至顶网服务器频道 11月23日 新闻消息: 亚马逊网络服务(AWS)有意换掉旗下的云管理程序,消息传出后,Xen项目告诉全世界自己拥有嵌入式应用程序的美好未来。
公开发布的Xen项目11月咨询理事会会议纪要提到The Register网站报道了亚马逊网络服务公司的文件显示,云计算巨头AWS计划在所有新实例类型上使用定制KVM而不是Xen。从会议记录里可以看到,AWS的Chris Schlae发言,他解释了AWS公司的意向以及Register的有关消息里"什么是真的,什么不是"。
Register发布了两条有关消息,第二条消息引用了AWS的文件并保存了副本,以供后续消息使用。第一条消息发布后,Register曾向AWS发电邮询问AWS的云管理程序策略。但在整整12天里电邮件未获回复,如果Register的报告不正确,AWS有足够的时间要求作出更正。
我们就AWS可能想淡化该事情请Xen项目评论。Linux基金会代表Xen项目向我们发来以下内容:
AWS是Xen项目的活跃成员,也是Xen项目理事会的活跃成员。我们希望他们能够继续参与并主动作出更多有目共睹的贡献。
不幸的是,Schlaeger要求会议记录不公布他在会议上的发言內容,所以我们不知道他是如何向理事会解释AWS的意向的。
但Xen项目顾问理事会随后的邮件列表显示了理事会将如何回应AWS打算做的事情。
Xen项目看起来将会强调Xen在多云服务器和服务器虚拟化以外任务的角色。已经成为云和服务器厂商的主要产品,而现在Xen项目还在进军嵌入式、安全和汽车领域。
此博文(https://blog.xenproject.org/2017/11/21/xen-project-membership-spotlight- citrix /)是关于新的系列产品发布情况的,博文提到,"Xen项目管理程序是服务器和云供应商的主要技术,并正在嵌入式、安全和汽车等领域展示出好势头。"
博文接着援引思杰(Citrix)高级技术总监James Bulpin的话给出了Xen的优点。 Bulpin最后表示:
Xen是一个可重用技术组件,我很高兴地看到Xen在新领域里成长,例如边缘计算、汽车、航空和航天等新使用案例。 Xen具灵活性、小巧体积和独立于操作系统等特征,Xen非常适合上述不断发展的领域。
思杰公司XenServer产品管理和合作伙伴工程总监David Cottingham告诉记者,"我们没有收到XenDesktop / XenApp / XenMobile客户有关最近AWS之事的询问。"
他表示,"我们对AWS公布的消息的看法是,他们打造了一种新产品,这与他们为特定类型的工作负载而创建自己的定制芯片的举措是一致的。在基准测试方面,我掌握的资料里没有资料说KVM的性能比AWS用的Xen通用核心任务VM的性能更好。"
Cottingham 表示," AWS并没有表示他们计划停止在Xen上的投资,AWS也没说要用自己的KVM衍生产品替换所有现有的Xen产品,这一点很重要。基于KVM分支的新实例类型是全新的。"
不过AWS确实表示所有未来新的实例类型都将使用KVM。而且,由于AWS的KVM是为了在NVMe服务器上运行而创建的,这些盒子以后肯定会涵盖整个产品线,这样看来, Xen的未来在全球最大云计算商那及其他方方面面看起来都颇为严峻。
Gartner基础架构软件的研究副总裁Michael Warrilow认同这一观点。
他表示,"甲骨文已经走KVM路线了。Xen圈住了甲骨文和亚马逊的话,还是可行的。"
Warrilow表示,"而现在,我认为Xen被逼上绝境了。"
Xen至少在云和服务器虚拟化方面被逼上了绝境。但即将上线的边缘设备达数十亿,管理程序的寿命可能还是很长的,管理程序的未来也可能是美好的。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。