在新加坡举行的 ATxEnterprise 会议上,一场小组讨论的核心议题是开源软件在推动创新和支持软件开发方面的巨大潜力,但业界领导者也迅速提醒大家,要对其固有的复杂性和成本保持警觉。
Kong 公司的工程高级副总裁 Saju Pillai(该公司以其应用程序接口 ( API ) 网关著称)指出,构建开源软件所需的努力非常巨大。“要把一个开源项目拿来就立刻在生产环境中运行,需要投入大量精力。如果代码中出现错误或违背了默认承诺,这可能会对使用该软件的大型企业或承载公共基础设施的机构造成相当严重的影响。”
印度 IDFC First Bank 生成式 AI 首席经理 Shubham Agnihotri 则提到,在部署开源软件之前,还需完成大量工作,尤其是在受监管的行业中。“作为一家银行,我们面临很多合规和安全挑战,这让现成的开源软件难以直接使用,所以开发者必须投入更多精力。”
Pillai 还区分了开源项目和软件产品,这一点在专有软件中更为常见:“当我们谈及开源时,必须将其视为‘项目’;而对于闭源解决方案来说,则更多地体现在产品上,因为产品附带了质量保证、安全稳健性等一系列保障。”
他建议各组织需要考量,在何种情况下仅依靠开源项目就足够,何时又需要使用经过商业支持的产品,而后者可能本身就是基于开源构建的。
PingCap 公司的首席架构师 Sunny Bains(该公司是一家开源数据库公司)指出,控制权是驱动开源软件采用的关键因素之一,并补充道,企业不希望受限于专有软件公司的发布周期。“一旦出现 bug,他们不会选择等待。” Bains 引用了 Richard Stallman 推动免费软件运动时所表达的初衷,即开发者能够自行修复问题。不过他也补充说,如果处理不当,免费和开源软件在安全性和可靠性方面可能会付出高昂的代价。
为降低开源采用的风险, Harpreet Singh(Watermelon Software 公司的首席技术官,该公司专注于软件可靠性平台)主张采用“多重保障措施”,例如集成测试、扩展性和可靠性检查:“如果你遗漏了哪一环节,就会面临安全威胁和其它潜在风险。”
此外,开源许可也可能充满挑战。Singh 问道:“大家真的了解开源许可吗?”他回忆起一次经历:Watermelon 平台中一个核心开源组件的许可变更,迫使公司不得不退回到旧版本的软件。“虽然我们倡导使用开源软件,但架构和设计必须足够灵活,才能应对这些冲击。” Singh 指出,这正是为何市场上会出现经过商业支持的开源软件版本,为企业提供保障。
Pillai 表示,Kong 有一套正式流程来管理开源软件的使用:“当我们的软件物料清单因开发者选择引入某个库而发生变化时,相关的许可问题会提交给法律和合规团队审批,只有通过后才能使用。”
Bains 坚定地指出,开源许可问题可能如同雷区,因此 PingCap 已将其核心可扩展存储技术捐赠给 Cloud Native Computing Foundation ( CNCF ),以确保客户获得许可的稳定性。
讨论中还涉及到生成式 AI 对开源世界的影响。尽管与会者认可其潜力,但也一致建议用户必须验证生成结果。“在 AI 幻觉的情况下,你怎么确定输出的内容是优秀的?”Singh 说,“由 AI 生成的代码可能需要额外的验证措施。”
Agnihotri 分享了他使用 AI 将单块架构代码转换为微服务的经验。“转换后的代码看起来非常漂亮,但它真的能正常运行吗?答案是:不,它还远未成熟。”
Pillai 预测,由于 AI 的影响,开发者的角色将会发生变化:“未来开发者不会再仅仅编写代码,而会更多地充当代码的审核者。”Bains 补充道,PingCap 正在利用 AI 提高生产力,尤其是在“一级支持”的场景下,帮助解答前线疑问,从而减轻支持团队的负担。
总之,专家们一致认为,虽然开源软件是推动软件开发和创新不可或缺的引擎,但企业在采用开源软件时必须在尽职调查、安全性和持续管理上加大投入,才能既享受其带来的益处,又避免潜在的风险。
好文章,需要你的鼓励
加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统,能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制,实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率,超越现有方法约5个百分点,并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。
AI系统正变得越来越善于识别用户偏好和习惯,像贴心服务员一样定制回应以取悦、说服或保持用户注意力。然而这种看似无害的个性化调整正在悄然改变现实:每个人接收到的现实版本变得越来越独特化。这种认知漂移使人们逐渐偏离共同的知识基础,走向各自的现实世界。AI个性化不仅服务于我们的需求,更开始重塑这些需求,威胁社会凝聚力和稳定性。当真相本身开始适应观察者时,它变得脆弱且易变。
约翰霍普金斯大学发布DOTRESIZE技术,通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除,在保持性能的同时显著降低计算成本。实验显示,压缩20%后模型仍保持98%性能,为AI技术普及和可持续发展提供新路径。