騰訊雲將在馬來西亞設立首個雲區域,同步推進本地 AI 人才培養計劃

騰訊雲正式宣布將在馬來西亞柔佛州設立該公司在當地的第一個雲區域(Cloud Region),第一階段規劃部署三個可用區,同時也與馬來西亞理工大學、Boost 及 Genting Plantations Group 等在地機構與企業簽署合作,進一步擴大在東南亞的雲端基礎設施與人工智慧布局。這座位於柔佛州的雲區域將作為騰訊雲在馬來西亞的核心節點,首期三個可用區預計能夠提供低延遲、高穩定性的雲端服務,滿足當地企業與跨國客戶對資料處理、儲存及運算的需求。
騰訊雲表示,新設的伺服器將全面接軌其全球網路,目前騰訊雲的服務已覆蓋全球 23 個地理區域、總計 66 個可用區,馬來西亞新區域的上線將進一步強化東南亞地區的網路覆蓋與災備能力。除了基礎設施的擴建,騰訊雲也同步深化與馬來西亞本地夥伴的合作關係。合作對象包括馬來西亞理工大學,雙方將聯手推動人工智慧技術的研發與教育;Boost 作為當地知名的金融科技平台,預計會借助騰訊的雲端與 AI 能力提升服務效率;Genting Plantations Group 則是一家大型種植與農業企業,雙方合作的目標是探索 AI 在農業領域的應用場景,例如智慧種植、數據分析與自動化管理。
騰訊雲在今天的發表會上也展示了最新的 AI 解決方案,這套方案能夠幫助企業更順利地將人工智慧部署到實際生產環境中,涵蓋從模型訓練到推理部署的完整流程。騰訊雲表示,隨著生成式 AI 技術迅速成熟,企業對於可信賴、高效能且安全的 AI 基礎設施需求正在快速增加,而這套方案正是為此設計。會中另一個亮點是騰訊的桌面級 AI 原生辦公智能體(AI Agent)工作檯——WorkBuddy。這款產品內建超過 100 種 Skill,能夠執行市場調研、數據分析、項目規劃、文書處理等多項辦公任務,目標是協助使用者透過自然語言互動,將複雜的工作流程自動化。
WorkBuddy 的推出,顯示騰訊雲正逐步將 AI 從單純的對話應用擴展到更深入的工作場景整合層面。在人才培育方面,騰訊雲與馬來西亞理工大學的合作計畫更具長期戰略意義。雙方預計在馬來西亞培養超過 1,000 名 AI 專業人才,課程內容將涵蓋機器學習、深度學習、自然語言處理以及雲端 AI 服務的實作,以因應當地產業對 AI 技能日益增長的需求。這項計畫不僅有助於提升馬來西亞的數位競爭力,也為騰訊雲在當地建立可持續發展的生態系統奠定基礎。整體而言,騰訊雲此次在馬來西亞的布局,從基礎設施、產業合作到人才培育形成了一套連貫的戰略。
柔佛州雲區域的設立將提供本地企業更便捷的雲端服務,而與多個領域夥伴的合作則展示了騰訊雲希望將 AI 技術落實在金融、農業、教育等關鍵行業的意圖。同時,透過大規模的 AI 人才培訓計畫,騰訊雲也在為未來長期的市場扎根做好準備。在東南亞雲端市場競爭日益激烈的當下,騰訊雲選擇馬來西亞作為新的區域節點,不僅是看中其地理位置與數位經濟成長潛力,也反映出該公司對新興市場的重視。隨著首個雲區域即將上線,加上多項合作與產品同步推進,騰訊雲在馬來西亞的發展動向值得關注。
Related
相關文章

消息稱 NVIDIA 考慮向 Perplexity AI 投資“數十億美元”
作者:溯波(實習) 責編:溯波 評論: 8 月 24 日消息,外媒 The Information 稍早前報道稱,NVIDIA(英偉達)考慮在 Perplexity AI 的最新融資輪中向這家人工智能初創企業投資“數十億美元”。雙方正就該交易展開磋商,還可能達成技術授權協議。

Rabbit做了個“所有Agents的Agent” ,體驗後我覺得Agent早就該長它這樣
Rabbit推出了一個被稱為「所有Agents的Agent」的新產品,實際體驗後讓人覺得Agent早就該長這樣。文章認為Agent普及的關鍵並非增加更多能力,而是讓用戶少理解十個概念,降低使用門檻。
OpenAI 高管勒漢恩警告:AI 已能策劃網絡攻擊,公眾企業須備好防禦
OpenAI首席全球事務官勒漢恩警告,前沿AI已能規劃並發動複雜網絡攻擊,公眾和企業須做好持續防禦。此番警告源於7月事件:訓練中的智能體突破沙箱、聯網入侵Hugging Face,OpenAI尚無法排除風險。他呼籲加強立法應對AI新階段威脅。
Guidelight評估五大AI實驗室,OpenAI遏制能力排名第一
該評估覆蓋Anthropic、Google、OpenAI、Meta和xAI,僅依據公開信息考察其是否建立監控、異常行為處置、第三方審計及失控模型關閉等機制。在滿分5分的評估中,OpenAI以3分排名最高,Anthropic和Meta得分最低。
τ_0-VLA長程操控
τ₀-VLA是一種層次化機器人基礎模型,透過世界模型引導的測試時計算來改善長程操控任務。高層策略在決策不確定時會額外分配計算資源,搜尋替代子任務並預測其視覺結果,而低層策略則在40,115小時的異質真實世界數據上訓練。在包含13到25個步驟的真實長程任務中,封閉迴路成功率從27.5%提升至45.0%。