过去几年，几乎所有科技公司都在回答“AI能做什么”：围绕模型参数量、算力规模和演示效果展开叙事。然而，当概念热度褪去，企业客户从尝鲜者变为买单者，一个更现实的问题摆上台面：企业投入真金白银之后，究竟能够得到什么？
甲骨文公司副总裁及中国区董事总经理吴承杨
对此，甲骨文公司副总裁及中国区董事总经理吴承杨给出了直接判断：“如今的AI不是故事、不是PPT、也不是解决方案，而是一种能力。”他以蒸汽机为例，蒸汽机带来的是动力能力的变革，渗透各行各业，重塑了整个社会；同样，AI带来的也是能力变革，而衡量一种能力是否真正有用，核心标尺只有一个词：成效（Outcome）。
他进一步强调说：“企业千万不要把AI当成又一个独立系统来建，它应该像蒸汽动力一样，成为赋能所有系统的能力。”
为了实现这种“赋能”，甲骨文给出的并不是某一款产品，而是一套“组合拳”：以全栈能力为底座，以AIBS落地方法论为引擎，配以OCI多云Hub战略，三者共同指向同一个目标——让AI从“能做什么”的展示，回归到帮企业“得到什么”的实效。
01.
三个判断，锚定“成效”标尺
事实上，甲骨文认定“成效”是检验AI落地唯一的标尺，答案就藏在三个判断里。
第一，AI必须是企业级的。吴承杨近期见了不少客户，发现他们关心的已不是“要不要用AI”，而是“怎么让AI真正给企业创造价值”。有些走得快的企业已在思考如何将自己的AI能力对外输出。价值的最终体现只有一个标准：能否转化成可衡量的业务成效。没有成效支撑的AI投入，就是一笔没有回报的成本。
第二，AI必须是云原生的。方向定了，还得有路走过去。中国企业面临双重现实：既要深耕国内市场，又要拓展海外业务；既想用国外大模型，也得适配国内模型。因此，数据底座必须有足够弹性，能在一套架构下快速适配不同模型和云环境。底座越灵活，切换模型的速度越快，产生成效的周期就越短。
第三，底层是数据，而且数据必须“融合”。企业过去按系统一个一个建：ERP、MES、CRM，每个系统都有数据孤岛。到了AI时代，这种割裂必须终结。数据的割裂意味着业务语义的断裂，导致AI Agent无法理解业务全貌，结果就是AI投入不少，但成效出不来。
吴承杨说：“核心问题是需要把所有系统融合在一起，因为只有融合才能建立语义层，智能体才能真正理解底层的东西，才能真正产生成效。”而要让数据真正融合，安全是绕不开的前提。企业数据并非全部适合放入公有云模型，需要对数据分类、打标签，施加安全控制。
这三个判断共同揭示了一个本质：AI落地的起点不是技术，而是企业对自身业务的深刻理解，只有当AI真正长在企业业务的血肉里，成效才会自然生长出来。
02.
四层架构，筑牢全栈底座
不过，要将这些判断转化为行动，企业需要一套能同时满足“理解业务、弹性适配、数据贯通”的基础能力，这也正是甲骨文“全栈能力”的出发点。
吴承杨说：“有的公司只擅长做模型，有的只擅长做云，有的只擅长做数据。但在AI时代，全栈能力才是关键，因为最终目标只有一个，让用户实实在在地感受到AI带来的成效。”
也正因此，甲骨文的“全栈能力”覆盖四个层面，环环相扣，串起从数据到业务成效的完整链路。
第一层：统一的数据底座。甲骨文最新发布的Oracle AI Database 26ai，核心特点是 “统一” 。它不是多个独立数据库拼在一起，而是一个能同时处理结构化数据、非结构化数据、向量数据等多种数据类型的统一平台。
吴承杨比喻说：“你家里四代同堂，是买10个50升的冰箱，还是买一个500升的冰箱？Oracle是后者，取东西很方便。”底座越统一，AI获取信息的效率越高。更重要的是，AI Database 26ai将大量AI功能直接封装在数据库内部。从非结构化文档上传、Chunk切分、Embedding生成到RAG检索，整个流程无需将数据移出数据库即可完成。
第二层：业务语义层。数据本身是冷的，要让AI真正产生价值，得让它能“理解”这些数据。甲骨文利用图数据类型构建语义层，将企业的业务对象表达出来。例如，产品出了缺陷，智能体可以顺着语义层自行查原因，是哪道工序引起，哪个设备，还是原材料。无需将所有逻辑写死在代码里。语义层越清晰，AI的理解越准，生成的业务洞察越精准。
第三层：安全治理。安全不是事后补救，而是事前设计。没有安全兜底的AI，再好的想法也落不了地，特别是当AI Agent越来越多介入业务流程，数据安全暴露面大幅增大。
为此，甲骨文提出“安全在源头”理念，包含三道防线。一是源头安全，通过Deep Data Security技术将应用层用户身份与数据库权限关联，实现细颗粒度访问控制，并在数据库内部设置防火墙；二是极速安全，甲骨文将数据库补丁频率从每季度一次提速到每月一次。同时，从2026年6月12日至2027年2月28日，数据库生命周期管理包、Exadata管理包、Data Safe三项工具对所有客户免费开放；三是韧性安全，一旦发生勒索病毒等事件，甲骨文提供零数据丢失的恢复方案。
第四层：软硬一体化。从数据库到中间件，从应用到基础设施，甲骨文提供完整、优化的技术栈，保证从数据到业务决策的路径最短、效率最高，避免多供应商拼凑带来的兼容性损耗和性能瓶颈。
不难看出，这四个层面环环相扣：先解决“数据从哪来”，再解决“AI怎么读懂业务”，接着解决“安全怎么保”，最后解决“系统怎么跑得快”。它们组合在一起，构成了甲骨文全栈能力的完整版图，同时也为AI落地找到了工程化的支点。
03.
三步闭环，打通落地路径
如果说全栈能力解决“有什么可用”，那么AIBS方法论解决的则是“怎么把这些能力组合起来、落地见效”。
甲骨文公司高级总监及中国区技术工程部总经理嵇小峰
这套由甲骨文中国团队针对本土市场打磨的方法论，核心逻辑就八个字：先做给你看，再让你学会做。吴承杨直言：“AIBS是我们根据中国客户的需求提出来的。中国市场很卷，用户永远追问两个问题：有什么成功案例？能带来什么效果？”为了解决这两个问题，AIBS设计了一套从数据到可量化业务成果的完整闭环。
第一步，打好基础。AIBS首先搭建可复用的共同底座，把数据底座、安全治理、语义层、Agent编排、交付与生态五大模块整合在一起。底座之上延伸出三层技术架构——最底层是以Oracle AI Database 26ai为核心的统一数据基座加参考架构；中间层是Agent编排工具，支持低代码拖拽开发和Select AI Agent两种模式，前者通过Private Agent Factory实现完全无代码开发，后者则像存储过程一样将业务逻辑嵌入数据层，兼顾安全与效率；最顶层是FDE交付机制，标志着从“卖产品”转向“交能力”。
第二步，选对场景，做出样板。底座和架构就位之后，接下来的问题是：从哪儿开始？答案是选一个合适的切入点。甲骨文公司高级总监及中国区技术工程部总经理嵇小峰给出了四个选择标准：业务效果可衡量、场景可复用、基础数据可得、周期可控。
选好场景后，甲骨文亲自下场打样。第一个场景自己做，做出效果和样板；第二个场景带着客户一起做，手把手传递方法；第三、四个场景交给客户和生态伙伴独立完成。
在此过程中，FDE团队深入客户现场，以业务问题为中心，分三步推进：先讲方法论，再做技术Workshop，最后工程师落地。整个交付周期控制在30到45个工作日以内。与传统售前以产品为中心的思路不同，FDE交付的不是孤立项目，而是一套客户可以自己复制和扩展的能力。从第一个场景到第十个场景，速度越来越快，成本越来越低，形成正向滚动的“飞轮效应”。
第三步，用成效说话。 基础打好了，场景也选对了，最后要看的是：效果到底怎么样？判断AIBS是否成功的标准不是“AI功能上线了”，而是两条硬指标：一是业务成果可量化。成本降了多少、效率提了多少、收入涨了多少，通过数据看板、KPI、ROI跟踪验证；二是AI运营体系化。要有持续优化的机制，包括模型监控、反馈闭环、版本迭代、绩效评估。
嵇小峰也归纳了企业AI落地的三个走向：“第一，要有可衡量的业务效果；第二，要跟业务走，一定要融入到业务的核心流程当中去；第三，安全、可控、治理。”这三条标准反过来推动底座和架构持续迭代，在建设、运营、优化的循环中不断提升。
可以看到，唯捷创芯的实践就印证了这套方法论的价值。这是一家专注于手机通信与计算芯片的企业。甲骨文帮他们建了底层融合数据平台，部署了DataClaw智能体，把复杂芯片测试中流程知识“炼化”成可复用的Skill。这个案例生动诠释了唯捷创芯从“工具思维”向“AI操作系统思维”的转变。
由此可见，AI的真正价值，就是用可量化的业务成效回答中国企业最焦虑的问题：AI投入到底值不值。换句话说，它让AI落地变得可衡量、可复制、可持续，最终帮助企业从“被扶着走”走向“自己会跑”。
04.
多云战略，铺就未来坦途
客观地说，AIBS解决了“怎么落地”的方法论问题，但这些能力最终都需要一个坚实的基础设施来承载。在这方面，OCI则更进一步，将这一层面延伸到了多云环境，让企业不再被单一云厂商绑定，而是可以在不同云之间自由选择和组合。
甲骨文公司高级总监及中国区云工程部总经理窦杰
据甲骨文公司高级总监及中国区云工程部总经理窦杰介绍，OCI 已先后与微软 Azure、Google Cloud Platform、AWS 实现高速直连，构建起连接全球三大超大规模云厂商的多云 Hub，但这套多云Hub的价值，远不止于“连上了”，更在于“连上之后能干什么”。具体来说，它提供了两大核心服务：
其一，一站式服务与端到端SLA。 企业无需自己寻找云认证合作伙伴和电信服务商，直接在云上开通即可使用；出现问题时，也只需对接甲骨文一家，即可获得统一的故障处理和商务支持。
其二，流量免费。OCI与GCP、AWS之间的互联，双方都不收取出项流量费；客户IDC或办公室接入OCI，也只收端口费，不收流量费。窦杰举例说：“如果一家公司买了AWS，需要拉专线做混合云。灾备演练时数据从云上下来的出项流量费，AWS会收取巨额成本。但如果通过OCI中转，进出都免费，这个场景就变得可行。”
窦杰指出，出项流量费本质上是云厂商锁定客户的手段，而OCI通过与Hyperscaler的合作，真正给了客户一个无绑定的多云解决方案。
当然，这两大价值并非标准化套餐，而是需要量身定制。窦杰表示，甲骨文会派出售前团队，与客户一起做TCO成本分析和架构优化Review，根据客户的具体情况制定最优的云分布方案——哪些工作负载留在原有云上，哪些迁移到OCI，以实现1+1>2的最佳效果。
这种量身定制且免费的模式，对于那些正在拓展海外市场的中国企业来说尤为实用。
吴承杨明确指出：“我们专注的业务是出海业务。”当中国企业走向海外时，往往需要在不同地区灵活选择最优的云服务，而不希望被单一云厂商锁定。OCI的多云Hub正好解决了这一痛点。以法兰克福为例，一家企业可能既需要某朵云的特殊AI服务，又需要另一朵云的数据合规能力。以往这意味着要应对一堆复杂的合同和多头对接，而现在，OCI将它们打包成一个服务，极大简化了部署和管理流程。
对出海企业如此，对AI原生企业也是如此。以Ateve为例，这家AI搜索引擎企业，通过连接实时实体数据，为大模型和AI Agent提供实时搜索与数据校验能力，其平台覆盖全网近千亿网页索引，查询召回速度达5到10毫秒。最终他们选择基于OCI构建核心技术平台，借助OCI高性能基础设施优化检索延迟和推理效率，并获得OCI 7×24小时专家技术支持。
除了多云互联，OCI在算力层面也有差异化布局。从底层向上，OCI的AI技术栈分为多层。最底层提供从A100到GB300的万卡GPU集群，配备优化过的RDMA网络和裸金属实例；第二层是OCI Enterprise的AI治理层，解决AI主权和安全顾虑；第三层提供GenAI服务，包括On-Demand Token服务和Dedicated AI Cluster。
前者覆盖ChatGPT、Gemini、Grok、Llama、Cohere等主流模型；后者可将千问、智谱等中国主流模型部署在海外所需Location，支持推理和微调，让中国出海企业既能用国产模型，又能满足海外合规要求。
更值得一提的是，OCI基于自研Acceleron架构推出了Ax机型。许多企业的AI应用跑的是垂类小模型推理，如果用GPU，成本过高；用普通CPU，性能又跟不上，而Ax机型正好填补了这一空白：在垂类小模型推理场景下，凭借Acceleron架构和Intel AMX能力，其TPM指标可接近A10等低端GPU，且延迟更低。
不仅如此，搭载Intel处理器的机型还进一步集成了AMX加速特性，让推理效率再上一个台阶。截至目前，Ax系列提供四种配置，从192核AMD Turin到48核Ampere One-M，并配备100Gbps或200Gbps融合网卡，使企业能以更低成本运行推理任务，真正将通用计算与智能计算融为一体。
在交付保障方面，甲骨文通过提前锁定电力与数据中心资源、与客户共建资金安排、采用标准化模块架构加速交付，并将GPU利用率提升至97.5%，以此确保算力资源的“物尽其用”。
毫无疑问，从多云互联到算力优化，OCI做的事情只有一个：让AI落地的基础设施门槛更低、选择更多、成本更可控。而这，恰恰与甲骨文一贯强调的“成效”逻辑一脉相承。
总的来说，从全栈能力到AIBS方法论，再到OCI多云战略，甲骨文用一套环环相扣的组合拳，回答了一个最朴素也最根本的问题：投入真金白银之后，企业究竟能得到什么？答案只有一个词：成效。
正是基于这一判断，甲骨文在AI从概念走向落地的关键时期，选择了一条看似朴素却极具远见的道路：不追逐炫目的技术概念，不沉迷于宏大叙事，而是脚踏实地帮助客户解决实际问题，让AI真正成为企业可感知、可量化、可复制的能力。
正如吴承杨最后所言：“今天多数企业做AI，还是把它当一个项目来做，做完就结束了，而Oracle交付的从来不是项目，而是能力——让客户拥有自主造血的AI运营体系，实现从试点成功到全面智能化的跃迁。”
从这个角度来看，AI的价值从来不在于技术本身有多先进，而在于它能否为企业带来实实在在的改变。没有成效，AI就是成本；有了成效，AI才是生产力。甲骨文将“成效”奉为衡量AI落地的唯一标尺，这不仅是一家科技公司的商业选择，更是对AI产业回归价值本源的清晰定义——让技术回归价值，让创新服务于实效。
