AI发展浪潮下，企业都在积极拥抱AI，但是一些权威报告也指出企业应用AI面临不少挑战，失败风险颇高。如何破解AI落地难题，是每个企业和厂商都在急切关注的事情。

　　近日，在甲骨文中国媒体沟通会上，一众专家带来了前沿的AI实践与思考，甲骨文提出了一个AI落地方法论——Oracle AIBS（AI Business Success），该方法论的核心理念是AI落地并非以AI功能上线为终点，而是以可量化的业务成效（Business Outcome）来定义AI成功。

　　不造新概念，不造新名词。在企业级AI探索的初期阶段，总结沉淀出了能够帮助客户实现AI成功的AI落地方法论，足见甲骨文在AI方面走得很稳健，也很前沿。半个世纪以来，这家科技巨头不断穿越经济和技术周期，在AI引发的新一轮变革中，用AI重塑己身，再一次牢牢把握住新的时代机遇。

AI落地成效为纲

　　“在AI时代最重要的是要有实质性的产出，如今的AI不再是一个故事、不是一个PPT、也不是一个解决方案，AI是一种能力。”甲骨文公司副总裁及中国区董事总经理吴承杨指出，就像蒸汽机带来的工业革命本质是动力能力的革新，AI带来的也是能力的变革，而能力的核心评判标准只有一个词——“成效(Outcome)”。

甲骨文公司副总裁及中国区董事总经理 吴承杨

　　整场沟通会反复被提及的一个词就是“成效”，AI落地需要有实质性的产出，或是降本，或是提效增收，这是企业应用AI时最关注的，也是甲骨文最关心的。

　　甲骨文公司高级总监及中国区技术工程部总经理嵇小峰介绍，现在企业应用AI重点关注以下三个方面：

　　第一，AI要有可衡量的业务成效（Business Outcome）。

　　第二，AI要跟业务走，一定要融入到业务的核心流程中去。

　　第三，安全、可控和治理，这对于在整个企业规模下成体系地使用AI至关重要。

　　实践是检验真理的唯一标准，可以说，成效也是检验AI落地成败的唯一标准。

　　甲骨文推出的AI落地方法论AIBS（AI Business Success），来自大量一线AI实践，以可量化的业务成效来定义成功。据悉，AIBS包括统一的多模数据底座Oracle AI Database 26ai、安全与治理、业务语义层、Agent编排产品和工具，以及基于FDE（Forward Deployed Engineer）的交付机制。

　　AIBS运转的整体流程如下：首先，寻找首期试点场景；其次，从最小可运行场景快速验证价值；接着，沉淀语义、规则、治理机制等可复用的平台能力；最后，复制到更多场景。

　　嵇小峰介绍，AI首期试点场景，也就是从0到1阶段，一般是基于甲骨文的FDE团队与客户一同深入企业业务流程中寻找，首期试点场景的选取遵循四个原则：第一，该场景的业务成效（Business Outcome）是可衡量、可度量的。第二，该场景是可复用的。第三，基础数据是可得的。第四，该场景是可控的，在一定时间之内可以落地。

　　后面从1到N的场景复制以及大规模业务场景推广，则可以借助伙伴生态一起做。在这个过程中，通过前期落地的场景，将可复用的共性能力沉淀到平台上，如此便可以加速后面新业务场景的开发落地，新场景落地又能沉淀出更多可复用的共性能力反哺到平台上，以此形成业务增速飞轮，最终实现可量化的业务成效，帮助企业建立起可以持续实现的AI运营体系。

　　“我们是能力的交付，不是项目的交付，希望用户拥有AI可复制的能力。”吴承杨指出，交付AI能力是甲骨文的差异化优势。

　　AIBS这套方法论，配套甲骨文新一代AI产品矩阵来运作，包括底层OCI(Oracle Cloud Infrastructure)、中间数据层到上层应用的AI全栈产品体系。在AI时代，甲骨文构建了“方法论+产品+服务”的全栈能力为企业AI的高效落地提供全方位立体化支撑。

　　比如，底层的OCI多云战略持续发展，随着近期Oracle Interconnect for AWS正式全面可用（GA），现OCI已支持AWS、GCP、Azure等主流云服务的多云互联，让企业可以按需灵活部署业务，博采众长，充分发挥不同云的优势。此外，基于Oracle Acceleron RoCE网络架构打造的新一代Ax机型，可以实现更低成本、更低时延以及更高效的AI推理。

甲骨文公司高级总监及中国区云工程部总经理 窦杰

　　甲骨文公司高级总监及中国区云工程部总经理窦杰介绍，越来越多的企业客户将垂类模型跑在Ax机型上，通过Ax机型提供能与低端GPU相媲美的低延迟CPU推理服务，会比全部把所有AI应用和AI调用放在GPU上更具有综合成本优势。

AI时代数据为王

　　随着AI应用实践持续发展，业内逐渐意识到，AI落地需要底层数据支撑，数据是否准备就绪更是直接关乎AI的成败，这仍然是数据为王的时代。

　　过去企业随着数字化转型进程陆续构建了MES、ERP、CRM等多套业务系统，各个业务系统之间容易形成数据孤岛，无法为AI引擎提供有效的数据燃料。吴承杨指出，AI时代的核心问题需要把所有这些系统融合在一起，只有把多元异构的多模数据融合在一起才能更好地建立语义层，让Agent真正理解业务，让AI产出成效。

甲骨文公司高级总监及中国区技术工程部总经理 嵇小峰

　　嵇小峰介绍，语义层不是新的概念，以前做分析型应用时，会在Log Data上面构建一层业务语义层。只不过以前的业务语义层是为了方便人理解业务数据，现在的业务语义层是为了方便Agent理解业务数据。Agent在执行任务时不仅要能快速查询数据，还要能读懂业务数据，语义层非常关键。

　　在建立业务语义层时，往往会以图的方式表达业务对象。据悉，甲骨文统一多模融合数据底座Oracle AI Database 26ai支持关系、文档、图、向量等多种数据类型，有助于企业更好地建立业务语义层。与此同时，基于Oracle AI Database 26ai打造的Oracle AI Data Platform，通过将自动化数据摄取、语义增强和向量索引与内置的生成式AI工具相结合，简化了从原始数据到可用于生产级AI的完整流程。除了上述产品技术，甲骨文还提供一套方法论帮助企业快速建立业务语义层。

　　Agent可以通过语义层读懂业务数据，在生产环境中产出成效。比如在制造业里，各类生产系统数据标准割裂、含义难以互通，机器无法理解数据背后的业务逻辑。通过构建统一业务语义层，对MES、质检系统、设备采集数据、工艺文档进行标准化语义建模，打通多源异构信息，让Agent读懂生产场景下的业务数据。依托语义层的认知能力，Agent能够自主开展智能质检、识别不良产品。当缺陷发生时，自动串联人、机、料、法、环相关数据，查找引发缺陷的根因，输出针对性改善方案，推动工艺与产线持续改进。

　　AI时代，数据安全面临前所未有的挑战，也变得越来越重要。甲骨文认为，网络、身份、应用和Agent安全是必要的，但是还不够，在AI时代，必须在数据层强制执行安全策略，AI时代的安全需要更贴近数据。

　　甲骨文提出了数据层面三大安全策略，为AI安稳运行保驾护航：

　　·源头安全：将安全管控下沉至数据本源。面对Agent带来愈发复杂的数据访问场景，不再单纯依靠应用层权限管控。通过Deep Data Security打通应用用户与数据库安全体系，并结合库内防火墙，弥补网络、操作系统层面防护的不足，基于SQL访问规则在数据库内部实施访问校验，构建源头纵深数据安全屏障。

　　·极速安全：顺应大模型快速发展带来的安全新形势，甲骨文提速数据库安全补丁迭代，由季度滚动补丁调整为按月发布，同时建议用户尽快升级至长期支持版本，淘汰老旧数据库版本，借助高频安全更新与稳定的长期版本，敏捷应对持续演化的各类安全威胁。

　　·韧性安全：聚焦威胁发生后的应急处置，针对勒索病毒等数据安全突发事件，依托零数据丢失方案实现数据快速恢复，构建业务抗风险能力。

小结：回归业务价值本源，AI落地进入“成效”时代

　　当AI热潮从概念炒作转向价值兑现，企业最需要的不是更炫酷的模型，而是可衡量、可复制、可管控的落地路径。甲骨文此次沟通会传递出的信号清晰而务实：AI的成功取决于业务成效，数据底座的质量与安全非常关键。

　　甲骨文的AI方法论与理念是一脉相承的，这也加速了其从场景试点到AIBS方法论快速成型落地，如今凭借“方法论+产品+服务”的全栈能力，实现了从项目交付到可复制AI能力交付的升级，这是厚积薄发的结果。当然，在AI落地初期阶段，这套方法论仍需在与市场的磨合中不断完善，将FDE团队的前期陪跑经验，高效转化为可大规模复制的标准化能力，后面还要经受不同行业、不同规模客户的长期检验。但至少在当前AI落地普遍“雷声大、雨点小”的困境中，甲骨文用半个世纪穿越周期的经验，交出了一份不求新奇但求稳健的答卷。这份务实态度，或许比任何炫技都更具参考价值。