至顶网软件频道消息:Oracle可能会失去最大的两个客户。
Salesforce和Amazon这两家公司都依赖Oracle旗舰的关系型数据库来支持他们的运营。据今天The Information的一篇报道,这两家公司都在“积极寻找”替代方案。
这篇报道并不令人感到意外,特别是Oracle与这两家公司在很多云计算方面都存在竞争关系。Oracle正在优先推自己的基础设施即服务和软件即服务产品,以抵消本地许可销售的下滑。特别是Oracle公司董事长兼首席技术官Larry Ellison和AWS首席执行官Andy Jassy在过去一年中市场公开互怼,Salesforce首席执行官Marc Benioff与Ellison的关系也一直不好。
不过这个消息还是刺激到了投资者。新年第一天Oracle的股价下滑了大约1.5%,而这一天大多数的科技公司大多都迎来了温和上涨。
据透露给The Information这个消息的知情人士称,Salesforce和Amazon已经在减少对Oracle的依赖方面取得了重大进展。两家公司都在采取不同的方法来达到这个目的。
据报道,Amazon正在从Oracle的数据库转向开源NoSQL软件。这意味着AMmazon可能只是寻求部分替代,因为NoSQL数据库通常并不是为完全取代关系型数据库而设计的。
但是Amazon可能还会在Oracle上花费很多支出。去年12月,Ellsion表示,单单是第四季度这一个季度,Amazon在Oracle软件上的开销就达到了5000万美元。
与此同时,Salesforce正在酝酿更为大胆的迁移计划。这位消息人士称,Salesforce正在开发他们自己的替代方案。这个自主开发的关系型数据库可能会让Salesforce做更多的事情,不仅仅是减少对竞争对手Oracle的依赖。如果开发项目取得成功,Salesforce可能会试图直接在数据库市场中挑战Oracle。Salesforce的Heroku部门已经在这方面站稳脚跟了。
The Information的报道还指出,Oracle与Salesforce和Amazon在产品名称方面的竞争显然也越来越激烈。据报道,AWS的RedShift数据库似乎是对Oracle红标产品一种不太明显的引用。而对Salesforce来说,它已经命名了一款新的数据库“Sayonara”。
无论如何,Salesforce和Amazon的努力可能会对整个Oracle客户群产生影响。在这些消息的带动下 ,其他依赖于Oracle数据库的财富500强企业可能会开始认真地考虑其他替代选择。不过,大多数企业可能没有太大的动力去做切换,因为他们与Oracle并不存在激烈竞争关系。
而且Amazon和Salesforce可能需要数年时间才能完成他们自己的过渡,因为要把核心业务“记录系统”数据库迁移到云中仍然是相当困难的。“Salesforce今天运行在Oracle上,改变底层数据库可能是Salesforce历史上最具挑战性的事情了,所以它不会轻易进行的,”Wikibon高级分析师Stu Miniman这样表示。
而且对于其他很多公司来说也是如此,Wikibon首席技术官David Floyer表示:“记录系统是非常难以迁移的,从商业角度来看这么做是非常危险的。随着时间的推移Oracle可能不得不降低Oracle DB的价格,更友好地做业务,但是Oracle用于记录系统的数据库软件仍然是最佳选择,而且对于大多数客户来说,这是值得的。”
好文章,需要你的鼓励
新加坡人工智能机构与阿里云发布全新大语言模型Qwen-Sea-Lion-v4,专门针对东南亚语言和文化特色进行优化。该模型结合阿里云Qwen3-32B基础模型和大量东南亚地区数据集,在东南亚语言模型评估榜单中位居开源模型首位。模型支持119种语言,能在32GB内存的消费级笔记本上运行,采用字节对编码技术更好处理非拉丁文字,并具备3.2万词元上下文长度,可执行文档级推理和摘要任务。
中科大联合快手等机构推出VR-Thinker技术,首次实现AI视频评判员的"边看边想"能力。该系统通过主动选择关键画面、智能记忆管理和三阶段训练,在视频质量评估准确率上达到75%-82%,特别擅长处理长视频场景,为AI视频生成的质量控制提供了突破性解决方案。
AI智能体是下一代业务自动化工具,不仅能对话交流,还能执行复杂任务。与ChatGPT聊天机器人不同,它们可在最少人工干预下规划并完成工作。文章介绍了五个高影响力应用:自动化客户服务解决方案、销售CRM管理、合规自动化、招聘筛选与排程、市场情报报告。这些应用都具有重复性工作流程、依赖结构化数据、遵循可预测规则等特点,能够释放员工宝贵时间用于更有价值的工作。
微软研究院发布BitDistill技术,通过三阶段优化将大型语言模型压缩至1.58位精度,在保持性能的同时实现10倍内存节省和2.65倍速度提升。该技术包括模型结构稳定化、持续预训练适应和知识蒸馏传承三个关键步骤,解决了模型量化中的性能衰减和规模化问题,为AI模型在资源受限设备上的高效部署提供了新方案。