Category: 行业资讯

行业动态更新：总投资55亿元，庆阳大数据中心产业园A2数据中心正式投运

总用地面积约110亩，总建筑面积约8.9万平方米，建设4栋国标A级绿色低碳数据中心，设计建设折合2.4万架标准机柜（单柜2.5kW），总功率60000千瓦

从更深层次来看，作为首个获得国家政策性开发性金融工具支持的”东数西算”项目，庆阳大数据中心产业园是国家数据中心庆阳集群首个超大型、大功率、全间接蒸发冷却方式的商业化智算中心

从更深层次来看，该项目主要承接人工智能及存储、超算、云计算任务

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

从更深层次来看，截至目前，庆阳大数据中心园区已投运的A1数据中心上架率突破99%；A4数据中心已完成建筑施工，预计将于2026年年底投运；A3数据中心将采用行业先进的全液冷技术方案，预计2027年6月底投运

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，5月29日，由中国能建中电工程投建营一体化建设、中电工程广东院总承包的甘肃庆阳”东数西算”源网荷储一体化智慧零碳大数据产业园A2数据中心大楼正式投运

业内人士指出，中国能建庆阳大数据中心产业园是”东数西算”庆阳集群在建规模最大、规划最优的大数据中心项目之一

业内人士指出，其中，A2数据中心大楼是继2024年9月A1大楼投运后，中国能建打造的又一精品标杆示范数据中心项目，可承载约4万P算力，将有力支撑庆阳集群算力完成年度奋斗目标

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GPU服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，8.8 英寸 LCD 屏：小米 REDMI K Pad 平板电脑 8+256G 国补后 1663 元

该产品搭载 7500mAh 轻薄大电量，升级小米首款双 USB-C 接口、旁路充电 Plus

业内人士指出，全新定制超薄「四音圈对称双扬」、双 X 轴线性马达；升级小米首款三天线并发架构，更低游戏延时

从更深层次来看，REDMI 首款旗舰小平板 K Pad 发售于 2025 年 6 月 26 日，8GB+256GB 定价 2799 元

从更深层次来看，据介绍，新品配备 8.8 英寸黄金小尺寸机身 + 定制 3K LCD 屏 + 全金属一体化设计，还有三款时尚配色可选，支持 165Hz 刷新率、372Hz 触控采样率、16:10 沉浸影音比例

值得关注的是，京东 618 无门槛红包 面额至高 26618 元，每天抽 3 次：点此抽红包 淘宝 618 无门槛红包 面额至高 26888 元，每天抽 1 次：点此抽红包

值得关注的是，新品搭载天玑 9400+ 旗舰芯、超大铝合金液冷 VC，芯片居中架构，大幅提升机身散热速度，支持安卓首次 3K 超分满帧

业内人士指出，京东 618 大促期间，按下方步骤下单，叠加 15% 国补后仅需 1663.6 元： 先领 2000-150 元 PLUS 超级补贴：点此查看 再领 2000-200 元店铺券：点此查看 京东无门槛红包至高 26618 元，支持即领即用：点此抽取

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，苹果 Xcode 27 核心首次深度集成 AI 智能体：支持自然语言修 Bug、构建 App

在官方今天发布的《Apple 智能与 Xcode 揭秘：特别讲座》视频中，苹果指出 Xcode 27 核心组成部件首次整合 AI 智能体，能够理解 Swift 语言，并通过自然语言对话帮助开发者完成编程任务

业内人士指出，IT之家 6 月 18 日消息，科技媒体 Appleinsider 今天（6 月 18 日）发布博文，报道称在 2026 年全球开发者大会（WWDC）期间，苹果公司针对氛围编程（vibe coding）开发场景，深度优化 Xcode 27，核心功能首次深度集成 AI 智能体体验

值得关注的是，苹果官方还升级开源框架 MLX，让 AI 能力深度融入开发流程

业内人士指出，Xcode 27 的 AI 智能体支持多轮对话，开发者可在工具栏中直接发起 AI 交互，此外 AI 可跨多个文件修改整个代码库

从更深层次来看，同时，Xcode 27 支持接入 Anthropic、OpenAI 和 Google 等第三方 AI 模型，开发者可根据需求灵活选择

业内人士指出，在应用建成后，开发者仍可通过对话添加背景、特效、动画、翻译等

从更深层次来看，技术层面，Xcode 27 引入了 Core AI 框架，提供现代 Swift API 以便开发者轻松调用端侧 AI 模型

业内人士指出，IT之家注：Xcode 是苹果官方提供的集成开发环境（IDE），主要用于在 macOS 上开发适用于 iOS、iPadOS、macOS、watchOS 和 visionOS 等苹果平台的应用程序

业内人士指出，应用场景方面，AI 智能体可根据提示和资源（如图标）生成应用设计和功能创意，甚至独立构建完整应用

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泰国VPS，欢迎访问 www.isclouder.com 了解更多

最新消息显示，从ADC到ADSP，F5重构AI时代应用交付与安全体系

从ADC到ADSP，从流量管理到Token治理，从规则安全到意图识别，F5试图证明一个观点：AI时代的竞争，已经开始从模型层下沉到基础设施层

从更深层次来看，F5亚太区首席技术官Mohan Veloo 这一变化意味着AI基础设施建设开始进入”经济学时代”

业内人士指出，攻击者已经开始使用AI进行漏洞发现、自动化渗透和攻击代码生成，而企业仍然依靠人工分析和规则更新进行防御

值得关注的是，互联网时代，两个用户连接可能意味着相同负载；但在AI时代，一个用户要求生成天气预报，另一个用户要求完成万行代码重构，两者对算力资源的消耗完全不同

值得关注的是，企业未来衡量AI投资回报率，很大程度上将围绕Token展开

值得关注的是，从实际案例来看，TBLB已经展现出明显价值

业内人士指出，F5所扮演的角色，就是让这些应用能够在任何环境中稳定、安全、高效地运行

从更深层次来看，在F5北亚区区域副总裁产及解决方案资深架构咨询师张振伦看来，网络安全已经从企业的可选项变成必选项

从更深层次来看，当云资源价格昂贵时，企业普遍采用混合云模式；而在AI时代，由于Token成本依然较高，企业开始采用混合AI模式，在不同模型之间动态调度资源

从更深层次来看，黄彦文透露，F5中国今年将战略从”创新中国，服务中国”升级为”创新中国，链接全球”

从更深层次来看，应用不再只是一个APP，而成为由模型、数据、API和算力共同组成的复杂系统

值得关注的是，在F5亚太区首席技术官Mohan Veloo看来，Token不仅是技术指标，更是正在演变为一种经济单位

从更深层次来看，这一变化背后，是中国市场在AI实践中的独特价值

从更深层次来看，正是在这样的市场环境中，催生了大量具有全球价值的技术创新

业内人士指出，中国创新走向全球：F5的新战略坐标 值得关注的是，在AI时代的战略布局中，中国市场正在扮演越来越重要的角色

业内人士指出，过去两年，AI产业经历了从模型竞赛到应用落地的快速演进

从更深层次来看，而围绕Token建立的新型基础设施体系，或许正是下一轮智能经济竞争的真正战场

业内人士指出，无论数据中心如何升级、GPU如何迭代、模型如何变化，最终创造价值的依然是应用本身

业内人士指出，F5提出的ADSP（Application Delivery and Security Platform，应用交付与安全平台）试图解决的不再只是访问速度问题，而是AI应用全生命周期中的交付、安全、治理与运营问题

从更深层次来看，Mohan提到了一个颇具启发性的概念——”Tokenomics”，即Token经济学

业内人士指出，Token经济崛起：AI基础设施开始进入经济学时代 如果说大模型掀起了AI革命，那么Token则正在成为衡量这场革命价值的标准

业内人士指出，陈亮介绍，TBLB（Token Based Load Balancing，本地化的基于词元（Token）的负载均衡解决方案）并非简单的流量分发机制，而是一套围绕推理任务展开的智能调度系统

值得关注的是，红队负责发现漏洞，护栏负责自动生成防御策略，并通过持续学习不断更新防护能力

业内人士指出，系统不仅关注哪个集群空闲，还会判断是否存在可复用的KV Cache缓存，从而避免重复计算，降低Token成本

值得关注的是，尤其是在异构算力环境中，这种能力变得尤为重要

值得关注的是，过去一个请求对应一次响应，如今一次AI请求可能涉及多个模型、多种数据源以及多个智能体协同完成推理任务

业内人士指出，作为应用交付与API安全全球领导者，F5围绕”应用”这一核心载体，旨在链接算力、数据与行业应用，保障新一代智能应用安全、稳定、高效，为智能经济提供数字底座

从更深层次来看，黄彦文指出，AI流量本质上仍然以API形式存在，但复杂度已经远超传统互联网应用

值得关注的是，在黄彦文看来，应用始终是连接算力与生产力之间最重要的桥梁

值得关注的是，系统能够在微秒级完成行为分析，并直接运行在CPU环境中，无需依赖GPU资源，从而实现边缘部署和实时防护

业内人士指出，与此同时，中国市场对于异构算力、多模型协同以及成本优化的需求也更加迫切

从更深层次来看，在F5 Solution Day 2026媒体发布会上，F5北亚区总裁黄彦文、F5亚太区首席技术官Mohan Veloo、F5北亚区区域副总裁产及解决方案资深架构咨询师张振伦，以及F5中国区产品及解决方案总经理陈亮，共同描绘了一幅AI时代基础设施的新图景

从更深层次来看，上世纪九十年代互联网兴起时，企业最关注的是应用能否稳定运行

业内人士指出，换句话说，过去安全防御关注”说了什么”，而现在更关注”想做什么”

业内人士指出，因此，F5开始将负载均衡对象从”连接”转向”Token”

值得关注的是，F5凭借BIG-IP产品定义了ADC（应用交付控制器）行业标准，解决了流量激增背景下的扩展性和可靠性问题

从更深层次来看，在任务到达之前，系统会综合评估模型健康状态、GPU负载情况、队列长度、首Token时延、推理成功率以及缓存命中情况等多个维度，再决定请求应该进入哪个推理集群

从更深层次来看，而AI护栏则基于语义理解和意图识别，即便表达形式发生变化，系统仍能够理解其真实目的

值得关注的是，传统IT建设关注服务器数量和存储容量，而AI时代企业更关心每个Token的成本、首Token生成时间、端到端延迟以及整体吞吐效率

从更深层次来看，Mohan指出，过去安全系统主要依赖规则和特征库识别攻击行为

业内人士指出，当企业同时运行多个模型、多个云平台以及多种算力资源时，应用交付、安全治理和资源调度的重要性正在迅速上升

业内人士指出，AI安全进入”意图识别”时代 相比算力效率，另一个被广泛关注的话题是AI安全

从更深层次来看，在他们看来，AI时代真正的竞争，不再只是模型能力的竞争，而是围绕Token展开的新一轮基础设施竞争

值得关注的是，不同芯片架构、不同推理引擎和不同模型之间存在大量适配挑战

业内人士指出，借助收购CalypsoAI积累的能力以及自身三十年的应用安全经验，F5构建起从AI红队到AI护栏的完整体系

从更深层次来看，未来，无论是AI安全、Token调度还是异构算力管理，中国市场积累的经验都可能成为全球AI基础设施建设的重要参考样本

值得关注的是，过去两年，全球科技产业的焦点几乎全部集中在大模型能力本身

从更深层次来看，这种变化意味着未来AI竞争不只是模型能力竞争，更是资源调度能力竞争

值得关注的是，当AI应用规模不断扩大时，调度能力本身正在成为新的生产力

值得关注的是，其核心思想在于通过合理调度模型、算力和推理资源，实现成本与体验之间的平衡

值得关注的是，从新能源汽车、高端制造到医疗健康，大量场景开始形成具有中国特色的AI应用模式

值得关注的是，一方面，中国拥有全球最丰富的AI应用场景；另一方面，复杂的本地生态迫使企业必须解决多模型、多芯片、多云环境协同问题

从更深层次来看，但AI攻击具有实时生成、自我进化和动态变化的特点，传统规则体系很难跟上攻击速度

从更深层次来看，随着大模型逐渐深入业务核心，传统安全体系正在面临前所未有的挑战

从更深层次来看，随着推理需求激增、智能体兴起以及企业级AI部署规模扩大，一个新的问题开始浮出水面：当每天数百万亿Token在全球网络中流转，谁来保证这些Token能够被安全、高效且经济地生产、调度与交付

业内人士指出，因此，多模型协同正在成为企业AI落地的重要趋势

值得关注的是，进入云计算时代，应用开始跨越数据中心、公有云和私有云运行，ADC也从硬件形态逐渐演变为软件化、云化的平台能力

从更深层次来看，根据F5披露的数据，在多个客户场景中，并发用户数最高提升75%，首Token生成速度提升30%至99%，端到端访问效率也实现显著改善

从更深层次来看，从这个意义上看，中国不仅是F5的重要市场，更正在成为其AI战略的重要创新源头

从更深层次来看，谁能以更低成本生成更多高质量Token，谁就拥有更强的商业竞争力

值得关注的是，从ADC到ADSP：F5三十年的一次自我进化 回顾F5的发展历史，会发现这家企业始终围绕同一个核心命题展开创新——应用交付

值得关注的是，除了英伟达GPU之外，昇腾、寒武纪、沐曦、平头哥等国产算力平台也在快速发展

从更深层次来看，与北美市场更加关注通用大模型不同，中国企业正在快速推动行业模型和产业AI落地

从更深层次来看，Mohan认为，这与早期云计算的发展路径十分相似

从更深层次来看，陈亮表示，企业客户通常已经完成模型与芯片的适配工作，而F5负责解决的是运行阶段的动态调度问题

值得关注的是，Mohan介绍，F5对WAF进行了底层重构，在传统特征匹配和威胁情报之外，引入神经网络模型进行实时安全决策

从更深层次来看，这种从模式识别向意图理解的转变，也正在改变AI安全行业的发展方向

从更深层次来看，但随着AI逐渐进入产业化阶段，一个越来越清晰的趋势正在出现：真正决定AI价值释放速度的，未必是模型参数规模，而是模型背后的基础设施体系

值得关注的是，从GDPR到各国数据安全法规，再到AI时代的新型风险，企业必须建立覆盖应用、API、模型和智能体的完整安全体系

值得关注的是，未来的竞争不只是模型能力竞争，更是安全治理能力竞争

从更深层次来看，陈亮进一步解释了AI护栏与传统规则引擎的区别

值得关注的是，如果所有请求都交给最高性能模型处理，企业将承担巨大的Token成本；如果全部采用低成本模型，又无法保证结果质量

值得关注的是，例如，一个查询天气的问题显然不需要调用最昂贵的大模型，而复杂代码生成任务则需要更强大的推理能力

业内人士指出，性能不再只是技术指标，而是直接影响企业利润空间

值得关注的是，这种变化正在推动应用交付从ADC时代进入ADSP时代

值得关注的是，TBLB背后：重新定义AI时代的负载均衡 在F5中国区产品及解决方案总经理陈亮看来，传统负载均衡已经难以适应AI推理场景

业内人士指出，包括TBLB在内的多项创新实践，都正在从中国走向全球

从更深层次来看，传统规则系统更像关键词匹配机制，攻击者通过拆分字符、加入空格或符号便可能绕过检测

值得关注的是，黄彦文表示，F5正式成立AI应用工程部，中国团队已经成为其中的重要组成部分

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，Transforming Retail Data into Actionable Insights with OSS and MaxCompute

Retail organizations generate large volumes of data across multiple business domains, including customer information, product catalogs, sales transactions, and customer feedback. As data volumes continue to grow, organizations require scalable platforms capable of storing, integrating, and analyzing data efficiently. Traditional approaches often rely on manual data movement and fragmented analytical processes, making it difficult to maintain data consistency and derive timely business insights. A cloud-native analytics architecture can address these challenges by automating data ingestion and providing a centralized platform for large-scale analytical processing. This article demonstrates how Alibaba Cloud Object Storage Service (OSS), DataWorks, and MaxCompute can be combined to create an end-to-end retail analytics pipeline. The solution enables organizations to ingest raw retail datasets, automate data integration workflows, and prepare data for analytical processing within a scalable cloud data warehouse. The proposed solution uses OSS as the centralized storage layer for raw retail datasets, DataWorks as the data integration and orchestration platform, and MaxCompute as the analytical data warehouse. Retail datasets are first uploaded to OSS and organized according to business domains. DataWorks Data Integration is then used to synchronize the datasets into MaxCompute tables, where the data becomes available for analytical queries and reporting workloads. This architecture separates storage, integration, and analytical processing responsibilities while providing a scalable foundation for enterprise data platforms. The architecture consists of four primary layers. OSS serves as the centralized storage repository for raw retail datasets. Data files are uploaded in CSV format and organized according to business domains. DataWorks automates the ingestion process by reading datasets from OSS and synchronizing them into MaxCompute tables. This eliminates manual data loading processes and improves operational efficiency. MaxCompute provides a fully managed and highly scalable data warehouse capable of processing large analytical workloads without requiring infrastructure management. Business users and data analysts can execute SQL queries directly against MaxCompute to generate reports, identify trends, and support data-driven decision-making. To simulate a retail analytics environment, multiple datasets were prepared and uploaded to OSS. The datasets were organized into separate folders representing different business domains. raw-data/ ├── customers/ │ └── customers.csv ├── orders/ │ └── orders.csv ├── products/ │ └── products.csv └── reviews/ └── reviews.csv Retail Dataset Structure The customer dataset contains customer profile information, while the order dataset contains transactional records used for analytical processing. By storing raw files in OSS, organizations can establish a centralized data lake layer that supports downstream analytics and data warehousing workloads. Before loading the datasets, destination tables were created within MaxCompute.The order table was defined as follows: CREATE TABLE retail_orders ( order_id STRING, customer_id STRING, product_id STRING, order_amount DOUBLE, order_date STRING ); MaxCompute Table Creation These tables serve as the analytical foundation for the retail data warehouse. Alibaba Cloud DataWorks Data Integration was used to automate the movement of data from OSS into MaxCompute.A synchronization task was created using OSS as the source and MaxCompute as the destination. The source dataset was configured using the OSS data source. Source Type: OSS File Format: CSV File Path: raw-data/customers/customers.csv Destination Configuration The destination was configured using the MaxCompute data source. Destination Type: MaxCompute Project: retail_analytics_project Table: retail_customers Executing the Data Synchronization Job After configuring the synchronization task, the pipeline was executed through DataWorks.During execution, DataWorks performed the following operations: The execution completed successfully and processed all records contained within the dataset. Example execution summary: Job completed successfully. Total Records Processed: 20 The successful execution confirms that the retail dataset was ingested from OSS into MaxCompute through DataWorks Data Integration. Once the synchronization process completed, the datasets became available for analytical workloads within MaxCompute.The imported data can be queried using standard SQL statements.Example query: SELECT COUNT(*) FROM retail_customers; Additional analytical queries can be performed to explore customer distributions, purchasing behavior, and sales trends. This capability enables organizations to transform raw operational data into actionable business intelligence.To demonstrate the analytical capabilities of MaxCompute, a product sales analysis was performed to identify the best-selling products based on total quantities sold. This query aggregates order quantities by product and ranks products according to their sales volume, enabling retailers to better understand customer demand patterns, evaluate product performance, and support inventory planning decisions. MaxCompute provides a serverless analytical platform capable of processing large-scale datasets without infrastructure management. OSS serves as a durable and cost-effective repository for raw retail data. DataWorks simplifies data ingestion workflows through visual configuration and centralized orchestration. Organizations can separate storage and compute resources while scaling analytical workloads according to business requirements. The architecture supports data governance, operational monitoring, and future expansion into advanced analytics and machine learning workloads. Alibaba Cloud OSS, DataWorks, and MaxCompute provide a powerful combination for building modern data analytics platforms. By storing raw datasets in OSS, automating ingestion through DataWorks, and leveraging MaxCompute for large-scale analytical processing, organizations can establish a scalable and efficient retail analytics architecture. This implementation demonstrates how retail data can be transformed into actionable insights through a cloud-native data platform while reducing operational complexity and enabling future analytical initiatives.

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物理服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，国外软件对待国乐不上心，华为朱懂东透露音悦家 App 立志“复活”大家能看到的中国古典乐器

朱懂东表示，现在大家听到的很多音乐背后缺乏了中国古典传统乐器，但我们是一个有着上下五千年历史的国家，在漫漫历史长河中其实有非常多种乐器

值得关注的是，IT之家 6 月 15 日消息，除了笔记和绘画软件外，华为终端平板与 PC 产品线总裁朱懂东在 HDC 2026 上还谈起了音悦家 App 的诞生历程

从更深层次来看，据朱懂东分享，现在大家听到的音乐、看到的影视作品，背后所有的只要是数字化的音乐和编曲全是用西方音乐软件做的

从更深层次来看，他透露，这款软件的开发人员现在激情高昂，因为这件事情脱离了工作本身，变成了一件有意义的事情

从更深层次来看，据IT之家此前报道，本月初，华为音悦家 App 开启公测，首批支持 MatePad Pro Max 平板，主打 200+ 中西方经典乐器，覆盖作曲、录音、编曲、混音、导出全链路音乐创作

值得关注的是，华为在做乐器的时候，跟很多音乐学院进行了合作，因为很多音乐学院都有自己的乐器博物馆

业内人士指出，这样的话，音乐制作人以后就可以拿经过高精度采样的古典乐器去编制乐曲

业内人士指出，而且在该应用的制作过程中，华为的很多同事发现制作该软件其实也是在负起民族责任

从更深层次来看，他表示，音悦家 App 的投入非常高，一期投入是当年天生会画 App 一期投入三倍的费用

从更深层次来看，朱懂东称，华为要把中国的，至少是博物馆里大家能看到的一些古典乐器，把它们全部搬到软件里

从更深层次来看，朱懂东坦言，专业音乐编创软件基本上没有商业闭环，华为制作音悦家 App 做了两三年后才发现，这类型的应用就是纯投入

业内人士指出，朱懂东坦言，做音悦家 App 做到现在，已经不仅仅是做一个工具化软件了，是有着把我们东方文化复兴的一些思考在里面

值得关注的是，虽然笔记、绘画软件国内有公司在制作，但是却没有做这类音乐应用的，所以华为也只能自己做

从更深层次来看，国内没有这类软件能够形成这种体系化、工业化的运作，而西方的音乐软件对于中国民族乐器的采样非常少，属于象征性制作了几款乐器

业内人士指出，IT之家了解到，华为从博物馆里把这些乐器借出来以后，会先复制，复制完了以后再做采样，采样以后这个乐器才重新复活

业内人士指出，目前华为大概做了 50 多种中国古典乐器，到年底音悦家 App 正式版发布时，大概可以把国乐采集到 90 多种，到明年大概可以采集到一两百种

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AI算力服务器，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

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

值得关注的是，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

值得关注的是，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

从更深层次来看，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

值得关注的是，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

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

业内人士指出，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

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

值得关注的是，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

业内人士指出，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

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，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

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

值得关注的是，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

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

从更深层次来看，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

从更深层次来看，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

业内人士指出，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，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

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，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%

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

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

从更深层次来看，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，其一，订单与运营：风险结构从”先建后租”转向”以销定产”

值得关注的是，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%）

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

从更深层次来看，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

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

值得关注的是，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

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

值得关注的是，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

从更深层次来看，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

从更深层次来看，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，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

值得关注的是，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，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”

业内人士指出，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

从更深层次来看，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，能否保障长期 SLA、PUE、液冷改造与绿电覆盖

值得关注的是，净利润 26.521 亿元（同比 +247.1%）

值得关注的是，其二，财务与资本：表观利润之外，更看资本调度能力

从更深层次来看，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

值得关注的是，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，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

从更深层次来看，其三，区域与能源：从”All in 中国”到算电协同

从更深层次来看，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

从更深层次来看，能否支撑数十千瓦乃至更高功率密度的 AI 机柜

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

值得关注的是，它是这一轮周期的重要观察样本，而非唯一答案

从更深层次来看，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

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

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

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

值得关注的是，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，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，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

从更深层次来看，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，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

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深度学习服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，和林格尔新区：10亿大单夯实算力枢纽地位

此次10亿级项目的落地，是和林格尔新区持续夯实算力基础、打造国内枢纽节点的关键一步

值得关注的是，未来，这股强大的绿色算力将从和林格尔新区出发，深度赋能六大优势产业集群，为区域经济的全域数字化转型注入核心动力

值得关注的是，项目建成后，将为和林格尔新区新增高达90MW的IT容量

业内人士指出，项目资金构成中，企业自有资金1亿元，申请银行贷款9亿元

值得关注的是，行业消息显示，和林格尔新区迎来重磅利好，数字经济发展再添强劲引擎

业内人士指出，新增的90MW算力，将直接汇入区域庞大的算力集群，为构建通算、智算、超算、量子计算、卫星计算”五算融合”的枢纽节点提供坚实支撑，是推动中国移动建设10万卡级算力集群宏伟目标的重要组成部分

业内人士指出，这笔巨额投资不仅是简单的基础设施建设，更是对新区作为算力产业高地战略地位的有力印证

值得关注的是，项目核心内容聚焦于园区内B10、B14、B16三栋楼的算力基础设施建设与后续维护服务，全面涵盖了柴发设备、机电设备、暖通设备及智能化设备等关键环节，并提供长期的数据中心运维服务

业内人士指出，行业消息显示，该项目由中国电子系统工程第四建设有限公司申报，计划建设周期长达十年，从2025年9月持续至2035年5月

值得关注的是，8月12日，《中国移动呼和浩特数据中心算力基础设施建维服务采购项目》正式获得备案，该项目总投资高达10亿元人民币，将全部落地于和林格尔新区内的中国移动呼和浩特数据中心园区

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海外服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Introducing Qoder 1.0: From AI IDE to Autonomous Development Desktop

The industry is crossing a line. AI has gone from helping you work to working for you. Agents now ship tasks, PRs, even entire features end-to-end — and they’re getting faster every week. The bottleneck has flipped. It’s no longer the machine. It’s us. More output means more to review, more to integrate, more decisions only a human can make. Software engineering was never about typing code — it was about the loop: hypothesize, validate, iterate. Once execution cost hits zero, the only scarce resource left is human judgment. The shift: from Agentic Coding to Agentic Engineering. From “AI writes your code” to “AI ships your software.” Not a feature upgrade — a paradigm shift. Qoder 1.0 is our answer to that shift. The core unit of development is shifting from “code itself” to “agent-driven task execution.” We used to measure by lines written and files changed. Now what counts is tasks completed and outcomes delivered — execution metrics, not code volume. So the tool’s center of gravity must move. The IDE is no longer a code editor; it’s an agent workbench. Code generation is one module on it, not the whole thing. The future of development isn’t just generating code — it’s driving agents to complete tasks. In human-AI collaboration, the real bottleneck is steadily shifting from AI to humans. Agents run tasks in parallel by the dozen; humans approve them one at a time. AI used to be capped by intelligence, and that ceiling is lifting fast. Humans are capped by attention, and that ceiling isn’t going anywhere. The model has to change: from Human in the Loop to Human on the Loop: The value of the human is shifting from hands-on execution to defining direction, managing agents, and confirming results. Based on these convictions, Qoder 1.0 represents a fundamental product transformation: from AI IDE to Autonomous Development Desktop. The core design splits the product into two parallel workspaces: Quest has been elevated from a mode inside the IDE to an independent window. It’s the command center for the Agents — integrating task definition, status tracking, artifact review, and knowledge retrieval. You define objectives in the Quest window; Agents handle everything from planning to delivery. Quest and Editor run as two independent windows in parallel. Developers switch freely between task delegation and collaborative coding. Which one you use depends on how you want to work with Agents right now — what’s divided isn’t just scenarios, it’s working habits. Qoder 1.0 reshapes not just the form of the tool, but the way humans and AI collaborate. Qoder 1.0 isn’t a feature stack. It’s a systematic rebuild across four dimensions — so Agents can tackle complex engineering, deliver end-to-end, stay manageable at scale, and compound knowledge into organizational assets. Qoder 1.0 is no longer scoped to single files or single tasks. It runs at enterprise scale — understanding and executing across complex codebases, handling cross-project work, and coordinating multiple Workspaces. Agent tasks run in parallel across Workspaces, tracked in real time from one unified panel. Each task carries its own status label for full visibility. On completion, a delivery summary is auto-generated — progress, artifacts, code changes, all in one place. Qoder 1.0 isn’t a single assistant. It’s a virtual expert team — planning, research, coding, review, and testing specialists working as a pipeline, covering the full chain from requirement to delivery. Switch freely between single-agent and expert-team modes. 1.0 introduces custom expert capabilities: build your own Agent teams with domain knowledge, skills, and tool integrations tailored to your workflow. Keeping an Agent on track used to mean manually setting boundaries and babysitting the flow, or it would drift off course. 1.0 rebuilds the Agent Harness from the ground up — every task is natively a bounded, traceable execution unit with clear artifacts. Every task becomes a schedulable, auditable, deliverable execution unit. Once task boundaries stabilize, complex task completion rises by 60%+. Qoder 1.0 doesn’t just finish the task at hand — it turns process knowledge into organizational assets. 1.0 unifies three sources into a single team-level knowledge engine: The three sources are managed together and continuously invoked as Agents run. Every team member can contribute and refine; Agents keep improving. Knowledge lives in the cloud with enterprise-wide governance and audit — the team knowledge-sharing system built on the code repository, turning individual know-how into lasting organizational capability. Qoder 1.0 isn’t just a feature upgrade. It’s a proven path — Agentic Engineering is no longer a vision, it’s something happening every day. The following data comes from Qoder team’s internal evaluation — based on real development task sets, comparing performance before and after the 1.0 upgrade. Clear improvements emerged across three critical dimensions: Higher interaction efficiency Input token consumption ↓ 40%, conversation turns ↓ 33%; code acceptance rate ↑ 11%. More consistent task quality With architectural knowledge augmentation, task completion ↑ ~25%; with tech stack knowledge augmentation, end-to-end scores ↑ ~25%. Step-change in complex scenario completion After Task Runtime rebuild, complex task completion ↑ 60%+. Qoder shipped its first version on August 21, 2025. In the 9 months since, we’ve been building Qoder with Qoder — over 60 production releases, one every 4 days on average. Today, Qoder has more than 5 million users worldwide, with enterprise customers contributing 70% of revenue. Qoder 1.0 is now generally available on macOS, Windows, and Linux. Define the goal. Steer the agents. Judge the outcome. Developers no longer need to be in every step of execution.

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服务器租用，欢迎访问 www.isclouder.com 了解更多

最新消息显示，曝字节跳动加码国产算力：洽谈采购天数智芯 5 万颗推理芯片，互联网大厂竞速算力基建

腾讯则在多地建设腾讯云 HCC 高性能 AI 集群，计划 2026 年下半年大规模导入国产算力，并对外提供混元大模型 MaaS、游戏 AIGC 及视频生成推理服务

从更深层次来看，第一财经表示，字节本次洽谈涉及的芯片主要为天数智芯智铠系列云端推理 GPU，训练场景则使用天垓系列；预计天数智芯今年可能向字节跳动交付至少 5 万颗芯片，用于支持字节跳动旗下 AI 聊天机器人“豆包”等产品的推理运算需求

从更深层次来看，百度在全国布局万卡级 AI 算力集群，其自研 AI 芯片昆仑芯 P800 已完成规模化验证并交付多个万卡集群

值得关注的是，若本次洽谈落地，华为昇腾将聚焦集群训练与超大规模模型预训练底座，寒武纪兼顾部分中高端推理与垂直行业私有化部署，天数智芯智铠则侧重线上流量型海量推理的主力供给

业内人士指出，截至发稿，字节跳动、天数智芯与百度方面均未对此作出公开回应

值得关注的是，随着国产 GPU 扩产在即，叠加超大型云厂商订单滚动释放，预计 2026 年下半年项目落地节奏将较上半年进一步加快

值得关注的是，在此基础上，第一财经今日带来了更详细的爆料

值得关注的是，交银国际研报分析认为，这一结构性变化意味着支撑大规模推理任务的高密度、低延迟算力需求将成为数据中心运营商增长的主力

从更深层次来看，中国工程院指出，2026 年第一季度中国推理需求已达到训练需求的 8 倍

业内人士指出，据行业预测，2026 年字节预计投入 1500 亿元用于全球算力采购，其中国内约 600 至 650 亿元，国产算力预计将占 400 亿元以上份额

业内人士指出，若交易达成，天数智芯将成为继华为和寒武纪之后，字节跳动的第三家国内 GPU 供应商

值得关注的是，IT之家 6 月 17 日消息，路透社前天报道称，字节跳动正与上海 AI 芯片企业天数智芯洽谈采购 AI 芯片，主要用于推理工作负载

值得关注的是，此前，字节跳动在算力供应链上已明确将训练与推理两套体系拆分：大规模模型训练采用华为昇腾、寒武纪高端训练卡；线上 C 端豆包与企业 MaaS 的海量并发推理则计划引入天数智芯智铠系列等专用推理 GPU

从更深层次来看，此外，字节跳动同时也在考虑采用百度旗下昆仑芯芯片

从更深层次来看，据香港理工大学研究推算，在超大规模云端设置中，由于十亿级别的用户高频请求，推理能耗已占 AI 总能耗约 60% 至 90%

从更深层次来看，《消息称字节跳动正与天数智芯洽谈购买 AI 芯片》 《消息称字节跳动正开发自有 CPU，以支持 AI 基础设施扩张》

值得关注的是，除字节跳动外，国内多家互联网企业也在密集布局数据中心与算力基础设施

值得关注的是，阿里巴巴在 2026 财年单季度资本开支超过 380 亿元，预估未来三年投入超过 3800 亿元用于云和智算硬件建设

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