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
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。