Category: 行业资讯

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

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

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

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

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

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

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

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

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

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的大带宽VPS，欢迎访问 www.isclouder.com 了解更多

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

消费者很可能多年来首次面临花费更多、硬件升级却更少的局面

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

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

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

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

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

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

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

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

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

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

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

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的CN2线路服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，字节跳动巴西数据中心签署20亿美元绿电合同

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

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

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

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

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

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

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

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

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

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

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

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

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

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的香港大带宽服务器，欢迎访问 www.isclouder.com 了解更多

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的云主机，欢迎访问 www.isclouder.com 了解更多

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

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

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

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

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

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的大带宽服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，深度丨建一座GW级AI数据中心到底需要多少钱

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

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

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

从更深层次来看，其中scale-up占 8%、scale-out 占5%

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

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

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

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

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

值得关注的是，可交付的电是不是建立Token工厂的第一瓶颈

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

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

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

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

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

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

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

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

值得关注的是，算力供给的扩张，是AI应用渗透加速的先决条件，而非滞后结果

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

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

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

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

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

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

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

从更深层次来看，GW级Token工厂之问：是产业趋势，还是一场高杠杆豪赌

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

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

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

从更深层次来看，来源：英伟达、SK 海力士、Bernstein 分析

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

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

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

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

业内人士指出，算力部分合计约414万美元，构成成本的绝对核心

值得关注的是，散热约16万美元，同样随功率密度提升持续抬升

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

值得关注的是，内存与存储是最大的变量，也是最容易被低估的部分

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

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

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

业内人士指出，从机柜到GW级数据中心：470亿美元如何被”烧”出来

从更深层次来看，将机柜成本放大到数据中心整体，数字将更为震撼

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

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

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

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

业内人士指出，910万美元：Vera Rubin时代的钱都流向了哪里

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

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

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

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

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

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

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

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

业内人士指出，从应用侧看，2026年终端用户的渗透有加速迹象

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

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

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

业内人士指出，供应链的每一个环节，既是算力扩张的支撑，也是成本传导的通路

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

业内人士指出，来源：英伟达官网、Bernstein 测算与分析

从更深层次来看，来源：DRAMeXchange、Bernstein 分析

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

从更深层次来看，这一数字显著高于按历史价格隐含的约200万美元

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

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

从更深层次来看，液冷、HVDC与模块化如何支撑GW级Token产能

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

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

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

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的美国多IP服务器，欢迎访问 www.isclouder.com 了解更多

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的香港BGP服务器，欢迎访问 www.isclouder.com 了解更多

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

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

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

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

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

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

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

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

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

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

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的GPU服务器租用，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，微软 AI 迎强援，得克萨斯州数据中心获美能源巨头雪佛龙 20 年供电协议

微软与雪佛龙达成合作，正值微软为支持 AI 应用而大规模扩建数据中心之际

从更深层次来看，微软计划今年投入 1900 亿美元（IT之家注：现汇率约合 1.29 万亿元人民币）资本支出，比 2025 年增加 61%

业内人士指出，IT之家 6 月 22 日消息，据美国 CNBC 报道，当地时间 22 日（今天），能源巨头雪佛龙公开与微软达成一项为期 20 年的供电协议，将使用天然气为微软在得克萨斯州西部建设的大型数据中心提供电力

业内人士指出，雪佛龙预计将在今年晚些时候作出最终投资决定，微软数据中心计划从 2028 年起接收电力

从更深层次来看，而目前，微软进一步通过与石油行业合作使用天然气，显示微软为满足迅速增长的电力需求，也愿意投入化石燃料能源

业内人士指出，项目所需电力大部分将由雪佛龙合作伙伴 GE Vernova 的大型燃气轮机供应，卡特彼勒也将提供部分燃气轮机

业内人士指出，为应对气候变化，微软过去主要通过投资可再生能源，抵消数据中心产生的二氧化碳排放

从更深层次来看，整套发电及供电设施将直接建在数据中心园区内

从更深层次来看，微软将该数据中心命名为“Kilby 项目”，预计用电需求接近 270 万千瓦，大致相当于 200 万户家庭的用电规模

业内人士指出，2024 年，微软又投资推动宾夕法尼亚州三里岛核电站重启，开始引入核能供电

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，日本卫浴巨头东陶拟 5 年内对芯片材料领域投资 800 亿日元，瞄准 1 纳米时代

若完成本轮投资后仍无法满足市场需求，东陶将考虑新建工厂

业内人士指出，其中 390 亿日元投资方案已敲定，剩余资金将根据市场行情分批落地

从更深层次来看，依托自身卫浴陶瓷烧制工艺，东陶于上世纪 80 年代入局半导体材料赛道

值得关注的是，IT之家 6 月 22 日消息，据日经亚洲报道，日本卫浴制造商东陶（Toto）计划未来 5 年内投入 800 亿日元（IT之家注：现汇率约合 33.7 亿元人民币）拓展半导体材料业务，旨在为 1 纳米制程的下一代芯片制造技术提供支持

从更深层次来看，这项业务此前常年亏损，但 2020 年前后人工智能芯片行业爆发，相关需求暴涨，半导体材料业务一跃成为其盈利支柱，盈利能力超过企业主营卫浴洁具业务

从更深层次来看，人工智能产业正重塑日本制造业，而日本制造业长期深陷产业结构转型困境

值得关注的是，尽管该企业以陶瓷卫浴产品闻名，但受人工智能芯片需求增长带动，半导体相关业务现已成为其核心利润来源

值得关注的是，全球最大晶圆代工厂台积电，目前已实现 2 纳米先进逻辑芯片的量产

从更深层次来看，一般而言，逻辑半导体的性能会随电路线宽缩小而提升

从更深层次来看，旗下涵盖半导体材料业务的新领域事业部披露，在截至今年 3 月的财年内，营收同比增长 34% 至 674 亿日元（现汇率约合 28.39 亿元人民币），营业利润大涨 42% 至 289 亿日元（现汇率约合 12.17 亿元人民币）

从更深层次来看，其核心产品静电吸盘用于固定半导体晶圆，依托高纯度陶瓷材质实现出众耐用性；企业在气溶胶沉积法制备材料领域同样具备技术优势，该工艺可直接喷射超细陶瓷颗粒形成涂层

业内人士指出，东陶将在九州西南部的大分县、福冈县两处工厂添置全新设备扩充产能

从更深层次来看，东陶位于东京周边神奈川县的工厂，正集中研发适配逻辑芯片生产的配套材料，目标是实现 1 纳米级的电路线宽，这被认为比当前技术领先好几代

业内人士指出，该事业部营收仅占企业总营收的一成，但利润规模已超越包含陶瓷卫浴在内的住宅设备业务，贡献集团过半利润总额

从更深层次来看，公司计划在 2030 年 3 月结束的财年之前，累计完成约 800 亿日元投资

从更深层次来看，两座工厂当前均已满负荷运转，福冈厂区新建的烧制厂房预计明年 1 月竣工

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菲律宾服务器，欢迎访问 www.isclouder.com 了解更多