capability is sufficiently intelligent, a developer would only need to add a single comment above a method in the core payment service—for example, <font style=”color:rgb(13, 18, 57);”>// Add joint verification for user real-name status and device fingerprint</font>—and press Enter. Qoder NEXT would immediately recognize this intent. By combining its understanding of the project structure, call chains, security protocols, and historical code style, it would automatically scan the repository to pinpoint every location requiring the new logic—including related services like order creation, refund approval, and coupon redemption. It would then generate code for each point that is compliant with team standards, idempotent, and properly instrumented with logging, while simultaneously updating the corresponding unit test stubs and API documentation. Moving forward, Qoder NEXT will further integrate AI Agents, Repository-Level understanding, and advanced model reasoning to transition from “assistant completion” to “proactive collaboration.” Once it understands the developer’s intent, it will proactively and consistently execute the engineering-wide chain reactions triggered by a localized change. It will no longer simply wait for a prompt at the cursor; instead, it will perform cross-module, multi-file collaborative tasks autonomously, safely, and with high quality based on high-level intent. This paradigm avoids the “uncontrolled generation” risks of Coding Agents while breaking through the “seeing the trees but not the forest” limitations of Line-level completion. By striking an optimal balance between code quality and development velocity, Qoder NEXT is making code editing prediction smarter than ever. Going forward, Qoder NEXT will further deepen its understanding of complex engineering scenarios—moving beyond recognizing isolated edit intents to comprehending the holistic impact of systemic changes such as cross-module refactoring, API evolution, and dependency upgrades. By continuously learning team-specific coding conventions, architectural constraints, and historical evolution patterns, Qoder NEXT will evolve from reactive completion to _proactive suggestions_. For example: Moreover, Qoder NEXT will integrate more tightly into the development workflow, delivering context

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站群服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，致态 BW2026 展出 ROG 吹雪、《凡人》动画联名存储硬件，产品即将发售

IT之家 7 月 14 日消息，长江存储旗下致态 (ZHITAI) 今日表示，该品牌在上周的 BW2026 上展出了华硕 ROG 吹雪联名 TiPro9000 固态硬盘、《凡人》动画联名礼盒，这两款产品即将发售

业内人士指出，IT之家注意到，华硕 ROG 吹雪联名款 TiPro9000 固态硬盘此前曾在 COMPUTEX 2026 台北国际电脑展亮相，《凡人》动画联名礼盒则是首次曝光

从更深层次来看，TiPro9000 是致态首款 PCIe 5.0 旗舰存储产品，结合了基于 Xtacking 4.0 架构的闪存颗粒和 DRAM 缓存，顺序读取速度高达 14900MB/s、顺序写入速度高达 13800 MB/s

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CN2 VPS，欢迎访问 www.isclouder.com 了解更多

最新消息显示，AI时代算力密度狂飙，电力底座如何“极限跨越”

随着大模型的竞争从训练阶段的参数扩张，逐步走向以token消耗为度量的推理部署，算力产业的转型升级也进入了”深水区”

值得关注的是，智算中心单机柜功率从传统的6千瓦至8千瓦，已经攀升至数十、上百千瓦

值得关注的是，特别是在NVIDIA即将于2027年上市的Kyber系统架构中，单机柜功率将达1兆瓦

业内人士指出，从交流到直流，从机械式保护到电子化开关，电力系统作为算力扩张的坚实底座，同样经历着从量到质的变革

值得关注的是，扫码获取西门子数据中心相关白皮书，深入了解行业趋势、关键技术及典型应用实践

值得关注的是，高压直流配电：突破功率密度的物理边界 产业研究机构预测，到2030年，中国智能算力年均增速将超过60%

从更深层次来看，传统的”数据存储仓库”正在向”AI工厂”跃迁

业内人士指出，智算中心不仅面临功率密度的暴涨，其热管理需求、部署和运维的复杂度也在以指数级飙升

业内人士指出，在这一趋势下，传统交流供电架构承受的压力日益显现

从更深层次来看，交流电力架构需经过UPS双变换及机架电源二次整流，端到端能效往往低于90%

值得关注的是，而且随着机柜功率密度的增加，电流越大，损耗越重，器件故障隐患也愈发严峻

从更深层次来看，高压直流供电架构（HVDC）简化了能量传输链路，电能转换损耗显著降低

从更深层次来看，在同等功率下，HVDC的端到端能效可提升5个百分点以上

从更深层次来看，而且直流电流平稳无波动，铜排截面积更小，可将单柜铜耗减少最高45%，灰空间面积节省约30%

从更深层次来看，早在数年前，阿里巴巴就已开始采用更高电压的直流供电，从此前的240V升级到±400V，并将最终迈向800V

从更深层次来看，谷歌、亚马逊云与Meta则在落地400V直流供电方案

业内人士指出，英伟达最新芯片主推800V直流架构，以支持高密度GPU集群

业内人士指出，面对配电架构的深度重构，西门子的技术演进逻辑已从单一组件的适配，转向全链路直流生态的深度定制

值得关注的是，在西门子的技术路线图中，HVDC不是交流系统的简单平替，而是基于不同场景的个性化能源供配体系

业内人士指出，针对超大规模云服务商青睐的±400V双极性直流架构，西门子侧重于解决中压侧与直流侧的保护协同

业内人士指出，西门子NXAirS空气绝缘开关设备 应用于内蒙乌兰察布某数据中心项目 作为某全球头部互联网企业的核心生态伙伴，西门子深度参与其数据中心的供配电模块配套和数字化交付

从更深层次来看，西门子中压配电系统高度匹配其最新的全直流方案，已落地多个”东数西算”节点智算中心

业内人士指出，其中，中压方舱与直流UPS方舱采用NXAirS空气绝缘开关设备，柴发方舱采用8DJH气体绝缘开关设备，均搭配7SJ686系列综保装置，以工厂预制化模块的方式交付，确保高可靠、高效供电，同时保留灵活性与扩展性

值得关注的是，而在代表智算极限的800V 直流领域，西门子与英伟达正联合打造可复制的下一代AI工厂架构蓝图

业内人士指出，这一架构蓝图将统筹兼顾下一代高密度计算对电力、冷却及自动化系统的需求，同时确保各项技术兼具速度与效率的双重优势，进而实现从规划设计到部署运营的全生命周期优化

从更深层次来看，在2026年3月的西门子RXD大会上，直流配电产品SENTRON 3VD和SENTRON 3WD正式发布 在中国，针对本地客户的直流应用需求，西门子将深厚的技术储备转化为市场产品

业内人士指出，今年3月，西门子推出了面向中国市场开发的SENTRON 3WD直流专用框架断路器与SENRTRON 3VD直流专用塑壳断路器

业内人士指出，两款产品均可支持最高1,000VDC额定电压，其中3WD系列具备最高65kA分断能力，覆盖了智算中心园区主干回路

业内人士指出，3VD提供更为紧凑的两极开关，减小20%的体积，为客户节省30%的安装时间和铜材等原材料

值得关注的是，基于本土客户需求，西门子直流配电产品可适配直流主配电柜、直流母线槽系统、电池保护柜、精密列头柜等广泛的直流场景应用

值得关注的是，由此，西门子正在完成从架构理念设计到核心硬件交付的闭环，为智算中心提供支撑1,000V直流环境的工业级保护基石

从更深层次来看，与此同时，智算中心对响应精度的严苛要求，以及新能源等多能引入需求，正促使供配电系统从”电磁机械结构”向”电子开关器件”演化

从更深层次来看，以碳化硅（SiC）功率半导体为核心的固态化技术，从底层逻辑上赋予电力基础设施”微秒级”的感知与关断能力

业内人士指出，这种极速的保护机制，不仅能为极其昂贵且敏感的算力集群提供一道几乎无延迟的防护屏障，更通过彻底消除电弧隐患，极大地延长了系统的运行寿命

从更深层次来看，西门子固态直流断路器SENTRON 3QD2 2026年汉诺威工业博览会上，西门子展示了首款固态直流断路器SENTRON 3QD2

业内人士指出，它具备微秒级的闪电响应速度，通断速度较传统产品提升了千倍以上，短路能量可减少99.5%

值得关注的是，而固态变压器（SST）的出现，则标志着静态磁性器件正在向高频化、小型化的电子终端进化

值得关注的是，SST具备双向实时的能量调节能力，能够像调度数据包一样精准控制电能流向，从单一功能的变压角色，演进为灵活的”能源路由器”

业内人士指出，此外，SST具有小型化特性，可以节省出更多的物理空间，方便运营商布置更多的GPU机柜，创造更多价值

业内人士指出，尤其在风、光、储等多元清洁能源深度接入的当下，电子化转型的优势愈发凸显

从更深层次来看，通过SST高效转换，并配合储能等系统，可以有效平抑新能源发电的天生波动性，实现电力供应与算力负载之间的实时互动匹配

从更深层次来看，由于当前SST标准尚未完善，碳化硅成本过高，系统可靠性也尚处于验证阶段，SST尚未进入大规模普及阶段

从更深层次来看，可以期待，在AI突飞猛进的浪潮中，西门子将继续与各方伙伴携手，以全栈软硬件实力与全球化交付经验，为算力产业构筑起一道更加坚实可靠且绿色低碳的能源底座

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，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，750亿欧元 软银将在法国投资建设5GW数据中心

2026年6月1日，法国总统埃马纽埃尔·马克龙（Emmanuel Macron）在2026年”Choose France”峰会上宣布，企业已承诺在法国投资930亿欧元（约1080亿美元），创下该峰会举办以来的新高

业内人士指出，其中约一半资金将用于日本软银集团（SoftBank Group）支持的AI数据中心项目

业内人士指出，据路透社报道，此次峰会共公布71个外国投资项目，预计将创造超过1.56万个就业岗位

值得关注的是，软银集团的承诺是其中最大亮点：计划在法国开发和运营总计5吉瓦（GW）的AI数据中心容量，总投资高达750亿欧元

业内人士指出，软银集团董事长兼首席执行官孙正义（Masayoshi Son）表示，第一阶段将投资450亿欧元，到2031年在法国北部上法兰西大区（Hauts-de-France）建成3.1吉瓦的AI数据中心容量

业内人士指出，具体地点包括敦刻尔克（Loon-Plage）、Bosquel和Bouchain

从更深层次来看，随后将扩展至法国其他地区，最终实现5吉瓦目标

值得关注的是，该项目将与SB Energy等战略伙伴合作，并与法国施耐德电气（Schneider Electric）建立战略工业伙伴关系，在敦刻尔克港打造大型工业生产集群，包括软银运营的外壳制造设施和施耐德电气运营的电源模块集成设施

业内人士指出，该集群将结合软银的机器人和自动化技术与施耐德的工业专长

从更深层次来看，项目还涉及与法国电力公司EDF的合作，特别是Bouchain数据中心

值得关注的是，法国官员强调，该项目得益于法国欧洲最可靠的电力网络、低碳核电以及政府高效审批流程

值得关注的是，马克龙总统表示，这一投资有助于法国弥补欧洲在计算能力上的差距，并利用其核电优势吸引AI相关产业

值得关注的是，孙正义强调，法国可将电力这一”原材料”转化为高价值”智能”出口，帮助欧洲在AI领域追赶美国和中国

业内人士指出，软银方面称，该举措旨在满足AI计算基础设施的快速增长需求，强化法国作为欧洲AI发展枢纽的地位，并支持欧洲技术主权

从更深层次来看，项目预计将创造数千个高技能岗位，涵盖数据中心开发、工程、能源系统、机器人、运营维护和先进制造等领域

值得关注的是，软银计划与当地大学和培训机构合作，推动AI基础设施相关研究和人才培养

值得关注的是，双方均强调项目将促进可持续工业发展和本地供应链韧性，目前尚未有关于项目具体时间表或潜在风险的进一步细节披露

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大带宽服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：AI日报：豆包、千问下线AI拟人化功能；腾讯混元Hy3发布；Gemin

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

值得关注的是，新鲜AI产品点击了解：https://app.aibase.com/zh 1、通义千问重磅升级：实时语音识别模型 Fun-ASR-Realtime 正式发布 通义千问大模型升级其核心音频能力，推出全新的实时语音识别模型 Fun-ASR-Realtime，显著提升识别性能和语言覆盖范围，为智能语音应用提供更坚实的底层支撑

值得关注的是，🧠 首字识别延迟控制在百毫秒级别，实现即说即反馈的流畅体验

值得关注的是，🌐 支持30种语言及16种中文方言的识别处理

值得关注的是，🚀 提升实时语音识别性能，拓宽大模型在多语言环境下的应用边界

值得关注的是，2、豆包、通义千问双双下线AI拟人化功能：7月15日新规落地，行业集体收缩 中国两款主流AI应用豆包和通义千问将下线可自定义的拟人化代理功能，以适应新规要求

从更深层次来看，新规明确规范模拟人类人格特质、思维模式和交流方式，并提供持续情感交互的服务，但排除客服机器人等工具

值得关注的是，用户对AI拟人化功能的下线表示不满，认为这些功能是他们的情感支撑，缺乏数据迁移路径导致割裂感

从更深层次来看，🧠 中国两款主流AI应用豆包和通义千问将下线可自定义的拟人化代理功能，以适应新规要求

业内人士指出，⚠️ 新规明确规范模拟人类人格特质、思维模式和交流方式，并提供持续情感交互的服务，但排除客服机器人等工具

业内人士指出，💔 用户对AI拟人化功能的下线表示不满，认为这些功能是他们的情感支撑，缺乏数据迁移路径导致割裂感

值得关注的是，3、腾讯混元Hy3发布：Agent能力和产品体验跃升 腾讯混元Hy3发布，展示了其在智能体能力和产品体验上的显著提升，同时通过高性价比的定价和开源策略，进一步推动了AI技术的普及与应用

值得关注的是，🧠 混元Hy3模型采用MoE架构，参数规模达到295B，激活参数为21B，支持256K上下文长度

从更深层次来看，🚀 Hy3在多个业务场景中实现性能跃升，如WorkBuddy、元宝、Marvis等，任务成功率显著提升

值得关注的是，💰 Hy3定价策略优化，输入1元/百万tokens，输出4元/百万tokens，同时开源协议友好，便于全球开发者使用

值得关注的是，详情链接:https://hy.tencent.com/research/hy3 4、全球首例AI智能体勒索攻击浮出水面：无需人类干预的自动化“作案”链条 安全厂商 Sysdig 日前披露了一起代号为“JADEPUFFER”的勒索软件攻击事件，这也是全球首例被记录到的、全流程由 AI 智能体（Agent）自主完成的勒索攻击案例

业内人士指出，🔐 AI智能体自主完成勒索攻击，无需人类干预

值得关注的是，5、Meta 调整 AI 开发节奏：Llama API 公共预览版将于明日下线 Meta 宣布将正式下线 Llama API 的公共预览服务，该调整将于2026年7月6日生效

业内人士指出，尽管 API 服务将停止响应，但 Llama 模型本身仍可正常获取和使用

业内人士指出，Meta 建议开发者尽快迁移至其他支持 Llama 模型的第三方服务商，并透露正在构建全新的开发者路径，以提升开发效率和稳定性

从更深层次来看，📅 Llama API 公共预览版将于2026年7月6日正式下线

值得关注的是，🔄 Meta 建议开发者尽快迁移至其他支持 Llama 模型的第三方服务商

值得关注的是，🚀 Meta 正在构建全新的开发者路径，以提供更高效、稳定的 AI 模型开发与部署方式

从更深层次来看，6、Google 重拳出击：Gemini 3.5 Pro 锁定 7 月 17 日发布，全面对垒 DeepSeek V4 Google 旗舰大模型 Gemini 3.5 Pro 将于7月17日正式发布，与 DeepSeek V4 形成竞争

值得关注的是，此次发布因战略调整而延期，旨在通过全新预训练提升性能

业内人士指出，Gemini 3.5 Pro 在前端生成、UI设计和游戏开发方面表现突出，并将推出 Nano Banana Pro 生图模型以争夺图像生成市场

业内人士指出，📅 Gemini 3.5 Pro 正式发布日期锁定为7月17日，与 DeepSeek V4 竞争

从更深层次来看，🧠 Google 战略调整，跳过旧版本微调，投入更多时间进行全新预训练

值得关注的是，🎨 Gemini 3.5 Pro 提升前端生成能力，包括 UI 设计、代码生成和 SVG 构建

值得关注的是，7、影坛版权博弈升级：Midjourney 要求好莱坞制片厂“自证清白” 文章探讨了好莱坞制片厂与 Midjourney 之间的版权诉讼，重点在于证据开示的争议以及 AI 在影视工业中的应用问题

值得关注的是，🎬 Midjourney 要求好莱坞制片厂披露其内部 AI 技术应用细节，以证明其行为的合理性

从更深层次来看，⚖️ 制片厂认为 Midjourney 未经授权使用版权内容训练 AI 模型，构成侵权

业内人士指出，🔍 双方在证据开示范围上展开激烈对峙，案件可能成为未来影视行业 AI 使用规范的重要里程碑

从更深层次来看，8、手机变身“数字玩伴”：JoyAI 上线 UGC 数字人功能 JoyAI App 上线 UGC 数字人功能，让用户能够轻松创建个性化的虚拟形象，同时通过技术集成实现了更自然的交互体验

业内人士指出，📱 上传照片即可生成数字分身，实现外观定制 🎙️ 接入语音数据，打造独特音色 🤖 集成语言、语音及数字人三大模型，提升对话体验

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菲律宾VPS，欢迎访问 www.isclouder.com 了解更多

最新消息显示，The Hermetic AI Sandbox: Deploying Sovereign Qwen Models in Fully Air-Gapped VPC

By Arslan ud Din Shafiq, Alibaba Cloud MVP In an era where generative AI dictates the pace of enterprise innovation, highly regulated industries face a paralyzing dilemma. The mandate to leverage Large Language Models (LLMs) for operational efficiency is completely at odds with strict data sovereignty laws, HIPAA, GDPR, and defense-grade compliance requirements. The typical path of consuming public AI APIs or spinning up cloud instances with outbound internet access is not just a risk—it is a non-starter. Consider the architectural implications of processing real-time telemetry and transactional data from an international point-of-sale (POS) system. Cross-border financial data is heavily regulated; exposing even a fraction of this data to an API endpoint or allowing an inference server to reach out to the public internet for a dependency update can trigger massive compliance violations. To achieve true AI sovereignty, we must eliminate the internet entirely from the equation. In this technical deep-dive, we will architect a “Hermetic AI Sandbox” on Alibaba Cloud. We will deploy a sovereign Qwen (Tongyi Qianwen) model within a fully air-gapped Virtual Private Cloud (VPC), utilizing Machine Learning Platform for AI (PAI-EAS), Alibaba Cloud Object Storage Service (OSS) via VPC endpoints, and PrivateZone for internal DNS routing. There will be no NAT Gateways. There will be no Elastic IP addresses (EIPs). There will be zero outbound internet access. For regulated entities, the “Cloud” is often viewed with justified suspicion. When deploying open-source or proprietary LLMs, the standard operational procedures are riddled with security vulnerabilities: The Compliance Firewall approach dictates that the environment must be mathematically sealed. We achieve this by adopting an immutable infrastructure model where all weights, tokenizers, and execution environments are pre-staged within the enterprise’s private boundary. The model must live in a completely dark VPC, only accessible by internal, authenticated microservices. To build this hermetic sandbox, we rely on a carefully orchestrated sequence of Alibaba Cloud enterprise services. The goal is to move massive model weights (often hundreds of gigabytes for 70B+ parameter models) into the execution environment without ever crossing the public internet. This section details the precise configuration required to achieve the architecture described above. We will use the eascmd CLI tool, which is standard for deploying services to PAI-EAS. First, ensure your OSS bucket is set to Private read/write. Next, create a VPC Endpoint (PrivateLink) for OSS within your target VPC. PAI-EAS containers often expect standard OSS domain names in their configuration. To prevent the container from attempting to resolve the public OSS IP, we use Alibaba Cloud PrivateZone to hijack the DNS resolution. Now, any request from within the VPC (including our PAI-EAS container) targeting the OSS bucket will securely route over the internal backbone. You cannot achieve this level of network isolation using the public Serverless PAI-EAS offering. You must provision a Dedicated Resource Group. This is the critical step. We must define the deployment configuration to explicitly prohibit internet access and mount the internal OSS bucket. Create a file named qwen-sovereign-deploy.json: { “name”: “qwen_72b_sovereign_secure”, “model_path”: “oss://<your-internal-bucket-name>/qwen-72b-chat-weights/”, “processor”: “huggingface_llm”, “metadata”: { “instance”: 1, “resource”: “eas-r-<your-dedicated-resource-group-id>”, “enable_internet_access”: false, “rpc.keepalive”: 60000, “vpc_id”: “vpc-<your-dark-vpc-id>”, “vswitch_id”: “vsw-<your-dark-vswitch-id>” }, “cloud”: { “computing”: { “instance_type”: “ecs.gn7i-c16g1.4xlarge” } }, “containers”: [ { “image”: “eas-registry-<region>.cr.aliyuncs.com/pai/eas-huggingface-llm:latest”, “env”: [ { “name”: “MODEL_ID”, “value”: “/workspace/model/” }, { “name”: “DISABLE_TELEMETRY”, “value”: “1” }, { “name”: “HF_HUB_OFFLINE”, “value”: “1” } ], “port”: 8000 } ] } Key Configuration Highlights: Deploy the service via the command line: eascmd create qwen-sovereign-deploy.json 4. The ‘MVP’ Failure Mode: Rescuing the Air-Gapped RAG Pipeline Many enterprise architects successfully deploy the air-gapped LLM, only to hit a catastrophic roadblock at the application layer. This is the ‘MVP (Minimum Viable Product) Failure Mode’. In a standard proof-of-concept, Retrieval-Augmented Generation (RAG) agents often rely on external tools. They use LangChain or LlamaIndex integrated with Google Search, SerpAPI, or public Wikipedia wrappers to fetch context. The problem: Your sovereign Qwen model is trapped in a dark VPC. It cannot run a web search. It cannot query public APIs. If an enterprise user asks the internal chatbot, “What is the latest status on the Project Phoenix compliance audit?”, the LLM will fail or hallucinate because its external RAG toolchain is broken by the air-gap. To solve this, we must build an internal, hermetic RAG proxy. Instead of the LLM reaching out to the internet for context, the internal application must retrieve context from on-premise, secure databases (like Jira, Confluence, or internal git repositories) and inject that context into the prompt before it reaches the PAI-EAS endpoint. The Sovereign RAG Architecture: The Proxy Execution: This architecture ensures that the LLM remains completely isolated from the internet, yet highly intelligent regarding the most secure, up-to-date internal enterprise data. The LLM acts purely as a reasoning engine over data provided by the secure proxy. The narrative that stringent security and compliance requirements must stifle AI innovation is a fallacy. By leveraging the advanced network isolation capabilities of Alibaba Cloud—specifically PAI-EAS Dedicated Resource Groups, PrivateZone, and VPC Endpoints—architects can deploy massive, trillion-parameter class models like Qwen entirely in the dark. The Hermetic AI Sandbox ensures that your most sensitive workloads—whether they involve international financial telemetry, defense contracts, or proprietary healthcare algorithms—never leak out via public APIs, and are completely shielded from supply-chain injection attacks. By enforcing “enable_internet_access”: false and architecting robust, internal-only RAG pipelines connected directly to on-premise data lakes, enterprise architects can deliver state-of-the-art generative AI capabilities that satisfy even the most uncompromising government compliance officers. True AI sovereignty is not just achievable; with the right architectural rigor, it is seamlessly maintainable.

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服务器，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

值得关注的是，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

从更深层次来看，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）”

值得关注的是，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

从更深层次来看，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

业内人士指出，如今AI成为新的产业中心，底层依然是Linux与容器技术

值得关注的是，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

业内人士指出，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

从更深层次来看，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

业内人士指出，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

业内人士指出，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

业内人士指出，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

值得关注的是，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

值得关注的是，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

从更深层次来看，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

业内人士指出，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

业内人士指出，一个大型企业未来很可能同时运行数十个甚至上百个Agent

值得关注的是，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

业内人士指出，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

从更深层次来看，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

业内人士指出，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

从更深层次来看，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”

业内人士指出，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

从更深层次来看，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

从更深层次来看，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

值得关注的是，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

业内人士指出，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

业内人士指出，过去一年，vLLM已经成为开源推理领域的重要基础设施

从更深层次来看，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

从更深层次来看，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

业内人士指出，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

业内人士指出，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

业内人士指出，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

从更深层次来看，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

从更深层次来看，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

从更深层次来看，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

值得关注的是，与此同时，AI安全问题也从模型安全延伸到执行安全

从更深层次来看，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

业内人士指出，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

值得关注的是，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

从更深层次来看，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

从更深层次来看，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

业内人士指出，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

从更深层次来看，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

从更深层次来看，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

从更深层次来看，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

业内人士指出，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

值得关注的是，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

业内人士指出，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

值得关注的是，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

值得关注的是，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

业内人士指出，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

业内人士指出，” 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

值得关注的是，事实上，这也是企业级市场与消费级AI市场最大的区别

值得关注的是，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

从更深层次来看，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

从更深层次来看，没有稳定的平台，企业就无法放心地把核心业务交给AI

从更深层次来看，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）

从更深层次来看，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

值得关注的是，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

值得关注的是，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

从更深层次来看，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

值得关注的是，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

值得关注的是，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

从更深层次来看，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

从更深层次来看，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

从更深层次来看，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

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印度服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Telegram 核心域名 t.me 突遭全球停用，官方尚未回应

IT之家 7 月 14 日消息，今日凌晨有用户发现，即时通讯软件 Telegram 使用的短链接域名 t.me 在全球范围内无法访问

值得关注的是，根据 Whois 域名查询服务的数据，该域名的状态被更新为“serverHold”

从更深层次来看，根据互联网名称与数字地址分配机构（ICANN）的文档，此状态由域名注册局操作员设置，意味着该域名已被从全球域名系统（DNS）中移除

业内人士指出，此次故障直接影响所有以 t.me 开头的链接，包括指向 Telegram 频道、聊天群组和个人主页的短网址，这些链接在浏览器中均无法正常打开和跳转

值得关注的是，不过，Telegram 的桌面客户端和手机应用本身仍可正常使用，且应用内置浏览器中的 t.me 链接也未受影响

业内人士指出，域名 telegram.org 和 telegram.me 同样可以正常访问

值得关注的是，.me 是黑山（Montenegro）的国家顶级域名

从更深层次来看，该域名的注册局运营商为 doMEn 公司，该公司由黑山政府选定

值得关注的是，t.me 域名的注册有效期至 2035 年 5 月，排除因过期而被回收的可能

业内人士指出，截至IT之家发稿，Telegram 官方、.me 域名注册局及后端运营商 Identity Digital 均未就此次事件发布公开解释

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

行业动态更新：呼和浩特全民摄影双月赛“AI 生成环卫工照片获一等奖”引争议，比赛主办方回应“正进行调查”

IT之家 7 月 14 日消息，近期有网友反映称“艺润北疆 · 光影青城”2025 年呼和浩特全民摄影双月赛第三期获奖名单中，一等奖作品中环卫工身上的衣服竟出现乱码文字，很有可能是“AI 生成的图片”，相应消息在微博上引起热议

从更深层次来看，IT之家参考网传一等奖获奖作品，该作品名为《洒乐园林》，呈现了三位环卫工在座椅上休息欢笑的场景，其中一人正将水壶中的水自上而下倾倒而出

业内人士指出，然而，画面中两名环卫工所穿马甲上的文字出现了明显的 AI 生成乱码痕迹

值得关注的是，对此，比赛主办方“呼和浩特市文学艺术界联合会”工作人员回应媒体“南方日报”称“目前单位正调查此事”、“联合会不负责作品评审工作，仅转发公示获奖情况”

从更深层次来看，记者就 AI 作品是否可以参赛进行追问，该工作人员表示“摄影比赛可能也需要现代科技的加入”

业内人士指出，至于事件处理，其表示，“发生这种事我们肯定是要调查的

业内人士指出，” 公开信息显示，呼和浩特全民摄影双月赛由呼和浩特市文学艺术界联合会主办、呼和浩特市摄影家协会承办，第三期主题为“趣味与偶遇”，组委会对投稿作品进行集中评选，最终从作品中评出一等奖 1 名，二等奖 2 名，三等奖 3 名，优秀奖 10 名

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美国站群服务器，欢迎访问 www.isclouder.com 了解更多