2025 年情人节标志着 Borland 公司的 Delphi 发布 30 周年。Delphi 将 Borland 版本的 Object Pascal、GUI 设计器和数据库访问功能融为一体,形成了一个强大的整体。由于在 1995 年初发布,Delphi 比 Windows 95 早了六个多月:它最初是作为 Windows 3.1 的 16 位工具而诞生的。(32 位 Windows 当时已经存在 - Windows NT 的第二个版本 3.5 在 1994 年底发布,但仍然比较小众。) Delphi 这个代号后来成为产品名称,反映了它是一个用于与 Oracle 数据库对话的本地快速应用程序开发工具。
长期 Borland 员工 David Intersimone (The Register 在 2008 年曾与他交谈) 为这个周年庆写了一篇深入的文章。他详细介绍了如何在现代计算机上通过 DOSbox 运行 Delphi,并提供了获取 Delphi 1.0 和 Windows 3.1 安装镜像的链接。
如今,Delphi 由 Embarcadero 公司维护和销售,该公司的 Marco Cantu 也发表了一篇较短的生日祝福文章,同时还链接了之前 11 个生日的庆祝文章。
The Reg 在 Delphi 25 周年时曾加入庆祝,将其置于历史背景中。不过当时的一个细节值得澄清:"Object Pascal 是 Borland 自己的语言。" 确实如此 - Delphi 的编译器继承自 Borland 的 Turbo Pascal。正如 The Reg 在 Turbo Pascal 40 周年时所指出的,TP 在 1989 年的 5.5 版本中引入了面向对象编程。但 Borland 并非 Object Pascal 的发明者。
在 Delphi 发布前近十年,已故的 Larry Tesler 在一份 Apple 报告中解释道:Object Pascal 是由 Apple Computer 的 Macintosh 软件组在 Niklaus Wirth 的帮助下,对 Lisa Clascal 进行修订而成的。
虽然 Delphi 的 30 年历史让新兴的类型安全语言 Rust 的 13 年相形见绌,但 Object Pascal 本身可以理直气壮地宣称拥有 40 年历史。正如 Byte 所说,市面上还有其他实现。
FreePascal 编译器是主要实现之一,正如 The Reg 在 2020 年指出的那样,它仍在积极开发中并定期发布新版本。该报道没有提到的是,FreePascal 不仅仅是一个简单的 FPC 编译器。FreePascal 项目还包括一个相当完整的图形开发环境,有自己独立的网络展示。它就是 Lazarus IDE。
从其截图库可以看出,它可以在包括 Windows、Linux 和 FreeBSD (通过 Gtk 或 Qt),以及 macOS 等多种操作系统上原生运行。它本身已经相当成熟和完整。虽然与 Delphi 不完全相同,但非常接近,并且有 Delphi 导入器。正如其"关于"页面所说:
我可以使用现有的 Delphi 代码吗? 如果代码是标准的 Delphi pascal 并使用 Delphi 中的标准组件,那么答案是肯定的。
作为一个并非 Pascal 开发者的记者,我们很高兴发现可以在一分钟内编写、编译并运行一个简单的 Pascal Hello World 程序。回想起来,在 Delphi 1.0 中做同样的事情会产生比代码行数多出两倍的错误。
FPC 和 Lazarus 令人印象深刻地完整,可以在大多数平台上运行,甚至可以为更多平台构建代码。就像 30 年前一样,许多人发现它们比时髦的语言更简单、更容易上手且效率更高。如果你想要 Delphi 本身,有一个免费的 Delphi 12 社区版,但有一些使用限制 - 特别是如果你用它开发的应用程序年收入超过 5,000 美元,就需要付费。但 Lazarus 则没有这些限制。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。