ZDNet至顶网服务器频道 01月23日 编译:甲骨文公司已经正式作出承诺,表示将成为世界范围内使用成本最低核心的数据中心设备供应商。
甲骨文执行主席Larry Ellison于近日宣布将对公司的工程系统——如今被更名为X5——已作出更新,并推出新策略向客户提供业界最低的产品采购价位。
Ellison给出的价格下调理由是,甲骨文已经逐渐意识到并不是每一家客户都希望购买其原有工程系统这类高性能的产品方案,因为此类产品虽然性能出色、但价格标签却也高得吓人。
甲骨文长久以来一直强调称其产品的性价比分析结果在业界始终处于领先水平,但Ellison指出,他“已经厌倦了这样的说法”,并开始意识到低成本、双插槽服务器已经在数据中心核心层面上开始占据统治地位。甲骨文希望进军这一市场,并计划在此击败思科与VCE等竞争对手。具体而言,甲骨文方面拿出的竞争优胜资本就是将价格压得更低。
那么甲骨文到底会给出怎样令人惊喜的低价位?
Ellison给出下面这份图表,旨在说明甲骨文对其融合型系统的全新定价方针,并表示其中同时囊括了甲骨文的现有产品价格以及竞争对手们的折后产品价格。
在Ellison看来,甲骨文公司完全能够将其技术堆栈的采购与运营成本压得更低,而企业客户将能够利用商用(但非高集成化)套件构建起属于自己的核心系统、且采用少量经过细致调整的专有方案与之搭配。
甲骨文公司曾经对商用类解决方案不屑一顾,但如今时代背景的变化使其放弃了这种坚持,Ellison表示新加入的应用模板等机制能够让应用程序在几分钟之内投付运行。这些方案同时也增强了甲骨文传统专有产品的稳定性水平。根据近日公布的结论,甲骨文旗下的新型Virtual Compute Appliance、Database Appliance、Exadata Database Machine以及Big Data Appliance等都将享受到这一增强效果,例如拥有更大的闪存容量、更快的CPU处理速度、更强的内部通信能力等等,这一切原本只能通过产品的更新换代实现。
Zero Data Loss Recovery Appliance更是得到了引人注目的更新效果,即使现有时间不足以对数据进行完整或者增量备份,其仍有基于数据库日志实现数据恢复的能力。除此之外,新的FS1全闪存SAN阵列据说也将把速度表现推向新高度。
Ellison的宣讲颇为低调,而且其间他手中的无线遥控还数次抽风、导致他无法顺利操作演示幻灯片。与此同时,他面前显示器上的内容难以看清,他只好选择背对观众、转身看着大屏幕来阅读产品相关信息。一系列麻烦缠身再加上公布的是低价格设备方案,一股凄凉之感贯穿了整次宣传活动。
通过近日的公告、甲骨文公司为自己设定了一项有趣的销售任务,因为多年以来甲骨文已经用实际行动告诉市场、专有设备才是推动业务发展的最佳途径。然而Ellison近日的态度无疑承认了市场根本不相信甲骨文的那套理论,只有思科UCS以及其它联盟厂商的融合型基础设施才是客户心中的理想选择。
甲骨文如今开始屈尊向市场需求倾斜、打造客户想要而非其自身想要出售的产品,不过仍坚称其集成化系统方案优于竞争对手。但光靠经验及原有成就似乎并不足以说明问题,因为这一次Ellison的演讲主题在于低成本,但是在这方面甲骨文显然没什么经验。因此,甲骨文选择的全新方案势必引发一系列争论。目前唯一明确的信息是,甲骨文公司仍在努力寻找其硬件业务的“甜蜜点”。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。