整体上AI的发展经历了三个阶段,从预测式AI到大模型带来的生成式AI,如今走到了Agentic AI时代,众多的AI Agent将更加深入业务场景和流程,也能带来更大的价值。
虽然一些先行者已经在AI方面进行了探索,并获得了AI带来的收益。但是大部分企业对AI还处在摸索阶段,一些问题并没有清晰的答案。比如,如何找到合适AI场景?如何快速落地AI应用?如何让AI更准确?
日前,在甲骨文媒体沟通会上,相关负责人介绍了企业应用AI的落地实践,也分享了他们的对AI的见解思考和宝贵经验。
AI的应用路径和节奏
Agentic AI可以看作基于场景、业务数据、知识库等进一步融合发展的生成式AI升级版,当AI越是深入业务流程中,越能带来更高的价值,当然这需要一个过程。
甲骨文公司副总裁及中国区董事总经理 吴承杨
甲骨文公司副总裁及中国区董事总经理吴承杨指出,AI是一场革命,不是单点的项目,需要有长期的思考规划。但是企业应用AI也有自己的路径和节奏,现在往往是从能快速带来收益的场景切入,比如很多高端制造业,希望通过一些科技手段提高产品良率和制造能力,此时先通过一个项目落地,去解决问题,快速见到收益,然后慢慢再进行IT改造,这是未来AI在企业应用落地的一个必由之路。
在初级探索阶段,企业应用AI也是摸着石头过河,甲骨文在实践中初步摸索出了一套AI方法论:
·先找合适的场景。
寻找合适AI落地的场景是企业比较头疼的地方,选择合适的AI场景,首先,要和业务相关,最好和核心业务相关,深入业务流程更能带来高价值。其次,该场景要积累了大量的数据,让AI引擎有数据油料供给。再者,该场景的问题不是一次性的,而是具有普遍性、重复性,可以规模应用推广开。
总结来看,选择场景要考虑两大因素,一是可行性,一般而言,第一个场景不要做得特别复杂,范围不要特别广。二是,有明显的业务价值,当企业拿不准时,Oracle会有专门的团队与客户一起讨论寻找最合适的场景,有一些业内AI实践和总结的AI方法论供参考。
比如,某制造业在选择AI场景的时候,排除了周边场景,选定了深入业务流程的良率场景,该场景有海量数据积累,此前定位缺陷依赖专家经验,从定位到发现原因往往需要数小时,通过Oracle数据平台实现了快速良率追溯,带来了显著的价值。
此外,选择场景的时候,只有IT部门参与是不够的,也需要业务部门深入参与进来,两个部门合作,更容易找到合适的场景。AI 时代,企业会为最终的应用效果,为业务价值买单,如果有效果,很快就会继续向前推进。
·长远规划,小步快跑,不断快速迭代。
整个AI的开发模式和传统开发模式有很大的区别,传统的开发需求和流程相对明确、固定,先做需求调研,理解需求后做设计、编码测试、上线,整个流程需要很长的开发周期,可能需要稳扎稳打。
但是AI时代,AI应用处在探索中,需要长远规划,小步快跑,快速迭代。比如计划10个功能,先上线1个功能,如果满足需求再去内部推广扩大使用,更多的业务反馈决定了AI应用的走向,也能把AI应用打磨得更好。
如今,AI技术日新月异,不过随着很多优秀开源大模型出现,模型已经不再是企业AI落地的主要瓶颈,高质量的私有数据成为了AI时代的核心竞争力。Gartner报告指出,模型的差异不再是AI落地成败的主要影响因素,其他企业难以获得的独特企业内部数据将成为AI竞争差异的关键。
Agentic AI时代,AI不只是简单地写篇文章,更重要的是推理、解决问题。AI推理时,不单需要某一种数据,可能需要网页端数据(帮你查询网页内容)、ERP 结构化数据(如订单情况)、文本文件(如合同)、空间数据(地理位置信息),甚至还需要分析用户间的关系亲疏(关联关系)等等。拥有多维数据,在推理时,AI会有更深的洞察,给到的答案也会更准确。
怎么把这些海量的数据高效整合处理为可以供AI引擎转动起来的油料,对企业来说非常重要,融合数据库在AI时代更具优势。
应用AI摸着Oracle快速过河
企业拥有海量的多元数据,虽然可以用不同数据库处理,比如关键词搜索使用ES、文档数据用MongoDB处理,图数据管理用Neo4j,向量数据用Milvus,关系数据用MySQL或者PG,但是部署多种数据库会提高数据处理成本,更重要的是多源数据会带来巨大的技术复杂性,也会带来数据同步和数据一致性问题。
吴承杨一再强调,AI是一场革命,长远来看AI应该融入整个系统架构。难以融入的原因在于架构太复杂,如果企业连十个数据库的整合、数据中台搭建、安全管理都无法搞定,自然无法将AI集成进来,这也是许多AI项目投入巨大却收效甚微甚至烂尾的原因。因此,在AI时代,“数据中台”概念逐渐被淡化。
“AI就像一块试金石,清晰检验着企业的数据使用方式。多种数据类型、技术架构和负载的融合,已经是大势所趋。”吴承杨说,智能来自于融合,包括数据类型、数据架构、工作负载等方面的融合,未来IT架构需要简单化,简化IT基础设施才能更好支持AI。Agentic AI时代,融合数据库为企业快速落地AI提供了更加简单便捷的解决方案。
AI Agent的编排工作往往需要很多步骤,调研数据表明,Agent编排流程越复杂,步骤越多,最终的准确率也会越低。如果使用传统开源数据库和传统技术栈,步骤可能达二十步,而使用Oracle融合数据库,所有数据集成于一体,可以使步骤精简至四步。
甲骨文公司中国区技术咨询部高级总监 嵇小峰
甲骨文公司中国区技术咨询部高级总监嵇小峰介绍,不仅是Oracle,现在越来越多的数据库产品走向融合这条路,但是Oracle在这条路上走得更早,有更深厚的积累。
嵇小峰指出,在构建AI Agent时,还有两个关键要点。
首先,借助开发工具或手段快速搭建AI应用。以Oracle的APEX AI Assistant为例,类似于Cursor,支持通过自然语言交互构建AI应用。例如,当用户提出要搭建一个人力资源应用并明确功能需求(如员工信息增删改、管理层权限设置、工资管理等)时,APEX 会自动生成应用蓝图,辅助开发流程。
其次,安全问题在Agentic AI时代更为突出,也更加重要。Agentic AI时代的应用范式与传统三层架构(数据库层、中间层、应用层)有所不同。传统模式下,开发人员在中间层明确编写业务逻辑,可以清晰把控用户权限和数据访问控制。但在Agentic AI时代,大模型生成的代码可能多达数千行,开发人员难以逐行审查,效率与安全性之间存在矛盾。此外,Agent的控制逻辑由LLM主导,其走向对开发人员和业务人员并非完全透明。因此,守住数据层的安全底线至关重要。
Oracle拥有Oracle MSA最高安全架构,通过将VPD(Virtual Private Database)、RAS(Real Application Security)、SQL Firewall阻止SQL恶意注入等技术手段以简便的方法定义在Oracle数据库中,在数据层面为AI提供安全保障。
Oracle的核心理念是让AI更简单、更安全、更可靠,在数据库内实现AI数据就绪,关键在于整合数据操作、开发运维以及针对大语言模型等操作,形成一个统一的操作平台,让用户能够在一个数据平台上完成所有与数据相关的操作,从而缩短AI的路径。而Oracle Database 23ai就是这样一个集大成者,且支持MCP、主流AI开发框架接口,为企业实现AI数据就绪提供了便利,降低了AI应用门槛。
比如,在好莱坞提供视频后期服务的DeweyVision公司,过去,该公司将视频流的帧信息原数据存储在PG中,将帧信息向量化后存储在Qdrant和FAISS这两个开源向量数据库中。由于跨越三个库,应用开发和维护复杂,业务处理时间也很长。在电影后期制作中,常常需要根据特定场景在整段电影的帧视频流中寻找相似片段,以往依靠人工完成。而Oracle Database 23ai简化了原有技术栈,一库搞定所有,其向量技术也极大地缩短了寻找相似片段的时间。
小结:如何赢在Agentic AI时代?
在生成式AI引发了新一轮革命中,谁都不想错过这一难得的历史机遇。穿越了多个IT周期的Oracle抓住了数据、云的技术风口,如今又抓住了AI风口。根据最新财报数据,2025财年Oracle总营收达574亿美元,预计2026财年会有更好的发展。
目前,Oracle与NVIDIA、xAI、AMD等公司合作,让AI成为其新的增长引擎。打造AI Infra,让企业快速AI-Ready。中国拥有广泛的场景,企业级AI应用中国走在了世界前面。就像前面讲过的,在AI探索阶段,小步快跑非常重要,企业可以通过Oracle的产品、服务以及AI落地方法论和实践经验,快速上手AI,在Agent AI时代,摸着Oracle快速过河。