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
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。