至顶网软件频道消息: 谈到云计算应用,Oracle的一个关键词就是“自我”:自我修复、自我保护和自我驱动。
在3月推出Data Warehouse Cloud之外,Oracle今天再次加码自主功能,推出了面向其分析、集成和可视化云服务的内置人工智能和机器学习算法。
跨其平台即服务组合扩展这些新的自主功能,突出了Oracle在数据库市场的企业应用提供自主服务方面脱颖而出。Oracle公司首席执行官Mark Hurd今天在Oracle总部举行的媒体日上强调了这一点。
Hurd说:“我们实际上构建了一套全新的应用,与其他人做的很不一样。我们在整个应用程中占据了很大的市场份额。”
免费支持
除了发布跨PaaS产品的自主功能之外,Oracle还宣布为其Fusion软件即服务应用提供新的客户支持,其中ERP、供应链和制造。Oracle将为SaaS客户提供用于Fusion云应用的全新白金级支持服务,且无需额外费用。
Hurd说:“我们把免费服务的内容纳入到标准服务中。我们大多数竞争对手都以捆绑的形式售卖(服务),你一买就得买三年。我们不想这样做。”
虽然这款新的自主产品和服务计划是Oracle本周公布的消息重点,不过Oracle高管们也提到了一些细节,揭示了“全面投入”自主战略取得的进展,以及未来可能的一些动作。Oracle在今年3月公布Autonomous Data Warehouse Cloud的时候,提升了查询性能并没有没有把调优作为一个关键特点,当时Oracle宣称在确保支持相同工作负载的同时,成本仅为AWS Redshift的一半。
性能超过Redshift?
Oracle数据仓库和大数据技术高级副总裁ÇetinÖzbütün表示,Autonomous Data Warehouse Cloud的性能确实比Redshift快7到14倍,这一基准在上午晚些时候与埃森哲董事总经理Pat Sullivan进行讨论时得到了证实。
“你必须用[Redshift]抽取你的数据,收集你的优化器统计数据并持续调整,”Özbütün在解释两种数据库服务之间的差异时说。
Oracle高管也表示乐观,认为Oracle的云计划正在竞争激烈的企业市场中得到推动。根据Oracle产品开发总裁Thomas Kurian的说法,Oralce最大的10家客户中有9家现在至少运行Oracle Cloud中的一个主要部分,这可能是ERP、人力资源软件、或者销售和营销功能。
“对我们来说,这与一年前相比是很大一步,”Kurian说。
发布区块链服务
Oracle产品开发负责人也透露了Oracle目前正在致力于其他一些可能带来成果的方向,其中一个就是区块链。
Kurian透露,这个区块链平台服务将在本月晚些时候发布,应用将在6月份发布。根据Kurian的说法,Oracle目前正在与智利银行等客户合作,使用区块链进行同业交易,并与尼日利亚政府合作开发分布式记账应用,以跟踪进口关税。
Oracle还在积极将最近收购的两家公司更全面地纳入整体云战略中。一个是2016年收购的Dyn,管理DNS优化互联网应用的DNS提供商。另一个是在今年早些时候收购的云计算网络安全公司Zenedge。
为了与AWS和Microsoft Azure等大型云服务提供商竞争,Oracle必须在网络边界(部署诸如Web代理和防火墙之类服务的地方)方面发挥作用。“我们对Zenedge/Dyn产品组合的目标是构成云端的智能优势,”Kurian说。
Oracle的云战略是否成功取决于其能否利用现有客户群并赢得新客户。今天,Oracle还发布了最近赢得一些客户和业务扩张情况,客户包括T-Mobile US Inc、Emirates Flight Catering和Gonzaga University。
Oracle客户成功副总裁Catherine Blackmore表示:“我们希望为客户提供无与伦比的选择。我们客户的业务是开放的、全天候的,所以我们也是如此。”
好文章,需要你的鼓励
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。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。