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
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。
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。
微软八月补丁星期二更新修复了超过100个漏洞,其中包括8个关键的远程代码执行漏洞,影响DirectX、Hyper-V、Office等多个产品。此外还修复了Windows NTLM权限提升漏洞、Hyper-V信息泄露漏洞等。值得关注的是Windows Kerberos权限提升漏洞CVE-2025-53779,虽然已有公开利用代码但暂无实际攻击证据。SharePoint的两个漏洞也需重点关注,特别是RCE漏洞CVE-2025-49712可能与已知认证绕过漏洞组合使用。
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。