Category: 行业资讯

行业动态更新：202MW“源网荷储”一体化 中国移动（宁夏中卫）数据中心B园区正式交付投用

据公开信息，该园区采用光伏发电优先直供方式，并自建增量配电网，灵活调配光伏发电、算力用电和储能系统，形成数据中心用电”自主调峰、自发自用”，实现”源网荷储”一体化调度运行

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

从更深层次来看，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

业内人士指出，这一模式有效提升了能源利用效率，助力数据中心绿色低碳发展

值得关注的是，B园区的投用进一步完善了园区整体能力，支持算力部署，符合国家”东数西算”战略背景下西部地区数据中心集群发展方向

业内人士指出，行业消息显示，中国移动（宁夏中卫）数据中心B园区正式交付投用，标志着全国首个大规模”源网荷储”一体化数据中心园区全面运营

值得关注的是，中卫数据中心是中国移动在宁夏的重要布局，2015年开始建设，2018年6月投产，已建成多个机房，具备较大规模机架容量

业内人士指出，这一项目落地，进一步加强了中卫在算电融合领域的探索进程

从更深层次来看，未来，类似模式有望在更多西部数据中心集群复制推广

从更深层次来看，投产IT总功率达到202MW（兆瓦），绿电使用率稳定在80%以上

从更深层次来看，宁夏中卫凭借丰富的可再生能源资源和适宜气候条件，成为数据中心建设的理想区域

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：联手Nvidia，韩国SKT将建GW级AIDC

SK Telecom此前已部署超过1000块NVIDIA Blackwell GPU，构建了韩国规模领先的AI基础设施之一，如”Haein”集群，并推出GPU-as-a-Service（GPUaaS）服务

业内人士指出，根据NVIDIA和SK Telecom联合发布的声明，该项目将基于NVIDIA DSX平台构建，旨在为韩国企业、初创公司以及工业物理AI和机器人技术提供强大算力支持，并计划进一步扩展至亚洲市场

值得关注的是，该项目还与韩国国家AI发展战略相契合，旨在提升本土AI算力自主能力

值得关注的是，SK Telecom与NVIDIA的合作不仅强化了双方的战略伙伴关系，也为韩国在全球AI供应链中的地位提供了支撑

值得关注的是，NVIDIA方面强调，该合作将助力韩国AI创新生态发展，包括加速初创企业成长和工业数字化转型

业内人士指出，SK Telecom作为韩国主要电信运营商，正加速向AI公司转型，此次合作是其主权AI基础设施建设的重要一步

从更深层次来看，韩国多家企业正积极布局物理AI和HBM（高带宽内存）等领域，以抓住AI浪潮机遇

值得关注的是，NVIDIA CEO Jensen Huang近期访韩期间，与SK Group、LG、Naver等韩国企业高层互动频繁，推动多项AI、机器人和数据中心项目

值得关注的是，目前，项目具体投资规模、确切地点及更多技术细节尚未完全公开，但双方表示将持续推进落地

业内人士指出，SK Telecom股价在相关消息传出后有所反应，市场普遍看好其在AI云服务领域的长期潜力

值得关注的是，SK Telecom的AI数据中心将成为韩国AI工厂的核心枢纽

从更深层次来看，据韩国《朝鲜日报》英文版报道，韩国电信运营商SK Telecom（SKT）与美国芯片巨头NVIDIA公开深化合作，计划在韩国建设吉瓦级（GW-level）AI云基础设施，首座AI工厂预计于2027年投入运营

业内人士指出，此次吉瓦级AI云项目将进一步扩大容量，聚焦主权AI、物理AI和代理AI（agentic AI）应用，支持半导体制造数字孪生、机器人开发等工业场景

值得关注的是，NVIDIA DSX平台的采用，将确保基础设施在效率和可扩展性上的领先性

业内人士指出，行业观察人士指出，吉瓦级AI云代表了高能耗、高性能计算的重大投入，未来将在推理、训练和工业应用中发挥关键作用

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住宅IP租用，欢迎访问 www.isclouder.com 了解更多

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

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

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

从更深层次来看，此外，剧版《哈利 · 波特》第二季《哈利 · 波特与密室》已获提前续订，计划今年秋季开拍

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

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

业内人士指出，目前系列剧集第一季《哈利 · 波特与魔法石》已定档今年圣诞节（12 月 25 日）开播

值得关注的是，海报警告称，道具离开指定区域，需要“获得道具部门的批准”

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

行业动态更新：AI时代算力密度狂飙，电力底座如何“极限跨越”

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”

从更深层次来看，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，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%

值得关注的是，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

业内人士指出，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

业内人士指出，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，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，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

业内人士指出，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，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，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

业内人士指出，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，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

值得关注的是，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，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

值得关注的是，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

值得关注的是，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%

从更深层次来看，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

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

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

值得关注的是，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，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

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，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，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

从更深层次来看，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

从更深层次来看，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，传统的”数据存储仓库”正在向”AI工厂”跃迁

值得关注的是，在同等功率下，HVDC的端到端能效可提升5个百分点以上

业内人士指出，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，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，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，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

业内人士指出，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，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

值得关注的是，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，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

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

业内人士指出，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

值得关注的是，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

从更深层次来看，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泰国VPS，欢迎访问 www.isclouder.com 了解更多

行业动态更新：中国智算芯片竞争态势分析：国产替代深化，市场竞争格局加速重塑

相较上一代产品，950系列在计算性能、互联能力及集群部署能力等方面实现全面提升，目前已有多家互联网头部企业完成产品预订，市场需求旺盛

从更深层次来看，根据科智咨询测算，2025年阿里平头哥AI芯片出货量达到26.5万片，在国产品牌中位居第二，仅次于华为昇腾

业内人士指出，互联网企业自研芯片商业化趋势加速 互联网企业正由国产智算芯片的重要采购方逐步转变为市场竞争参与者

业内人士指出，在超节点产品方面，华为客户主要包括科研实验室、部分国产车企自动驾驶业务以及大型运营商，而互联网企业更多采购核心计算部件，并结合自身机柜规格、网络架构及集群设计完成定制化部署

业内人士指出，2024年，真武810E开始实现规模量产，主要部署于阿里内部AI业务；2025年，面向智能体（Agent）时代推出的新一代智算芯片真武M890正式发布，在国际高端GPU供应受限背景下，阿里持续加大国产芯片部署力度，推动真武系列出货量快速增长

业内人士指出，市场布局方面，海光正积极推进互联网客户拓展

从更深层次来看，产品演进方面，寒武纪形成了590、690到790的持续升级路线

业内人士指出，产品能力方面，昆仑芯坚持自研XPU技术路线，不断提升芯片通用计算能力和集群扩展能力

业内人士指出，从市场布局来看，阿里平头哥充分发挥”云+模型+芯片”一体化优势，实现了内部应用与外部商业化同步推进

值得关注的是，03 主流厂商加快产品迭代，差异化竞争优势逐步形成 华为昇腾：持续巩固国产智算芯片领先优势，软件生态竞争力不断增强 作为当前国产智算芯片市场的领军企业，华为昇腾持续保持领先优势

业内人士指出，随着互联网头部客户持续导入，寒武纪客户结构正由传统政企市场逐步向互联网市场延伸

业内人士指出，海光：CPU+DCU协同优势持续显现，加快拓展互联网市场 海光近年来依托CPU与DCU协同发展的技术路线，在高性能计算与人工智能融合应用领域持续发力，逐步形成差异化竞争优势

值得关注的是，2025年，华为昇腾出货量达到81.2万张，在国产AI加速卡市场中占据近半份额，领先优势进一步扩大

值得关注的是，虽然出货规模与头部厂商仍存在一定差距，但各企业依托不同技术路线和行业资源，逐步形成差异化竞争优势

值得关注的是，02 竞争格局加速重塑，向”一超多强”演变 随着国产替代持续推进，中国智算芯片市场竞争格局正在发生深刻变化，由过去英伟达一家独大的市场格局，逐步演变为国际厂商与国产厂商共同竞争、国产内部梯队不断分化的新格局

从更深层次来看，随着人工智能进入规模化应用阶段，智算芯片已成为驱动产业发展的关键基础设施

从更深层次来看，随着深算三号产品进入市场，海光DCU在互联网客户中的渗透率持续提升

值得关注的是，受市场需求快速增长影响，目前昇腾950系列整体供货仍处于紧平衡状态，部分渠道仍存在配货周期较长的问题

业内人士指出，01 国产替代加速推进，国产AI加速卡市场份额提升至41.3% 近年来，受人工智能产业快速发展、国家政策持续支持以及国际供应链环境变化等多重因素影响，国产智算芯片迎来快速发展窗口期，国产替代进程明显提速

值得关注的是，预计2026年，阿里、腾讯、字节等互联网企业需求合计约65万片，占整体需求六成以上，其余产品主要面向政府、运营商及企业客户

值得关注的是，依托自身云平台、大模型及丰富的应用场景，互联网企业将在满足内部需求的同时，加快向外部客户提供芯片及算力解决方案

值得关注的是，相比产品竞争力，供应链仍是寒武纪未来发展的最大挑战

从更深层次来看，其中，M890重点针对Agent应用场景进行了架构优化，在推理效率、多任务调度及能效比等方面进一步提升；预计2027年第三季度推出的V900将在算力性能及大规模集群能力方面实现新一轮升级

值得关注的是，预计2026年，字节跳动将成为寒武纪最大的互联网客户，主要部署MLU580、MLU590及MLU690系列产品，全年交付量有望超过10万片；阿里已就MLU590达成框架合作协议，目前约1万片产品进入灰度测试阶段；腾讯也已签订近10万片MLU590框架协议，预计2026年实现数万片规模交付

从更深层次来看，互联网领域，真武系列主要部署于阿里云数据中心，为通义千问等大模型训练及推理提供底层算力支撑；智能驾驶领域，已与长安、比亚迪、小鹏、蔚来、理想等30余家头部车企建立合作关系，相关AI算力服务通过阿里云完成内部资源调度和商业结算；金融领域，产品已服务工商银行、农业银行、中国银行、建设银行等超过150家金融机构，在身份认证、智能风控、智能客服等典型AI场景实现规模落地

业内人士指出，一方面，依托先进高端封装技术，产品互联带宽提升至2TB/s，大幅提升大规模集群部署效率；另一方面，950系列完成了由类ASIC专用架构向类GPGPU通用计算架构的转型，显著提升芯片通用计算能力和场景适配能力，目前对CUDA生态兼容度已超过95%，进一步降低用户迁移成本

值得关注的是，2025年，公司在政务、金融等行业实现较快增长，MLU590、MLU690等核心产品陆续完成流片，为后续规模出货奠定基础

业内人士指出，从客户结构来看，互联网行业已成为华为昇腾最大的应用市场

值得关注的是，互联网领域，除满足百度自身文心大模型训练需求外，2026年已获得约2万片外部订单，并与字节跳动开展产品灰度测试，为后续规模部署奠定基础；运营商领域，中国移动2025年AI服务器集中采购项目中，昆仑芯成功中标数十亿元订单，成为国产AI芯片在运营商市场的重要突破；金融及政企领域，公司已中标招商银行AI芯片项目，并广泛应用于智慧金融、央国企数字化及智慧城市等多个行业场景，行业客户基础持续扩大

值得关注的是，同时，阿里平头哥、百度昆仑芯、寒武纪、海光等厂商将依托各自技术路线和优势行业持续深耕细分市场，国产智算芯片市场将逐步形成”华为领先、其他厂商差异化竞争”的”一超多强”发展格局

从更深层次来看，根据科智咨询预测，2026年寒武纪AI芯片出货量将达到35万片，其中互联网行业将成为最大的增长来源

值得关注的是，从产品布局来看，华为已完成由910系列向950系列的产品切换，预计2026年950PR出货量约80万片，950DT全年出货量约10到20万片

业内人士指出，华为凭借芯片、基础软件、服务器、网络互联等全栈自研能力，以及较高的软件生态成熟度，持续保持国产智算芯片市场领先地位，市场份额有望进一步提升，短期内领先优势仍难以撼动

从更深层次来看，百度昆仑芯：内外部市场双轮驱动，持续强化大规模集群能力 百度昆仑芯近年来持续推进产品研发及商业化应用，依托百度智能云和文心大模型生态，逐步形成内部应用与外部市场双轮驱动的发展模式

值得关注的是，2025年，590系列成为公司主力交付产品；2026年，公司将重点交付基于全国产供应链打造的590及690系列产品，其中690超节点方案直接对标华为910C 384超节点，瞄准国内高端训练算力市场

业内人士指出，随着互联网客户及运营商采购规模不断扩大，昆仑芯市场影响力持续提升，已成为国产智算芯片重要参与者

值得关注的是，产品演进方面，阿里平头哥保持”一年一代”的研发节奏，形成了由真武810E、真武M890到规划中的真武V900的持续迭代路线

从更深层次来看，这也意味着，华为竞争优势已由单一硬件性能逐步延伸至软件生态和系统能力，持续巩固其在国产智算芯片市场的领先地位

业内人士指出，受国际出口管制政策影响，英伟达高端训练芯片全面恢复进入中国市场的可能性较低，高端训练市场国产替代趋势将进一步深化

业内人士指出，互联网企业逐步由AI芯片采购方向芯片研发方转变，自研芯片进入规模化部署阶段

从更深层次来看，百度自主研发的天池256卡超节点技术已实现突破，并持续向万卡级集群能力演进，为大模型训练提供更加高效的底层支撑

从更深层次来看，阿里平头哥、百度昆仑芯均已将对外商业化作为未来重要发展方向，字节跳动自研SeedChip未来也具备对外输出潜力

业内人士指出，2025年，公司开始销售兼具高性能计算与人工智能计算能力的深算三号（KW1000）；预计2026年下半年提前推出深算四号，整体性能较上一代实现翻倍提升，并成为2026年至2027年的主力出货产品；按照研发规划，深算五号预计于2027年下半年或年底发布，进一步提升产品竞争力

值得关注的是，科智咨询《算力底座之争：智算芯片产业链、竞争态势与趋势研判白皮书》正式发布，白皮书聚焦中国智算芯片产业发展现状，深度解析国产替代进程与竞争格局演变

从更深层次来看，与此同时，政务和金融仍是寒武纪第二大重点布局领域，公司针对高安全场景持续强化芯片数据加密能力及全栈国产化适配，并推出行业定制化方案，进一步提升行业竞争力

从更深层次来看，下载《算力底座之争：智算芯片产业链、竞争态势与趋势研判白皮书》：https://www.kzconsulting.cn/resource/document/20260706/1258752874561667072.pdf

值得关注的是，2025年，阿里平头哥、百度昆仑芯出货量分别达到26.5万张和11.6万张，在国产品牌中位列第二、第三位

从更深层次来看，2026年，中国智算芯片市场竞争重心将进一步向国产厂商转移，国产生态优势将持续增强

从更深层次来看，2026年第一季度，公司实现营业收入40.34亿元，同比增长68%，AI业务已成为推动公司业绩增长的重要动力

从更深层次来看，客户结构方面，寒武纪正在快速打开互联网市场

业内人士指出，2025年，中国AI加速卡总出货量约400万张，其中国产AI加速卡出货量达到165万张，同比增长65%，市场份额由2024年的34.5%提升至41.3%；预计2026年国产AI加速卡出货量将进一步增长至230万张，市场份额首次突破50%，达到51.1%，国产芯片将在国内AI算力市场占据主导地位

值得关注的是，根据科智咨询测算，2025年华为昇腾出货量达到81.2万张，预计2026年进一步增长至102.6万张，继续保持国产市场第一的位置

值得关注的是，目前，690系列产能约束明显高于华为昇腾950系列，瓶颈主要集中在先进流片、CoWoS先进封装以及HBM高带宽存储供应等关键环节

业内人士指出，2025年底，公司相继完成与腾讯、阿里及字节跳动等头部互联网企业合作，其中腾讯大规模采购深算三号，阿里和字节目前则保持相对谨慎，采购规模仍处于逐步验证阶段

业内人士指出，产品演进方面，950系列最大的变化在于系统能力的全面提升

从更深层次来看，除华为及互联网厂商外，寒武纪、海光、沐曦、燧原科技、天数智芯等企业持续推进产品迭代和市场拓展，在互联网、金融、运营商、政企等细分市场不断取得突破

业内人士指出，寒武纪：互联网市场快速突破，供应链能力成为规模增长关键变量 作为国内最早布局AI芯片的企业之一，寒武纪近年来持续推进思元系列产品升级，在互联网、政务及金融市场取得积极进展

从更深层次来看，阿里平头哥：依托云生态优势，自研芯片商业化进入加速阶段 作为国内互联网企业自研AI芯片的代表厂商，阿里平头哥近年来持续推进真武系列产品迭代，依托阿里云和通义大模型生态优势，自研智算芯片商业化进程明显提速

值得关注的是，依托自身云计算平台及大模型应用场景，两家企业不断扩大芯片部署规模，并逐步向外部客户开放商业化应用，推动国产智算芯片市场竞争主体进一步多元化

从更深层次来看，未来，英伟达仍将依托CUDA软件生态及定制化产品继续参与国内推理算力市场竞争，但随着国产芯片性能持续提升、软件生态不断完善以及互联网企业加快导入国产方案，其市场份额预计将持续下降

值得关注的是，按照规划，公司预计于2026年推出新一代M100芯片，并于2027年推出性能进一步提升的M300产品，持续增强市场竞争力

值得关注的是，政府和运营商仍是海光最重要的收入来源，公司在政府主导的智算中心项目中保持较高中标率，并依托长期积累的行业客户资源，在政企市场形成较强竞争优势

从更深层次来看，产品演进方面，2024年量产的昆仑芯P800已成为当前主力销售产品，但受三星先进制造产能限制，产品交付能力仍受到一定影响

值得关注的是，未来，供应链保障能力将成为决定寒武纪能否实现规模化放量的重要因素

从更深层次来看，产品方面，海光坚持CPU与AI芯片协同发展的技术路线

业内人士指出，04 中国智算芯片市场未来竞争格局演变 国产芯片市场”一超多强”格局持续固化 随着国产智算芯片进入规模化应用阶段，市场资源将进一步向头部企业集中，产业竞争格局趋于稳定

从更深层次来看，未来，国内市场竞争格局将逐步由”华为+第二梯队厂商”演变为”华为+互联网大厂自研芯片+独立芯片厂商”三大阵营并存

业内人士指出，按照规划，790系列预计于2026年下半年至2027年初推出，整体性能较690实现翻倍提升，并进一步优化网络互联能力及HBM配置

从更深层次来看，依托阿里云持续扩张以及AI应用生态不断完善，阿里平头哥正逐步由服务内部业务向外部市场拓展，成为国产智算芯片市场的重要竞争力量

业内人士指出，市场拓展方面，百度昆仑芯在互联网、运营商及金融政企市场均取得积极进展

从更深层次来看，在国产替代持续深化、技术创新不断突破以及市场需求快速增长的共同推动下，中国智算芯片产业竞争格局加速重塑

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站群服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，微软 CEO 纳德拉警告企业：你花钱用的 AI，最终可能会成为你的竞争对手

“你实际上付了两次钱，一次用金钱支付，另一次则用更加宝贵的东西支付，也就是为了让 AI 真正发挥作用而必须披露的专有知识

从更深层次来看，” 纳德拉尤其警惕模型提供商在服务条款中“保留从客户使用数据和互动数据中学习的权利”

业内人士指出，“模型会从‘使用痕迹’中学习，包括人们输入的提示词、智能体调用的工具，尤其是模型犯错后人们给出的纠正

业内人士指出，纳德拉的核心观点是，模型提供商不能只允许自己利用别人的数据

业内人士指出，初创企业和大型企业把敏感资料喂给模型后，模型提供商便能逐渐摸清客户的业务，还可能利用积累下来的知识开拓同类业务，最终与客户直接竞争

从更深层次来看，“模型提供商拥有合理使用公共数据训练模型的权利，由此带来的重大创新确有必要，但目前的做法却是转过头来限制模型蒸馏，我认为很讽刺

从更深层次来看，当地时间 12 日，纳德拉在博客中警告，企业使用 AI 时其实付了两遍钱：一遍是明码标价的 token 费用，另一遍则是在毫无察觉的情况下交出有价值的数据

值得关注的是，模型提供商可以用全世界的数据训练模型，却不准其他人以类似方式研究其模型，显然是双标行为

值得关注的是，IT之家注：所谓“模型蒸馏”，就是分析一个模型给出的答案，从中摸清模型如何工作，再据此训练成本通常更低的新模型

业内人士指出，” 竞争对手无论花多少钱，都很难买到同样的经验，企业却在使用模型的过程中主动把经验交了出去

业内人士指出，你越希望模型表现得更好，就越需要向模型提供更多知识

值得关注的是，纳德拉因此主张，AI 企业既然可以抓取互联网内容训练模型，企业也应当有权反过来研究并“蒸馏”AI 企业的模型

业内人士指出，” 企业为了让模型更懂自身需求，实际上正在一点点把经营诀窍教给模型

业内人士指出，IT之家 7 月 14 日消息，据外媒 TechCrunch 今天（14 日）报道，硅谷围绕人工智能风险的争论持续无休，最让 AI 拥护者坐立不安的，却是大型 AI 实验室可能借专有模型充当“特洛伊木马”

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大带宽服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，微软继续翻新 Win11 经典界面：关机重启对话框迎来现代化改造，Alt+F4 暂未同步

搜索对输入错误的容忍度也有所提升，即使输入“utlook”这样的拼写错误，也能正确找到 Outlook

从更深层次来看，根据微软官方介绍，新版搜索在多个维度上均有调整：搜索结果呈现更加清晰，能够更好地展示结果来源（IT之家注：应用、设置、文件、网页或商店建议）；搜索框首页简化了设计，减少了视觉杂乱，让用户能更快找回近期搜索记录

业内人士指出，不过需要留意的是，这项更新目前仅作用于搜索入口触发的关机操作

从更深层次来看，如图所示，当用户在最新版 Win11 中通过搜索结果打开“关机”或“重启”时，Windows 会弹出一个经过重新设计的确认对话框来处理该选项

业内人士指出，同时，Win11 在匹配查询时会更优先展示本地内容 —— 当本地文件、应用或设置与搜索词匹配度更高时，它们会优先于网页和商店建议出现；像“此电脑”和“回收站”这类系统项目也变得更易于查找

值得关注的是，虽然微软没有在更新公告中提到，但 @phantomofearth 发现微软已经悄悄将系统内置的“关机”与“重启”对话框界面进行了现代化更新

从更深层次来看，用户如果使用桌面快捷键 Alt+F4，调出的仍然是旧版对话框

值得关注的是，IT之家 7 月 14 日消息，微软今日面向 Experimental 频道的 Windows Insider 项目成员开放了最新的 Windows 11 的预览版功能更新，带来多项 Windows 搜索框改进

业内人士指出，有兴趣抢先体验的用户，可以在“设置 > Windows 更新 > Windows Insider 计划”中的功能标志页面手动开启相关功能

从更深层次来看，《微软 Win11 Experimental 实验预览版功能升级：优化 Windows 搜索框体验》

从更深层次来看，目前，上述所有搜索改进 —— 包括现代化的关机对话框 —— 正在通过受控功能分批推送，所以并非所有预览版用户都会立即看到这些变化

值得关注的是，这个新版对话框采用了更贴合 Windows 11 整体设计语言的视觉风格，取代了沿用多年的经典样式

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，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海外站群，欢迎访问 www.isclouder.com 了解更多

最新消息显示，总投资100亿元，一期拟投产机柜约9560个，中国建设银行内蒙古和林格尔新区数据中心交付使用

该项目位于内蒙古呼和浩特市和林格尔新区云谷片区，是中国建设银行总行级的核心基础设施

从更深层次来看，作为国家”东数西算”工程的重要节点以及建设银行数据中心”环京集群”的重要组成部分，该中心定位为建行智慧金融和集团一体化业务的主生产中心，同时也是面向北方地区智慧生态业务的生产中心

从更深层次来看，项目的投用将进一步完善建设银行的数据中心集群布局，以满足相关的金融数字化服务需求

从更深层次来看，行业消息显示，由中建八局承建的中国建设银行内蒙古和林格尔新区数据中心项目一期顺利交付使用

从更深层次来看，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，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

业内人士指出，根据项目规划资料，该数据中心项目总投资达100亿元，其中本次交付的一期项目投资为37.5亿元，总建筑面积约为19.32万平方米，主要建设内容涵盖5栋机房楼、5栋柴发楼、生产运维楼、生活配套楼、水池泵房及变电站等配套设施，共计19个单体建筑

从更深层次来看，在算力与存储规模方面，一期项目拟投产机柜约9560个，可满足10万台服务器的部署需要；待项目整体全部建成后，服务器总装机能力将达到30万台

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巴西服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：总投资100亿元，一期拟投产机柜约9560个，中国建设银行内蒙古和林格尔新区数据中心交付使用

根据项目规划资料，该数据中心项目总投资达100亿元，其中本次交付的一期项目投资为37.5亿元，总建筑面积约为19.32万平方米，主要建设内容涵盖5栋机房楼、5栋柴发楼、生产运维楼、生活配套楼、水池泵房及变电站等配套设施，共计19个单体建筑

业内人士指出，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，作为国家”东数西算”工程的重要节点以及建设银行数据中心”环京集群”的重要组成部分，该中心定位为建行智慧金融和集团一体化业务的主生产中心，同时也是面向北方地区智慧生态业务的生产中心

从更深层次来看，行业消息显示，由中建八局承建的中国建设银行内蒙古和林格尔新区数据中心项目一期顺利交付使用

从更深层次来看，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

从更深层次来看，项目的投用将进一步完善建设银行的数据中心集群布局，以满足相关的金融数字化服务需求

值得关注的是，在算力与存储规模方面，一期项目拟投产机柜约9560个，可满足10万台服务器的部署需要；待项目整体全部建成后，服务器总装机能力将达到30万台

从更深层次来看，该项目位于内蒙古呼和浩特市和林格尔新区云谷片区，是中国建设银行总行级的核心基础设施

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云服务器，欢迎访问 www.isclouder.com 了解更多