如今,全球云计算市场竞争激烈。微软公司在市场竞争中很难超越亚马逊公司,对于Oracle公司也是如此。相反,微软公司应该专注于其传统的工作领域,并保持竞争力。
Oracle公司在2016Oracle全球大会阐述了其云计算发展计划,但这可能是一个错误的故事。Oracle公司坚持将大力在市场价格上进行竞争,并力争创新,声称其完整的云堆栈的所有权将提供其对亚马逊公司的竞争优势。但事实并不是如此,但却没有说明Oracle公司在云计算中最引人注目的实力:Oracle的传统企业业务。
尽管企业的首席信息官们似乎准备收拾行李离开他们的数据中心,并投身云计算中,然而微软公司已经证明,击败亚马逊公司最好的方式就是不模仿它,而是采用传统的业务击败它。“当然,大型IT厂商转换起来很难。”调查机构Gartner公司分析师梅尔夫•阿德里安为Oracle公司提出的建议,这是一个可以帮助Oracle实现飞跃的混合策略。
告别数据中心
尽管首席信息官们都不太情愿采用公共云,业务人员和为他们服务的开发人员却并不如此,这并不奇怪,因此,根据麦肯锡一个新的调查,大型企业的800多名首席信息官将其工作负载迁移到公共云基础设架构:
到目前为止,这种转变是不成比例的,而受益的厂商就是那些所谓的“超大规模”云供应商,如亚马逊Web服务公司,微软Azure和谷歌云。正如麦肯锡调查报告的作者解释说,“企业明确优先那些超大规模的供应商,因为他们提供的能力可以与供应商达到一种平衡。”如今,这意味着大型企业的工作业务的迁移正在进行,这些超大规模厂商采用云计算已达到48%,而到2018年这一数字预计将上升到80%。
Oracle公司为了保护其庞大的传统业务,推迟了其全面进入公共IaaS市场的计划,即使其以收购的方式进入SaaS和PaaS市场。Oracle公司目前的所作所为积极地告诉市场将认真对待公共云。
到底有多严重?拉里•埃里森宣布:“亚马逊的领先优势结束了,亚马逊将不得不面对激烈的市场竞争。”
为了支持这种说法,Oracle公司推出了一系列云服务,Oracle公司总裁马克•赫德总统坚称,该公司拥有“整个[云]栈”,这意味着Oracle公司将有机会带来最好的部件,并将其优化,使他们作为一个完整的系统。这是理所当然的,而这也是多年来亚马逊公司一直所做的,因此这几乎没有革命性的改变。
此外,Oracle公司不太可能在价格上击败亚马逊公司。尽管Oracle公司声称可以在亚马逊公司的定价下调20%的价格,调查机构Gartner公司的丽迪雅•列隆提醒说,谷歌公司实施这个战略并没有带来多大影响:“在竞争更为激烈的市场中,谷歌公司降价20%还不够。”
如果没有创新,只是在价格上做文章,那么Oracle公司怎么可能与亚马逊公司进行有效的竞争?
像微软公司一样发展
这样的答案很可能是来自微软公司,这是与Oracle公司最相近的企业。尽管亚马逊公司有着巨大的领先优势,微软公司设法让其Azure成为AWS的一个强有力的竞争对手。但是,与甲骨文的竞争姿态不同,微软公司并没有选择直接与亚马逊公司针锋相对的竞争。相反,微软公司注重于亚马逊公司所无法比拟的资产:传统业务。
大谈创新却不会去做。在数据基础设施的区域没有人比得上谷歌公司的创新,但谷歌的云计算总监黛安•格林已经迅速丢弃创新作为一个真正的竞争优势的想法,因为亚马逊公司和微软公司都有着了这些优势。
压低价格也是不可取的。公共云的定价多年一直在下降,亚马逊公司近年来也降低了价格。那么如何才能竞争,Oracle公司的最佳策略是成为新的甲骨文和旧甲骨文,并帮助其客户了解两个世界的意义。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。