媒体视点｜甲骨文：数据多模融合绝非“选择题”，而是决胜智能体时代的“必选题”

在 AI 大模型技术加速渗透产业生态的当下，智能体作为技术落地的核心载体，正以革命性姿态推动千行百业迈向数智化深度转型。Gartner 数据显示，2024年全球企业软件中内置AI智能体功能的比例仅为1%，但到2028年这一数字有望飙升至33%，届时约15%的日常业务决策将由AI自动完成；高盛研究则预测，至2030年 AI 智能体将创造约7万亿美元的经济价值，其中超过40%将源自生产效率的显著提升。在这背后，是 AI 技术范式的三次关键跃迁：从判别式 AI 到生成式 AI，再到推理型AI的技术突破，它不仅持续推动人工智能向通用化方向演进，更通过场景创新形成技术与生态的协同进化，最终加速智能体时代的全面到来。从这个角度来说，这场由 AI 智能体引领的变革，正重构全产业链的价值创造模式，催生数智化升级的新范式。

但也要看到，企业在拥抱这场变革时也面临着双重挑战：既需要竭尽所能的获取更多高质量行业数据，也需要持续构建更大规模的AI数据基础设施，毕竟数据的规模和质量决定了 AI 智能的高度，更决定了智能体在实体经济应用场景中的落地效能。

在此背景下，甲骨文提出以融合数据库技术为核心，构筑以AI为中心的企业数据平台，实现多种数据类型和多种工作负载的融合，打造“更简单、更安全、更可靠”的AI解决方案，这不仅能加速智能体对实体经济的赋能作用，更能助力企业在数智化浪潮中重构核心竞争力，最终形成数据驱动业务增长的“飞轮效应”。

AI 新时代，数据多模融合已是大势所趋

众所周知，在人工智能深刻重塑产业格局的今天，数据已成为驱动创新的核心要素。然而，当AI从辅助工具进化为具备自主推理与决策能力的“智能体”时，传统数据管理方式的局限性日益凸显——单一数据类型、分散的数据库架构，正成为AI效能释放的“桎梏”。随着数据维度爆炸式增长，这一矛盾愈发尖锐，倒逼数据库技术迎来根本性变革。

在甲骨文公司副总裁及中国区董事总经理吴承杨看来，传统认知中“数据”多被狭义理解为结构化表格或文本，而如今其边界已延伸至空间坐标、向量特征、社交关系图谱、实时数据流乃至非结构化和半结构化数据。这种变化重构了数据库的核心定义，从侧重“分库分表”架构，转向“多模融合”的横向整合能力。所谓“多模融合”，本质就是构建出能同时处理多种数据类型及多种业务负载的统一平台——这一需求正随AI发展变得愈发关键。但面对全新的需求，部分企业仍然在实践中暴露出两大误区：其一，采用“堆砌数据库”策略，如用MongoDB处理文档、Neo4J管理图数据、MySQL存储结构化数据，看似灵活实则陷入“复杂度黑洞”，由此不仅导致学习成本高企，同时跨库整合的复杂度更远超传统处理能力；其二，部分国产数据库还试图在应用层或通过数据中台解决所有问题，但实践验证也发现，当代码由机器生成时，过于复杂的数据库结构反而成为AI安全管控的障碍。

更深层的问题在于架构思维滞后，当前许多企业仍将AI视为独立项目，在现有数据平台外“另起炉灶”，但AI革命需深度融入系统底层架构而非浮于应用表面，若企业连数十个数据库的整合、中台搭建与基础安全都难以实现，AI集成和整合自然也会沦为“空中楼阁”，这也正是大量AI项目投入巨大却收效甚微，甚至沦为“烂尾工程”的核心症结。

也正因此，AI时代“数据中台”概念逐渐淡化，未来真正的突破方向在于构建“多模融合”的数据库，实现数据类型、技术架构与应用负载的统一承载，而甲骨文提出的“融合数据库”理念就为此提供了丰富的实践范本。

为此，吴承杨也用了一个较为生活化场景来做更全面的诠释，若将传统数据库架构比作“十个冰箱存十种食材”，厨师需反复开关不同设备取料；而融合数据库则如同“千升级智能冰箱”，内置温控系统、食材识别与自动配比功能，由此实现数据管理的质变。

换句话说，在具体的业务实践中，当企业面临图数据分析需切换Neo4j、空间数据需调用PostGIS、文档存储依赖MongoDB的复杂局面时，甲骨文的融合数据库可通过统一平台消除了多库并行的技术复杂度；当AI模型需要实时调用结构化交易数据与非结构化用户行为日志时，甲骨文融合数据库的原生多模能力也确保了数据供给的即时性与完整性。可以说，甲骨文的“融合数据库”在AI时代的价值全面突显，既源于其四十余年数据库技术的深厚积淀，也得益于其长期坚持的“一体化”的集成理念。

不难看出，在AI智能体时代，数据多模融合已非技术炫技，而是AI基础设施的革命性升级，它也不再是企业简单的一道“选择题”，而是决胜智能体时代的“必选题”。

重构底座，构筑 AI 为中心的企业数据平台

事实上，在Gartner发布的《2025年中国人工智能十大趋势》中就指出，随着AI模型标准化与普及化进程加速，企业战略重心正从单纯追求模型先进性转向深度优化数据资源。越来越多的企业意识到，真正的竞争优势并非源于模型本身，而在于那些难以复制的独特内部数据资产，这些数据也正成为驱动AI落地应用与差异化创新的核心要素。面对这一变革趋势，甲骨文提出基于融合数据库构建“以AI为中心的企业数据平台”，通过多模态数据融合、异构架构整合及复杂工作负载统一管理，助力企业实现从数据积累到智能决策的跨越式发展。

甲骨文公司中国区技术咨询部高级总监嵇小峰指出，该架构具备“更简单、更安全、更可靠”三大核心优势，具体来看：首先，在“更简单”方面，当前传统AI开发面临多重技术挑战，如非结构化数据（如基因序列、语音视频）的向量化处理需求激增，但多数数据库缺乏原生向量支持；此外，多源异构数据集成导致成本高昂以及开发框架与数据库的兼容性问题制约效率提升等等，而甲骨文的融合数据库技术则可以轻松化解这些痛点。

针对向量计算场景，甲骨文融合数据库通过内置向量索引与多种相似性检索算法，支持动态扩展的向量数据库架构。在此技术上，结合GoldenGate数据集成技术，可实现结构化/非结构化数据（包括已向量化的数据）的无缝集成与实时同步，构建统一数据底座。

在开发框架方面，甲骨文融合数据库原生支持LangChain等主流AI开发框架，通过标准化API直接调用数据库进行向量操作；同时自然语言交互接口（如APEX低代码平台）进一步降低开发门槛——用户可通过自然语言描述需求，系统即可自动生成应用蓝图并集成AI能力（如聊天机器人、智能报表）。

不仅如此，甲骨文的向量化技术还深度集成至Oracle Exadata等硬件平台，在基因测序、金融风控等高并发场景中可实现毫秒级响应，企业无需额外配置专用向量数据库，即可在统一平台完成数据存储、处理与分析全流程。

其次，在“更安全”方面，AI应用的普及放大了数据安全风险，大模型生成的代码规模庞大，传统人工审查难以覆盖；智能体（Agent）的决策逻辑由LLM动态生成，透明度也显著降低。为此，甲骨文也通过三层安全防护体系守住安全底线。

其中，虚拟私有数据库（VPD），可在数据层动态生成用户权限视图，确保敏感数据仅对授权角色可见；实时应用安全（RAS），可将细粒度访问控制嵌入数据库操作层面，而非依赖应用层代码；SQL防火墙，则能够自动拦截异常查询模式（如恶意注入攻击），阻断数据泄露路径。为此，甲骨文把这些策略以简便的方法定义在数据层中，用户的应用整体上就显得高枕无忧了。

最后，在“更可靠”方面，当前企业正趋向于使用更先进的AI解决方案和开发架构构建企业级AI应用，其需求主要包括：模块可以组装、互相独立，可以各自发展；整个应用要能够用声明式的语言简单地说明意图，对它进行描述；同时，整个架构也需要具备健壮性、高可用性、安全性、一致性等等。

为此，甲骨文也推出了面向企业的以AI为中心的生成式开发基础设施GenDev，它结合了Oracle Database 23ai 中的创新技术，如JSON Relational Duality Views、AI Vector Search等，能够提供以声明式语言和视图，可自动或辅助实现企业级AI应用所需的独立性、隔离性、保密性、一致性、可演进性和可生成性，这一全新的开发架构支持低代码或无代码开发方式，通过预构建的集成和可视化开发工具，能够快速帮助企业实现应用的现代化。

值得一提的是，甲骨文的融合数据库还支持“向下兼容”，企业可根据业务需求分阶段升级，避免“为升级而升级”的无效投入。同时，面对PB级结构化数据与非结构化数据（如视频、语音）的暴增，甲骨文也通过硬件优化（如ZFS存储阵列提供100Gb带宽）与分布式扩展能力，确保查询效率与准确性。

客观地说，数据库作为最为核心的基础软件，其稳定性与可靠性直接决定上层应用的成败，因此选择经过验证的成熟融合数据库方案，仍是企业用户最理性的决策。对此，吴承杨强调说：“作为深耕数据库领域四十余年的企业，甲骨文深知数据库产品化落地的核心在于商品化所需的稳定性与可靠性，而非单纯的市场概念，而甲骨文融合数据库，不仅是甲骨文每年将营收的10%-15%投入研发长期沉淀的结果，更经过了市场一线的的验证，已在众多客户应用场景中实现了稳定运行，这也构成了甲骨文最为坚实的竞争力。”

躬身入局，加速 AI 智能体融入千行百业

毫无疑问，未来AI智能体与细分场景、垂直行业的深度融合将成为全行业数智化转型的核心驱动力。在此进程中，甲骨文不仅“授人以鱼，也授人以渔”，通过“躬身入局”的实践方式，将技术能力转化为可落地的业务价值，加速AI智能体在千行百业的落地与应用。吴承杨表示，这也正是甲骨文在AI时代为客户创造价值的核心逻辑——即以实际案例验证技术到业务成果的转化路径，如同“用建筑材料打造样板房”，助力企业实现技术到业务的价值转化。

以制造业良率追溯场景为例，某制造企业与甲骨文共建的AI智能平台，就成功破解了传统生产模式的三大痛点，包括生产数据、质量手册、维修记录、设备参数等核心信息分散于不同系统，数据格式各异，形成信息孤岛；此外，海量数据中隐藏的深层关联性难以通过传统分析手段挖掘，导致问题定位依赖经验而非数据；更为关键的是，当良率波动或缺陷增加时，从问题发现到根源定位往往需要数小时甚至更长时间，且严重依赖专家个人能力。针对这些挑战，基于甲骨文AI数据平台打造的制造业良率追溯系统则彻底化解了这些难题，依托甲骨文数据库对MES、QMS等系统的天然兼容性，实现全链路数据集中存储；内置数据库级AI算法，大幅提升分析准确性与响应速度；而图关系技术构建精准追溯路径，结合数据检索能力进一步优化结果可靠性；最后，企业级架构设计提供纵深数据安全防护，通过多模式高可用方案确保上层AI应用的稳定运行。

同样，在制造业财务智能查询与分析领域，甲骨文也展现出了创新的实力。针对制造业财务数据查询与分析的典型痛点，如指标分散于多系统报表、复杂查询依赖开发人员介入、图表可视化效果差影响决策效率，甲骨文的AI解决方案也通过技术创新实现了突破，如基于OGG Data Fabric构建多源、异构数据集成环境，打破系统壁垒实现全量数据互通；采用NL2SQL自然语言交互技术，降低分析门槛并支持移动端实时查询；数据层具备高性能、高可用能力，能够将复杂报表转化为直观决策依据，显著提升决策效能。

这些案例仅仅是甲骨文融合数据库赋能行业数智化转型的“缩影”。在甲骨文看来，企业级AI应用或者说AI智能体落地成功的关键在于把握两大核心要素：一方面，是场景的可行性，甲骨文建议行业客户优先选择技术复杂度可控、业务价值显著的场景，通过结构化评估框架帮助客户衡量技术成熟度与ROI，确保首个试点项目快速见效；另一方面，是必须以业务价值为导向，目前越来越多的客户倾向于按照实际效果付费，而非单纯的采购软硬件平台，为此甲骨文也会联合生态伙伴通过Workshop形式与客户共探场景，确保技术方案与业务需求深度融合。吴承杨最后表示，甲骨文“躬身入局”背后，是因为甲骨文并不是依赖服务收费来实现盈利的企业，而是更注重和聚焦于生态共建与能力赋能，未来甲骨文也会坚持通过“样板房”项目培育ISV生态，同时产生的后续项目，也会交由合作伙伴主导落地；在此基础上，甲骨文还会输出方法论体系，将归因分析、数据体系构建等最佳实践分享给行业客户，助力其建立自主的数据驱动能力，真正实现“授人以渔”的价值传递。

事实上，在甲骨文近期公布的FY25 Q4财报中也可以看到，甲骨文在这场AI变革中的前瞻布局已进入“收获期”——整体云业务（涵盖云应用与云基础设施）增长率，预计将从2025财年的24%大幅提升至2026财年的40%以上；此外，作为云基础设施核心的OCI板块，增速更将从2025财年的50%跃升至2026财年的70%以上，加上全年574亿美元的营收规模，以及在手订单1380亿美元，都创新下了历史新高，这背后不仅印证了甲骨文在战略上的正确性，更是甲骨文能够在AI时代持续突破和创新的关键和底气所在。

总的来说，在AI智能体时代，企业竞争的本质其实就是数据竞争力的比拼，而甲骨文以“多模融合数据库”为底座、以“AI为中心的数据平台”为引擎的战略，不仅能帮助企业最大化简化技术栈、强化安全防护，更能释放数据资产的最大价值，成为企业在数智化转型过程中持续赢得先机的核心引擎。

想了解更多资讯

扫码关注👇