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
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。