Category: 技术文章

行业动态更新：总投资200亿元、规划50000P，张家口中明算力中心一期即将投运

近日，位于河北省张家口市经开区数字服务产业基地的张家口中明算力中心项目取得新进展

业内人士指出，目前，该项目一期工程已完成全部建设内容并具备商业化运营条件，二期基建施工正在稳步推进中

值得关注的是，根据项目规划资料，张家口中明算力中心由中明能源（河北）有限公司全资投资建设，项目总投资约200亿元，占地面积87亩，总建筑面积为8.4万平方米，规划总算力规模超过5万P

值得关注的是，项目核心配套设施包括2栋智算中心楼宇、1栋综合运维大楼以及1座110千伏专属配套变电站

业内人士指出，目前已具备投运条件的一期工程，主要业务板块包括AI基础数据标注、大模型训练与智能推理服务

从更深层次来看，此外，一期同步规划建设了1.3万平方米的综合运维大楼，旨在作为科创孵化服务平台，为相关初创企业提供办公场地及技术支撑等配套服务

从更深层次来看，在能源利用方面，该项目依托专属变电站，采取算电协同模式利用本地风电、光伏等绿电资源，并因此获评国家级算电协同示范项目

业内人士指出，在二期工程方面，截至当前，二期场地基础施工（正负零以下工程）已全部完成，项目核心配套的用户变电站主体结构已顺利封顶

从更深层次来看，按照既定施工计划，项目将于2026年6月启动2号智算楼宇的建设工作，并预计在2026年底正式具备服务器上架部署的条件

从更深层次来看，该项目是国家”东数西算”工程京津冀核心枢纽节点的组成部分

业内人士指出，项目整体建成投产后，将依托张家口的绿电资源优势，主要用于承接北京地区外溢的高端算力业务需求，为京津冀区域的人工智能及数字产业提供算力基础设施支撑

从更深层次来看，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

值得关注的是，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

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

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

从更深层次来看，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

从更深层次来看，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

从更深层次来看，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

值得关注的是，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

业内人士指出，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

值得关注的是，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

值得关注的是，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

业内人士指出，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

从更深层次来看，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

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，AI on Alibaba Cloud: Complete Guide to Machine Learning Services

By Arslan ud Din Shafiq, Alibaba Cloud MVP You have a model working locally. Your validation curves look phenomenal. The Jupyter notebook runs from top to bottom without throwing a single exception. You showed it to leadership on a Tuesday, and they were absolutely thrilled. Great. Now put it in production. Scaling artificial intelligence is no longer an isolated research and development experiment. It is a board-level mandate that determines whether your business remains competitive over the next thirty-six months. But the transition from a local Python script running on a single developer’s workstation to a globally distributed, high-availability inference cluster is a DevOps nightmare. The cold reality of machine learning engineering is that the model architecture itself is maybe ten percent of the actual work. The other ninety percent is entirely infrastructure. It is wrestling with graphics processing unit driver mismatches. It is optimizing tensor cores. It is handling out-of-memory cascading failures. And it is trying to figure out why your cloud bill just spiked by forty thousand dollars in a single weekend because a junior engineer forgot to turn off a distributed training cluster. I have spent the last several years building, scaling, and occasionally rescuing massive machine learning deployments on Alibaba Cloud. While many western developers instinctively default to American cloud providers, this ecosystem has quietly evolved into a global hyperscaler of AI infrastructure. Their stack is heavily battle-tested. It was forged in the crucible of their core e-commerce platforms—handling tens of millions of queries per second during their massive annual global shopping festivals—and driven by the sheer scale of their open-source Qwen models. This is infrastructure meant for serious, unapologetic scale. This guide is not a regurgitation of the official corporate documentation. It is an authoritative, architectural deep dive into building, training, and deploying machine learning models based on what actually works in the trenches. We will break down the services, uncover real-world benchmarks, and provide the hard-learned configurations you need to deploy enterprise-grade AI without the 3 AM pager alerts. Before you provision a single compute resource, you have to fundamentally understand how this cloud provider thinks about architectural design. The ecosystem strictly separates raw compute from container orchestration, and it intentionally isolates that orchestration from its managed Platform-as-a-Service capabilities. If you conflate these layers, you will pay for it later in massive amounts of technical debt. I have seen companies try to build everything on raw virtual machines, only to spend a year reinventing Kubernetes scheduling. Don’t do it. At a structural level, the stack looks like this: This is the raw metal. It includes GPU-accelerated Elastic Compute Service instances, Intelligent Computing Bare Metal (their specialized clusters designed for hyper-scale training without virtualization overhead), and Cloud Parallel File Systems. You only touch this layer directly if you are configuring network topologies or storage mounts. This consists of the Container Service for Kubernetes, usually paired with fluid dataset acceleration caching. This is where your custom microservices, application programming interfaces, and data ingestion pipelines live. This is the core machine learning suite. It abstracts away the Kubernetes complexity specifically for data science workloads. This is divided into the Data Science Workshop (for interactive development), Deep Learning Containers (for distributed training), and the Elastic Algorithm Service (for model inference and serving). This is the Generative AI hub, officially known as Model Studio. Think of this as the API gateway for fine-tuning and deploying foundational large language models. You use this when you want to leverage massive, pre-trained models without touching the underlying hardware or managing the model weights yourself. The Reality Check: I see engineering teams default to provisioning raw virtual machines all the time. They say they want “total control” over their environment. Do not do this. If you manage raw virtual machines for these workloads today, you will spend sixty percent of your engineering cycles fighting underlying hardware abstractions. You will be debugging operating-system-level container isolation. You will be writing custom bash scripts to mount network drives. You will be trying to figure out why your communication topologies are breaking across different nodes. Unless you are building a foundational model from absolute scratch with unlimited venture funding, your team’s time is vastly more valuable building business logic. In enterprise deployments, either rely on managed Kubernetes for custom orchestration or let the Platform for AI handle the ML Ops entirely. A robust environment does not start with graphics cards. It starts with aggressively isolated networking. If your machine learning workloads share a subnet with your standard web backend or user databases, you are asking for noisy neighbor problems, bandwidth starvation, and massive security headaches. Machine learning models require massive east-west network bandwidth to synchronize weights. You do not want that traffic colliding with your web application’s database queries. Here is how we typically configure a foundational Virtual Private Cloud and provision a Kubernetes node pool specifically labeled for intensive workloads in a production environment using Terraform. Notice that we are explicitly targeting the NVIDIA A10G equivalent family here, which is the absolute sweet spot for inference, rather than the vastly more expensive flagship cards. # 1. Establish the Network Backbone # We isolate the intensive compute workloads into their own strictly controlled CIDR block. # AI clusters typically need fewer IPs but massive bandwidth, so a /16 or /20 is usually fine. resource “alicloud_vpc” “ai_production_vpc” { vpc_name = “production-compute-vpc” cidr_block = “10.0.0.0/16” } resource “alicloud_vswitch” “compute_vswitch” { vswitch_name = “compute-training-subnet” vpc_id = alicloud_vpc.ai_production_vpc.id cidr_block = “10.0.1.0/24” zone_id = “ap-southeast-1a” } # 2. Provision the Compute Node Pool for Kubernetes resource “alicloud_cs_kubernetes_node_pool” “compute_pool” { cluster_id = alicloud_cs_managed_kubernetes.default.id node_pool_name = “production-inference-pool” # The A10G equivalent is perfect for serving 7B-14B parameter models instance_types = [“ecs.gn7i-c16g1.4xlarge”] vswitch_ids = [alicloud_vswitch.compute_vswitch.id] # Do not use standard block storage here. You need enhanced solid-state drives. # AI container images are massive (often 15GB+). Standard disks will bottleneck your deployment times. system_disk_category = “cloud_essd” system_disk_size = 200 desired_size = 3 labels = { “accelerated-node” = “true” “workload-type” = “inference” } # Crucial: Taint the nodes so regular workloads don’t schedule here. # If you omit this, a random NGINX pod will schedule on your expensive GPU node. taints { key = “specialized-workload” value = “true” effect = “NoSchedule” } } # 3. Security Group Rules for Internal Communication # Distributed training requires nodes to talk to each other over ephemeral ports. resource “alicloud_security_group_rule” “allow_internal_communication” { type = “ingress” ip_protocol = “tcp” nic_type = “intranet” policy = “accept” port_range = “10000/65535” priority = 1 security_group_id = alicloud_security_group.compute_cluster_sg.id cidr_ip = “10.0.0.0/16” } 2. Deep Dive: Platform for AI The Platform for AI is the absolute workhorse of this ecosystem. If you learn one service inside and out, make it this one. Here is how to actually architect it for production, including the specific trade-offs they do not explicitly highlight in the standard marketing brochures. The Data Science Workshop provisions cloud-based integrated development environments that are natively connected with JupyterLab. They come pre-baked with the right toolkits, drivers, and frameworks to get your engineers started immediately. The best feature of this workshop isn’t the compute power. It is the data integration. It natively mounts Object Storage and Network Attached Storage via a userspace filesystem. This means your data scientists can interact with petabytes of object storage as if it were a local directory on their machine. You completely skip writing fragile data-fetching scripts just to load a comma-separated values file or an image directory into memory. You just read from /mnt/data and the platform handles the network streams. I love data scientists, but in my consulting practice, these development environments are where cloud budgets go to die. Data scientists tend to treat these instances like their personal, infinitely powerful laptops. They will spin up an instance with a massive flagship GPU on a Friday afternoon to test a script, go home, and leave it running idly over the weekend. Because these instances are stateful, you pay for the compute as long as the instance is in the “Running” state, regardless of whether any code is actually executing. Expert Tip: Stop relying on the default base images for everything. Build your own custom Docker images with company-specific dependencies (your internal Python packages, specific library versions, custom security certificates) before spinning up these instances. Push them to the Container Registry to ensure environment consistency across your entire team. # 1. Write a strict Dockerfile for your data science team cat <<EOF > Dockerfile FROM registry.ap-southeast-1.aliyuncs.com/platform-base/pytorch:2.0-cuda11.8 RUN pip install –no-cache-dir pandas scikit-learn transformers COPY ./internal_certificates /usr/local/share/ca-certificates/ RUN update-ca-certificates EOF # 2. Build the custom image loca

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游戏服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，突破国际难题：我国成功研制全球首款基于相变忆阻器的神经动力学系统芯片

IT之家 7 月 5 日消息，据北京大学信息工程学院消息，新基石研究员、信息工程学院院长、广东省存算一体芯片重点实验室主任杨玉超教授团队，联合中国科学院上海微系统与信息技术研究所宋志棠研究员团队等，在国际顶级学术期刊《科学》发表题为“A sub-10-millisecond neural dynamical system based on phase change memristors”的研究成果，在新型神经动力学计算芯片领域取得重大突破

值得关注的是，研究团队成功研制出全球首个基于相变忆阻器的毫秒级神经动力学系统芯片，突破了相变型忆阻器长期面临的“可控存内计算”国际难题，首次将神经动力学系统的单步运算时延压缩至 2.12 毫秒

从更深层次来看，据介绍，神经动力学系统将神经网络的表达能力与微分方程的连续演化机制相结合，在物理世界建模、计算成像等领域具有广泛用途，自神经动力学系统诞生半个世纪以来，如何在保持高精度连续建模能力的同时实现低延迟实时计算，始终是制约该类系统走向实际应用的核心瓶颈

从更深层次来看，针对这一问题，团队提出了基于相变型忆阻器的“可控存内计算”新范式，通过调控相变存储器电导漂移与多级电导特性，构建出精准可控的原位存内计算机制，系统性地融合器件物理特性与神经动力学算法，实现了自适应积分步长的原位搜索以及多级电导的存内乘累加计算芯片设计

从更深层次来看，基于相变器件两种电导可控特性，采用 40 纳米工艺制造神经动力学芯片，存内计算与步长漂移阵列总面积仅 0.28 平方毫米，并配备编程脉冲生成电路、模数转换器等外围电路

值得关注的是，芯片运行频率为 50 MHz，单步积分仅需 9 级流水，最终实现 2.12 毫秒的神经动力学单次迭代计算时延，首次将神经动力学硬件系统运行时间推进到毫秒级时代

业内人士指出，值得一提的是，该方案还显著减少了传统数字硬件中频繁的读写、乘法运算、缓存访问与数据搬运等高开销操作，兼具高精度与实时性

值得关注的是，相关实验结果表明，在执行相同神经动力学运算时，该系统较当前最先进的专用加速器（ASIC）实现 3.82~36.27 倍速度提升以及 11.75~24.73 倍功耗降低；在脑皮层表面重建等高保真脑建模任务中，较 NVIDIA A100 GPU 提速达 50.38~478.18 倍

业内人士指出，未来脑机接口不仅需要读取神经信号，更需要实时理解大脑状态、预测神经动力学演化，并根据反馈进行闭环调控

从更深层次来看，高保真脑建模能够以毫秒级速度运行，有望为脑机接口提供个体化、动态化、可解释的脑状态模型，使脑机系统从简单信号识别走向实时脑状态建模与智能交互

业内人士指出，相关工作入选“面向 2030 北京大学重大培育项目”

从更深层次来看，该研究得到新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划等支持

值得关注的是，https://www.science.org/doi/10.1126/science.aee6277

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：聚焦GW级Token工厂，解码下一代算力底座｜6月30日，深圳

进入2026年，人工智能产业正迈入新的发展阶段

从更深层次来看，行业关注的焦点已从”参数、训练和模型竞赛”，转向”推理、Token和生产力”

业内人士指出，大模型、AI Agent和具身智能快速发展，推动Token消耗呈指数级增长，算力成为数字经济时代的核心生产资料

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

业内人士指出，以PFlops和GPU数量衡量算力的时代，正在演变为以Token生产效率和交付能力为核心的新阶段

从更深层次来看，芯片、液冷、HVDC与模块化如何支撑GW级Token产能

从更深层次来看，答案，即将在2026中国智算产业生态发展年会现场揭晓

从更深层次来看，大会完整议程现已正式发布（点击参看详情），可扫描下方二维码申领免费观众票或选购嘉宾通票参会

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

业内人士指出，产业竞争的关键已不再是模型参数规模，而是谁能够以更低成本、更高效率生产和交付Token

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

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

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

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

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

业内人士指出，电力与散热能力已成为决定算力产能的核心资源

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

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

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

业内人士指出，AI产业的竞争已不再局限于芯片和模型，而是整个基础设施体系能力的竞争

业内人士指出，3、GW级Token工厂崛起，智算产业迎来超级工程 随着推理需求快速增长，”Token工厂”成为产业新热点

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

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

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

值得关注的是，大会还将举行高端对话《GW级Token工厂之问：是产业趋势，还是一场高杠杆豪赌

从更深层次来看，》，围绕Token工厂的形成逻辑、电力瓶颈、GW级产能建设和商业模式展开讨论

值得关注的是，4、Token经济催生新的产业生态 随着AI应用快速落地，Token正逐渐成为衡量AI生产力的重要价值单位

值得关注的是，从Agent到数字员工，从智能客服到工业智能体，企业级应用推动Token消费进入高速增长阶段

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

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

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

值得关注的是，5、从报告发布到生态共建，产业协同形成新共识 本届大会将发布三项年度研究成果，包括《2026 AI智能体产业生态图谱》、《2026年中国第三方算力中心服务商发展研究报告》以及《算力底座之争：智算芯片产业链、竞争态势与趋势研判白皮书》，系统呈现产业格局与发展趋势

值得关注的是，大会现场还将举行”算力海洋全球伙伴共同体”启动仪式，推动跨区域、跨产业链协同合作

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

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

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

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

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

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CN2线路服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，PDG拟出售中国区数据中心资产，估值或达10亿美元

5月22日消息，据《金融时报》报道传闻，由华平投资（Warburg Pincus）支持的亚洲数据中心运营商普林斯顿数字集团（Princeton Digital Group, 简称PDG）目前正评估出售其位于中国的数据中心资产

从更深层次来看，据透露，该笔交易的潜在价值可能高达10亿美元

值得关注的是，根据PDG官网提供的信息，该公司目前在中国拥有约286兆瓦（MW）的数据中心容量

值得关注的是，其设施主要分布在国内核心节点城市及周边，包括北京、上海、廊坊、南京、南通、佛山和西安

从更深层次来看，在被传出正评估出售中国区资产的同时，PDG近期在东南亚市场的扩张步伐却在加速

值得关注的是，今年3月，该公司完成了3.5亿美元的额外债务融资，用于支持新数据中心容量的开发

值得关注的是，随后在印度尼西亚市场，PDG于4月底在雅加达购置了一块规划容量为240兆瓦的数据中心用地；近期，公司又筹集了8.56亿美元，用于建设同样位于雅加达的一处120兆瓦数据中心园区

业内人士指出，出售中国资产与东南亚扩张并行，可能是区域资产重配，不等于业务收缩

从更深层次来看，此外，PDG曾在今年4月份探索过出售潜在少数股权的可能性

业内人士指出，公开资料显示，PDG成立于2017年，总部位于新加坡

从更深层次来看，作为泛亚洲地区的数据中心运营商，其业务版图涵盖新加坡、中国、日本、印度、印度尼西亚、马来西亚和韩国，目前也正在积极探索在澳大利亚市场的发展机会

值得关注的是，针对此次评估出售中国区资产的传闻，华平投资与PDG方面均未对《金融时报》予以置评

从更深层次来看，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

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裸金属服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，海南平稳推进 2030 年禁售燃油车，预计届时新能源车保有量占比将达 45%

IT之家 7 月 4 日消息，海南省人民政府昨日对外发布《“十五五”海南国家生态文明试验区规划 (美丽海南建设“十五五”规划)》(简称《规划》)

从更深层次来看，《规划》提出，平稳推进 2030 年禁售燃油车，预计届时该省新能源汽车保有量占比从 2025 年的 23.75% 提升至 45%

业内人士指出，据介绍，“十四五”时期，海南清洁能源岛建设深化升级，新能源成为海南第一大电源，新能源汽车市场渗透率、保有量占比分别居全国省级地区第一、第二

值得关注的是，IT之家从《规划》中获悉，在交通运输领域，到 2030 年，海南全省公共服务和社会运营领域新增和更换车辆（特殊用途除外）清洁能源占比、私人用车领域新增和更换车辆新能源占比达到 100%，车桩比保持 2.5:1 以下

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直播服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：消息称微软 Xbox 硬件亏损加剧：每卖一台最高亏 200 美元，次世代主机 Helix 将取消光驱

IT之家 7 月 4 日消息，微软 6 月底发布公告，宣布自 2026 年 8 月 1 日起，将在全球范围内上调 Xbox Series X|S 系列主机的售价，同时将停产 2TB 版本

业内人士指出，Xbox 业内人士 Jez Corden 今日在最新一期《Windows Central 播客》中透露，微软目前每售出一台 Xbox Series X|S 主机，亏损额最高可达 200 美元（IT之家注：现汇率约合 1358 元人民币）

值得关注的是，他表示，这一亏损并非短期促销导致的临时账面数字，而是硬件成本上涨与玩家消费行为结构性转变共同作用下的系统性问题

业内人士指出，Jez Corden 表示，内存价格上涨、核心零部件成本攀升、关税政策以及持续的供应链困境，共同推高了主机的综合制造成本

从更深层次来看，与此同时，主机行业长期沿用的“硬件亏本销售、通过游戏与订阅服务回本盈利”的传统商业模式，正面临越来越大的挑战

从更深层次来看，他指出，许多玩家购入主机后，将大量时间投入《堡垒之夜》《罗布乐思》等免费游戏，几乎不再产生额外的付费行为，这使得原本用于覆盖硬件亏损的核心收入来源被明显削弱

从更深层次来看，“如果 Xbox 每台主机真的要亏 200 美元，那除了玩家购机花费的 700 美元，他们还得在平台生态内再消费 200 美元才能回本…… 而对很多用户来说，这得花上好几年才能实现

业内人士指出，”他补充称，微软与索尼互动娱乐都在通过缩减主机出货量来控制亏损，同时谨慎上调主机零售价以对冲不断攀升的生产成本

值得关注的是，关于次世代硬件，根据他获得的最新消息，微软下一代 Xbox 主机（开发代号“Project Helix”）的规划方案中未包含光驱

业内人士指出，他指出，光驱制造的商业模式和盈利空间已经“彻底崩塌”，从制造成本来看，内置光驱的性价比越来越低

从更深层次来看，Jez Corden 认为，推出外接 USB 光驱或许是最现实的折中方案，但他也承认，就连这一方案能否落地都存在不确定性

从更深层次来看，科技媒体 The Verge 之前还报道称，微软尚未就 Project Helix 是否配备光驱做出最终决定，并指出微软正在开发一项光盘转数字版的功能，允许用户将 Xbox One 和 Xbox Series X|S 的实体游戏光盘转换为数字授权

值得关注的是，《微软宣布 Xbox 主机 8 月 1 日起全球涨价：512GB 版上调 100 美元，2TB 型号停产》 《分析师警告：索尼 PS6、微软 Xbox“Project Helix”次世代主机售价可能突破 1000 美元》 《为压低次世代主机售价，消息称微软 Xbox Project Helix 或取消附赠手柄》 《尽管内存短缺，微软 Xbox 新掌门夏尔马承诺 Project Helix 主机将定价亲民》

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

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

据行业最新消息，中国移动发起，业内首个 AI-eSIM 产业协同平台成立

IT之家 7 月 4 日消息，据《人民邮电报》，7 月 3 日，在中国信息通信业发展高层论坛上，由中国移动发起的业内首个 AI-eSIM 产业协同平台 ——“中国通信企业协会 AI-eSIM 专业委员会”正式成立，中国移动物联网公司担任主任单位，天翼物联、联通华盛、火山引擎、腾讯云、观安信息等担任副主任单位

从更深层次来看，该专委会汇聚了运营商、芯片设计、算法研究、安全服务及模型应用等领域的头部企业 40 余家

值得关注的是，4 日（今天），专委会召开了“一届一次成员代表大会暨产业发展研讨会”，标志着我国 AI-eSIM 产业从单点突破走向系统化协同，智联网生态构建迈入了规范化发展的新阶段

值得关注的是，IT之家从报道中获悉，专委会将系统推进各项工作，构建智联网时代的 AI-eSIM 技术体系与产业生态

值得关注的是，一是加快标准体系建设，开展 AI-eSIM 技术规范草案编制，建立“立项-编制-评审-发布-宣贯”闭环机制，夯实产业发展基础

从更深层次来看，二是构建开放共赢的产业生态，定期举办技术研讨会、供需对接会等活动，促进资源共享与协同创新，形成跨界融合的创新合力

从更深层次来看，三是深化应用场景示范推广，聚焦智慧家电、智能穿戴、玩具文创等场景，开展创新方案征集与试点验证，打造可复制标杆案例

值得关注的是，四是筑牢安全底座，强化全链路安全合规体系，筑牢可信数字身份防线，保障产业健康有序发展

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

据行业最新消息，Mistral AI举债57亿 建设万卡GB300数据中心

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

业内人士指出，该设施将部署13,800块英伟达GB300图形处理器（GPU），总电力容量达44兆瓦，预计2026年第二季度投入运营

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

业内人士指出，该数据中心将采用英伟达Grace Blackwell架构，主要用于训练Mistral自家人工智能模型并提供推理服务

业内人士指出，此次融资标志着Mistral从股权融资为主转向利用债务工具加速基础设施扩张

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

值得关注的是，Mistral表示，此项目是其欧洲算力布局的重要一步

值得关注的是，公司计划到2027年底在欧洲各地实现200兆瓦的算力容量

值得关注的是，此前已宣布在瑞典投资建设第二座数据中心，并与英伟达等伙伴合作推进AI云服务

从更深层次来看，布吕耶尔-勒沙泰勒数据中心由法国本地运营商Eclairion负责运营

值得关注的是，分析人士指出，在全球AI基础设施竞赛中，欧洲正加速追赶美国和中国

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

从更深层次来看，法国总统马克龙此前也强调，将利用核电出口能力满足AI数据中心电力需求

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

从更深层次来看，进入2026年以来，已有多家运营商、云厂商在泰国布局，泰国俨然已经成为东南亚下一个算力建设的兵家必争之地

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

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