ZD至顶网软件频道消息: “一个微软”中的“一个”是微软这些日子以来最喜欢的数字。
我们以前听说过One Strategy、One Windows、One Commercial Partner。公司内部还有一个名为“One Engineering System(1ES)”的计划,旨在统一和改进微软自身的工程流程和工具,并尽可能向客户发布这些工具。
上周末,微软的官员们宣布提供在1ES下创建的工具之一。这个被称为Git Virtual File System (GVFS)的工具旨在帮助微软自己的产品团队将Git客户端进行极大规模的回收。
微软开放了GVFS的客户端的源代码(仍然依赖于预发布文件系统驱动程序),因此目前不推荐将其用于生产环境中使用。然而,Windows团队正在使用GVFS来帮助处理所有其各种变体(Windows OneCore、桌面电脑版本、IoT、HoloLens、Xbox等)的Windows代码库,它包含350万个文件,大小超过270 GB。
作为1ES的一部分,微软选择使用Git进行源代码管理,而不是使用自己的Source Depot源代码控制系统或TFS及其Team Foundation Version Control系统,企业副总裁Brian Harry在2月3日的发表的一篇关于1ES和GVFS的博客文章中解释说,这是因为该公司最大的一些团队(如Windows和Office团队)自己从来没有使用过这些系统。
虽然微软在从工作项跟踪、版本控制到构建在内的一切都使用自己的TFS,但它也使用其他微软开发的和第三方工具来创建自己的产品和服务。
Harry表示,微软创造1ES是 “在地上下一些有趣的赌注”。由于云计算是未来,微软下注Team Services能成为骨干。
Harry表示,“在这一点上,微软几乎每一个团队都进行了这样的转变,我们所有的工程工作都在Team Services中进行管理。”
他表示,Team Services构建服务是首选的构建编排系统,Team Services Build管理是UI。微软还建立了一个新的“制造引擎”,它还没有提供给公司外部,它支持“超高规模和细度的缓存、并行和增量”。他说这个引擎已经导致了一些“原本需要几个小时的构建工作有时候会下降到只需要几分钟就可以完成”。
Harry在这里描述的是CloudBuild。CloudBuild是微软的分布式和缓存构建服务(详细信息,请参阅微软2016年的这篇研究论文)。
CloudBuild旨在超越当前构建系统,如Make、Maven、Graddle和MSBuild,它们在单个机器上执行,通常是在开发人员的桌面电脑或笔记本电脑上。而CloudBuild允许开发人员在代码库上并行工作。
CloudBuild——微软最初创建的目的是为了实现Bing持续交付——是建立在微软内部的Autopilot集群管理系统之上的。 CloudBuild目前在几个公司数据中心中运行,并使用了数千台服务器。微软的研究报告透露,每天使用CloudBuild发布的版本大约有20,000个。
微软还为Windows团队创建了一种代号为Concord的新构建语言。2016年的IEEE / ACM的会议文件表示, Concord“保证可靠的构建,没有过度构建,并允许有效的分配”。微软官员们表示,“采用Concord已经带来了巨大的性能改进,我们已经看到Windows构建的速度提高了100倍。”但是听起来好像微软并不是100%地确定到底是演进(CloudBuild)还是革命(Concord)才是最好的战略。
Harry表示,有了1ES,微软在工具方面的目标是“使用我们交付的并交付我们使用的”。 Harry表示,“事情并非100%如此,它不总是完全同步,但这是一个方向——默认的假设——除非有一个很好的理由需要采用别的方式。”
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。