Oracle 宣布正式推出 Oracle Globally Distributed Autonomous Database。Globally Distributed Autonomous Database 基于 Oracle 备受肯定的分片技术构建而成,不仅为客户提供 Oracle Autonomous Database 的优势,同时也让客户能够控制数据分发和数据放置政策。如此一来,企业能够在全球多个物理位置自动以透明的方式向应用分发和存储数据。通过这种方法,客户可以获得高可扩展性和高可用性,应对数据主权要求,并从自治运营中受益,从而显著降低成本。
作为功能全面的融合数据库,Globally Distributed Autonomous Database 可大规模支持几乎任何数据类型、工作负载和编程风格,简化面向关键任务应用的分布式数据库的开发和使用。现有的 SQL 应用可以直接使用分布式数据库,无需重写。为了满足每个应用的需求,Oracle Globally Distributed Autonomous Database 支持比其他分布式数据库更多的数据分发、复制和部署方法。
甲骨文公司关键任务数据库技术执行副总裁 Juan Loaiza 表示:“全球运营的企业对数据主权、规模和可用性有特定的应用需求,而这些需求在各个国家、地区和大洲有所不同,可以通过能够支持全球分布的关键任务分布式数据库架构来满足。全新的 Globally Distributed Autonomous Database 能够有效满足这一需求,帮助客户利用可自动扩缩且弹性的无服务器架构来大幅降低成本。我们新的 Globally Distributed Autonomous Database 凭借融合数据库功能,是更为简单、功能完备、任务关键的分布式数据库云技术服务。”
分布式数据库需要在多个位置部署大量服务器,因此较难部署和管理。Globally Distributed Autonomous Database 通过自动数据分发和分片管理来使用和扩展 Autonomous Database 由 AI 和 ML 驱动的自动化功能,进而消除了这种复杂性。管理员可以将分布式数据库作为单个逻辑数据库进行管理,并使用自动化的预配、调优、扩展、打补丁和安全功能,消除了耗时的手动任务和潜在错误。此外,按单个分片自动扩展数据库可帮助客户根据需求增减资源,尽可能降低消耗和成本。
Oracle Database 其他增强功能
Oracle 在技术堆栈中集成生成式 AI,让开发人员可以利用新工具(包括 Autonomous Database Select AI)将 AI 和 ML 集成到应用中。Select AI 可以将会话线程中用自然语言提出的问题,转换为使用大型语言模型 (LLM) 的 SQL 查询。借助 Globally Distributed Autonomous Database,SQL 查询将自动路由到相应的国家和地区或分片以生成答案。此外,Oracle Database 23c 具有基于 quorum 的 Raft 机制复制,可实现不到 3 秒的自动应用故障转移,并确保零数据丢失。这个功能以及带有检索增强生成 (RAG) 集成的 AI Vector Search 将在今年内发布。
客户和分析机构的评价
Munich Re HealthTech 首席交付官 Bilal Ramadan 表示:“Oracle Globally Distributed Database 让我们能够以非常经济和透明的方式,将数据自动分发给各个国家和地区的应用用户,同时确保遵守数据驻留法规。”
IDC 数据管理软件研究副总裁 Carl Olofson 表示:“许多数据库系统都会采用某种分片技术,帮助用户跨多个数据库管理一组数据,在某些情况下,还可以实现分布式数据库功能。这通常会给应用开发人员带来沉重的负担,他们需要通过编程来隔离和编排分片更新,以避免出现数据冲突和不合逻辑的数据组合的情况。Oracle 的分片方法可有效避免这一系列的问题,进而使应用与数据库的交互变得更透明、更可靠。此外,Oracle 成熟的 RAC 集群技术可支持这种分布式数据库方法,进而提供丰富的数据分发模型、复制方法和分片部署选项,不仅易于管理,还易于开发,让 Oracle Database 能够满足客户特别的需求。Oracle 现在采用了 AI 技术,让不了解数据库、SQL 甚至数据所在位置的 Globally Distributed Autonomous Database 用户能够利用 Select AI 通过自然语言提问,由 LLM 将其转换为 SQL 查询,然后自动路由到相应的国家和地区或分片。这些功能使 Oracle 成为了分布式数据库领域中的关键参与者。
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。