Category: 行业资讯

据行业最新消息，微软承认 Win11 某核心组件占用磁盘超 70GB 问题，6 月可选更新已改善

CapabilityAccessManager.db-wal 是系统默认组件 Capability Access Manager 的预写式日志机制，用于数据库写入前记录变更

值得关注的是，微软于 6 月 23 日发布适用于 Windows 11 24H2 和 25H2 的累积更新，重点提升文件管理器响应速度，微软随后于 6 月 29 日补充说明，在常规更新中还改进 CapabilityAccessManager.db-wal 文件的磁盘空间使用情况

从更深层次来看，IT之家附上相关截图如下： 《不靠预加载“作弊”：微软为 Win11 推出速度更快的文件资源管理器》

值得关注的是，Windows 相关组件可借此保障数据一致性

从更深层次来看，该媒体指出该问题最早可以追溯到网友 Donald Gibson 发布的帖子，他在微软支持社区表示默认 CapabilityAccessManager 服务占用超过 70GB 空间，随后有不少用户跟帖，反馈也遇到了类似问题

从更深层次来看，Capability Access Manager 用于管理应用对设备能力和权限资源的访问，相关资源可涉及摄像头、麦克风、位置等权限场景

值得关注的是，IT之家 7 月 2 日消息，科技媒体 NeoWin 昨日（7 月 1 日）发布博文，报道称在 6 月可选更新 KB5095093（Build 26200.8737）中，微软补充说明已改进磁盘空间使用问题

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服务器托管，欢迎访问 www.isclouder.com 了解更多

行业动态更新：Mistral AI举债57亿 建设万卡GB300数据中心

分析人士指出，在全球AI基础设施竞赛中，欧洲正加速追赶美国和中国

值得关注的是，该数据中心将采用英伟达Grace Blackwell架构，主要用于训练Mistral自家人工智能模型并提供推理服务

业内人士指出，该公司自2023年成立以来，已累计筹集约29亿美元资金，估值一度超过百亿美元，致力于打造欧洲本土AI替代方案，与OpenAI、Anthropic等美国公司竞争，同时为法国军队等机构提供AI模型

业内人士指出，进入2026年以来，已有多家运营商、云厂商在泰国布局，泰国俨然已经成为东南亚下一个算力建设的兵家必争之地

值得关注的是，布吕耶尔-勒沙泰勒数据中心由法国本地运营商Eclairion负责运营

业内人士指出，Mistral表示，此项目是其欧洲算力布局的重要一步

值得关注的是，此次融资标志着Mistral从股权融资为主转向利用债务工具加速基础设施扩张

从更深层次来看，该设施将部署13,800块英伟达GB300图形处理器（GPU），总电力容量达44兆瓦，预计2026年第二季度投入运营

从更深层次来看，此前已公开在瑞典投资建设第二座数据中心，并与英伟达等伙伴合作推进AI云服务

业内人士指出，2026全球数字基础设施合作发展论坛（DIFGC 2026）-泰国站即将于2026年5月在泰国曼谷香格里拉大酒店重磅启幕，诚邀您共话全球数字集成新篇章

业内人士指出，Mistral AI创始人兼首席执行官Arthur Mensch表示，这一融资将助力公司独立构建计算能力，为企业和政府客户提供更自主、可控的AI基础设施服务

值得关注的是，欧洲人工智能初创公司Mistral AI于3月30日公开，通过首轮债务融资成功筹集8.3亿美元（约合人民币57亿元），用于在巴黎南部布吕耶尔-勒沙泰勒（Bruyères-le-Châtel）建设一座大型数据中心

业内人士指出，法国总统马克龙此前也强调，将利用核电出口能力满足AI数据中心电力需求

值得关注的是，公司计划到2027年底在欧洲各地实现200兆瓦的算力容量

值得关注的是，据路透社和CNBC报道，此次融资由七家银行组成的国际银团提供，包括法国巴黎银行（BNP Paribas）、法国农业信贷银行企业与投资银行部（Crédit Agricole CIB）、汇丰银行（HSBC）、三菱UFJ金融集团（MUFG）、以及Bpifrance、La Banque Postale和Natixis等

业内人士指出，Mistral此举有助于提升欧洲”数字主权”，减少对美国超大规模云服务商的依赖，同时借助法国核电等清洁能源优势支持高耗能数据中心发展

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

行业动态更新：Token 爆发之后，IDC 价值看什么

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

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

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

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

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

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

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

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

值得关注的是，它不是单纯的技术参数，而是 AI 应用被真实调用、真实消耗、真实计费的结果

业内人士指出，估值重构：从静态 EBITDA 到多阶段动态模型 AI 基建周期之下，数据中心的估值逻辑也在变化

值得关注的是，能否保障长期 SLA、PUE、液冷改造与绿电覆盖

业内人士指出，由此，IDC 行业的竞争核心正从”空间竞争”转向”电力竞争”与”交付竞争”

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

值得关注的是，在此模型下，市场会重新追问：企业手握多少已签约 MW

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

值得关注的是，能否支撑数十千瓦乃至更高功率密度的 AI 机柜

值得关注的是，这一轮 IDC 产业变化的本质，不止是功率密度的提升，更是 AI 把数据中心重新推回了数字经济生产函数的核心位置

从更深层次来看，其三，区域与能源：从”All in 中国”到算电协同

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

从更深层次来看，这仅是万国数据未来三年超过 300 亿元资本支出计划的一部分

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

值得关注的是，公开口径显示，截至 2026 年 3 月，中国日均 Token 调用量已突破 140 万亿，较 2025 年末增长超 40%

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

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

从更深层次来看，一季度净收入 33.671 亿元（同比 +23.6%），剔除部分一次性项目后为 29.380 亿元（同比 +7.9%）；经调整EBITDA 19.487 亿元（同比 +47.2%），剔除部分一次性项目后为 14.303 亿元（同比 +8.0%）

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

业内人士指出，不过，”超级周期”并不意味着所有 IDC 资产都会自动受益，行业景气与企业回报之间仍隔着多重风险

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

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

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

从更深层次来看，关键词正从”资源调度”转向”算电协同”：未来数据中心的竞争，不只看谁离客户近，更看谁离稳定、低碳、可规模化的电力近

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

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

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

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

值得关注的是，Token 爆发之后，IDC 价值看什么 Token 爆发改变了 AI 产业的观察方式，也改变了数据中心行业的价值判断

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

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

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

业内人士指出，万国数据 2026 年一季度财报，提供了一个具有代表性的样本

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

从更深层次来看，它是这一轮周期的重要观察样本，而非唯一答案

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

从更深层次来看，其二，财务与资本：表观利润之外，更看资本调度能力

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

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

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

业内人士指出，过去，训练集群往往呈现阶段性、项目制、峰值驱动的扩张；现在，推理工作负载正在变成连续、实时、高并发的工业负载

业内人士指出，Token 由此成为 AI 应用活跃度的外显指标，也成为底层基础设施压力的先行指标

值得关注的是，净利润 26.521 亿元（同比 +247.1%）

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

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

业内人士指出，所谓”All in 中国”，是由资本开支、客户签约、在建项目与能源资源共同构成的经营事实

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

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

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

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

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

从更深层次来看，其一，订单与运营：风险结构从”先建后租”转向”以销定产”

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服务器，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

海报警告称，道具离开指定区域，需要“获得道具部门的批准”

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

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

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

值得关注的是，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，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

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

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GPU服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Fully-managed PolarDB-X Mem0 Service: Enabling Infinite AI Memory Extension and

Agents are changing the way we interact with software. However, a core pain point has always troubled developers and users: the “amnesia” of AI. Every conversation feels like a first meeting. AI is unable to remember user preferences, historical interactions, and business contexts. Imagine this scenario: You tell the AI customer service that you are a VIP user, you are sensitive to prices, and you prefer Sichuan cuisine. Three days later, when you consult again, it asks you, “What are your taste preferences?” This experience not only frustrates the user but also makes the agent miss the opportunity for personalized service. To address this issue, Alibaba Cloud PolarDB-X introduces the new fully managed long-term memory service Mem0. With a unique dual-channel architecture, this service provides a one-stop solution to the AI memory storage problem. This service allows agents to truly possess long-term memory capabilities. PolarDB-X Mem0 is not a simple conversation record storage. Instead, it is an intelligent memory operating system. It can automatically fetch key facts and preferences from the conversations between AI and users. For example, if a user says, “I want to find a Sichuan restaurant with an average cost of about 100,” the system automatically fetches core facts such as “the user likes Sichuan cuisine,” “the user is sensitive to price,” and “the user’s city,” and stores this knowledge as structured data. When the user visits again, the AI can instantly recall all of this and provide truly personalized service. More importantly, PolarDB-X provides the industry’s unique dual-channel architecture. Channel A automatically stores and retrieves unstructured knowledge, such as what the user likes and what preferences the user has, through the Mem0 API. Channel B directly connects to the database through the MySQL protocol to store structured business data such as user personas, order records, and session logs. The two channels share the same PolarDB-X instance. You do not need to purchase additional databases. As shown in the figure, the user accesses the same PolarDB-X cluster through two channels. Channel A passes through the API gateway and Mem0 server cluster for the add, search, and management of semantics memory. Data is stored in the vector table of the search engine. Channel B directly connects to PolarDB-X through the MySQL protocol to create and manage custom structured data tables in the InnoDB storage engine. This design allows users to enjoy the intelligent memory fetch and retrieve capabilities of Mem0 while directly using familiar relational database operations. As a cloud-native distributed database, PolarDB-X brings enterprise-level extension capabilities and stability guarantees to Mem0. First is the distributed extension of the storage tier. The vector storage engine of PolarDB-X natively supports horizontal extension. For memory data ranging from millions to tens of billions, you can achieve linear scale-out simply by increasing data nodes. This means that your AI application can start by serving hundreds of users and gradually extend to serving tens of millions of users without changing the storage architecture. Traditional standalone vector databases often face performance bottlenecks after the data volume increases. The distributed storage of PolarDB-X easily solves this problem. Second is the high concurrency architecture of the compute layer. The REST service of PolarDB-X Mem0 adopts a four-layer concurrent design. Multiple processes bypass Python GIL limitations to fully utilize multi-core CPUs. The asynchronous event loop achieves efficient I/O multiplexing. The thread pool bridging offloads synchronous blocked memory operations to backend threads. The object pool reuses expensive memory instances to avoid frequent rreation and destroy. On an 8-core machine, this architecture achieves a throughput increase of tens of times compared to open source solutions. The P99 latency is reduced by more than 90%. Third is comprehensive production-level protection. PolarDB-X Mem0 integrates multilayer protection mechanisms. Token bucket rate limiting isolates traffic by IP. This allows burst requests while controlling the long-term average rate. request timeout control prevents slow requests from occupying resources. Request body size limits block malicious large requests. The backpressure mechanism of the memory instance pool automatically queues requests when the pool is full to avoid crushing downstream services. These mechanisms keep the system stable under high payloads. Finally, there are flexible extension methods. Vertically, you can increase single-machine performance by increasing the number of worker processes. Horizontally, you can deploy multiple instances through load balancing and share backend storage to achieve near-linear extension. It also supports Kubernetes automatic scaling to dynamically adjust the number of instances based on payloads. No matter how the business size changes, PolarDB-X Mem0 can handle it with ease. Mem0 hosting solutions on the market only solve the problem of semantic memory. If you need to store business data such as user personas and conversation history, you have to purchase an additional relational database. This means two systems, two sets of costs, and double O&M complexity. The dual-purpose design of PolarDB-X allows you to obtain both vector semantic retrieval capabilities and relational data storage capabilities within a single instance. The number of instances is halved, and the architecture complexity is reduced to zero. Distributed extension capability is the core advantage of PolarDB-X Mem0. Based on the PolarDB-X cloud-native distributed database kernel, the system natively supports horizontal extension. From lightweight applications of startups to massive user Scenarios of large platforms, a single architecture can fully cover the data storage of tens of billions of memories, high concurrency access of tens of thousands of QPS, and millisecond-level response latency. Traditional standalone vector databases often face a cliff-like drop in Performance after the data volume reaches the tens of millions level, while the distributed storage engine of PolarDB-X can smoothly extend to tens of billions of data, and the performance remains stable. In terms of compatibility, PolarDB-X Mem0 is fully compatible with the open source Mem0 frame, and simultaneously supports the API specifications of the community version and the commercial version. Whether you previously used the open source version for self-hosting or hosting services from other cloud providers, you can migrate to PolarDB-X with zero code changes. In terms of user experience, you do not need to build a vector database, configure Large Language Model (LLM) services, or process complex memory fetch logic. You can enable the service with one-click in the console, and connect to it through REST API or SDK in five minutes. Compared with self-built solutions, the comprehensive cost is reduced by more than half. In terms of feature integrity, PolarDB-X Mem0 is not only compatible with all the basic capabilities of the open source version, but also provides enterprise-level features such as batch operations, data exporting, data summaries, project management, and webhook. The open source version has only 9 API endpoints, while PolarDB-X provides 25, and fully supports the MemoryClient SDK. Intelligent customer service is the most typical scenario. Traditional customer service robots start from scratch in every conversation, while PolarDB-X Mem0 allows the customer service agent to remember everything about the user. When the user consults again, the Agent can directly ask, “Mr. Zhang, has your projector issue from last time been resolved? You previously provided feedback that you are sensitive to noise, so this time I recommend a silent model for you.” This continuous experience upgrades the service from a cold program to a dedicated assistant, and user satisfaction is significantly improved. Personalized recommendation is another important scenario. By combining semantic memory and structured profiles, the AI can provide precise recommendations. For example, if the system knows that the user recently follows outdoor gear, and also knows that the user is 28 years old, located in Shanghai, and has a monthly average Consumption of 3,000 yuan, it can say, “Based on the hiking shoes you previously browsed and your location in Shanghai, I recommend a waterproof model suitable for the rainy season, which happens to be available in size 42 that you usually wear.” The recommendation accuracy is greatly improved, the conversion rate is increased, and the user experience changes from being marketed to being understood. In intelligent education scenarios, the system records students’ weak knowledge points, learning habits, and history of incorrect questions. When a student asks a question again, the agent will say, “You got 3 questions wrong on the quadratic function application questions last week. Today, we will first consolidate this knowledge point.” Learning efficiency is improved, blind repetitive practice is avoided, and true personalized teaching is achieved. In the healthcare realm, the system stores patient medical histories, allergy records, and medication history. When a patient consults about new symptoms, the Agent can associate the diagnostics data from half a year ago, provide advice with temporal depth, and remind about medication conflicts, achieving full-cycle medical services. After an E-commerce platform is connected to PolarDB-X Mem0, its intelligent customer service agent achieves true long-term memory. The following are the core connection code and actual run effects. First, you can encapsulate the memory manager to operate semantic memory and structured memory simultaneously. class AgentMemoryManager: def __init__(self, mem0_client, mysql_pool): self.mem0 = mem0_client self.po

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双ISP住宅IP，欢迎访问 www.isclouder.com 了解更多

最新消息显示，聚焦GW级Token工厂，解码下一代算力底座｜6月30日，深圳

1、从算力革命到Token爆发，AI进入推理时代 2026年正成为Token爆发元年

从更深层次来看，答案，即将在2026中国智算产业生态发展年会现场揭晓

业内人士指出，华为集群计算解决方案总监林永琪将围绕《系统突围：国产算力集群的工程化实践》，解析国产算力生态从”可用”走向”好用”的实践路径

值得关注的是，同期举办的2026中国智算产业年度评选颁奖典礼，将聚焦AI基础设施、算力服务、创新应用和生态建设等方向，表彰18家中国智算产业发展的优秀企业和创新实践

从更深层次来看，广东智光综合能源有限公司数据中心业务部解决方案总监纪铎鹏将分享《面向数据中心及新型电力系统的级联高压储能及SST解决方案》，探讨通过能源技术创新提升数据中心运行效率和能源利用能力

业内人士指出，英特尔智算中心技术总监吴一鸣将分享《从”训练优先”到”推理为重”：如何重构混合算力底座最优解》，探讨混合算力架构如何实现资源利用率和成本最优化

从更深层次来看，算力海洋总裁兼联合创始人孙彬将发布《Token产业年度全景报告：算力、模型与商业化的真实图景》，系统分析全球Token市场发展趋势及中国绿色低成本算力的发展机遇

从更深层次来看，进入2026年，人工智能产业正迈入新的发展阶段

值得关注的是，腾讯数据中心专家工程师张佳斌将带来《800V直流供电与新型电力架构：突破AI算力供电瓶颈》主题演讲，重点解析新型供电架构对智算中心建设的支撑作用

业内人士指出，大会完整议程现已正式发布（点击参看详情），可扫描下方二维码申领免费观众票或选购嘉宾通票参会

值得关注的是，行业关注的焦点已从”参数、训练和模型竞赛”，转向”推理、Token和生产力”

从更深层次来看，美的楼宇科技解决方案与交付总监杨鹏宇将分享《从制冷到算力：AI基础设施的价值重构》，探讨AI基础设施如何从支撑体系升级为核心生产力

从更深层次来看，出门问问创始人、CEO李志飞将在《Token效率革命：从”超级个体”到”超级组织”的跃迁路径》中，探讨AI对企业组织形态和生产方式的重构

从更深层次来看，以PFlops和GPU数量衡量算力的时代，正在演变为以Token生产效率和交付能力为核心的新阶段

值得关注的是，AI产业的竞争已不再局限于芯片和模型，而是整个基础设施体系能力的竞争

从更深层次来看，电力与散热能力已成为决定算力产能的核心资源

从更深层次来看，从算力革命到Token爆发，从基础设施升级到GW级Token工厂崛起，中国智算产业正迎来新一轮发展机遇

从更深层次来看，大晓机器人副总裁、开悟世界模型负责人王飞将分享《开悟世界模型：构筑原生大脑，驱动物理智能体持续进化》，展示世界模型和物理智能体带来的产业机会

值得关注的是，5、从报告发布到生态共建，产业协同形成新共识 本届大会将发布三项年度研究成果，包括《2026 AI智能体产业生态图谱》、《2026年中国第三方算力中心服务商发展研究报告》以及《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》，系统呈现产业格局与发展趋势

从更深层次来看，芯片、液冷、HVDC与模块化如何支撑GW级Token产能

从更深层次来看，从Agent到数字员工，从智能客服到工业智能体，企业级应用推动Token消费进入高速增长阶段

值得关注的是，》，围绕Token工厂的形成逻辑、电力瓶颈、GW级产能建设和商业模式展开讨论

业内人士指出，大会创新设置”Token闪话：智算引力现场”，聚焦真实案例和产业需求，围绕Token场景应用、推理优化、算力调度、模型部署和商业运营等议题展开深度交流

业内人士指出，传统以训练为核心的基础设施，正向推理优先、训练推理协同的新架构演进，算力资源配置、网络架构、调度体系和基础设施建设模式均面临新的挑战

从更深层次来看，未来AI基础设施是否会演变为专门生产Token的超级工厂，GW级算力集群是否会成为新的基础设施形态，正成为行业关注焦点

业内人士指出，大会还将举行高端对话《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，4、Token经济催生新的产业生态 随着AI应用快速落地，Token正逐渐成为衡量AI生产力的重要价值单位

值得关注的是，大模型、AI Agent和具身智能快速发展，推动Token消耗呈指数级增长，算力成为数字经济时代的核心生产资料

业内人士指出，从芯片、服务器、数据中心，到供电、制冷、储能，再到云服务、算力运营和产业应用，一场围绕AI基础设施的价值重构正在展开

值得关注的是，大会期间，中国信息通信研究院云计算与数字化研究所副所长（主持工作）栗蔚将带来《从算力革命到Token爆发，算力服务的新范式》主题分享，解析Token经济下基础设施演进逻辑和算力服务模式变革

值得关注的是，此外，大会还设置闭门商务配对会，时代飞扬、优刻得、互盟科技、云天励飞、电信国际等多家产业链核心企业，将围绕算力基础设施建设、国产算力生态以及海外智算布局展开深度交流

值得关注的是，2、基础设施价值重构，电力与制冷成为关键能力 随着单柜功率持续提升，千卡、万卡乃至GW级智算中心陆续出现，数据中心建设逻辑正在发生深刻变化

值得关注的是，同期举办的创新成果展上，凌雄技术、丰润达科技、粤港湾智算、赛诺信致、卡特彼勒、比特智算、飞宇光纤、算力海洋、LIASAIL、数势云创等数十家企业展出创新产品及解决方案

业内人士指出，润泽智算科技股份有限公司副总经理兼首席技术官沈诚将发表《GW级智算集群的”算力担当”》主题演讲，分享超大规模智算基础设施建设经验

从更深层次来看，大会现场还将举行”算力海洋全球伙伴共同体”启动仪式，推动跨区域、跨产业链协同合作

从更深层次来看，产业竞争的关键已不再是模型参数规模，而是谁能够以更低成本、更高效率生产和交付Token

从更深层次来看，3、GW级Token工厂崛起，智算产业迎来超级工程 随着推理需求快速增长，”Token工厂”成为产业新热点

从更深层次来看，2026中国智算产业生态发展年会将汇聚产业链核心力量，共同探讨下一代算力基础设施建设路径和Token时代的发展机遇

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，微软回应 546 万播放对比视频：Win11 笔记本做工不弱于苹果 MacBook Neo

IT之家 7 月 1 日消息，微软官方 @Windows 账号昨日（6 月 30 日）发布视频，回应网友 @Ahmadansari2233 于 5 月 1 日发布的视频，以戴尔 XPS 13 为典型案例，证明 Windows 笔记本也有不弱于苹果 MacBook Neo 的做工

业内人士指出，网友 @Ahmadansari2233 于 5 月 1 日在 X 平台发布推文，分享了一段苹果 MacBook Neo 和其它品牌 Windows 笔记本的比较视频，主要对比机身厚度、接口、顶盖晃动等，结果来看 MacBook Neo 完胜

业内人士指出，微软官方 @Windows 账号昨日在 X 平台发布推文，在戴尔 XPS 13 上测试几乎相同的项目，力图证明 Windows 笔记本也具备卓越的触控体验、惊艳的屏幕，且支持无密码登录

业内人士指出，截至IT之家发稿前，该视频点击播放量超过 546.7 万

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TikTok运营服务器，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

来源：英伟达、SK 海力士、Bernstein 分析

从更深层次来看，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，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，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：公司报告、Bloomberg（预测）、Bernstein 分析

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，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

业内人士指出，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

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

从更深层次来看，从应用侧看，2026年终端用户的渗透有加速迹象

值得关注的是，来源：DRAMeXchange、Bernstein 分析

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

从更深层次来看，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

业内人士指出，910万美元：Vera Rubin时代的钱都流向了哪里

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）

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

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

从更深层次来看，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

业内人士指出，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

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，这一数字显著高于按历史价格隐含的约200万美元

值得关注的是，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

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，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

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

值得关注的是，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，GW级Token工厂之问：是产业趋势，还是一场高杠杆豪赌

值得关注的是，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，液冷、HVDC与模块化如何支撑GW级Token产能

从更深层次来看，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

从更深层次来看，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，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

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

业内人士指出，将机柜成本放大到数据中心整体，数字将更为震撼

业内人士指出，来源：专家访谈、公司披露、文献检索、渠道调研、Bernstein 测算与分析

从更深层次来看，其中scale-up占 8%、scale-out 占5%

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

值得关注的是，从机柜到GW级数据中心：470亿美元如何被”烧”出来

值得关注的是，HBM4（高带宽内存）：Vera Rubin规格列示20.7TB的HBM4

业内人士指出，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，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，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

业内人士指出，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

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，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

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

值得关注的是，同时，Vera CPU每颗约5000美元，每机柜配备36颗，合计约18万美元

业内人士指出，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

从更深层次来看，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，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，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，散热约16万美元，同样随功率密度提升持续抬升

从更深层次来看，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，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，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，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，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

值得关注的是，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

从更深层次来看，来源：英伟达官网、Bernstein 测算与分析

值得关注的是，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

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

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

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

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，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，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

值得关注的是，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

业内人士指出，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

从更深层次来看，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

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

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

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服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，押注AI算力能源 松下3500亿日元砸向数据中心电池

东京，2026年6月8日——松下控股（Panasonic Holdings）在东京举行的”投资者日”活动上公开，将投入约3500亿日元（约合21.8亿美元）扩大电池制造产能，以抓住人工智能（AI）数据中心增长带来的电力存储需求

从更深层次来看，松下能源将这一领域视为重要增长引擎，目标到2030财年将AI相关基础设施销售额提升至约2万亿日元，较当前水平显著增长，并计划将AI相关产品数量翻倍

业内人士指出，根据松下公布的路线图，主要举措包括： 计划将堪萨斯州现有汽车电池工厂的部分产能转向数据中心用锂离子电池电芯生产，目标在2028财年（截至2029年3月）开始量产

业内人士指出，到2029财年，将锂离子电池生产产能提升至2026财年的约三倍，包括调整大阪地区的汽车生产线，用于生产数据中心备用电池及超级电容器

从更深层次来看，” — 松下能源 CEO Kazuo Tadanobu AI数据中心的快速发展推动了对高可靠性备用电源和储能系统的需求

从更深层次来看，”公司已与云服务巨头达成多项协议，在数据中心电源系统领域占据领先地位，目前在分布式电源供应系统方面市场份额达80%

值得关注的是，松下能源同时继续服务现有客户，如特斯拉，同时开拓新机会

从更深层次来看，这一战略调整也反映出行业趋势：传统电动汽车（EV）电池市场需求面临竞争加剧和增速放缓，企业转向数据中心等高增长领域

业内人士指出，松下表示，此举旨在加速本土及北美供应链发展，应对数据中心对稳定备用电源和储能系统的强劲需求

业内人士指出，公司计划到2029财年实现数据中心储能系统销售额约8000亿至1万亿日元

从更深层次来看，建设第三座电池模块制造工厂，预计2028财年实现量产，进一步强化北美供应链

从更深层次来看，该投资是公司此前公布的2026至2028财年5000亿日元AI基础设施投资的一部分，其中约3500亿日元分配给旗下能源部门（Panasonic Energy），剩余1500亿日元投向工业部门

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独服，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，字节跳动视频生成模型Seedance 2.0宣布支持4K高分辨率

这使得视频的色彩层次更加丰富，光影过渡也更为平滑，为后续的专业调色和高规格内容交付预留了充足的创作空间

从更深层次来看，站长之家(ChinaZ.com) 6月23日 消息:字节跳动旗下的火山引擎今日公开，其AI视频生成模型Seedance2.0迎来一项关键升级，正式支持原生4K高分辨率视频生成

业内人士指出，此外，Seedance2.0还率先支持4K分辨率下的10-bit高位深原生直出

业内人士指出，这意味着人物的发丝、服装的纹理、建筑的线条以及物体的材质肌理等高密度信息，能够被更完整、清晰地呈现，从而有效避免画面失真

从更深层次来看，与依赖后期算法将低分辨率视频强行放大的方案不同，Seedance2.0的原生4K生成能力是从生成之初就保留了更丰富的局部细节

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