甲骨文公司(Oracle)为了吸引更多小型企业和部门级客户使用旗下的高端Exadata云服务,近日推出“智能数据架构”Exadata Exascale服务。该智能数据架构能够以远低于旗舰版Exadata服务的成本在多个云实例上提供高速查询性能。
据甲骨文公司称,Exadata 云是一种高性能的数据库服务,全球财富100强中58%的企业使用Exadata 云。这个面向企业的服务的成本限制了其在较小规模公司的应用。甲骨文表示,新的智能数据架构利用了规模经济和弹性,使得Exadata能更广泛地使用,价格比专用服务可低至95%。同时,智能数据架构也不会像大多数其他云服务商那样向客户收取输入/输出操作的费用。
Moor Insights & Strategy公司副总裁兼首席分析师 Matt Kimball 称该低价产品是“甲骨文云的一大胜利”。各种规模和各种技术深度的公司现在都能以合理的入门成本 轻松地使用甲骨文数据库平台各种奇妙的功能。他表示,“是一件大事情。”
Exadata Exascale使用多租户资源池、基于硬件的远程直接内存访问以及存储服务器上的预测性预处理等方式提供查询服务,甲骨文 公司称查询性能比其他云供应商的同类服务快 50 多倍。Exascale的RDMA (Remote Direct Memory Access)允许一台计算机直接访问另一台计算机的内存,而且不涉及两台计算机的任何一台 计算机的操作系统。
资源池
Exascale数据架构由虚拟化的数据库优化基础设施支撑,而基础设施则是基于共享计算和存储池,能够实现弹性伸缩和按用量计费的经济模式。其多租户架构提供了弹性和灵活性,客户可以根据需要指定核心数量和存储容量。Exascale控制平面将每个数据库分散到数十个汇聚在一起的存储服务器上。物理服务器配置进行了抽象化,因此用户看到的只是数据库和虚拟机集群。
甲骨文公司Exadata和扩展技术高级副总裁Kothanda Umamageswaran表示,“客户不必购买数据库或存储服务器。客户可以说他们需要300千兆字节的存储和4个内核,也可以说他们需要10兆兆字节的存 储和200个内核。初始配置非常地弹性,购买系统后也是一样。”
智能存储
Umamageswaran 表示,Exadata Exascale 是“一项重大的软件变革”。自动存储管理在以前曾用于在数据库之间分配存储。Exadata Exascale 新架构有一个通用的 Exadata 计算和存储服务器池,可以支持数千个租户和数百万个数据库。客户可以作为租户进入,只需指定他们需要的 内核和存储。
Kimball表示,甲骨文公司“通过将数据库分解成更小的外延实现性能和规模的最优化,从而实现了额外的效率提升。这是一件大事,因为可以实现 I/O 扩展,使甲骨文所谓的松散耦合架构能够有效地发挥作用”。
RDMA 访问对提高性能至关重要,因为无需通过操作系统、数据库、负载平衡器和其他层就可以访问存储中的数据。数据库可通过使用 RDMA 自动获取数据,并从 Exadata RDMA 内存中提取数据。
甲骨文的存储云使用 x86 预处理器对数据进行自动分层。访问量最小的数据或冷数据留在磁盘上,温数据则加载到闪存缓存中 ,最热的数据保存在内存中。
Umamageswaran 表示,“存储云从计算服务器对所有分层进行透明管理。例如,如果数据库向存储发送备份,我们不会自动将其缓存,而是智能地直接将其发送到磁盘。”
存储服务器与数据库进行同步,可以根据查询活动智能预加载数据。他表示,“系统实际上知道数据库的行和列以及压缩格式。计算和存储之间共享所有数据库代码。”
自动分层
Umamageswaran 表示,分层是个“数据类型和工作负载情况的函 数,能够缓存客户需要的数据,忽略客户不需要的数据。例 如,如果用户需要上周的销售数据,系统不会将所有的销售数据历史记录发回数据库。”
甲骨文公司表示,其结果是Exadata Exascale将动态随机存取内存的 性能、闪存的输入/输出性能和磁盘容量结合在一起。
Exascale架构还支持将虚拟机镜像存储在智能共享存储上,这一功能 在虚拟机实时迁移时非常有用。同时还提供空间高效的数据卷快照和文件系统及数据库的完整克隆,可在开发和测试时用。
对于进行大型语言模型训练的企业来说,甲骨文的矢量搜索可以透明地卸载到Exascale存储上,并在存储云上自动并行查询 ,可以提高性能。每台存储服务器独立计算查询匹配,数据库对结果进行合并,甲骨文称这可使矢量查询性能提高30倍。
Kimball 表示,Exadata Exascale 应该会受到大型组织内那些负担不起企业级数据库服务的部门的欢迎。他表示,他曾在州政府工作 过,当时预算紧张的机构和工作组“经常选择一个轻量级的数据库平台,平台缺乏甲骨文公司的能力和性能。Exadata Exascale 完全改变了局面。”
他接着表示,不过甲骨文在中小企业中并不是一个家喻户晓的名字。Kimball称,“如果我是甲骨文的营销人员,我就会开展教育推广活动,让那些一开始就因为成本和复杂性而不考虑我的技术的细分市场了解我的技术。”
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。