ZD至顶网软件频道消息: 3月2日,为了能让企业在自己的数据中心使用云,继续帮助企业简化采用云的过程,甲骨文宣布推出Oracle Exadata Cloud Machine,以进一步扩展Oracle Cloud at Customer产品组合。面对关键任务的工作负载,企业需要决定在何处部署全球最先进的数据库云,这个发布标志着甲骨文为企业提供了极致的选择与灵活性。企业现在可通过多种方式部署Oracle Exadata,包括将其作为一种云服务部署在自己的数据中心、部署在Oracle云或部署在传统的本地环境中。
企业一直希望能通过某些方式来消除公有云与本地部署之间的差距,因此Oracle Cloud at Customer自一年前面市以来受到了广泛欢迎。很多企业受到了商业、法律和监管要求的限制,即使希望将工作负载迁移至公有云,也无法将自己的数据和应用迁移出自己的数据中心。对于要求或希望将自己的数据库部署在本地的客户,Oracle Exadata Cloud Machine提供了部署于甲骨文公有云端的Oracle Exadata Cloud Service的全部功能。
甲骨文系统技术高级副总裁Juan Loaiza表示:“对于希望在自己的数据中心使用云的企业来说,Oracle Exadata Cloud Machine是一个理想的平台。多年以来,Oracle Exadata一直是数千家客户运行任务关键型甲骨文数据库的首选平台,而Oracle Exadata Cloud Machine又将这一核心优势进一步延伸,让希望使用云但无法采用或还未准备好迁移至公有云的客户也能享用这一优势。”
通过Oracle Exadata Cloud Machine,客户可以使用最强大的Oracle数据库,订阅数据库所有的选件和功能,例如实时应用集群(Real Application Clusters)、数据库内存(Database In-Memory)选件、Active Data Guard选件和Advanced Security选件,为任务关键型工作负载提供了极高水平的性能、可用性和安全保障。并且,Oracle Exadata Cloud Machine可完全兼容本地部署和Oracle云的应用及数据库,可确保将任何现有应用不经修改地快速迁移至云端。
Oracle Exadata Cloud Service和Oracle Exadata Cloud Machine提供众多领先的功能,包括:
IDC结构化数据管理软件研究副总裁Carl Olofson表示:“所有IT企业都计划迁移到公有云,甲骨文的客户也是一样。Oracle Cloud at Customer提供了一种转型至云端的全新模式,直接从数据中心开始,并能和企业本地的应用保持直接的互动。Oracle Exadata Cloud Machine通过Exadata的所有功能进一步扩展了这一能力,并由甲骨文云团队远程管理,向最终实现云部署迈出了绝佳的第一步。”
Oracle Cloud at Customer产品组合可让企业在自己的数据中心内享受甲骨文公有云服务的所有优势,其业务模式与订阅公有云服务相同,并且不改变软件和硬件,并由甲骨文专家监测并管理基础架构,此外,甲骨文公有云上的工具与Cloud Machine上的配置资源相同。在所有主要公共云提供商当中,只有这款产品提供可100%与Oracle云兼容,并且企业本地部署的堆栈同时也能使用。由于该软件可与Oracle云无缝集成,客户可将其用于多种应用,包括灾难恢复、弹性扩容、开发/测试、升降迁移工作负载和用于开发运营(DevOps)的单一API和脚本工具包。作为完全托管的甲骨文产品,无论是在自己的数据中心还是在甲骨文云端使用,客户都可以获得相同的体验和最前沿的创新优势。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。