30年前,Java 编程语言首次公开发布,将“一次编写,到处运行”的理念介绍给了全世界——并向开发者展示了一种比 C 和 C++ 更加友好的选择。
它为开源进入企业领域铺平了道路……可以说,企业界从此再也没有回头。
最初被称为 "Oak" 的 Java,是由 Sun Microsystems 的 James Gosling 在 1990 年代初设计的。最初的目标是面对数字设备,但很快其重心转向了当时相当新颖的一个平台——万维网。
这门语言与 C 和 C++ 存在某些相似之处,通常会被编译成 bytecode,从理论上讲可运行于任何 Java 虚拟机 (JVM) 上。其初衷是让程序员实现“一次编写,到处运行”的理念,尽管 JVM 实现中的细微差别使得这一梦想在现实中并不总能实现。曾有一位记者与一位风趣的同事共事,该同事打趣地形容这一系统为“一次编写,到处测试”,因为某个 JVM 中的一个意外问题导致他们的应用程序表现得难以预测。
然而,这门语言很快便风靡起来,迅速成为众多企业的基石。微软迅速推出了其版本 Visual J++,尽管该版本符合 Java 语言规范,但未通过 Sun Microsystems 的合规性测试——这促使 Sun 于 1999 年对 Redmond 提起诉讼。2000 年时,J++ 被从 Visual Studio 中剔除,并不久后被淘汰。
Java 在发布后逐渐走红,虽然近年来开发者开始关注其它替代方案,但在 2024 年的 Stack Overflow 调查中,它依然位列前十,超过 C#、C++ 和 C。在 TIOBE 指数中可以看到其人气略有下降,该指数曾将 Java 排在榜首,如今则位列第四。根据 TIOBE 的数据,Python 迄今为止无疑是最受欢迎的语言;而 TIOBE 曾在 2015 年将 Java 评为年度语言。
Sonatype 联合创始人兼 CTO Brian Fox 表示:“Java 经受住了潮流、竞争语言以及理念变迁的考验。从 applets 和 servlets 到微服务和云原生架构,Java 一边不断演进一边保持着熟悉的面貌。它为开源进入企业领域铺设了道路。”
“而且,可以说,企业界从未回头。”
事实上,如今支撑着企业运作的大量代码都是 Java 编写,这也意味着即使编程潮流更替,市场对 Java 技能的需求依然长存。
虽然它的普及性、持久性和在众多后台系统中的广泛应用可能会让一些工程师联想到 COBOL,但30年前,与同时期的其它语言相比,Java 的出现无疑如一股清新的现代气息,其所承诺的便携性更具吸引力。
不过,过去三十年并非完全一帆风顺。
Fox 说:“30 岁的 Java 的故事,不单纯是关于代码的故事,也是关于信任的故事——这份信任是经过数十年可靠性、管理和共享标准的积淀而建立的。但这种信任并非理所当然。”
那么,Java 究竟归谁所有?
当 Oracle 在 2010 年收购 Sun 时,Java 也随之转入 Oracle 的麾下。虽然 Sun 的大部分 JVM 实现已经开源,但在随后的十年内,Oracle 开始对原本免费的部分收取许可费用。到 2023 年,Oracle 调整了其订阅模式的许可条款,可能会使企业因此支付数千美元。今年早些时候的研究显示,只有十分之一的 Java 用户打算继续使用 Oracle 的版本。
然而,由于该平台的普及性,市场上存在可替代 Oracle Java 的选项,这所谓的“掠夺性许可策略”并未削弱这门语言的流行度。
三十年来,Java 从一门新生语言蜕变为企业赖以依存的基础。诚然,它可能没有今日 AI 应用所需的那些耀眼的新玩意儿,但它依然是当代软件开发的根基。一个繁荣的生态系统和庞大的爱好者社区确保了,随着步入第四个十年,Java 依然举足轻重。
好文章,需要你的鼓励
Nvidia公布2026财年一季度业绩,营收441亿美元,同比增长69%;新AI超算与显卡产品陆续亮相,尽管出口管控对H20业务造成影响,但整体AI市场前景依然乐观。
Cerebras WSE 芯片拥有 40 亿晶体管,推理速度达到 NVIDIA 集群的约 2.5 倍,刷新了全球 AI 推理速度记录,为复杂 AI 代理应用提供高性能计算支持。
这项研究提出了"B-score",一种新指标用于检测大语言模型中的偏见。研究人员发现,当模型能看到自己之前对同一问题的回答时(多轮对话),它能够减少偏见并给出更平衡的答案。B-score计算单轮与多轮对话中答案概率的差异,无需外部标注即可识别有偏见的回答。实验证明,将B-score用于回答验证可显著提高准确率,在标准基准测试上平均提升2.9个百分点。这一发现不仅提供了实用工具,还表明大语言模型具有自我纠正能力。
这篇论文探讨了强化微调(RFT)如何增强多模态大语言模型(MLLMs)的推理能力。研究指出,作为一种后训练算法,RFT已在各种模态(视觉、音频、GUI等)、任务和领域中取得显著成功。论文详细分析了现有工作,总结了RFT在多模态推理中的五大成功:多样化模态应用、广泛的任务与领域支持、算法改进、丰富的评测基准和完善的工程框架。作者还提出五个未来研究方向:提升跨模态泛化能力、结合不同奖励范式、加强安全性研究、探索数据增强技术以及开发更优算法和应用场景。