6月11日-13日,2023开放原子全球开源峰会在京召开,在开源教育与人才分论坛上,龙蜥社区联合阿里云、统信软件、浪潮信息3家理事单位正式发起“龙蜥社区人才培养计划”,面向广大用户和开发者群体,推出“龙蜥+”模式的人才认证体系和操作系统课程,服务龙蜥操作系统生态厂商、开发者群体和高校学生,为行业发展和人才培养助力。
龙蜥社区理事、浪潮信息副总裁张东(右二)出席启动仪式
操作系统是计算生态的基础,也是计算产业的“根技术”,在软件技术体系中处于“定海神针”的重要位置,在当前错综复杂的外部环境和新技术迭代的变革下,加快推进软件根技术发展,对实现关键技术突破具有重要意义。因此,要从根本上逐渐摆脱对单一技术供应链的依赖,必须坚持技术创新,发展软件根技术产业。
龙蜥社区理事、浪潮信息副总裁张东表示,软件产业就像一棵参天大树,只有在根技术上不断创新突破,筑牢技术根基,软件领域才能枝繁叶茂。以龙蜥为代表的开源社区,通过连接生态各方为根技术的发展提供了充足养分,强壮发达的根技术为整个技术树提供持续支撑,促进了软件产业繁荣发展。
在扎根的同时操作系统也要散叶,只有培养更多开源操作系统应用人才、专业技术人才,建立健全相应生态环境,让更多的人了解开源操作系统并投身到其中,才能扩大开源操作系统影响力,发挥操作系统凝聚产业合力优势,而开源领域的“数字化人才”缺乏,成为制约开源生态发展的重要因素。
《龙蜥社区人才培养计划》正是在此背景下出台的,计划以“龙蜥+”的合作模式推进,其中龙蜥社区将发挥生态和平台的力量,通过“Anolis OS Course SIG(特别兴趣小组)”发展和推动操作系统课程的开发、培训认证、推广等工作,在课程和人才培养体系上进行共建,实现生态成果共享。浪潮信息等企业将结合自身行业优势和核心受众群,推出基于龙蜥的定制课程。
龙蜥社区理事长,阿里云研究员马涛表示,当前操作系统的发展已经来到关键时期,亟需各领域人才掌握更多操作系统的技术技能,本次联合浪潮信息及其他两家社区成员发布《龙蜥社区人才培养计划》,大家共同提供更多的平台和资源投入到操作系统领域的人才培养中来,让开发者学有所得的同时走进企业服务百行千业的广大用户,也让人才在开源领域充分成长起来,最终成为这个时代弘扬开源精神的中流砥柱。
张东表示,浪潮信息通过与社区、高校、及生态伙伴的合作,让广大开发者、开源爱好者、高校学生更加方便地学习并使用基于龙蜥商业衍生版KOS操作系统和相关资源,通过亲身参与开源系统的搭建,将理论知识与实践经验相结合,从而加深对开源系统的理解。
同时,在开源知识分享方面,浪潮信息积极参与龙蜥大讲堂录制,向广大技术开发者介绍大模型、虚拟化、智能网卡、容器等领域的实践经验,让开发者近距离感受产业最新技术与发展趋势;积极参与各大开源赛事,为大赛设计赛题、提供导师、培训技术、参与评审等,将产业发展思考融入赛事,尽到培养开源人才的企业责任。
此前,浪潮信息与龙蜥社区成立联合实验室,双方将结合在软硬件方面优势,面向未来各种新型应用场景,以操作系统为中心,为板卡、服务器、存储、交换机、操作系统、数据库、中间件、OSV/ISV、应用的生态融合提供平台,开展云原生、人工智能、智能运维等方面的技术创新,形成面向关键行业的整体解决方案。
作为龙蜥社区理事单位,浪潮信息深度参与了社区的共建,不断深化技术力量,持续贡献核心项目,并加强与行业企业、科研院所的交流与合作,共同助力开源生态的繁荣和发展。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。