微软正在强化自己对开源软件发展的承诺。
微软之所以这么做,是因为当前IT领域不断发展变化,正在越来越多地依赖于在多个计算平台上运行分布式应用这一概念。
如今的企业混合采用不同的云和运行时系统,并使用各种配置工具如软件容器、虚拟机和无服务器基础设施。IT变得越来越复杂,微软认为所有这些都已经达到了一个转折点:开发者需要更简单、更通用的方式来在各种计算平台上打包和运行他们的分布式应用。
为此,微软今天表示正在与容器软件公司Docker合作,开发一个新的“云原生应用包”,并希望这个软件包成为打包和运行分布式应用的事实上的规范。该软件包兼容从微软Azure云和Docker Engine到开源平台(如Kubernetes和OpenStack)的所有内容。有了它,开发人员可以更轻松地定义需要部署到不同运行时的应用资源,包括公有云和私有云、工作站、Air-Gapped网络和物联网环境。
该规范是在今天微软举行的Connect() 2018开发者大会上公布的,此外微软还公布了一个名为Duffle的开源参考实现工具,用于安装、升级和卸载CNAB捆绑包;一个新的Visual Studio Code扩展,可以轻松构建和托管新的捆绑包;以及一个用于简化安装的Electron Installer。
Docker已经为容器化应用实现了CNAB,并将在其平台上扩展这项规范以支持新的应用开发。Docker计划将CNAB与Docker App工具集成,这样捆绑包就可以打包为Docker图像。两家公司还表示,这将实现通过使用Docker Hub或Docker Enterprise管理应用开发生命周期。
开源是微软今年Connect()大会的核心主题,因为微软正在加速从免费软件的反对者转型为免费软件的主要支持者之一。除了发布CNAB规范外,微软还宣布在GitHub(今年早些时候微软宣布收购GitHub开源代码库平台)上免费提供三种流行的Windows UX框架,包括Windows Presentation Foundation、Windows Forms和Windows UI XAML Library。
Constellation Research首席分析师Holger Mueller表示,管理框架除了CNAB之外还有Google的Istio,以及AWS上周推出的Firecracker,现在这两家厂商都是主要的开源贡献者。
他说:“虽然Kubernetes目前在容器管理方面取得了胜利,但并不意味着也适用于虚拟机、Docker和更多只会消失。企业需要帮助来管理他们创建的‘动物园’,需要任何可以帮助他们降低复杂性的工具,这些都是管理下一代应用好迈出的重要一步。”但他警告说,IT主管必须确保互操作性,因为“他们可不想陷入另一种形式的锁定”。
此外,微软表示正在扩展.NET Foundation会员模式,让开源社区中的任何人都能参与到治理中来,在关于主要开发者平台的未来发展方向具有话语权。
“这意味着,未来社区成员将直接指导基金会的运营,这种新结构将有助于.NET Foundation的扩展以满足.NET开源生态系统不断增长的需求。”
微软还向一些知名的开源基金会发布了重要的新工具,包括Virtual Kubelet,贡献给管理Kubernetes等项目的Cloud Native Computing Foundation。Virtual Kubelet让开发者能够轻松地将Kubernetes节点与Azure容器实例、AWS Fargate和Azure IoT Edge等其他服务连接起来,从而更轻松地在云环境中扩展集群。
此外微软通过GitHub向The Open Neural Network Exchange提供了一个新的运行时ONNX,这是一个针对深度学习模型的格式,可在不同的开源AI框架之间实现互操作性。微软表示,ONNX Runtime将帮助开发者直接从源代码中定制ONNX推理引擎,并将其集成到现有基础设施中。
好文章,需要你的鼓励
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。
随着Windows 10支持即将在三个月后结束,戴尔和英特尔联合发布报告,试图说服企业用户将PC升级视为AI转型机遇而非被迫需求。报告显示80%英国企业计划升级至Windows 11,62%倾向选择Copilot+ AI PC。然而市场分析师指出AI PC需求缓慢,主要因为缺乏杀手级应用和明确投资回报。尽管存在兼容性担忧和标准不统一问题,预计AI PC将占今年销量43%,2026年成为市场主流。
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。