甲骨文与亚马逊云科技联合宣布推出Oracle Database@AWS。这款新产品允许客户直接在亚马逊云科技的基础设施之上访问Oracle Autonomous Database数据库以及Oracle Exadata Database Service相关服务。此外,企业客户还可以将甲骨文的数据库技术与亚马逊云科技的各类云服务无缝集成起来。
客户获益
新的Oracle Database@AWS服务允许客户在亚马逊云科技的专有基础设施之上运行甲骨文数据库,提供OCI与基础设施之间的无缝集成。这将为客户在甲骨文云基础设施和亚马逊云科技之间提供统一体验,大大降低数据库管理难度、简化计划模式并支持客户的联合访问。
新产品将甲骨文的先进数据库技术(包括Oracle Autonomous Database以及Oracle Exadata Database Service)优势同亚马逊云科技的灵活性、可扩展性以及强大的全球影响力成功结合起来。
这将为客户带来以下几项重要助益:
最重要的是,Oracle Database@AWS允许客户在针对该项技术进行优化的基础设施之上本地运行甲骨文数据库。例如,Oracle Exadata是甲骨文打造的工程平台,负责将专用存储及计算服务器同经过优化的软件相结合,为OLTP、数据仓库及其他关键任务工作负载提供极致的性能表现。
深度集成的解决方案使得甲骨文及亚马逊云科技完美契合,从而提供以往在通用云实例上运行甲骨文数据库软件所无法实现的性能水平。
分析师观点
甲骨文-亚马逊云科技之间的合作伙伴关系,属于整个行业向着多云应用迈进的广泛趋势的重要组成部分。现如今,几乎每家企业都会采用多家云服务商以平衡风险、确保遵从法规要求并优化业务性能。而与亚马逊云科技建立合作,将为企业在应对这些复杂难题时提供显著优势——甲骨文的数据库专业知识与亚马逊云科技庞大云基础设施的结合,无疑是一种两全其美的理想解决方案。
对于亚马逊云科技而言,此番合作代表着其企业工作负载支持战略层面的自然演进,同时也满足了企业客户对于多云解决方案日益增长的现实需求。亚马逊云科技历来专注于提供原生服务方案,而这有时会给依赖甲骨文等其他供应商技术的客户带来不便。此番合作表明,亚马逊云科技愿意通过在其生态系统之内原生提供甲骨文的领先数据库解决方案,借此优先满足客户的实际业务需求。
甲骨文与亚马逊云科技的合作关系,还只是这家数据库巨头多云战略的最新一步。今年早些时候,甲骨文已经宣布与Google Cloud建立合作伙伴关系,允许客户以无缝方式使用甲骨文与Google Cloud技术。今年晚些时候,Oracle Database@Google Cloud 的访问权限也将按计划面向客户正式开放。
同样的,甲骨文与微软近期也在持续扩大合作伙伴关系,允许Oracle Autonomous Database在其新的集成云服务Oracle Database@Azure之上向客户交付。
以上合作关系显然有助于缓解甲骨文当前面临的一大关键挑战:如何在众多企业客户已经依赖于其他云服务的前提下,说服客户转向甲骨文OCI基础设施。借助新的Oracle Database@AWS,甲骨文大大缓和了企业在不同云服务商之间做出选择时的决策压力,成功让甲骨文数据库产品对现有亚马逊云科技客户产生更强的吸引力。
此番Oracle Database@AWS公告,对于甲骨文和亚马逊云科技来说都是一项具有重大意义的战略举措。在甲骨文这边,此举增强了其数据库服务的可及性和采用率。而对于亚马逊云科技而言,其扩展了云巨头的产品组合,有望吸引到更多新的企业客户。再进一步立足整个云计算市场的视角,此次合作则代表着简化云管理和降低云运营复杂性的重要一步。
由甲骨文与亚马逊云科技联手打造的Oracle Database@AWS,无疑在日益多云的业务世界中为希望推动基础设施现代化的企业客户,提供了一套极具吸引力的方案选项。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。