微软正着手用Rust语言重写核心Windows库,这批内存安全度更高的代码已被交付至软件开发商手中。
Windows系统安全总监David “dwizzle” Weston在上月以色列特拉维夫的BlueHat IL 2023大会上,正式宣布Rust即将入驻Windows系统内核。
“在未来几月甚至是几周内,大家就会开始用内核中的Rust代码启动Windows,这可太酷了。我们的基本目标是将一部分内部C++数据类型转换成Rust形式。”
微软对Rust的关注已经持续了好几年,并将其视为在产品交付之前发现并消除内存安全漏洞的好办法。自2006年以来,Windows团队根据CVE修复了产品中的大量安全漏洞,其中约70%都跟内存安全有关。
Rust工具链关于揪出代码中的潜在漏洞,从理论上打击恶意黑客攻击软件弱点的行为。Rust编程语言在设计上就高度强调内存安全等保护措施,能够减少代码中严重bug的数量。
除微软之外,谷歌等竞争对手也已公开表达了对Rust的支持。
顺应行业对内存安全编程的踊跃态度,微软的Rust探索计划也愈发积极。去年9月,微软Azure首席技术官Mark RUssinovich以非官方身份表示,新的软件项目不该再用C/C++,而应更多使用Rust。
Windows的Rust革新之路始于2020年的DWriteCore项目,它属于Windows DWrite引擎的Windows App SSDK实现,负责进行文本分析、布局和渲染。DWriteCore目前拥有约15.2万行Rust代码,C++代码则为约9.6万行。
除了安全改进之外,据说使用OTLS(OpenType库服务)还能将Shaping字形的处理性能提高5%至15%。目前这些功能均已向开发人员开放。
微软Windows图形设备接口(Win32 GDI)也在进行Rust移植,目前的Rust代码量已达3.6万行。最新版本的Windows 11就使用Rust版GDI启动,其已经通过了所有测试,只是目前仍被功能标志禁用。
Weston表示,“Windows内核中的SysCall其实就是用Rust实现的。”
但微软也没有对Rust的未来盲目乐观。Weston坦言“短信内可能不会用Rust全面重写Windows。虽然我们很喜欢Rust,但仍需要一套全面的策略,包括考虑如何保护更多原生代码。”
但无论如何,微软的关注和支持正在以代码贡献的形式让Rust变得更加强大,也成为整个开源社区的一股重要助力。
Flask in Python项目负责人兼Sentry安全工程师Armin Ronacher就以开源软件开发者的身份,在邮件采访中肯定了微软的支持对于Rust这门语言的重要意义。
“具体来讲,我希望微软能重用现有编译器,从而实现更好的PDB(程序数据库)支持。至少就目前来讲,Windows对开发者工具的支持还落后于基于DWARF(使用属性记录格式进行调试)类平台的支持能力。”
Pydantic公司创始人兼Python与Rust开发者Samuel Colvin也指出,“我对微软的这种前瞻性眼光非常赞赏,而且这也完全在情理之中。我相信微软是在内部工程师的压力下才选择Rust的。如果当下我们打算开发一款强调性能或者底层应用程序,那么Rust肯定是个明智的选项。”
Colvin表示,虽然优秀的Rust工程师相对没那么普遍,但寻找这类人才的难度还是要比寻找优秀C/C++工程师更低。
“虽然拥有丰富Rust开发经验的人不多,但很多工程师都抱有兴趣、愿意学习。既然编写安全代码本身就是件难事,使用Rust至少能把难度降低一个数量级。”
“对我们这些高度依赖Rust的开发者来说,微软对这门语言表达的认可和支持真的令人非常兴奋。”
好文章,需要你的鼓励
为了确保生成内容的专业度,夸克算法团队已经与通义实验室成立了联合研发小组,专注于搜索推理与可信生成。
这项由伊利诺伊大学厦巴纳-香槟分校和滑铁卢大学联合完成的研究,开发了名为VideoScore2的AI视频评估系统,能够像人类专家一样从视觉质量、文本对齐和物理一致性三个维度对AI生成视频进行详细评估,并提供透明的分析过程。该系统在多项测试中显著超越现有评估工具,在准确率上提升近6个百分点,为AI视频行业提供了标准化、可解释的质量评估解决方案,有望推动整个领域的技术进步。
OpenAI于周二发布AI浏览器ChatGPT Atlas,目标是让ChatGPT成为搜索和问答的首选界面而非谷歌。该浏览器目前仅支持Mac,但正在开发Windows、iOS和Android版本。Atlas将ChatGPT设为默认搜索选项,并具备记忆功能,可结合浏览历史提供个性化答案。与其他AI浏览器不同,Atlas更专注于强化ChatGPT生态系统,为OpenAI提供更多用户数据和分发控制权,而非改善传统浏览体验。
滑铁卢大学研究团队提出批评强化学习新方法,让AI模型在学习编程的同时学会批评代码质量。CRITIQUE-CODER模型采用8:2混合训练,不仅保持编程能力还获得代码评价能力。实验显示,该方法让小参数模型超越大模型,4B参数版本在LiveCodeBench达59分,超越基础模型4.8分。更重要的是,批评能力可迁移到逻辑推理等其他领域,为AI训练范式转变指明新方向。