甲骨文：數據多模融合絕非選擇題，而是決勝智能體時代的必選題

在AI大模型技術加速滲透產業生態的當下，智能體作為技術落地的核心載體，正以革命性姿態推動千行百業邁向數智化深度轉型。Gartner數據顯示，2024年全球企業軟件中內置AI智能體功能的比例僅為1%，但到2028年這一數字有望飆升至33%，屆時約15%的日常業務決策將由AI自動完成；高盛研究則預測，至2030年AI智能體將創造約7萬億美元的經濟價值，其中超過40%將源自生產效率的顯著提升。

在這背后，是AI技術范式的三次關鍵躍遷：從判別式AI到生成式AI，再到推理型AI的技術突破，它不僅持續推動人工智能向通用化方向演進，更通過場景創新形成技術與生態的協同進化，最終加速智能體時代的全面到來。從這個角度來說，這場由AI智能體引領的變革，正重構全產業鏈的價值創造模式，催生數智化升級的新范式。

但也要看到，企業在擁抱這場變革時也面臨著雙重挑戰：既需要竭盡所能的獲取更多高質量行業數據，也需要持續構建更大規模的AI數據基礎設施，畢竟數據的規模和質量決定了AI智能的高度，更決定了智能體在實體經濟應用場景中的落地效能。

在此背景下，甲骨文提出以融合數據庫技術為核心，構筑以AI為中心的企業數據平臺，實現多種數據類型和多種工作負載的融合，打造“更簡單、更安全、更可靠”的AI解決方案，這不僅能加速智能體對實體經濟的賦能作用，更能助力企業在數智化浪潮中重構核心競爭力，最終形成數據驅動業務增長的“飛輪效應”。

01.

AI新時代，

數據多模融合已是大勢所趨

眾所周知，在人工智能深刻重塑產業格局的今天，數據已成為驅動創新的核心要素。然而，當AI從輔助工具進化為具備自主推理與決策能力的“智能體”時，傳統數據管理方式的局限性日益凸顯——單一數據類型、分散的數據庫架構，正成為AI效能釋放的“桎梏”。隨著數據維度爆炸式增長，這一矛盾愈發尖銳，倒逼數據庫技術迎來根本性變革。

在甲骨文公司副總裁及中國區董事總經理吳承楊看來，傳統認知中“數據”多被狹義理解為結構化表格或文本，而如今其邊界已延伸至空間坐標、向量特征、社交關系圖譜、實時數據流乃至非結構化和半結構化數據。這種變化重構了數據庫的核心定義，從側重“分庫分表”架構，轉向“多模融合”的橫向整合能力。所謂“多模融合”，本質就是構建出能同時處理多種數據類型及多種業務負載的統一平臺——這一需求正隨AI發展變得愈發關鍵。

但面對全新的需求，部分企業仍然在實踐中暴露出兩大誤區：其一，采用“堆砌數據庫”策略，如用MongoDB處理文檔、Neo4J管理圖數據、MySQL存儲結構化數據，看似靈活實則陷入“復雜度黑洞”，由此不僅導致學習成本高企，同時跨庫整合的復雜度更遠超傳統處理能力；其二，部分國產數據庫還試圖在應用層或通過數據中臺解決所有問題，但實踐驗證也發現，當代碼由機器生成時，過于復雜的數據庫結構反而成為AI安全管控的障礙。

更深層的問題在于架構思維滯后，當前許多企業仍將AI視為獨立項目，在現有數據平臺外“另起爐灶”，但AI革命需深度融入系統底層架構而非浮于應用表面，若企業連數十個數據庫的整合、中臺搭建與基礎安全都難以實現，AI集成和整合自然也會淪為“空中樓閣”，這也正是大量AI項目投入巨大卻收效甚微，甚至淪為“爛尾工程”的核心癥結。

也正因此，AI時代“數據中臺”概念逐漸淡化，未來真正的突破方向在于構建“多模融合”的數據庫，實現數據類型、技術架構與應用負載的統一承載，而甲骨文提出的“融合數據庫”理念就為此提供了豐富的實踐范本。

為此，吳承楊也用了一個較為生活化場景來做更全面的詮釋，若將傳統數據庫架構比作“十個冰箱存十種食材”，廚師需反復開關不同設備取料；而融合數據庫則如同“千升級智能冰箱”，內置溫控系統、食材識別與自動配比功能，由此實現數據管理的質變。

換句話說，在具體的業務實踐中，當企業面臨圖數據分析需切換Neo4j、空間數據需調用PostGIS、文檔存儲依賴MongoDB的復雜局面時，甲骨文的融合數據庫可通過統一平臺消除了多庫并行的技術復雜度；當AI模型需要實時調用結構化交易數據與非結構化用戶行為日志時，甲骨文融合數據庫的原生多模能力也確保了數據供給的即時性與完整性。可以說，甲骨文的“融合數據庫”在AI時代的價值全面凸顯，既源于其四十余年數據庫技術的深厚積淀，也得益于其長期堅持的“一體化”的集成理念。

不難看出，在AI智能體時代，數據多模融合已非技術炫技，而是AI基礎設施的革命性升級，它也不再是企業簡單的一道“選擇題”，而是決勝智能體時代的“必選題”。

02.

重構底座，

構筑AI為中心的企業數據平臺

事實上，在Gartner發布的《2025年中國人工智能十大趨勢》中就指出，隨著AI模型標準化與普及化進程加速，企業戰略重心正從單純追求模型先進性轉向深度優化數據資源。越來越多的企業意識到，真正的競爭優勢并非源于模型本身，而在于那些難以復制的獨特內部數據資產，這些數據也正成為驅動AI落地應用與差異化創新的核心要素。

面對這一變革趨勢，甲骨文提出基于融合數據庫構建“以AI為中心的企業數據平臺”，通過多模態數據融合、異構架構整合及復雜工作負載統一管理，助力企業實現從數據積累到智能決策的跨越式發展。

甲骨文公司中國區技術咨詢部高級總監嵇小峰指出，該架構具備“更簡單、更安全、更可靠”三大核心優勢，具體來看：

首先，在“更簡單”方面，當前傳統AI開發面臨多重技術挑戰，如非結構化數據（如基因序列、語音視頻）的向量化處理需求激增，但多數數據庫缺乏原生向量支持；此外，多源異構數據集成導致成本高昂以及開發框架與數據庫的兼容性問題制約效率提升等等，而甲骨文的融合數據庫技術則可以輕松化解這些痛點。

針對向量計算場景，甲骨文融合數據庫通過內置向量索引與多種相似性檢索算法，支持動態擴展的向量數據庫架構。在此技術上，結合GoldenGate數據集成技術，可實現結構化/非結構化數據（包括已向量化的數據）的無縫集成與實時同步，構建統一數據底座。

在開發框架方面，甲骨文融合數據庫原生支持LangChain等主流AI開發框架，通過標準化API直接調用數據庫進行向量操作；同時自然語言交互接口（如APEX低代碼平臺）進一步降低開發門檻——用戶可通過自然語言描述需求，系統即可自動生成應用藍圖并集成AI能力（如聊天機器人、智能報表）。

不僅如此，甲骨文的向量化技術還深度集成至Oracle Exadata等硬件平臺，在基因測序、金融風控等高并發場景中可實現毫秒級響應，企業無需額外配置專用向量數據庫，即可在統一平臺完成數據存儲、處理與分析全流程。

其次，在“更安全”方面，AI應用的普及放大了數據安全風險，大模型生成的代碼規模龐大，傳統人工審查難以覆蓋；智能體（Agent）的決策邏輯由LLM動態生成，透明度也顯著降低。為此，甲骨文也通過三層安全防護體系守住安全底線。

其中，虛擬私有數據庫（VPD），可在數據層動態生成用戶權限視圖，確保敏感數據僅對授權角色可見；實時應用安全（RAS），可將細粒度訪問控制嵌入數據庫操作層面，而非依賴應用層代碼；SQL防火墻，則能夠自動攔截異常查詢模式（如惡意注入攻擊），阻斷數據泄露路徑。為此，甲骨文把這些策略以簡便的方法定義在數據層中，用戶的應用整體上就顯得高枕無憂了。

最后，在“更可靠”方面，當前企業正趨向于使用更先進的AI解決方案和開發架構構建企業級AI應用，其需求主要包括：模塊可以組裝、互相獨立，可以各自發展；整個應用要能夠用聲明式的語言簡單地說明意圖，對它進行描述；同時，整個架構也需要具備健壯性、高可用性、安全性、一致性等等。

為此，甲骨文也推出了面向企業的以AI為中心的生成式開發基礎設施GenDev，它結合了Oracle Database 23ai 中的創新技術，如JSON Relational Duality Views、AI Vector Search等，能夠提供以聲明式語言和視圖，可自動或輔助實現企業級AI應用所需的獨立性、隔離性、保密性、一致性、可演進性和可生成性，這一全新的開發架構支持低代碼或無代碼開發方式，通過預構建的集成和可視化開發工具，能夠快速幫助企業實現應用的現代化。

值得一提的是，甲骨文的融合數據庫還支持“向下兼容”，企業可根據業務需求分階段升級，避免“為升級而升級”的無效投入。同時，面對PB級結構化數據與非結構化數據（如視頻、語音）的暴增，甲骨文也通過硬件優化（如ZFS存儲陣列提供100Gb帶寬）與分布式擴展能力，確保查詢效率與準確性。

客觀地說，數據庫作為最為核心的基礎軟件，其穩定性與可靠性直接決定上層應用的成敗，因此選擇經過驗證的成熟融合數據庫方案，仍是企業用戶最理性的決策。

對此，吳承楊強調說：“作為深耕數據庫領域四十余年的企業，甲骨文深知數據庫產品化落地的核心在于商品化所需的穩定性與可靠性，而非單純的市場概念，而甲骨文融合數據庫，不僅是甲骨文每年將營收的10%-15%投入研發長期沉淀的結果，更經過了市場一線的的驗證，已在眾多客戶應用場景中實現了穩定運行，這也構成了甲骨文最為堅實的競爭力。”

03.

躬身入局，

加速AI智能體融入千行百業

毫無疑問，未來AI智能體與細分場景、垂直行業的深度融合將成為全行業數智化轉型的核心驅動力。在此進程中，甲骨文不僅“授人以魚，也授人以漁”，通過“躬身入局”的實踐方式，將技術能力轉化為可落地的業務價值，加速AI智能體在千行百業的落地與應用。

吳承楊表示，這也正是甲骨文在AI時代為客戶創造價值的核心邏輯——即以實際案例驗證技術到業務成果的轉化路徑，如同“用建筑材料打造樣板房”， 助力企業實現技術到業務的價值轉化。

以制造業良率追溯場景為例，某制造企業與甲骨文共建的AI智能平臺，就成功破解了傳統生產模式的三大痛點，包括生產數據、質量手冊、維修記錄、設備參數等核心信息分散于不同系統，數據格式各異，形成信息孤島；此外，海量數據中隱藏的深層關聯性難以通過傳統分析手段挖掘，導致問題定位依賴經驗而非數據；更為關鍵的是，當良率波動或缺陷增加時，從問題發現到根源定位往往需要數小時甚至更長時間，且嚴重依賴專家個人能力。

針對這些挑戰，基于甲骨文AI數據平臺打造的制造業良率追溯系統則徹底化解了這些難題，依托甲骨文數據庫對MES、QMS等系統的天然兼容性，實現全鏈路數據集中存儲；內置數據庫級AI算法，大幅提升分析準確性與響應速度；而圖關系技術構建精準追溯路徑，結合數據檢索能力進一步優化結果可靠性；最后，企業級架構設計提供縱深數據安全防護，通過多模式高可用方案確保上層AI應用的穩定運行。

同樣，在制造業財務智能查詢與分析領域，甲骨文也展現出了創新的實力。針對制造業財務數據查詢與分析的典型痛點，如指標分散于多系統報表、復雜查詢依賴開發人員介入、圖表可視化效果差影響決策效率，甲骨文的AI解決方案也通過技術創新實現了突破，如基于OGG Data Fabric構建多源、異構數據集成環境，打破系統壁壘實現全量數據互通；采用NL2SQL自然語言交互技術，降低分析門檻并支持移動端實時查詢；數據層具備高性能、高可用能力，能夠將復雜報表轉化為直觀決策依據，顯著提升決策效能。

這些案例僅僅是甲骨文融合數據庫賦能行業數智化轉型的“縮影”。在甲骨文看來，企業級AI應用或者說AI智能體落地成功的關鍵在于把握兩大核心要素：一方面，是場景的可行性，甲骨文建議行業客戶優先選擇技術復雜度可控、業務價值顯著的場景，通過結構化評估框架幫助客戶衡量技術成熟度與ROI，確保首個試點項目快速見效；另一方面，是必須以業務價值為導向，目前越來越多的客戶傾向于按照實際效果付費，而非單純的采購軟硬件平臺，為此甲骨文也會聯合生態伙伴通過Workshop形式與客戶共探場景，確保技術方案與業務需求深度融合。

吳承楊最后表示，甲骨文“躬身入局”背后，是因為甲骨文并不是依賴服務收費來實現盈利的企業，而是更注重和聚焦于生態共建與能力賦能，未來甲骨文也會堅持通過“樣板房”項目培育ISV生態，同時產生的后續項目，也會交由合作伙伴主導落地；在此基礎上，甲骨文還會輸出方法論體系，將歸因分析、數據體系構建等最佳實踐分享給行業客戶，助力其建立自主的數據驅動能力，真正實現“授人以漁”的價值傳遞。

事實上，在甲骨文近期公布的FY25 Q4財報中也可以看到，甲骨文在這場AI變革中的前瞻布局已進入“收獲期”——整體云業務（涵蓋云應用與云基礎設施）增長率，預計將從2025財年的24%大幅提升至2026財年的40%以上；此外，作為云基礎設施核心的OCI板塊，增速更將從2025財年的50%躍升至2026財年的70%以上，加上全年574億美元的營收規模，以及在手訂單1380億美元，都創新下了歷史新高，這背后不僅印證了甲骨文在戰略上的正確性，更是甲骨文能夠在AI時代持續突破和創新的關鍵和底氣所在。

總的來說，在AI智能體時代，企業競爭的本質其實就是數據競爭力的比拼，而甲骨文以“多模融合數據庫”為底座、以“AI為中心的數據平臺”為引擎的戰略，不僅能幫助企業最大化簡化技術棧、強化安全防護，更能釋放數據資產的最大價值，成為企業在數智化轉型過程中持續贏得先機的核心引擎。