全球首个唯一针对甲骨文数据库而优化的共享持久内存系统
甲骨文全球技术大会ORACLE OPENWORLD,旧金山,2019年9月16日——英特尔公司和甲骨文公司宣布,甲骨文将整合英特尔傲腾数据中心级持久内存的高性能功能至其下一代Exadata平台——ORACLE Exadata X8M当中。Exadata驱动着Oracle自研数据库、Oracle云应用以及全球大部分大型银行、电信运营商和零售商的高性能数据库基础设施。
Oracle Exadata X8M运行着全球大量任务关键型应用。Exadata是Oracle自研数据库的基础。(图片来源:甲骨文)
英特尔傲腾数据中心级持久内存专为数据中心应用而设计,代表着新一代内存和存储技术。 (图片来源:英特尔公司)
Oracle Exadata X8M基于业界标准的第二代英特尔至强可扩展处理器、英特尔傲腾数据中心级持久内存和100千兆RoCE网络构建,支持当今要求严苛的线上交易处理(OLTP)、分析和混合型工作负载数据库需求,以及数据库整合和数据库内机器学习。这一首创的集成方式旨在为延迟敏感型的活动提供卓越的性能,如高频股票交易、物联网数据处理、实时欺诈和入侵检测、金融交易,以及需要实时人机交互的应用。
英特尔公司执行副总裁兼数据中心事业部总经理孙纳颐(Navin Shenoy)表示:“在英特尔,我们致力于交付让客户能够充分释放数据价值的平台基础。英特尔第二代至强可扩展处理器和傲腾数据中心级持久内存在甲骨文Exadata X8M产品中的集成,代表了我们长期合作的进一步拓展,旨在为全球企业提供突破性解决方案。通过更快的分析和更短的响应时间,我们的客户正在体验傲腾数据中心级持久内存带来的各种可能性。”
甲骨文公司任务关键型数据库技术执行副总裁Juan Loaiza表示:“我们与英特尔的合作在支持具有最高性能和可用性的数据库方面树立了一个新的行业标杆。甲骨文和英特尔已经将先进的持久内存技术集成到领先的企业数据库机器中,以便实时访问最关键的任务数据。这打破了那些无法跟上创新水平的传统共享存储系统和服务器的局限。”
英特尔傲腾数据中心级持久内存是内存—存储层级中的一个突破性创新,能够集DRAM般的性能与数据存储的持久性于一身。第二代英特尔至强可扩展处理器所支持的傲腾数据中心级持久内存能够以更快的速度为每个平台提供更大的总内存容量,并能够比业界最佳的固态盘以更快的速度进行对持久数据的字节可寻址访问。
Exadata X8M以业界独一无二的方式应用英特尔傲腾数据中心级持久内存,在于Exadata采用复杂的远程直接内存访问(RDMA)技术,使数据库能够直接访问部署在智能共享存储服务器中的持久内存,从而绕过整个操作系统、网络和IO软件堆栈。与之前的Exadata版本相比,这可将Exadata X8M中的IO延迟减少十倍。
Exadata X8M代表了甲骨文与英特尔过往10余年的持续创新和深度工程合作。Exadata如今运行着世界上许多任务关键型应用,包括80%的大银行、电信运营商和零售商。《财富》全球100强中超过77%的企业在使用Exadata。Exadata是Oracle自研数据库的基础,它利用机器学习提供具有自我驱动、自我保护和自我修复功能的数据库服务,从而构建一个更具可靠性和安全性的系统,使企业机构和开发人员得以提高工作效率。
甲骨文提供各种选择和部署的灵活性,让客户能够在任何地方——Oracle云(作为客户服务中甲骨文独特的第二代Exadata云的核心)以及本地——使用Exadata。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。