ZDNet至顶网软件频道消息:我见过大量微软观察者和用户称,这一举措表明,新上任的CEO Satya Nadella正带领公司走向前CEO鲍尔默及其领导团队不敢涉足的方向。
负责微软程序员部门的公司副总Soma Somasegar在Build 2014在Build 2014上告诉记者,将.Net进一步开源的工作从三年前就开始了。Somasegar称,公司的管理层意识到微软对开源的接纳程度还不够。微软应该首先把高级别的.Net框架开源,然后考虑逐步开放堆栈。但是,关于微软是否应该真正采用社区的贡献,还存在争议,按照最低的预计,如果不是全部开源,也会开源许可证——或者只是提供代码查看,而不允许对代码进行修改。
对于移动工具制造商——Xamarin,是微软的重要合作商及谏言者,也不再是向以前那样存在抗拒或畏惧,Somasegar说。微软内部有些人最初都很怀疑Xamarin帮助.Net程序员写安卓和iOS应用的目的,因为这些平台都是微软Windows的竞争对手。但是,随着时间的推移,微软对Xamarin的态度更加友好——尽管还是有谣言称微软正打算收购Xamarin。(上周的Build 2014展商,微软和Xamarin官方都未对此消息进行确认。)
Xamarin官方从未就开源.Net的问题向微软施压,Somasegar说。但是,他们“确实影响了我们,使我们愿意接纳社区,”他说。Xamarin确实想要更多有关.Net界面的信息以及相关文档,Somasegar承认道。
在.Net众多技术中,微软正实现Roslyn编译器的开源,这是Visual Basic和C#未来版本的基石。微软上周的声明意味着所有这些编译器未来的迭代产品都将在Apache 2.0许可证的基础上实现开源。
一年前,Somasegar就表示正在与微软卓越的工程师兼Roslyn领导者Anders Hejlsberg讨论是否要让Roslyn开源,以及何时实现开源的问题。在2013年秋季,微软决定在出预览版/终端用户版本的时候开源Roslyn(也就是上周),并接受社区的贡献,Somasegar说。Somasegar主张创建单独基金的想法获得认同——.Net基金,专为审查新的开源工作而设立的基金。
早在一年前(Nadella成为CEO之前),Nadella还在领导微软Server和Tools业务的时候,Somasegar就谏言称,.Net开源对程序员有益。
“他(Nadella)后来说,如果你认为这对程序员有好处,那就去做吧,”Somasegar说。
Scott Guthrie现在是负责微软云和企业业务的执行副总,他也是持赞同意见的关键人物,Somasegar称。
所以,微软会继续开源的路子,开放核心.Net,包括Base Class Libraries (BCL)和Common Language Runtime (CLR)吗?
“我们会一步一步来,”Somasegar。“如果对我们和社区确实有益,”微软会考虑的,Somasegar说。但是,必须得有证据表明确实有益,他强调道。例如,微软上周向Xamarin提供BCL文档是在Xamarin证明其必要性之后的事情。
我不得不承认,我此前并不确定,微软进一步开源.Net的提议是否会在Build展上受到人们的欢迎。我好奇的是,程序员们会不会误以为微软不再看重.Net的价值,.Net成了没人疼的孩子。好在,我在展会上交谈过的大部分程序员都对.Net开源持欢迎态度。
Build展会期间,Hejlsberg告诉与会媒体团,微软并不会抛弃.Net。
为了回答听众关于微软是否要将.Net束之高阁的问题时,Hejlsber说:“我们正积极投资.Net的发展。”
“我们不是要抛弃.Net,”Hejlsberg说。“而是全力以赴。”
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。