在这个崭新的、众说纷"云"的信息时代,企业一直在寻求最先进的大数据、云计算、移动应用、物联网、社交化解决方案,同时也在反复思考在这些解决方案整合的过程中,如何能够同时实现安全计算及高性能的处理,从而能够更好地打通异构IT环境中的数据和应用。
纵观处理器的历史,我们不难看出,企业在追求业务高性能的路上从未停歇。从20世纪90年代中期针对开放系统的更大内存、更高精准度处理器到21世纪中期针对虚拟化和云而开发的多核、多线程计算处理器,对数据及业务性能的提升一直是企业不断追求的目标。然而,随着近年来互联网技术的飞速发展,数据及应用规模的成倍增长,安全问题已经成为企业面临的最紧迫问题,亟待解决。安全计算和高效处理这一矛盾逐渐成为未来企业走向云端不可避免的一大挑战。
甲骨文作为全球领先的云服务和企业级软件提供商,其最新推出的SPARC M7处理器中采用了突破性的处理器和系统设计,通过安全芯片化和SQL芯片化特性实现无与伦比的数据库效率和创纪录的企业级性能,充分体现了甲骨文软硬件集成的产品策略。

M7是甲骨文公司经过五年半的时间研发出来的,旨在将软件中的诸多功能集成到硬件处理器SPARC中。作为甲骨文最新软件芯片化创新技术的杰出代表,32核、256线程的SPARC M7微处理器实现了均衡的高性能设计,可与现有基础设施无缝集成,并提供全面集成的云虚拟化和管理功能,为Oracle集成系统及服务器带来了端到端的安全性和高效率,贯穿企业、大数据及云应用。客户现在能够以更高效率、在不对性能造成影响的前提下,运行完全加密的工作负载。

Security in Silicon系统设计
• Silicon Secured Memory:对内存数据访问的实时校验,大大提高安全性和可靠性。
• 硬件辅助加密:内置到所有32个内核中的硬件辅助加密功能,保证客户所有应用的安全运行及数据安全,这项新功能将自动提高采用加密技术的现有应用的速度。
SQL in Silicon
SPARC M7的所有32个内核都增加了协处理器,极大地提高了数据库应用的效率和性能。
同时,甲骨文最新推出的Oracle Solaris 11.3安全云平台可通过SPARC M7处理器的Silicon Secured Memory(芯片安全内存)特性来协助预防常见的安全攻击,通过硬件卸载的方法,为数据和网络流量及热迁移极大地降低了各种加密模式的费用,所以客户不必在安全和性能之间做出取舍。
Oracle Solaris 11.3透明地集成了Oracle SPARC M7处理器的Security in Silicon(安全芯片化)能力,极大地提升了现有和未来的应用程序的安全性。Oracle Solaris 11.3成就了Silicon Secured Memory,而Silicon Secured Memory有助于预防常见的安全攻击。凭借Oracle Solaris 11.3的先进特性,整个数据中心的数据库、Java、现有应用程序、ZFS文件系统、网络和热虚拟机迁移均可广泛使用SPARC M7进行加密加速,同时不会影响性能。安全被融入到每一个功能中。除此之外,甲骨文数据库内存选件和Oracle Solaris 11.3也完全支持全新的SPARC M7 SQL in Silicon(SQL芯片化)功能,可让目前所有的企业软件和下一代分析应用程序的数据库查询性能提升高达10倍。

SPARC M7和Solaris 11.3的完美配合同时可以同时满足企业对应用性能以及数据中心对数据安全考量的需求。甲骨文公司系统事业部执行副总裁John Fowler表示:"迄今为止,其他计算平台都做不到既满足安全要求,又不显著影响应用性能和效率。今天,甲骨文为内存入侵防护和加密提供了突破性技术,同时还提高了内存数据分析、数据库和Java的速度。Oracle SPARC T7和M7系统以及Oracle SuperCluster M7系统开创了一个既提供安全计算、又提高效率的新时代。"
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。