ZD至顶网软件频道消息: 近日,微软企业和云计算的执行副总裁Scott Guthrie通过博客向外宣布,微软将于2017年向Linux开放SQL Server数据库软件,同时还宣布了与Red Hat、Canonical就此展开合作。那么,对于微软来说,让SQL Server运行在Linux上到底有什么意义?
事实上,微软正在豪赌其云计算平台Azure,在这种转变之下,传统的、只针对Windows的方式已经不再适用。如果微软能够通过Linux平台上的SQL Server中增加Azure的收入,那么它的目的就达到了。而从去年微软通过推出基于Linux的Azure HDInsight版本(它的云Hadoop产品)而立竿见影地让自身在大数据领域里获得之前不曾有过的声誉来看,这种方式是可行的。
微软数据平台MVP及区域总监Simon Sabin表示:Linux版本的SQL Server可能也会为微软在应用程序容器领域赢得同样的精彩。当然,基于Windows的容器是一回事,可是Docker社区更多的是基于Linux的。
另外,更重要的是,Linux版本的HDInsight产品打破了微软难以和大数据ISV进行合作的僵局,相较以往只能通过运行在Windows Server上的Hadoop版本开展,微软获得了更多的合作伙伴。这也包括了Datameer同微软之间的合作伙伴关系,它已经为这两家公司都创造了商业机会,这就是俗话说的双赢。
当然,对于企业用户来说,SQL Server能在Linux上运行在一定程度上也符合企业对其产品进行跨平台战略的部署需求。同时,微软这项决定也挽回了一部分开发人员的心。以往,由于大量的开发都是基于Linux,这就让MySQL、PostgreSQL等开放源代码的Linux兼容数据库赚足了眼球。为此,微软推出了免费的SQL Server Express Edition,以及便宜的Server Developer Edition,希望重新赢得这个领域的市场份额。
当然,如果这样就能让微软在该领域市场万事大吉,还是太天真了。SQL Server的Linux版本会开放源代码吗?如果不开放,那么微软就仍然是在同MySQL和Postgres制造摩擦;会有运行在Mac OS(本身就是UNIX的衍生品)之上的SQL Server开发者版本吗?如果没有的话,那么对于很多使用Macs并且希望能够间或本地/离线运行的开发人员来说,这就是一个障碍。
*nix上的SQL Server并不真的是什么新东西。回顾SQL Server的发展历史就会知道,SQL Server产品最初是由微软和Sybase(现在已经是SAP的一部分了)联合推向市场的。Sybase的版本运行在UNIX上,而微软的版本运行在Windows和OS/2之上。但是当微软和Sybase进行了那场臭名昭著的“离婚”之后,微软推出了SQL Server 2005,新的代码库全部是微软的,一切都建立在Windows基础之上。所以Linux版本的SQL Server仍然是一件大事。
而且,鉴于以上种种原因,这一举措是否能够为微软带来回报尚未可知。但是无论如何,向Linux开放SQL仍旧是一个正确的举措,而且如果将其和微软已经采取的其他众多正确的行动放在一起(例如,Office和Outlook进入iOS和安卓平台;HDInsight进入Linux平台;Linux进入Azure),它就只是整个战略中的一部分,而这个战略已经开始产生回报,并且很可能会在未来带来更多的回报。
 
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
             
                 
                     
                     
                    