鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

2025年甲骨文全球AI大会发布多项重磅产品

编程导航
编程导航
2025-11-05 12:30
阅读 343
编程导航
2025-11-05 12:30
阅读 343

【TechWeb】11月5日消息,在Oracle AI World 2025(2025年甲骨文全球AI)大会上,甲骨文宣布了多项涵盖 Oracle Cloud Infrastructure、Database 和 Analytics 的全新产品更新,在数据库方面的包括Oracle AI Data Platform和Oracle AI Database 26ai的正式推出,赋能企业在AI时代加速创新。在云技术方面的包括大型云端 AI 超级计算机 OCI Zettascale10等。

近期,甲骨文公司中国团队向国内媒体进行了大会重点发布内容的分享。

甲骨文公司副总裁及中国区董事总经理吴承杨表示,此次甲骨文大会的名称从 “Oracle Cloud World” 改成了 “Oracle AI World” ,意味着Oracle认为AI changes everything(AI改变了一切)。

甲骨文公司副总裁及中国区董事总经理吴承杨

吴承杨强调:“Oracle对AI的理解,是把AI带进 Data。Oracle的AI能力是多层结构的,架构层、数据层、应用层都有AI的部分,拥有完整的AI技术堆栈能力。”

“现在中国有越来越多的客户在出海,他们出海的时候不仅仅要使用GPU,很多时候还需要使用大语言模型,通过API的方法调用大语言模型。Oracle是目前供应商中支持最多大语言模型的一家,几乎涵盖了所有的主流大语言模型。” 吴承杨向TechWeb表示。

目前,大语言模型应用开发平台Dify与甲骨文中国达成合作。

Dify创始人兼CEO张路宇

Dify创始人兼CEO张路宇表示:“Dify在2023 年发布了开源的Agent AI基础设施,目前在 GitHub 上的星标数接近 12 万,跻身全球开源项目 Top 50。 Dify 起步于中国,现已迈向全球化。”

张路宇介绍,此次双方合作包括:第一:Dify的产品会在Oracle Cloud Marketplace上架,这意味着Dify的产品和服务可以非常轻松地部署在OCI(Oracle Cloud Infrastructure)上;第二,Oracle AI Database 26ai不管是结构化的部分还是向量化的部分,都会完美兼容Dify的引擎;第三,Dify将支持MCP插件,连接PaaS各种能力之上。

面向 AI 的新一代 OCI Zettascale10 Cluster

此次大会上,甲骨文重磅发布了OCI Zettascale10,这是大型云端AI 超级计算机。

OCI Zettascale10 将跨多个数据中心的数十万 NVIDIA GPU 连接起来,形成多千兆瓦级集群,峰值性能可达 16 ZettaFLOPS。

基于下一代 Oracle Acceleron RoCE 网络架构构建,OCI Zettascale10 采用 NVIDIA AI 基础设施,提供大规模扩展能力、集群内极低 GPU-GPU 延迟、极高的性价比、提升的集群利用率,以及满足大规模 AI 工作负载所需的可靠性。

甲骨文公司中国区云工程部门总经理窦杰

甲骨文公司中国区云工程部门总经理窦杰介绍,此次发布的OCI Zettascale10 Cluster可以支持高达80万个NVIDIA GPU,通过Oracle Acceleron超低延迟RoCEv2网络实现高GPU间互联带宽。因此,在如此复杂的网络架构下,必须同时保证数据的高吞吐、低延迟,甲骨文在AI基础架构上做了很多工作,OCI的特点是高性能、高性价比以及安全的基础设施。

资料显示,OCI Zettascale10 是支持位于美国德克萨斯州阿比林、与 OpenAI 合作建设的旗舰超算集群(Stargate 项目)的基础架构,最初于2024年9月推出。OCI Zettascale10 采用 NVIDIA AI 基础设施,提供大规模扩展能力、集群内极低 GPU-GPU 延迟、极高的性价比、提升的集群利用率,以及满足大规模 AI 工作负载所需的可靠性。

新一代 AI 原生数据库 Oracle Database 26ai

大会上,甲骨文还发布了数据库Oracle Database 26ai。吴承杨也强调,“这是大会中让他印象最为深刻的发布”。

据介绍,Oracle Database 26ai依旧是一个全功能的关键任务型 Oracle 数据库,独特之处在于它安全、高效、可靠地将 AI 集成到了数据所在位置。无论数据位于 Oracle Cloud、其他超大规模云环境、私有云环境还是本地部署环境,它都能提供强大的 AI。简而言之,这个关键任务型企业数据库将提供原生向量搜索、自治 AI 数据湖仓功能、自然语言分析以及面向企业应用开发人员的 AI。

Oracle AI Database 26ai不仅集成 AI 技术来处理所有主要数据类型和工作负载(包括 AI 向量搜索),还进一步将 AI 集成到数据库管理、数据开发、应用开发、数据分析等各种数据库功能。同时,该版本还支持 Apache Iceberg 开放表格式、模型上下文协议 (MCP)、业内前沿 LLM、主流 Agentic AI 框架,以及开放神经网络交换 (ONNX) 嵌入模型。

甲骨文公司中国区技术工程部总经理嵇小峰

甲骨文公司中国区技术工程部总经理嵇小峰强调:“Oracle AI Database 26ai,它不是只是把23ai改一个名字,它增加了很多AI功能,但又不只是一个升级。很多客户会担心数据库升级自己的应用是不是兼容。并不是传统意义上的升级。我们称其为转变,26ai替代了23ai,23ai转成了26ai。“

Oracle AI Database 26ai 是一个长期支持版本,用以取代 Oracle Database 23ai。客户只需进行 2025 年 10 月的版本更新,即可从 23ai 升级到 26ai 现有功能。客户不但可以获得当前可用功能,还有资格享用未来发布的更多功能。客户无需进行数据库升级或重新认证应用。诸如 AI Vector Search 等高级 AI 功能均附带在内,无需额外付费。(果青)

原文链接: 2025年甲骨文全球AI大会发布多项重磅产品
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230