ZD至顶网软件频道消息:甲骨文(Oracle)将在近日内发布数据库 12c R2,有分析师大胆认为该软件将刺激未来几年的收入增长。当然也存在变数,开源数据库选项以及诸如亚马逊网络服务和微软 Azure 等产品可能引入不确定因素。
Jefferies分析师John DiFucci 在一份调研文章里表示,甲骨文的数据库业务将遭遇拐点。该数据库是甲骨文的老牌产品,尽管各种关于云的讨论比比皆是,但该数据库对公司未来的发展仍十分关键。
DiFucci 写道:
我们认为即将发布的12c R2 ORCL数据库发力后可能带来8%到9%的年收入增长,如新业务全部是 PaaS,则会带来2%到3%的增长。累积 PaaS的增长更快,可望在6年内超过同等许可证和维护的贡献。
数据库 12c以及其 R2修正版通常是企业升级的发令枪,该数据库以其在内存选项和多租户功能而闻名业界。可以肯定的是,诸如Salesforce的软件即服务供应商的部分业务是建立在甲骨文数据库基础上。
难题之一:Salesforce 手里有诸如 PostgreSQL数据库的其他开源选项。Salesforce收购的许多公司都是在 AWS 上运行或是运行开源数据库选项。再者:甲骨文的R2 版会首先推出云版,本地部署用户将在今年后半年拿到这个版本。
DiFucci 估计,甲骨文客户会将数据库 12c 许可证和平台即服务订阅匹配在一起混合使用。DiFucci 的模型可圈可点,但以下几点仍有待观察:
l 甲骨文客户会扩大甲骨文数据库的使用或是弃掉它呢?
l 云数据库选项的可行性会越来越大吗?
l 数据库 12c R2会增加甲骨文的钱包份额或是只是简单地维护客户基数呢?
换句话说,此次的甲骨文升级周期和以前数据库部署不一样。首先,更多的甲骨文收入将基于订阅。此外,甲骨文的竞争对手比过去多了。SAP利用HANA平台挖走甲骨文数据库客户。SAP和甲骨文之战极有可能是昨日之战。
例如,教育公司皮尔逊(Pearson)背甲骨文而去,用上了基于 MySQL 的开源堆栈和亚马逊极光数据库。皮尔逊现在提供一个测试平台,教育机构可用该平台将学生推至新的水平。皮尔逊业务在测试阶段猛增,而学校一放暑假就放缓了。
皮尔逊性能工程师Jeff Schmidt系统地令自己的公司脱离了甲骨文。施密特表示,"我们曾拥有数据中心和甲骨文重头堆栈,但约 4 年前我们看到很明显需要大动手脚。我们必须从数据中心退下来,启用云和开源。甲骨文许可证成本当时要了我们的命。"
Schmidt的团队开始时打造了在AWS EC2 上跑的MySQL 栈。皮尔逊后来想过用诸如RDS的AWS初始数据库产品,但觉得它在满足各种要求方面差了一点点。皮尔逊后来退出甲骨文时,又重新评估 AWS 的数据库动向。极光对皮尔逊有吸引力。Schmidt表示,皮尔逊不单是在计算方面开始将自己的产品迁移到AWS。
Schmidt表示,"我们希望在明年内将我们大多数的EC2 空间迁移到极光里,会不会将全部EC2 空间迁移到极光里还很难说。"皮尔逊的甲骨文许可证是在企业层面上谈的,所以Schmidt的部门每年要报告使用量。Schmidt表示,"每年我们报告的是小使用量,我们的业务低到无。"
Schmidt并非个案,甲骨文 数据库的使用量下降是很难量化的。但有一件事是确定的。由于迁移到甲骨文竞争对手那里的不少工作负载其实并不在上一次数据库升级周期的范畴里,预测数据库12c R2销售的模型应在一定程度上将市场份额损失元素考虑在内。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。