阿里云再获中国游戏云市场份额第一

简介: 国际数据公司(IDC)最新发布的《中国游戏云市场跟踪》报告显示,2023全年中国游戏云整体市场规模达到123亿元人民币,阿里云连续两年稳居中国游戏云整体市场份额第一。其中,游戏云基础设施(IaaS)+云解决方案(Cloud Solution)市场共计102亿,阿里云优势更为突出,市场份额提升至39%。

国际数据公司(IDC)最新发布的《中国游戏云市场跟踪》报告显示,2023全年中国游戏云整体市场规模达到123亿元人民币,阿里云连续两年稳居中国游戏云整体市场份额第一。其中,游戏云基础设施(IaaS)+云解决方案(Cloud Solution)市场共计102亿,阿里云优势更为突出,市场份额提升至39%。

image.png

报告指出,互联网游戏行业作为最早拥抱公共云的行业之一,对公共云在资源使用效率、资源上线速度、技术领先性以及降低资本性支出等方面的独特优势已有充分了解。在新游项目中使用更高比例的公共云产品与服务,成为行业共识。

除去公共云的上述优势,IDC中国行业云服务研究经理魏云峰表示,中国游戏行业用云持续增长也与游戏行业扩大AI技术产品使用范围、游戏出海产生的“全球同服”等新玩法密不可分。

以快速兴起的大模型技术为例,游戏行业对AI的应用已经由内容审核、投放分析、Bot训练等向设计创作与用户交互场景延伸。国内首款AI游戏《逆水寒》手游将AI引擎的推理部署在阿里云上。近期,完美世界游戏宣布已接入阿里云通义大模型,将“公共云+AI”的能力应用于游戏开发,包括剧情、对话和音频、动画生成等,未来双方还会在AI NPC、实时内容生成等游戏玩法中展开更多合作。

游戏出海也为云市场增长带来新机遇。除了伴随业务增长出现更多战斗服、大厅服、平台服需求,诸如“全球同服”等新玩法和趋势让公共云成为游戏行业的必然选择。

以米哈游《崩坏:星穹铁道》为例,阿里云支持《星穹铁道》全球首发当天全网下载量突破2000万,登上113个国家和地区应用商店免费榜榜首。作为一款全球化多端互通的游戏,《星穹铁道》单区服有海量玩家同时在线,单机承载玩家数量庞大。阿里云遍布全球30个地域的89个可用区的丰富节点、低延时网络和加速资源,为玩家提供了稳定、流畅的游戏体验。

阿里云是中国最大、亚太第一的云计算厂商,也是诸多游戏公司的首选。米哈游、网易、三七互娱、创梦天地、趣加、Firstfun等都跑在阿里云上,为全球数亿玩家提供优质、稳定的游戏云服务。

相关文章
|
数据采集 算法 JavaScript
彩票中奖率的真相:用 JavaScript 看透彩票背后的随机算法(上)
原本这篇文章是打算叫「假如我是彩票系统开发者」,但细想一下,如果在文章中引用太多的 JavaScript 的话,反而不是那么纯粹,毕竟也只是我的一厢情愿,彩票开发也不全如本文所讲,有所误导的话便也是得不偿失了。
|
Docker 容器
【Docker系列】docker-compose文件如何传递参数
【代码】【Docker】docker-compose文件如何传递参数。
1477 0
【Docker系列】docker-compose文件如何传递参数
|
机器学习/深度学习 运维 算法
Machine Learning机器学习之向量机(Support Vector Machine,SVM)
Machine Learning机器学习之向量机(Support Vector Machine,SVM)
|
6月前
|
存储 大数据 数据处理
【HarmonyOS 5】鸿蒙中的UIAbility详解(三)
本文是鸿蒙中的UIAbility详解系列的最终章。主要针对UIAbility的冷启动和热启动,对于want数据的处理。UIAbility的备份恢复,UIAbility的接续等高级功能的概念和使用讲解。
270 0
|
存储 人工智能 弹性计算
从“云+原神”到“云上星穹”,阿里云支持米哈游新游全球首发
近日,阿里云支持米哈游新作《崩坏:星穹铁道》正式上线,首发当天全网下载量突破2000万,当日登上iOS免费榜与畅销榜的总榜第一及其他多国榜首。
网页课程设计-期末大作业-简单设计【原神狂喜】
本文介绍了一个以“原神”为主题的网页课程设计项目,包括登录页、博客首页、文件上传页面、相册页面和留言板页面的设计与实现,并提供了完整的源代码下载链接。
网页课程设计-期末大作业-简单设计【原神狂喜】
|
人工智能 监控 并行计算
Stable Diffusion火影数据集训练:SwanLab可视化训练
**使用Stable Diffusion 1.5模型训练火影忍者风格的文生图模型。在22GB显存的GPU上,通过Huggingface的`lambdalabs/naruto-blip-captions`数据集进行训练,利用SwanLab进行监控。所需库包括`swanlab`, `diffusers`, `datasets`, `accelerate`, `torchvision`, `transformers`。代码、日志和更多资源可在GitHub和SwanLab找到。训练涉及数据下载、模型配置、训练过程可视化及结果评估。**
Stable Diffusion火影数据集训练:SwanLab可视化训练
|
存储 安全 Cloud Native
阿里云支持米哈游新游《绝区零》全球开服!
阿里云支持米哈游新游《绝区零》全球开服!
2207 3
|
数据采集 机器学习/深度学习 自然语言处理
本地训练,开箱可用,Bert-VITS2 V2.0.2版本本地基于现有数据集训练(原神刻晴)
按照固有思维方式,深度学习的训练环节应该在云端,毕竟本地硬件条件有限。但事实上,在语音识别和自然语言处理层面,即使相对较少的数据量也可以训练出高性能的模型,对于预算有限的同学们来说,也没必要花冤枉钱上“云端”了,本次我们来演示如何在本地训练Bert-VITS2 V2.0.2模型。
本地训练,开箱可用,Bert-VITS2 V2.0.2版本本地基于现有数据集训练(原神刻晴)
MyBatis-Plus之BaseMapper
MyBatis-Plus之BaseMapper
369 0