跳到主要內容

Oracle AI浪潮引爆市場:3000億美元合約揭示雲端新巨頭的崛起

甲骨文(Oracle)正以前所未有的姿態,宣告其在人工智慧基礎設施領域的強勢崛起。憑藉與OpenAI、xAI、Meta及Nvidia等科技巨頭簽訂的一系列重磅合約,公司業績與股價雙雙迎來歷史性暴漲,不僅重塑了市場對其的預期,也揭示了其在保密協議框架下,如何策略性地向市場傳遞其驚人的增長動力。

業績震撼華爾街:數字背後的AI驅動力

甲骨文最新公布的財報數據,徹底點燃了投資者的熱情。其股價迎來了自1992年以來的最大單日漲幅,市值一日內激增超過2440億美元,使其總市值達到9220億美元,正式叩關兆美元市值俱樂部。

這場狂歡的核心驅動因素,來自於其未來已簽約營收的驚人增長。甲骨文的「剩餘履約義務」(Remaining Performance Obligations, RPO)——即已簽訂但尚未實現的收入——同比增長了359%

Melius Research的技術研究主管Ben Reitzes指出,華爾街原本預期此數字約為1800億美元,但甲骨文實際公布的結果遠超預期,堪稱「歷史性的成績單」。

甲骨文執行長Safra Catz進一步透露,公司的人工智慧業務已全面展開,客戶名單囊括了當前AI領域最活躍的參與者。其中,最引人注目的是與OpenAI簽訂的一份為期五年、估值高達3000億美元的雲端運算合約。

受此驅動,公司樂觀預估其核心的甲骨文雲基礎設施(Oracle Cloud Infrastructure, OCI)部門,本財年營收將大幅成長77%,達到180億美元,並設定了在2030年達到1440億美元的宏偉目標。

公開與保密:合約揭露的法律界線

儘管甲骨文高調宣布了這些合作案的宏觀規模及其對財務的巨大影響,但外界無法窺探合約的全部細節。這背後反映了大型科技合作中公開性與保密性並存的法律現實。

公開的義務

作為上市公司,甲骨文有義務根據美國證券交易委員會(SEC)的規定,在財報和公開文件中揭露對公司財務有「重大影響」的合約。

因此,合作夥伴的名稱、合約的大致規模以及對未來營收的預測,都屬於必須向投資者公開的範疇。

保密的責任

然而,根據甲骨文的標準雲端服務合同(CSA),所有具體的合同條款、服務價格、技術規格和商業機密均受到嚴格的保密義務約束。除非獲得合作方(如OpenAI)的共同書面同意或應法院要求,否則甲骨文不得單方面揭露這些敏感細節。任何未經授權的披露都可能構成違約,引發法律風險和商譽損害。

結論:雲端市場的新格局

甲骨文的此次爆發性增長,標誌著其已成功轉型為AI時代不可或缺的基礎設施供應商。透過與頂級AI公司的深度綁定,甲骨文不僅鎖定了未來數年的龐大收入,也向市場證明了其雲端服務的強大競爭力。

這場由AI引領的浪潮,正以一種兼具透明度與保密性的方式,推動甲骨文邁向新的高峰,並深刻改變全球雲端市場的競爭格局。

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

RAG 和 Prompt 原理超簡單解說!想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務,甚至是 Siri (嘿丟,他也是一種 AI 應用服務喔) 簡單來說是非 技術人員, PM,小白,想要趕快惡補的人 ,直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於,AI 這東西會幻想,會有誤差,會對於生活有些幫助但沒有幫助的人們,做個簡單又不是太簡單的介紹,希望用一個非常入門的方式讓你們有個了解。 當然,這篇文章目的很簡單, 就是引流 ,如果你身邊有已經對於 Web 技術開發的人員,歡迎報名分享給他,年末出國不如學一技在身,參加今年我們舉辦最後一場 RAG 實作工作坊,報名連結 , https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意: 接下來每個大段落結束都會有一段工商導入,但文章絕對精彩,請注意! 為了讓各位容易想像,我們將整個世界的資訊,先濃縮到這本『西遊記』的世界觀當中,我們整個世界都在這個 『西遊記』 ,而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位,應該都有聽過,西遊記!如果沒有聽過西遊記的,請右轉出去,謝謝! 先來談談向量 在《西遊記》的世界裡,我們可以把 向量想像成一種「內容座標」 ,讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說,唐三藏的 「位置」(向量)會接近「佛經」和「取經」 的概念,因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念,因為這些是他的特徵。 相似內容靠得更近:像「佛經」和「取經」會靠近唐三藏的向量,因為它們彼此有很強的關聯。 相差較大內容會離得較遠:像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠,因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置? 簡單來說,這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊,觀察哪些詞語經常一起出現,根據「共同出現的頻率」來決定它們的關係,並且自動生成向量。例如: 如果模型看到 「唐三藏」 總是和 「取經」 一起出現,它就會讓「唐三藏」的向量靠近「取經」。 ...