3月20日,OceanBase城市行首站落地深圳,这也是OceanBase独立运营后的首次亮相。
昨日,蚂蚁集团宣布,旗下蚂蚁国际、OceanBase和蚂蚁数科已成立董事会,独立面向市场。
OceanBase CEO杨冰表示,OceanBase致力于打造负载关键业务系统的一体化数据库,作为一款100%“根自研”国产数据库,“根自研”就是OceanBase负载关键业务系统的最大底气。未来,OceanBase还会保持初心,一以贯之地为客户提供优秀的数据库服务。
OceanBase是蚂蚁集团旗下的自研原生分布式数据库,成立于2010年,历经14年发展,在技术、商业化层面取得显著成绩。2019年、2021年接连打破“数据库世界杯”TPC-C、TPC-H的世界纪录。2020年,OceanBase正式商业化,客户数已超过1000家。
14年前,中国移动互联网爆发式增长,带来了前所未有的海量数据挑战,OceanBase选择了完全从根技术自研的道路来应对这一全球独一无二的海量数据处理问题。
据杨冰介绍,目前OceanBase已经做到了100%根自研,包括从0到1自研三百万行代码、自研代码开源主导产品和社区发展方向、构建自研技术生态。基于“根自研”和中国场景的打磨,OceanBase才得以推动树立分布式数据库在性能、容灾、高可用、架构上的新标准,立足中国服务世界。
尽管刚开始举步维艰,但不基于开源数据库二次开发、自建研发环境和流程,使得OceanBase具备对内核代码的完全掌控力和掌控权,避免了开源数据库可能遭遇的协议风险,也具备了更强的突破复杂业务场景和为关键业务系统兜底的能力。
2021年开源后,OceanBase同样引领产品发展和社区方向,除了开源最核心的数据库内核代码、分布式组件和接口驱动外,还逐步将产品工具开源。截止目前,社区拥有超300位贡献者,超500家客户将OceanBase社区版应用于实际的业务生产系统,OceanBase的技术和产品得到进一步打磨。
技术生态方面,OceanBase持续构建以“合作伙伴”为中心的产品技术文化,广泛与多基础设施、数据集成、数据治理、应用集成服务商围绕OceanBase进行产品适配和对接,有超过750个主流产品已加入OceanBase自研技术生态。
杨冰认为,OceanBase已经做到对代码、社区、生态的“根自研”,而100%“根自研”就是OceanBase负载关键业务系统、为客户需求兜底的最大底气。
随着企业走向现代数据架构,数据库上承IaaS层、下接SaaS层,是IT系统中最关键、最复杂的环节,也是“最难啃的骨头”。根据IDC分布式事务数据库市场追踪报告,分布式数据库正在成为新的数据库流行趋势,越来越多的企业正在使用分布式数据进行关键业务系统升级。
基于“一体化”产品理念,OceanBase逐步实现工程一体化、TP/AP一体化、云上云下一体化、单机分布式一体化,以其高可用、高安全、高性能、高性价比,满足金融、政企、互联网等不同类型企业在关键业务系统升级上的需求。
在OceanBase1000多家客户中,已有30%将其应用于核心系统,其中不乏交通银行、中国移动、理想汽车等大型企业,场景涉及支付、金融、政务、新零售、互联网等。
据悉,在粤港澳地区,OceanBase已深耕多年,服务雄帝科技、金地集团、澳门通、工银亚洲、广东农信、顺德农商银行、招商证券、广发证券、安信证券、递四方、出行365、丽迅物流、洋葱集团等上百家企业。
其中,深圳公积金的公积金业务在线办理系统已在OceanBase上稳定运行超过1000天,平安银行的核心账务等数套关键业务系统已实现分布式升级,图匠数据两大核心业务“数货宝”、“数智柜”全面接入OceanBase的云数据库版本OB Cloud。
会上,杨冰也宣布,正式开启OceanBase 4.3 Beta版本邀测,4.3版本将推出全新的列式存储引擎,满足关键业务负载的实时分析场景诉求。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。