Category: 技术文章

行业动态更新：Cung cấp không gian làm việc dùng một lần cho tác nhân AI của bạn với Alibaba Cl

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的高防CDN，欢迎访问 www.isclouder.com 了解更多

最新消息显示，微软考虑推迟或放弃2030年100%可再生能源匹配目标

近日，多家外媒报道，微软公司正内部评估是否推迟甚至放弃其 2030年100%清洁能源目标

业内人士指出，该目标名为”100/100/0″，旨在实现全球范围内每小时100% 用电量均由零碳能源匹配（100% of electricity consumption, 100% of the time, matched by zero-carbon energy purchases）

从更深层次来看，这一讨论主要源于人工智能（AI）数据中心快速扩张带来的电力需求激增，目前尚未做出最终决定

业内人士指出，微软于2021年提出这一雄心勃勃的目标，旨在超越传统的年度可再生能源匹配，实现更严格的小时级实时匹配，以推动电网脱碳

值得关注的是，但随着生成式AI技术的迅猛发展，微软数据中心建设速度大幅加快，每季度新增约1吉瓦容量，年资本支出预计将达到1900亿美元

值得关注的是，这导致电力需求远超此前预期，给实现小时级匹配带来显著挑战和成本压力

从更深层次来看，针对相关报道，微软发言人回应称，公司仍在积极寻找途径坚守清洁能源匹配目标，并强调将继续推进碳负、用水正、零废弃物等整体可持续发展承诺

从更深层次来看，公司近期已与美国威斯康星州能源企业We Energies达成一系列协议，将在当地开发总规模1.2吉瓦的无碳能源项目，包括光伏发电和储能设施，预计2028年12月起陆续并网投运

从更深层次来看，知情人士表示，相关内部讨论仍在进行中，最终结果尚未确定

业内人士指出，此前，微软已签订超过40吉瓦的可再生能源采购协议，并在2025年前提前实现全球年度电力使用100%匹配可再生能源的目标

业内人士指出，但AI驱动的算力需求正迫使科技巨头重新权衡气候承诺与业务增长之间的平衡

业内人士指出，这一消息引发业界对科技公司在AI时代如何协调能源需求与可持续发展目标的关注

业内人士指出，国际能源署等机构预测，到2030年，数据中心电力消耗将大幅增长，美国部分地区新增需求可能主要依赖天然气等过渡能源

业内人士指出，公司表示，将继续通过长期购电协议等方式推进清洁能源项目，以支持全球业务发展和气候目标

值得关注的是，如果您想了解更多关于泰国算力产业发展，以及数据中心项目落地情况、当地政策变化、中国出海企业现状等，欢迎报名即将于2026年5月27日在泰国曼谷香格里拉酒店召开的数字基础设施全球合作发展曼谷论坛（DIFGC 2026 · THAILAND），并关注下午召开的DIF Lounge研讨会，与真正参与泰国 AI 数据中心建设一线决策者和工程伙伴面对面交流，提前锁定合作、项目与生态位置

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高防服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：绿电标配时代：和林格尔新区“荷”力重塑数字版图

近年来，在自治区党委、政府的坚强领导下，呼和浩特市积极抢抓国家”东数西算”工程的重大机遇，凭借其独特的区位、气候、绿电、网络、算力、政策、人才等多重优势，开创了数字经济高质量发展的新局面

值得关注的是，呼和浩特以”算电协同、全链赋能”为核心持续发力，其中，和林格尔新区作为这一战略的核心引擎，正以其强大的”荷”力，深刻重塑着绿色算力新版图

值得关注的是，作为呼和浩特市数字经济发展的重中之重，和林格尔新区积极打造成为全国领先的数据中心集群

业内人士指出，目前，和林格尔新区已成功集聚了包括三大运营商、主要金融机构、国家部委及众多头部企业在内的46个数据中心项目

从更深层次来看，这些项目的落地生根，使得和林格尔新区的算力规模达到10.1万P，这一成就使其在全国八大枢纽、十大集群21个片区中持续保持领先地位

从更深层次来看，支撑和林格尔新区强劲算力发展的，是其上游算电设备制造产业的快速集聚与蓬勃发展

业内人士指出，目前，已有超聚变、浪潮、诚迈、万帮、云储储能机柜、瑞科特等45家算电设备制造龙头企业入驻呼和浩特

从更深层次来看，同时，自治区首家算电数字设备制造产业园在呼和浩特成立，吸引了华电、国电南自、新华三等一批供电、服务器、电气设备制造企业落地，加速构建”绿电+算力设备”的双轮驱动发展模式

值得关注的是，得益于此，呼和浩特的用电成本创下全国最低水平，其绿色算力指数也持续领先，为和林格尔新区提供了强大的绿色能源保障

业内人士指出，围绕和林格尔新区提供的强大算力支撑，下游算力数据应用领域也实现了全面布局，构建起一个龙头企业引领、产业协同共进、创新生态蓬勃的完整产业链条

从更深层次来看，信创验证适配企业如燧原科技，以及京东优博、蒙牛数科、多云算力调度平台、数据交易中心等数据产业企业在此集聚

从更深层次来看，此外，电信星辰、移动九天、联通元景、讯飞星火、智谱华章、中石油昆仑等大模型训练推理企业也纷纷落户

业内人士指出，同时，中通服、中元设计等专业化设计建造企业，中科仙络、北京璇玑等运营运维企业，以及云天畅想、星海算力、滴滴出行等算力应用企业，共同构筑起覆盖全生命周期的完整产业链，确保和林格尔新区的算力能够高效转化为经济社会发展的强大动能

从更深层次来看，综上所述，和林格尔新区正以前所未有的速度和深度，引领着数字经济高质量发展

业内人士指出，在绿电标配时代背景下，和林格尔新区凭借其独特优势和全产业链的赋能效应，不仅持续领跑全国算力版图，更成为推动区域乃至全国数字经济腾飞的重要力量

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韩国CN2服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，土耳其 Tripy Mobility 将部署天瞳威视智驾方案 Robotaxi

IT之家 7 月 14 日消息，土耳其出行服务企业 Tripy Mobility 昨日宣布在天津与中国智能驾驶解决方案供应商天瞳威视 (CalmCar) 签署一项战略合作协议，双方将携手在土耳其等市场提供 L4 Robotaxi（无人驾驶出租车）服务

业内人士指出，这一拟议车型将基于上汽大通的大家 7 电动汽车平台，配备来自 NVIDIA（英伟达）和地平线的硬件，结合天瞳威视软件能力，具备先进传感器融合、高精地图、人工智能决策系统和多层安全架构

业内人士指出，IT之家了解到，Tripy Mobility 将参与本地化改造和道路测试，并负责车队管理和 Robotaxi 服务国际化推广

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

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

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的站群服务器，欢迎访问 www.isclouder.com 了解更多

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

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

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

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

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

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

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

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

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的香港CN2 VPS，欢迎访问 www.isclouder.com 了解更多

最新消息显示，AI时代算力密度狂飙，电力底座如何“极限跨越”

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

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

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

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

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

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

从更深层次来看，传统的”数据存储仓库”正在向”AI工厂”跃迁

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

业内人士指出，在这一趋势下，传统交流供电架构承受的压力日益显现

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

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

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

从更深层次来看，在同等功率下，HVDC的端到端能效可提升5个百分点以上

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

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

从更深层次来看，谷歌、亚马逊云与Meta则在落地400V直流供电方案

业内人士指出，英伟达最新芯片主推800V直流架构，以支持高密度GPU集群

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

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

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

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用

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

值得关注的是，🧠 首字识别延迟控制在百毫秒级别，实现即说即反馈的流畅体验

值得关注的是，🌐 支持30种语言及16种中文方言的识别处理

值得关注的是，🚀 提升实时语音识别性能，拓宽大模型在多语言环境下的应用边界

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

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

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

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

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

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

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

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

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

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

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

业内人士指出，🔐 AI智能体自主完成勒索攻击，无需人类干预

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

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

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

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

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

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

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

值得关注的是，此次发布因战略调整而延期，旨在通过全新预训练提升性能

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

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

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

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

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

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

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

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

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

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

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的菲律宾VPS，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，750亿欧元 软银将在法国投资建设5GW数据中心

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

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

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

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

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

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

从更深层次来看，随后将扩展至法国其他地区，最终实现5吉瓦目标

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

业内人士指出，该集群将结合软银的机器人和自动化技术与施耐德的工业专长

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

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

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

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

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

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

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

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

可以预见，这一趋势将在未来深刻影响IDC行业格局

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