8月30日,第二届龙蜥操作系统大会在京举办。
作为国内领先的开源操作系统根社区,龙蜥社区Anolis OS及衍生版装机量已突破800万套,并在会上推出Anolis OS 23官方正式版,全面兼容国内外主流CPU、GPU架构。基于“云+AI”创新,龙蜥社区发布“Anolis OS 23生态衍生计划”“CentOS替代计划”“AI应用推广计划”等三大计划,推动开源操作系统实现商业化的良性循环发展。

龙蜥社区Anolis OS及衍生版装机量已突破800万套
操作系统是现代信息产业核心基础技术,它向下调度硬件资源,向上支撑软件应用,为AI大模型大规模落地提供关键环境保障。以前,操作系统技术及产品主要被欧美企业把持,现在,通过开源开放的技术合作创新,中国操作系统产业正逐渐迎头赶上。
阿里云是龙蜥社区创始成员之一并担任理事长单位。在中国计算机学会开源发展委员会、中关村科学城委员会、海淀区委网信办、中国开源软件推进联盟等指导下,阿里云与中兴通讯、Intel、浪潮信息、Arm、中科方德等24家理事单位共同承办了第二届龙蜥操作系统大会。
随着开源的服务器操作系统CentOS正式停服,业界“用脚投票”首选迁移到龙蜥操作系统,带动了一批基于龙蜥的服务器操作系统新发展。数据显示,2023年中国操作系统市场增速高达23.2%,主要增长动力就来自服务器操作系统。目前,龙蜥操作系统装机量突破800万套,合作伙伴超过1000家,服务用户超过100万,是国内规模最大、生态最全面的服务器操作系统之一。
本次大会,龙蜥社区发布全新的Anolis OS 23 官方正式版,该版本由龙蜥社区十余家头部企业参与全链条适配优化,完成了从底层芯片到上层软件的产品级稳定性验证及升级。新版本采用最通用的Linux ANCK 6.6 内核,可全面支持主流国内外CPU、GPU架构,在特定国产芯片平台上还可提升11%的性能;核心软件包的优化升级,带来安全性的大幅提升;通过创新适配AI容器服务生态,在操作系统层面首次原生支持AI算力调用和应用。

阿里云坚持长期投入共建龙蜥社区
阿里云基础设施事业部总经理蒋江伟表示,得益于众多通用、异构芯片厂商、特别是国产自主芯片厂商在龙蜥社区的积极参与和贡献,阿里云可以更好地发展“一云多芯”战略,在获得更健壮的硬件供应链保障的同时,实现统一资源管理和调度,进而向广大用户提供更高效的算力基础设施服务。本届龙蜥大会上,Arm、阿里云、平头哥、中兴新支点等公司联合宣布组建龙蜥社区Arm工作组,将协同推进基于Arm架构的基础软件生态。
中国工程院院士、龙蜥高级顾问团代表陈纯表示,云计算的调度与弹性,大模型的训练与推理,都离不开一个稳定、安全、高效的服务器操作系统。龙蜥立足云计算建设自主技术路线,积极探索云计算与 AI 技术融合及应用创新,在助力传统应用生态应对停服断供挑战的同时,也推动新兴应用生态创新成长。

中国工程院院士、龙蜥高级顾问团代表 陈纯
“云+AI”开启算力新时代,龙蜥则让更多AI大模型新应用长在开源操作系统上。据了解,龙蜥社区是业界最早展开操作系统AI探索的,现已兼容国内外主流GPU,并针对广泛使用的AI框架提供OpenVino在内的原生支持。本次大会,龙蜥社区公布了“AI原生操作系统”发展路线,提出AI容器镜像、智能运维AIOps、OS Copilot文档建设等三大探索方向,加速AI与操作系统的融合发展。
通过自研技术开源开放与生态社区建设并举,阿里云与合作伙伴将龙蜥打造为产业协同的最佳实践。会上,龙蜥社区还推出三大生态计划——“Anolis OS 23生态衍生计划”“CentOS替代计划”“AI应用推广计划”,包含商业版合作、智能运维等20余个专项,进一步推动社区版及商业衍生产品的生态繁荣。

龙蜥社区三大计划正式发布
“开源社区在提升我国创新体系整体效能方面要发挥独特作用,龙蜥社区有力推动了我国云计算产业链的完善和发展,为我国数字产业生态繁荣注入了新活力。目前,龙蜥等中国开源操作系统社区已经就Linux内核选择等达成一致,希望未来业界共同努力,促进产、学、研、用的深度融合,探索中国式开源新模式,形成更强大的开源创新合力。”中国科学院院士、CCF开源发展委员会主任王怀民在龙蜥大会上表示。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。