Miguel Ojeda (Rust for Linux 项目贡献者和 Linux 内核维护者) 于周日发布了一份"Rust 内核政策"文档,阐明了将 Rust 代码整合到以 C 语言为主的开源内核代码库中的最新进展。这份声明表明,尽管有不同的声音,但 Rust for Linux 项目仍在稳步推进。
该文档直面核心问题,提出并回答了"内核维护者是否支持在内核中使用 Rust?"的问题。答案是:"是的,有关键的内核维护者支持在内核中使用 Rust。"值得注意的是,"关键内核维护者"并不等同于"所有内核维护者"。
最近几周,关于 Rust 代码贡献是否受欢迎出现了一些质疑。如我们此前报道,内核维护者 Christoph Hellwig 对一个帮助基于 Rust 的设备驱动程序调用内核 C 核心中直接内存访问 (DMA) API 的补丁表示反对。这一分歧演变成了一场僵局,促使 Arm 架构 Apple Mac 的 Asahi Linux 项目负责人 Hector Martin 寻求 Linux 创始人 Linus Torvalds 的介入。
Martin 认为,如果有争议的 DMA 补丁不被采纳,"Rust for Linux 项目实际上就会停滞,直到 Linus 或 Christoph 采取行动。"Torvalds 指责 Martin 将技术问题演变成社交媒体事件,认为维护现有技术状态和维护者工作量的问题应该避免政治化。这导致 Martin 辞去了支持 Apple Arm 兼容硬件的上游 Linux 代码维护者职务。
仅仅几个月前,Microsoft 软件工程师 Wedson Almeida Filho 因"非技术性的争议"(本质上是与专注于 C 语言的维护者的分歧)而从 Rust for Linux 项目离职。
他的离职凸显了 Rust for Linux 项目面临的持续挑战。在 2022 年底首批 Rust 代码进入内核之前,支持在 Linux 中使用 Rust 的人士就承认这需要额外的工作并存在风险。尽管如此,他们认为 Rust 的内存安全优势(现在已在政府和行业的软件开发中广泛推广)会随时间推移带来回报。
在持续讨论中,Ojeda 的 Rust for Linux 政策文档重申了 2021 年将 Rust 添加到 Linux 内核的 RFC 中做出的承诺。该文档也试图解决 Rust 和 C 语言程序员之间紧张关系所带来的一些混淆。
当被要求评论时,Ojeda 指向他本月早些时候在欧洲软件会议 FOSDEM 2025 上的演讲 [PDF],该演讲突出展示了 Rust for Linux 项目的成就和其持续发展的可行性。
演讲中包含了一些内核维护者的支持声明和更细致的观点。
Nvidia 的 Linux 内核工程师 Andrea Righi 表示:"内核社区某些部分的热情是不可否认的,因此似乎不可避免地会继续看到更多 Rust 代码被合并到上游。然而,像内核中的任何重大变化一样,更广泛的采用可能需要时间。"
这是许多人的共同观点。虽然一些 Linux 子系统的维护者可能会继续抵制在 Linux 内核中使用 Rust,但 Ojeda 引用的观点表明,随着资深 C 语言维护者逐渐退出,以及 Rust 技能变得更加普及,这种反对可能会随时间推移而减弱。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。