ZD至顶网CIO与应用频道 11月28日 国际报道:根据美国管理及预算局称,美国政府每年花费大约60亿美元在软件许可和维护上。
考虑到这个开支的规模,美国和全球其他主管部门一样,正在考虑开源软件和开放软件标准来节约成本也就不足为怪了。
但是除了把开源作为一种节约成本的手段之外,全球的公共政府也将开源视为一种在公共领域加速创新的途径。
10月的时候,荷兰政府将一项关于所有政府机构都应该从2017年开始使用开放文档格式的建议批准作为一项法律规定。
开放文档格式市一中数字文件类型,符合开放标准要求,是一系列技术软件规范,鼓励开放和专有的软件应用彼此之间进行无缝集成。
例如,开放文件类型.odt兼容专有的微软Office和开源的OpenOffice以及LibreOffice。
6月,美国政府通过了Megabyte Act法案,旨在简化软件许可支出,每年一个内部机构可以节约高达1.81亿美元。
8月,美国政府发布了一项新的联邦软件政策,旨在通过推广使用开源来提高政府的效率、透明度和创新。
在很多方面,这些软件许可是政府IT的症结所在。在欧洲,政府机构极力推动技术公司的公共责任,敦促他们支付合理份额的税费,同时他们也依赖于这些企业的技术来保证其部门的运转。
避免与许可合同捆绑到一起,是政府机构将他们与技术公司分离的方法之一。
“开源美国”(Open Source for America)这一组织联合主席、公共技术顾问Kane McLean表示:“你制造了一种锁定的局面,在这种情况中,X公司开发技术,只有他们知道数据和数据库本身之间如何很好地协同。”
据彭博社报道称,在英国政府在2014年实施开放标准计划之前,微软曾威胁要将微软实验室迁出英国。
采取这种策略通常意味着不能使用专有软件,而是选择开源软件。作为持续的开放标准计划的一部分,那些希望设立新服务的英国政府机构,必须避免那些要求他们使用专有软件的软件许可。
微软Office套件是政府维护的最贵的软件许可,政府正是微软最大的客户。虽然微软向政府收取的费用未对外公开,但是微软365套件的企业消费者价格在2015年底增长了59%。
根据iTnews的数据,2016年澳大利亚政府在软件台式机许可上的支出增长了33%,相比往年有了显著增长。从2016年中到2019年中,澳大利亚财务部每年要花费6700万澳元(5000万美元)在微软许可上。
一些大型技术公司例如Facebook和Google都致力于发扬开源精神。为了支持开放文档格式的需求,几年前微软推出了.docx格式,兼容大多数的文本程序。
随着政府越来越多地传播信息和提供在线服务,他们需要将新网站新应用与老网站老应用连接起来,并且这都是跨部门的。为了避免对旧代码进行重新编写适应新的应用,政府鼓励开发者使用内嵌了开放标准的软件。
在政府中采用开源的主要目标是尽可能地方便于数据的顺畅传输。开放标准的支持者说,这种方面将会在政府内带来更多创新,提供更好的市民服务。
“数据库本身与数据交织在一起,数据与数据库紧密相连,他们几乎是不可分离的,所以如果你非常了解数据和数据库,那么就会知道,重新改写是非常困难的一项挑战,”开源美国组织的McLean这样表示。
荷兰新法律的支持者Astrid Oosenbrug表示,开放文档格式将会改善从政府到市民的信息共享,让政府在选择IT提供商方面有更高的自由度。与此同时,使用开源软件将会改善软件行业的竞争局面,她说。
McLean表示,他的组织看到有越来越多更小规模的项目成为联邦IT这个主要系统的其中一部分,这在采用开放标准以前是从未有过的。
“这很棒,当你让竞争环境变得更平等,消除障碍,人们就会希望参与其中,他们有很多奇妙的想法。”
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。