如今的Linux已经远远超出了服务器市场,将其影响力拓展到Android、智能电视、嵌入式设备到网络交换机等数十亿应用实例当中。除此之外,Linux社区在过去几年中亦得到长足发展。正如Linux基金会执行董事Jim Zemlin提供的数据所显示:
Linux内核的源文件数量已达53000个,代码行为2100万。全球共有3900名开发者为Linux项目工作,每天新增代码10800行。另外,每天Linux移除代码行数为5300行,内核修改行数则达1800行。Linux内核每个小时会出现七到八次变动,且每天如此,全年无休。如此巨大的开发规模在整个软件发展史上亦绝无仅有。
而这还仅仅是内核范畴。Zemlin提醒我们,Torvalds还做出了另一项卓越贡献,即利用版本控制与存储库系统Git及其基础之上的GitHub帮助人们管理这一大规模项目。每一次内核更新都立足于GPLv2许可影响到各大Linux发行版,并由此给最终用户带来体验转变。
Linux供应商无需为内核付费,那么Torvalds这位技术大牛要如何生存?他受雇于Linux基金会,担任核心贡献者与管理者,而与英特尔、红帽、三星、Suse、IBM、谷歌及AMD等技术巨头则在资助该基金会的同时为Linux项目贡献着数百万行代码。
虽然从理论层面讲,Torvalds需要向Zemlin报告,但后者用父女关系解释了双方的合作方式:“像我的女儿一样,Linus也很可爱、很聪明,但无论是Linus还是我女儿都不会太重视我的意见。”
Zemlin乐于弱化自己的作用,并表示“我只是滚滚向前的历史车轮的一名监督者。”但是,Linux基金会自身的重要性一直在不断提升——除了Linux内核之外,其还掌握着众多能够决定企业计算未来发展方向的重要成果。
以Linux基金会的开放容器倡议(简称OCI)为例。公平地讲,过去几年当中Docker带来的Linux容器技术带来了无与伦比的巨大影响。在OCI的推动下,云原生计算基金会亦承诺在下一代企业云环境中协调容器管理与编排解决方案的协作关系,并以谷歌的Kubernetes为核心组成部分。
Zemlin对于目前基金会旗下快速增长的Hyperledger项目极为关注,这是一套基于区块链技术的企业级开放账目系统,适用于处理各种交易活动。“区块链拥有着改变互联网领域受信交易属性的潜力,”他指出。“除此之外,它还能够对联网设备的安全性加以保障,允许大家在互联网上使用值得依赖且高度安全的持久加密安全记录。这无疑是个庞大的工程。”
另外,各类开放网络项目的涉及范围之广亦值得关注。将各类成果加以结合,我们已经能够隐隐窥探网络技术的未来走向:OpenDaylight、Open Network操作系统、Open Orchestrator项目、Open Platgorm for NFV、Open vSwitch以及OpenSwitch等等。
随着Linux迎来发展中的第二十五个年头,我们不仅应当肯定其作为操作系统本身所贡献的巨大价值,同时亦需要关注它给整个开源文化及社会认同带来的显著影响。事实上,开源如今已经成为技术发展的重要根据地。
Linux拥有一整套庞大且活跃的贡献者、供应商以及用户生态系统。但在此基础之上,Linux与Apache等基金会的出现让开源项目成为一种具备普适性的技术发展载体,甚至影响到了企业计算的立足根基。相较于最初十年的徘徊与探索,如今的Linux乃至整个开源社区不仅稳固健康,同时亦真正得到全世界人们的认可与尊重。
好文章,需要你的鼓励
2025年人工智能在企业中实现突破性应用,从实验阶段转向实用阶段。八位代表性CIO分享核心经验:AI工具快速进化、需保持快节奏实验思维、重视工作流程而非组织架构、数据质量成为新挑战、采用前瞻性指标管理项目、无需等待完美时机、AI既是技术也是社会文化现象、需严格项目管理、变革重在人员而非技术、多智能体架构成未来趋势。
NVIDIA研究团队构建了迄今最大的数学推理数据集Nemotron-Math,包含7500万条推理轨迹,通过多模式推理和工具集成让AI在数学竞赛中达到100%满分。该研究还提出了创新的分桶训练策略,将超长文本训练效率提升2-3倍,为AI数学推理能力的突破和实际应用奠定了重要基础。
日本科技投资巨头软银需要在年底前筹集225亿美元,以履行对AI合作伙伴OpenAI的资金承诺。软银是OpenAI价值5000亿美元Stargate数据中心计划的主要资助者之一。为筹集资金,软银CEO孙正义可能动用多种手段,包括利用其持有的英国芯片设计公司Arm股份作为抵押贷款。软银已清仓英伟达股份为该项目提供资金,目前可通过Arm股份借贷115亿美元,还持有价值110亿美元的T-Mobile股份及270亿美元现金储备。
清华大学研究团队提出JustRL方法,用单阶段训练和固定参数的简单强化学习配方训练15亿参数AI模型,在九个数学基准测试中达到54.9%和64.3%的平均准确率,性能匹配或超越复杂多阶段方法,同时计算资源减半。研究挑战了AI训练中的复杂化趋势,证明简单方法的有效性。