“AI 时代为 Oracle 带来的重大机遇，核心在于 AI 放大了数据优势——当前数据的概念已扩展至空间、向量、文本、人际关系等多模态形式，数据库亦需多模融合，如图数据、数据流、数据仓库与数据湖架构等。”甲骨文公司副总裁及中国区董事总经理吴承杨说道。
在 6 月发布的 FY25 财报中，甲骨文整体云业务（含云应用和云基础设施）增长率预计从 2025 财年的 24% 提升至 2026 财年的 40% 以上，全年营收达 574 亿美元。吴承杨将其归功于甲骨文 40 多年在数据库积累的数据理解和云转型战略。
吴承杨表示，与以往经常谈到的分库分表不同，如今数据的多模融合至关重要。Oracle 现在解决的问题就是融合。
“在智能体时代，编排需多步骤推进。若用传统开源数据库，步骤可能达二十步；而用户如果使用 Oracle，它的所有数据集成于一体，可以使步骤精简至四步。”吴承杨对比道。
“由于生产流程是无法控制的，所以业务系统最简单的做法就是采用融合数据库。”甲骨文公司中国区技术咨询部高级总监嵇小峰指出，传统分库分表方案在智能体时代面临挑战：若采用多个异构数据库，如 MangoDB、MySQL、Neo4J 等，数据整合的复杂性将远超处理能力。
“如果不采用融合数据库，会出现这样的情况：可能一部分数据用了 MySQL，一部分数据用了 StarRocks，设备产生的 IoT 数据（通常是 JSON 格式）又被存放在了 Mongo 中。一旦要把这些数据提取出来，用 Python 进行机器学习训练，再存入关系型数据库，整个流程无疑会变得很长。”
吴承杨指出，国产数据库往往倾向于在应用层或数据中台解决所有问题，其做法的对错还需要实践来验证。在智能体时代，代码多由机器生成。若想从数据库层面解决安全等问题，数据库结构过于复杂会对 AI 的使用构成挑战。
此外，他认为当前很多企业在开展 AI 项目时，会将现有数据平台的应用抽取到外部，另起炉灶，这其实是一种误区。“AI 不应作为独立项目存在，而应融入整个系统架构。但 AI 难以融入的原因在于架构过于复杂：如果企业连十个数据库的整合、数据中台搭建以及安全管理都无法搞定，自然就无法将 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。”
“多种数据类型、技术架构和负载的融合，已经是大势所趋。”吴承杨说道，多模融合主要涉及数据类型与整体架构，比如图数据、数据流、 数据仓库与数据湖架构，以及多种应用层级。Oracle 通过一体化架构来解决问题：支持图数据、空间数据、结构化与非结构化数据（如 JSON）的底层融合，内置无限扩展性与安全性，使 AI 自然融入系统。这淡化了对“中台”的依赖，推动多数据类型与技术架构的融合趋势。
嵇小峰表示，由于数据量庞大，很多数据库本身不支持向量处理。而向量技术涉及向量索引、多种相似性检索算法等诸多内容，且不同场景适用的算法不同。以基因比对案例为例，就需要特殊算法，因此向量数据库检索是否具备可开放、可扩展的结构至关重要。
除此之外，数据集成也是很重要的。根据介绍，Oracle GoldenGate 技术可将分布在不同数据库中的数据集成起来，对于已向量化的数据也能实现集成。在开发框架方面，Oracle 很早就支持 LangChain 开发框架，通过其兼容性开发框架 API，可直接访问 Oracle 数据库进行向量操作，支持企业客户通过自然语言与数据库交互。
嵇小峰表示，企业在构建 Agent AI 时，有两个关键要点尤为重要：重点关注数据访问需求和安全。
企业应用大多围绕数据中心内的业务数据展开，如生产数据、库存数据、财务数据及客户数据等，而非通讯网关类的数据流处理工作。“借助开发工具快速搭建 AI 应用至关重要。”
以 Oracle 的 APEX 为例，其对 AI 的支持体现在两个层面：一方面，开发过程中它是 AI Assistant，类似 Cursor 工具，支持通过自然语言交互构建应用，例如用户提出搭建人力资源应用并明确功能需求后，APEX 会自动生成应用蓝图，辅助开发流程；另一方面，开发出的应用本身具备 AI 能力，可通过简化手段构建 RAG 应用或类似聊天机器人的功能，直接对接大模型，且平台提供了丰富的控件供调用。
“安全问题在 AI 应用时代的重要性再怎么强调都不为过。”嵇小峰说道。
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，对用户权限和数据访问控制有清晰把控；但在 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，且 Agent 的控制逻辑由大模型主导，其走向对开发人员和业务人员而言并非完全透明。
另外，对于大模型的幻觉问题，吴承杨认为，将多学科、多种数据类型的分析与大模型生成的内容相结合，最终得到的结果基本上就能解决所谓的 AI 幻觉问题。
“大语言模型的幻觉是其自身带来的，无法从根本上解决。但在企业级应用中，通过对多种数据的分析，最终可以将准确率从 70% 提升到 90%，甚至更高。在企业级应用中，90% 的准确率是一条基本线，如果达不到这一标准，就不会有人使用。”吴承杨解释道，如这些数据都存储在融合数据库里，解决这类问题就相对简单了。
（文：AI前线）