2025年10月 15日，美國拉斯維加斯。
Oracle CloudWorld2025 大會現場，拉里·埃利森一登台就拋出一句話：
AI 改變一切。這個說法可真夠大的。“一切”，不過我覺得這說法很接近事實了。
不是“改變搜尋”、“改變生產力”，他說的是“一切”。
在這場長達 90 分鐘的演講裡，他沒有展示任何 AI Demo，也沒有重複模型性能有多強。他要講的，是為什麼 AI 會重寫整個世界的運行方式。
他說：從20瓦的人腦，到12億瓦的 AI 大腦，社會系統和企業系統必須重新定義。
這種重新定義涉及根本性問題：
- 什麼是“基礎設施”？
- 什麼才是“可用資料”？
- 誰真正擁有 AI 紅利的分發權？
這些洞察，不是出自研究者或 AI 創業者，而是來自一個親手建構全球最巨量資料庫帝國、正轉型為 AI 推理平台的技術商業領袖。
而他給企業的警告：別再只訓練模型了，真正的機會，在於誰能用 AI 理解自己的私有資料。
如果 AI 真的比工業革命還猛，你準備好了嗎？
第一節｜模型會說話，更要聽得懂你
拉里·埃利森的第一個觀點：AI的遊戲規則變了。
他說：“過去大家只談訓練，現在我們談的是‘推理’。而且這不是以前那種‘模型做出一個判斷’的推理。現在，它們真的在思考。”
✅ 多模態AI模型，其實像一顆電子大腦
在演講中，埃利森用了一個比喻：現在的AI模型，是由多個神經網路組成的，就像你我大腦的不同分區。
比如：
- 看一張圖，是一個網路；
- 理解這張圖上是什麼，是另一個網路；
- 判斷這張圖是不是在描述“危險”或者“需要行動”，是第三個網路。
每個子網路各司其職：有的處理文字，有的識別圖像，有的分析聲音，有的負責推理。這就像我們的大腦，視覺皮層處理顏色和運動，語言區域處理邏輯。
過去我們以為AI是在“學說話”，其實真正重要的，是它在學習“理解”。
✅ “語言生成”之後，進入了“語言理解”階段
拉里·埃利森把ChatGPT 3.0稱為“真正的轉折點”：
那是 AI 第一次開始像人類一樣說話的時刻。
但他說，價值不在於生成看似人類的回答，而在於： 它有沒有真的理解你的問題，然後知道該去那找答案、怎麼推理？
這才是AI 從“模仿人類語言”到“學習人類思考”的轉變。
ChatGPT、Anthropic、Grok、Gemini，這些主流模型都已經很強大。但埃利森指出一個問題：它們都用公開資料訓練，這遠遠不夠。
“模型不是萬能的，它不知道你公司的帳， 不知道你客戶買過什麼，不知道你過去開過什麼藥單。 這些都不在網際網路上。”
真正有價值的資料，是你的私有資料。
模型的真正潛力，是理解你的世界之後，替你思考眼前的事。
✅ 從“生成答案”到“建構判斷”，差別在那？
他舉了個例子：AI現在能通過觀察路上的視訊，判斷一輛車會不會撞到你，它能在幾毫秒內決定剎車還是轉向。
這不是靠預設規則，而是模型看了成千上萬個錄影後，自己學會了判斷危險。
推理，不再是判斷正確答案，而是在複雜條件下做出行動建議。換句話說，AI不只是幫你“找資料”，而是幫你決定“該做什麼”。
當 AI 真的具備了理解、聯想、判斷的能力，當這顆“電子大腦”能以極速處理複雜問題時，真正的瓶頸不再是技術。
瓶頸變成了我們：能不能提出值得它推理的問題？
所以別再糾結模型夠不夠強。
關鍵是，你有沒有真正值得它理解的問題。
第二節｜12億瓦的AI大腦，是造出來的
如果說 AI 正在學習“理解”，那支撐這種理解的代價是什麼？
拉里·埃利森拋出一個極有畫面感的對比：人腦只用20瓦電力，AI大腦要12億瓦。
他說，20瓦的燈泡亮不了多少，但就是它，驅動了人類的語言、想像、平衡、推理。
而現在？
甲骨文正在德克薩斯為 OpenAI 建造全世界最大的AI叢集，供電量能支撐 100 萬個四居室家庭，相當於一座中型城市。
✅ 不是只買GPU了，是在造一整套“AI基礎設施”
埃利森說：你以為我們是在買GPU？不，只買GPU是遠遠不夠的。
他具體講了“訓練一個AI模型”到底需要什麼：
- 要有電力廠供能（用天然氣輪機發電）；
- 要有電網，能把電精準送進每一個GPU陣列；
- 要有冷卻系統，維持穩定溫度；
- 要有網路架構，讓50萬個GPU像“一台大腦”一樣工作；
- 要有人把這些建出來，每天3500名工人現場施工。
這和他當年在大學宿舍寫程式碼，完全是兩回事。
✅ 企業不是用 AI 模型，是要能承載 AI 的能力
他打了個比方：AI模型就像一台F1賽車，但你得先有賽道。
大多數公司連“加油站”和“維修區”都還沒準備好，卻已經急著“讓AI起跑”。
他強調：我們不只是搭建軟體了，我們在建發電廠。”
他在提醒企業：AI能力不取決於用那個模型，而取決於基礎能力是否就緒。具體來說：
- 你有沒有自己的資料結構，能被模型理解？
- 你有沒有快速呼叫AI結果的管道？
- 你有沒有能支撐低延遲推理的執行環境？
如果這些都沒有，就像買了一輛F1，卻停在了鄉村土路上。
✅ 為什麼“12億瓦”是個轉折點？
因為它不僅代表模型訓練的能耗，更代表一個時代開始動用“國家級資源”來建設AI。
- 不只是買伺服器，而是佈局能源、通訊、基礎軟體、儲存；
- 不只是演示模型demo，而是交付可靠、持續的AI生產力；
- 不只是調模型參數，而是要知道要用這套能力解決什麼事。
埃利森總結道：
“我們是在建構AI工業能力，是整個新世界的基礎設施。”
這不是空談。馬斯克的Grok的第一個版本，訓練中的模型，幾乎都在甲骨文雲上完成。
12 億瓦的AI大腦已經開始運轉，遊戲規則正在改變。
第三節｜AI接入企業，要從私有資料開始
在現場，拉里·埃利森點出了一個被忽視的真相：
“這些模型是用公開資料訓練的。它們知道世界在發生什麼，但不知道你公司的帳是怎麼算的。”
這不是抱怨，而是機會。
真正的機會，不是再去訓練一個模型，而是讓這些模型開始理解你手裡的資料。
✅ 為什麼公開資料不夠？
現在的大模型，比如 ChatGPT、Grok、Gemini，全都用的是公開資料：網際網路上能搜到的內容、論文、網頁、百科、程式碼庫……
但企業日常決策靠的，不是這些東西。
“ChatGPT 沒看過你給客戶開的報價單，它也不知道你正在處理那張醫保帳單、那個供應商欠了你錢。”
你的資料庫、報表、交易記錄、客服對話，這些真正的業務資料都藏在公司內部，從沒參與過模型訓練。
埃利森點出痛點：
“人們希望AI幫他們解決問題，但這些問題的線索都藏在自己的資料裡。”
✅ 不想公開資料，但又想讓AI幫我分析它
這是AI進入企業的最大矛盾之一。
誰都不想把自己的客戶名單、合同內容、財務記錄傳到外部模型去；但又希望AI能“像懂行的同事一樣”看得懂這些材料、做出反饋。
這就像你既想保護隱私，又想讓最聰明的人幫你做分析。
埃利森說：這不是兩難選擇，這是可以做到的。
他透露，甲骨文為此設計了一整套叫做“AI資料庫”和“AI資料平台”的新方法，核心邏輯就一句話：
讓模型可以理解你的資料，但不帶走它。
怎麼做到的？他們用了一種叫 RAG（檢索增強生成）的方法。
這是一種讓AI 在不“提前學”你資料的情況下，臨時讀取相關資料的方法。 簡單說：
“你的資料不用訓練進模型裡，模型會在回答問題前，像搜尋引擎一樣去‘翻一眼’， 然後再回來生成答案。”
這就像你請了個專家到你辦公室來查資料，而不是把資料打包寄出去。
甲骨文把這套方式嵌進了自己的資料庫、對象儲存，甚至能連接AWS的資料。不管你的資料放在那裡，他們都能幫你建立一個“模型能看懂的窗口”。
✅ 讓AI“看懂”你的資料
這一步叫“向量化”。
普通人不需要理解數學細節，你只需要知道：
- 模型不認得你Excel表裡的“發票編號”；
- 它能夠理解“這個東西的意思是什麼”；
- 所以需要轉化，讓AI感知到資料之間的關聯性、相似性、時間順序。
你不需要改資料，只需要告訴甲骨文，那些是你希望模型能讀懂的，他們就會幫你把它轉成模型能理解的語言。
這就像你請翻譯把一整本業務資料“翻給AI看”，它才知道怎麼幫你分析。
埃利森用一個診所的例子說明了這種方法的實際價值：
“有些美國小診所，每個月都在為醫保報銷發愁。 報帳批不下來，診所現金流就斷了，病人也就收不了。”
他設計的AI應用，不是去“預測癌症”，而是：
- 幫診所掃描上百個帳單；
- 核查每一項是不是都符合政策；
- 估算這批報銷到帳的機率；
- 自動生成一份可信報告，給銀行做抵押貸款用。
埃利森的觀點很務實：AI不是來做什麼高大上的事，而是先幫你解決那些繁瑣的日常工作。
如果說訓練模型是“建大腦”，那讓它讀懂你公司資料，就是“裝眼睛”。
公共模型是工具，你的資料是鑰匙。
AI知道世界在發生什麼，但你必須教它：你在做什麼。
第四節｜AI 真正落地，就在醫院和農田裡
拉里·埃利森整場演講裡，最令人意外的部分不是講AI有多強，而是AI已經開始解決那些具體的事。
他沒有講“AI能幫你提升效率”這種空話，而是一條條說清楚了：那些行業在用，用在那一步，發生了什麼變化。
✅ 醫療影像，不止看得快，更看得全
他舉了一個自己在急診室的親身經歷：
“我騎摩托摔斷了幾根肋骨，做核磁共振的時候，醫生竟然在一張圖上用尺子數我斷了幾根肋骨。”
圖像明明已經數位化了，為什麼還在手動數？
他說，今天AI完全能做得更快、更精準：AI可以一秒內完成所有骨折識別；
同一張圖像，它還能識別其他潛在問題，比如肺部陰影、肝臟病變，不會漏掉。
他說：
“我們在看一兩件事的時候，AI可以看到十幾件。”
在癌症手術中，AI的價值更明顯。
最好的外科醫生要用顯微鏡看切口有沒有切到癌細胞，而AI本身的視覺已經是顯微等級，能在健康細胞和癌細胞之間精準切割。
✅ 農業，AI能種出更聰明的麥子
埃利森說，他們聯合牛津大學的一個項目團隊，做了一件以前幾乎沒人想到的事：
“我們改造了一種麥子，讓它在同樣面積的土地上，多產出20%的糧食。”
這不是轉基因炒概念，而是用AI模型模擬出“怎麼設計出更高效的光合作用”。
更特別的是：這種麥子吸收了更多的二氧化碳。我們可以控制它把這些碳轉化成碳酸鈣，也就是穩定地固化成礦物，減少大氣碳排。
以前碳中和是靠算帳，現在可以直接靠種地。
✅ 病原體識別，快到幾分鐘出結果
他說傳統檢測一個人得了什麼病，需要等好幾天培養細菌。
現在他們正研發一種AI裝置，抽一管血，能在幾分鐘內：
- 找出是什麼病毒、細菌、真菌；
- 判斷它有沒有耐藥性；
- 給出建議該用什麼藥。
就算是新型病毒，比如當年COVID，也能被這個裝置第一時間識別出來。
這不光是救一個人，而是：如果當時世界上每家醫院都有這個裝置，我們會比現在早幾周發現疫情。
✅ AI 不止在看，也開始動
埃利森還講到他們做的另一個項目：
“我們用無人機運送血樣，從診所飛到實驗室，全程用RFID保密識別，全程不丟件。”
這不是未來畫餅，而是“現在已經在做”的事。
他說：我們還在研發自動化溫室，機器人種菜，環境封閉，人都不能進。
這個溫室的目的有兩個：
- 節省水和耕地 —— 比傳統農業節水90%，不再砍森林種糧；
- 可部署在城市邊緣 —— 每天早上採摘，晚上就送到超市。
他半開玩笑地說：這也可以送到火星。我們給馬斯克看過這張圖。他可以一邊住在溫室裡，一邊種出自己的番茄。
從醫療影像到碳中和農業，從病原檢測到無人配送，AI 正在解決的不是宏大命題，而是那些困擾我們已久的日常難題。
這或許就是 AI 真正的價值所在。
第五節｜AI不是技術，是能力建設工程
到這一步，拉里·埃利森拋出了一個更大的問題：AI，不只是企業要用的工具，它其實是一種國家級的能力。
現在的大模型需要的不只是晶片和算力，更需要能源保障、資料接入、行業經驗、法規理解。這些能力，過去只有政府具備。
而現在，企業要把這套"國家級能力"建起來。
✅ Oracle是怎麼在“建這套能力”的？
埃利森點出了Oracle和其他雲廠商的最大區別：微軟、亞馬遜、Google都有雲服務，但他們不做醫療管理系統、不做帳單軟體、不做診所管理工具。
換句話說，別人建了“路”，但沒有“車”。
Oracle反著來：先做業務軟體，再做AI和基礎設施。
這句話非常關鍵，意思是：其他雲廠商主打“AI研發平台”；Oracle 則是“AI落地之後誰來承接”的那家公司。
他接著說：
“我們是唯一一家，同時做AI基礎、AI工具、行業軟體的雲服務商。”
這意味著：Oracle能從頭到尾，把整條鏈條搭好。
更重要的是，Oracle在醫療、金融等行業深耕多年，知道問題在那、該從那開始，而不是拿著AI模型到處找用法。
這就是 Oracle 在談AI的時候最不一樣的地方：
- 不宣傳模型的參數；
- 不強調推理速度；
- 重點在於：我知道這個行業的事要怎麼幹。
真正的 AI 機會，不在於再造一個模型，而在於誰能把模型用到現成的問題裡。
✅ AI模型+資料+經驗=可用的能力組合
拉里·埃利森說：
“今天的AI模型，大家都能用；但你能不能把它接入業務，還要靠資料和理解力。”
所以 Oracle 的策略不是搶最新的模型，而是：
- 把 ChatGPT、Grok、Gemini、LLaMA 全都接入進來；
- 客戶選那個模型都可以；
- 但你要接的是 Oracle 的“AI資料平台”；
- 也就是那個讓你能安全、穩定、合規地呼叫自己資料的中間橋樑。
模型會不斷升級，但你自己的資料結構、使用方式、行業規則，不會那麼快變。
Oracle 要做的，就是承接這些不變的部分。
這就是“國家級能力”的真正含義：不只是訓練平台，而是解決城市、行業、生態問題的整套服務。
比如：
- 在醫療場景，AI不能只識別病變，還要接上帳單系統、醫保系統、資金結算；
- 在農業場景，AI不能只預測產量，還得接入水資源調度、天氣模型、供應鏈； 而在教育場景，AI不能只講題，還要理解考試安排、學籍系統、家長溝通。
這不是模型本身的事，而是誰來承擔這些整合工作。
“我們在建的不只是資料平台，我們在建AI落地的骨架。”
這節的最後，埃利森說：
“AI不該是尖端武器，而該像水、電、網一樣被標準化地用起來。我們這幾年造的，不是概念，是能交付的服務。”
Oracle 選擇的方向是：不是做更強的 AI，而是讓每個人能用上 AI 去做事。
這幾年造的，不是概念，是能交付的服務。
結語｜AI之後，真正的變化才開始
拉里·埃利森這一整場演講，說穿了只有一件事：
AI不會取代你，但它會逼你把該干的事幹到底。
他沒喊口號，只問了三個問題：你有資料嗎？你有流程嗎？你有真正想解決的問題嗎？
為什麼說 AI 比工業革命更猛？
工業革命讓機器替代體力， AI革命讓系統延伸能力。
一個改變了“能做多少”， 一個改變了“能做什麼”。
埃利森說：AI 不是工具，是新能力。像電、像水、像地基。
留給企業的問題很簡單：讓 AI 先幫你做那件事？
誰最早用 AI 把問題解決到底，
誰就站在了新時代的起點上。 (AI 深度研究員)