ZDNet至顶网软件频道消息: 当在本周四在旧金山的会议上被问及如何看待惠普刚刚发布的、基于忆阻器的“Machine OS”时,戴尔软件业务主管John Swainson以及戴尔研究事务负责人Jai Menon同时对其理念表现出极大质疑。
“想要通过重构一套操作系统来实现某种神奇的目标,这样的思维方式很明显太可笑了,”Swainson在采访中这样回应提问。
在投奔戴尔公司之前,Swainson曾经效力于博通并在2005年到2009年间担任CA Technologies首席执行官。此外,他还有长达26年的IBM供职经验。
“我至少已经亲眼见证过三次操作系统变更,”他回忆道。“每一次厂商都给出了美好的承诺,但最终事实却证明这些只不过是镜花水月——真的,这三款系统如今还都仍然存在。”
惠普目前的计划是着手开发一套名为“The Machine OS”的开源操作系统,并在其中引入忆阻器(DIMM,预计将于2016年面世)、硅光子以及定制化处理器等新型技术要素。
这款软件将成为一款“全新操作系统,全面开源并自下而上对高内存容量系统作出优化,”惠普公司的Martin Fink在昨天的惠普Discover大会上指出。
这是一个雄心勃勃的计划,但却未必能如承诺中那样带来如此显著的成效。
“计算机科学家对这类东西情有独钟,”Swainson表示。“也已经有很多很多人作出过尝试——但其实并不值得这么干。……我认为大家可以在设备驱动程序的设计过程中引入大量内存优化技术并修改现有操作系统,而并不一定非要编写一套全新的操作系统环境——这样做的话,其中80%到90%的工作完全是在浪费时间。”
我们也认同戴尔在这一问题上的观点:无论惠普的“Machine OS”具备怎样的重大意义,它都必须能够全面支持与遗留软件的互操作性,正如甲骨文的全新内存内数据库需要在其它环境下实现全面向下兼容一样。这套后备方案尽管采取开源机制,却仍将客户锁定在惠普的硬件身上,没人想要这样的结果。
相比之下,戴尔的新型内存技术方案则选择耐心等待以观察下一代内存机制的特性,从而构建起能够与之相匹配的特殊软件组件。
“我们正在密切关注下一代内存技术的所有动向,”Menon解释道。“与惠普或者IBM不同,我们并不会以非常明确的立场将忆阻器视为正确的发展方向。我们已经审视过相变存储器以及电阻随机存储器,我个人认为至少还有这两种其它技术方案可供选择……举例来说,相变存储器的面世时间要比惠普项目更早。”
戴尔将等待时间并在真正的竞争优胜方确定后为之开发软件。“我们一直在高度关注事情的进展,并殷切期待未来三到四年之间的技术发展动向,同时认真思考该如何建立必要的软件与服务器合作伙伴关系。”
该公司的想法是“对面向中端市场的方案与面向高端市场的最大、最强方案加以区别对待,并期待这种涓滴效应能够实现起效,”戴尔研究事务主管Menon解释称。“涓滴效应一般来说并不会成功。”
对惠普而言,他们迫切需要建立新的高利润业务,而最好的办法无疑是将硬件与软件结合在一起。相比之下,戴尔公司已经转为私营体制,因此这家企业可以通过重组来适应现代技术领域——这一领域要求从业企业推动利润较低的技术方案,而不主张将多种技术机制结合在一起。
与甲骨文以及IBM一样,惠普也押下了自己的重注,希望能在高利润集成化硬件与软件的未来发展态势身上获取到可观的收益。
“我们认为Machine OS确实是一项有趣且颇具深层价值的技术成果,”Swainson指出。不过戴尔显然更关注“成本最低廉、品质最出色以及基于标准的技术方案——这些平凡的诉求正是计算科学的核心所在。”
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。