至顶网软件频道消息:
甲骨文公司将发布自主数据库方案,而矛头显然直指Amazon Web Services。
甲骨文方面将推出数据库的完全自主版本,通过云端进行交付,旨在尽可能减少管理工作带来的人力需求。
公司CTO Larry Ellison在本财年第一季度周报会议上指出,甲骨文方面将在今年年底之前推出下一代数据库方案,且其将以完全自主的方式运转。而更多相关细节信息,将在今年10月1日的本届OpenWorld大会这一时间节点上加以发布。
利用机器学习技术,甲骨文公司将实现这套数据库方案的自动化管理与调优。
Ellison解释称,“我们将建立公有云SLA,即服务水平协议,用以保证这套甲骨文数据库拥有99.995%的系统可用性比例; 99.995%的可用性意味着每一年其计划内或计划外停机时间将不超过30分钟。为了实现这一目标,甲骨文公司必须在系统运行的同时实现自动化调优、补丁安装与升级。AWS显然无法实现这样的效果。”
AWS是甲骨文这套自动化云数据库方案的一大主要竞争目标。AWS在多个方面挤压着甲骨文核心数据库业务的生存空间,而其中最为重要的选项无疑是AWS Redshift。甲骨文公司则已经有能力将其数据库与应用程序客户迁移至云端,同时收购NetSuite等多家厂商以弥合这一过程中出现的空白。
甲骨文公司新财年第一季度云营收与历史营收情况。
不过Ellison表示,甲骨文公司的收购活动即将告一段落。Ellison甚至指出,其不会继续收购其它云厂商。如此一来,甲骨文自身的云业务发展将以创新作为核心驱动力。在这样的背景之下,自主数据库对于甲骨文显然极具战略意义。Ellison解释称,“我们雄厚的技术储备将决定我们最终获得成功,包括自有数据库以及Fusion应用程序套件等成果皆由甲骨文自主研发得来。”
Ellison同时表示,这套自主数据库将在云经济体系当中与AWS开展直接竞争,但其明显拥有更出色的人力节约效果。
Ellison指出:
也许自动驾驶车辆以及我们的自主运行数据库都拥有着同样的自主系统特征,即实现全面自动化。自动驾驶车辆消除了人力驾驶成本以及高昂的人为错误成本; 而自主运行数据库则消除了数据库在调优、管理以及升级方面的人工成本,且同样能够避免与人为错误相关的昂贵停机事故。
自动驾驶出租车的价格要远低于人力出租车。运行甲骨文的自主数据库也能够带来较人为操作数据库(例如Amazon的Redshift)更低廉的使用成本。从Amazon Redshift迁移至甲骨文自主数据库的客户能够将成本削减一半以上,而甲骨文方面也将同时提供SLA以保证客户享受到这一可观的成本削减效果。
更为有趣的是,甲骨文公司发布的这一整套自动化方案是否会令数据库管理员最终退出历史舞台?如果相关从业者消失,那么甲骨文公司确实能够通过削减价格夺取这部分空白的市场份额。而Ellison本人也反复强调,AWS数据库的设置与管理工作需要人力参与。
因此,现在就要看其它云服务供应商如何快速推进自己的自动化转型工作了。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。