“一建就准、一建就对”的观念已不再适应AI时代,只有与AI深入碰撞,才能真正锻造出强大的能力。
但AI不是一个项目,而是一场革命。甲骨文公司副总裁及中国区董事总经理吴承杨与客户交流中发现,AI的关键地位已经深入人心,且很多企业都开始建立以AI为核心的平台架构,并设立了专门的AI团队。
甲骨文公司副总裁及中国区董事总经理吴承杨
从PC互联网业务起步的猎豹移动就是这场革命的积极参与者,其2016年就开启了以AI技术驱动的战略转型,2023年,相继推出“为企业应用而生”的OrionStarLLMs系列,以及围绕企业级AI应用开发的大模型数据服务“AI数据宝”。
接下来,猎豹移动与甲骨文双方有意愿在AI与数据的融合方面开展合作,将数据基础设施(Data Infra)向AI基础设施(AI Infra)做转变,包括数据非结构化转结构化的处理。增强AI模型的理解力和准确性,有效推动企业级AI应用落地过程中“最后一公里”的突破,进一步夯实双方在全球市场的竞争优势。
甲骨文一直在推动以AI为中心的企业应用开发架构变革,因为只有数据库本身具备原生的AI能力,才能真正加速AI的应用与落地。
以AI为中心的价值体现
AI就绪包括战略、基础设施、数据、治理、人才和文化6项指标。以AI为中心,甲骨文则可以谈两个问题:一是将AI带到数据中;二是目前企业能用AI做什么,推动实际应用与创新。
从2023年开始,甲骨文就积极推动云、AI和数据三者有机结合,如今已经初见成效。
尤其在中国市场,甲骨文持续通过AI和云技术,推进中国企业的全球化发展,即China to Global,不仅提供远程支持,还结合本地化服务,助力企业顺利出海。另一个重点推动方向是,布局民营企业,即Go Commercial,助力民营企业快速成长与扩展。
数据显示,2024财年甲骨文收入达530亿美金,研发投入89亿美金。
“甲骨文正在做一件有意义的事,而且也是一件快乐的事。”吴承杨说,甲骨文将最新的技术和理念带给中国企业,始终以需求为导向,提供有价值的服务。
吴承杨认为,今天企业选择数据库的核心问题在于如何简化数据使用和应用开发,只有简化的应用模块逻辑才能实现自动生成。甲骨文数据库的愿景是借助生成式AI,简化应用和分析的生成与运行。
重新定义应用开发架构
对于AI,企业应制定长期的技术发展路线,而非仅根据单一AI技术的特点来进行短期决策。
从企业应用开发来看主要有三大挑战:应用程序内广泛的依赖和假设,使生成和演进变得困难;成千上万行无人理解的AI生成的代码,使应用程序难以理解、验证和维护;企业级稳健性须在整个应用程序编码中考虑。
AI正在重塑企业软件开发架构,软件架构上,从构建式架构向生成式架构转型;软件工程上,从以人为中心的协同开发转向以数据为驱动的生成式开发;软件交互上,从键鼠和触摸交互逐渐转向语音、空间等自然交互;软件交付上,从一切即服务转向服务即智能体。
企业需要重建以AI为中心的企业应用开发架构,架构包括数据、开发架构、基础设施,具备独立、可信可发展、简洁的声明式语言、可扩展性、可靠性、一致性和安全性等优势。
“AI的技术和工具将重新定义整个架构,将基础设施、数据和应用实现深度融合。”甲骨文公司副总裁及中国区CTO谢鹏博士说,要把AI带入数据,也就是数据库原生要具备AI能力。
甲骨文公司副总裁及中国区CTO谢鹏博士
AI和数据是紧密关联的,所以融合数据库能够简化数据之间的价值流动过程。通过模块化的应用结构,尽可能简化逻辑,最终实现应用的自动生成。
写在最后
业界普遍认为2025年是AI应用年,一种是垂直行业的应用,像自动驾驶、机器人,一种是企业全面AI化,像检测效果优化、Agent。
企业需要理念先行,关键在于是否认同以AI为中心的架构。Oracle始终保持向下兼容,最新的Oracle Database 23ai能够平滑过渡,提供向量数据库、图数据、空间数据、JSON二元性等功能。
甲骨文看到的企业应用AI并不是盲人摸象,而是确定性的长期主义。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。