在德国柏林举行的OpenStack峰会上,OpenStack执行董事Jonathan Bryce宣布,这将是最后一次OpenStack峰会,明年将由Open Infrastructure Summit取代。这不仅仅是名称上的变更,也表明了OpenStack正在从基础设施即服务(IaaS)云产品发展到提供全方位的云服务。
这个变化并不突然。OpenStack一直在扩展产品,正如OpenStack Foundation工程副总裁Thierry Carrez在2017年曾表示的,OpenStack开始“将注意力从单纯的OpenStack软件生产,转向了更加广泛地帮助企业组织拥抱开放基础设施:使用和组合开源解决方案来满足他们在IT基础设施方面的需求。”
具体来说,这使OpenStack成为启动容器、边缘计算、持续集成和持续交付(CI/CD)项目的一部分。到目前为止,OpenStack已经推出了Kata Containers,一种安全容器方法;Zuul,一个CI/CD系统;Airship,Kubernetes的前端;StarlingX,一个边缘计算云堆栈。
Carrez表示,未来OpenStack将是:
“......集成相邻开源社区开发的现有开源项目。但是,一些差距可能会持续存在,并且可能需要额外的技术来填补我们战略重点领域的目标。OSF通过提供IP管理,一组基本协作规则以及上游和下游社区支持服务,使这些项目能够成功地以开放式协作的方式建立起来。项目不依赖于特定的战略重点领域(SFA_:理想情况下,应该会帮助到多个SFA。这里的想法不是要引入数十个项目,而是要策划一系列有助于为用户解决现实问题的强大项目。”
OpenStack开发者基础设施负责人Clark Boylan在一篇名为“OpenDev:OpenStack Infra走进OpenStack社区的未来”的文章,他在文章中这样写道:“将OpenStack和非OpenStack项目放在一起,同时不会引发混淆......我们已经获得了opendev.org域名,这将让我们能够作为OpenDev Infrastructure团队在一个中立的名称下托管服务。”
这些项目会是“OpenStack?”吗,OpenStack Foundation是否会在这一变化中更改名称?
答案是否定的。或者,至少不会很快。
在主题演讲之后的问答环节中,OpenStack首席运营官Mark Collier表示:“OpenStack Foundation品牌并不是重要的,重要的是,Open Infrastructure Summit是要把那些可能不会参与OpenStack的人聚集到一起。”也就是说,如果会员愿意(更名)的话,也是可以的。
OpenStack扩大使命所带来的另一个问题是,这是否意味着它与Cloud Native Computing Foundation (CNCF)形成竞争关系?CNCF的主要开源项目是Kubernetes,但也支持容器、边缘计算和CI/CD项目。听起来有点耳熟?是的。
Bryce在问答环节中表示:“开源项目之间的竞争是愚蠢的,我们希望让开源项目协同工作,共同运行,一起测试。开源的核心就是社区。”
CNCF首席技术官Chris Aniszczyk也相信坚定支持开源社区,但他对OpenStack Summit更名为Open Infrastructure Summit的态度还不太明朗。Aniszczyk发推文称:“有趣的品牌选择......我认为CNCF是开放基础设施的大本营......世界顶级云提供商已做出选择......无论如何,我很高兴看到越来越多的组织推动开源和开放基础设施。”
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。