“云计算、大数据”作为时下最火热的IT行业词汇,已然成为中国官方重点扶持的战略性新兴产业。随之移动应用、物联网、社交化解决方案等等围绕着大数量商业价值的利用逐渐成为行业人士争相追捧的利润焦点。
众所周知,处理器作为IT行业最为重要的产品之一,起着举足轻重的作用。回顾整个微处理器历史,二十年前大家都在讲64节革命,十年之前讲的最多的是多核和多线程革命,而在未来的十年中,相信会把更多的软件功能内嵌植入到芯片中。
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亟待解决的问题。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。
11月13日,在“甲骨文集成系统媒体沟通会”上,甲骨文公司系统事业部执行副总裁John Fowler先生为大家进一步诠释集成系统的最新进展。

甲骨文公司系统事业部执行副总裁 John Fowler
我们知道,甲骨文在整个业界当中,已经成为一家独一无二的公司,它可以向提供如此完整的集成了应用、基础设施软件、基础设施硬件以及云的解决方案。同时,为最具挑战性的企业级应用和计算寻找技术解决方案。
John Fowler先生沿着软件芯片化的思路,提出了几个关键领域的问题:
第一个重中之重:安全。植入芯片、进行芯片化的功能。目的就是对内存进行保护。为了防护任何外来的攻击,通过内存的安全防护系统芯片化来实现顶级安全。这对于微处理器管理内存这件事情来说是一个革命性的变化,对于外部的攻击、黑客的攻击来说是一个非常安全的防护措施,在安全层级的角度来说,在微处理器当中进行安全保护的可靠程度大幅度提升。
原理非常容易,但技术实现却并非那么简单。在具体应用过程当中,在向应用分配内存当中都有“指针(钥匙)”。只有“钥匙”匹配,才能去读取内存。在每一次应用软件运行过程当中,都会对内存进行自动的防护,面对任何的恶意攻击和访问会对内存进行防护。
这样的功能是植入在芯片当中,芯片化之后对于任何应用软件的性能本身是不会产生任何负面影响。所以在这个过程当中,有史以来人类第一次实现了在服务器的微处理器层面、在芯片层面植入相关的内存安全保护的功能,使得所有的应用软件在运行过程当中可以免受外部恶意的访问和攻击。
第二个重中之重:加密技术。通过在加密技术方面的技术提升。在最高安全等级的密码方面,可以在保证安全的同时创纪录的实现性能提升,使得所有的用户在完全加密的数据中心高效运行的情况下,整个性能得到大幅度提升。而M7是我们有史以来第一次能够帮助客户实现这样一个梦想的产品,在高速加速的情况下来高效运转数据中心。
John Fowler先生用SPECjEnterprise举例解决。这个机器是最小的一台机器,最小的机器就可以打败其他所有的跟我们竞争的产品拿到第一名,这是非常不简单的。拿最小的选手去跟最强的比较,最终我们获得了第一名。我们是在完全加密的情况下公布版本的基准,而世界上没有任何其他的处理器能够做到这一点,除了甲骨文的M7。
有史以来,安全芯片化的技术第一次获得突破,利用颜色密钥以及其他安全防护的功能,使甲骨文能够对内存在芯片中加以安全保护。
甲骨文借助软件芯片化的技术实现了突破,使得小型的机器可以替代原先5台甚至更多的大型机器才能能够完成的工作负载。我们都是怀着非常激动的心情,期待着更多的客户能够在他们实际应用过程当中去体验产品给整个系统带来的效率提升及惊人的效益。
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。