我是10年左右在清华读博士的时候开始关注创新，关注创新空间的营造，博士论文写的是创新驱动的科技城规划，研究到底能否从头开始去规划一个创新城市。后来在经管学院做博士后，关注创新创业生态和创新网络。 在研究的过程中，我调研了世界范围内那些常被大家津津乐道的创新区，比如硅谷，也盘点了1970年后多个国家政府对标硅谷在城市郊区全新建设的科学城、科技城和创新城，比如日本筑波、韩国大德；再到2000年后，学界业界总结的“创新回流到中心城区”，我又开始观察创新街区的起落。这个过程中，我也先后参加了国内一些城市的创新区或创新城的规划研究工作，围绕创新空间的命题，从宏观尺度到微观尺度做了不少调研。 我们都知道创新在这个时代无比重要，世界经济的每一次大发展都跟创新密不可分。甚至世界各国竞争的关键也是创新能力的竞争，这也是为什么世界各国都如此关心创新的问题，为什么层出不穷的计划都希望能再造一个硅谷。 在十多年的研究和实践里，我一直有个疑问：创新空间是否真的能通过人为规划的方式被规划出来？假设我们拥有足够的资源，我们真的能创造出一个创新不断涌现的空间吗？
随着 Kuberentes 等云原生技术的飞速发展，带来了研发与运维模式的变革。企业软件架构由单体服务向分布式、微服务演进。随着业务发展，多语言、多框架、多协议的微服务在企业中越来越多，软件架构复杂度越来越高，如何快速通过可观测工具快速定位出问题对研发人员至关重要。为满足全场景、端到端的应用监控需求，应用实时监控服务 ARMS 推出应用监控 eBPF 版，通过 eBPF 技术完善整个应用监控体系。应用监控 eBPF 版提供无侵入、语言无关的可观测能力。 详细产品介绍：多语言应用监控最优选，ARMS 应用监控 eBPF 版正式发布 使用 eBPF 来进行可观测性需要进行应用层协议解析，但云上微服务软件架构中的应用层协议往往比较复杂，这也给协议解析带来了不小的挑战。传统的协议解析方式存在 CPU、内存占用高，错误率高等问题，在应用监控 eBPF 版中，我们提出一种高效的协议解析方案，实现对应用层协议的高效解析。
无法与业务耦合的开发工程师，职业发展往往更易触碰到天花板。只有在经历过快速迭代的业务需求锤炼、海量用户规模场景的“拷打”以后，工程师才能向架构师甚至更高的技术岗位进阶。
在1月24日举办的腾讯科技向善创新节2024“大模型安全与伦理专题论坛”上，腾讯发布了大模型安全白皮书《大模型安全与伦理研究报告2024：以负责任AI引领大模型创新》，并邀请业界专家进行圆桌研讨。 白皮书由腾讯朱雀实验室、腾讯研究院、腾讯混元大模型、清华大学深圳国际研究生院、浙江大学区块链与数据安全全国重点实验室联合研究撰写，对大模型发展中的安全机遇与挑战、大模型安全框架和实践做法、AI伦理和价值对齐进行了系统性梳理，并展望了大模型安全与伦理未来趋势。
4年前在《AutoDiff理解》 之第一篇“自动求导技术在深度学习中的应用”[1]中打算写一个关于autodiff的系列文章，因为工作和学习上比较忙碌（Lan Duo :P），就一直拖到了现在。刚好最近又在学习OPEN MLSYS[2]，借此机会将静态图中的autodiff笔记也一并写完吧。如有谬误请联系指出。
GC 全称 Garbage Collection，垃圾收集，是一种自动管理堆内存的机制，负责管理堆内存上对象的释放。在没有 GC 时，需要开发者手动管理内存，想要保证完全正确的管理内存需要开发者花费相当大的精力。所以为了让程序员把更多的精力集中在实际问题上，GC 诞生了。Dart 作为 Flutter 的主要编程语言，在内存管理上也使用了 GC。 而在 Pink（仓储作业系统）的线上稳定性问题中，有一个和 GC 相关的疑难杂症，问题堆栈发生在 GC 标记过程，但是导致问题的根源并不在这里，因为 GC 流程相当复杂，无法确定问题到底出在哪个环节。于是，就对 DartVM 的 GC 流程进行了一次完整的梳理，从 GC 整个流程逐步排查。
本文主要以一个Java工程师视角，阐述如何从零(无任何二三方依赖)构建一个极简(麻雀虽小五脏俱全)现代深度学习框架（类比AI的操作系统）。
