在不久前落幕的2022HDC(华为开发者大会)上,华为正式向外界展示了鸿蒙生态的最新发展成果,通过发布时长、自研代码量、搭载鸿蒙的设备量等各类数据的改变,与万千开发者一同见证鸿蒙生态的成长。
从2019年面世时的492万行自研核心代码,到2021年的自研核心代码量超千万、搭载设备量破亿,HarmonyOS一路高歌向前,成为史上发展最快的智能终端操作系统。2022年,在HarmonyOS发布的第四个年头,其自研核心代码量已突破2000万行,搭载的设备量也正式达到3.2亿台,相比去年同期增长113%。
全面阐释鸿蒙生态能力全景,吸引更多开发者
开发者始终是鸿蒙生态保持高速发展的关键,华为希望帮助更多开发者解决设备多样化、交互差异化、服务轻量化、应用智能化等现实难题,同时,致力于在开发者广泛关注的开发效率、应用性能、开发成本以及安全可信等多个方面持续创新,积极应对万物互联所带来的一切挑战。
因此,围绕移动生态发展趋势,以“一次开发,多端部署;可分可合,自由流转;统一生态,原生智能”三大技术理念为核心的《鸿蒙生态应用开发白皮书》(以下简称“白皮书”)于会上重磅发布,为广大开发者提供全方位帮助。
《鸿蒙生态应用开发白皮书》在HDC2022上正式发布(图源自开发者联盟官网直播)
除核心理念外,《白皮书》还详细介绍了鸿蒙系统为开发者提供的端到端的支持,即包括赋能套件、鸿蒙开发套件、三方库以及开发者支持平台在内的鸿蒙生态应用开发能力全景。更有覆盖开发者应用开发、测试、上架、分发等各阶段的操作指导,帮助开发者快速、准确、全面地了解鸿蒙开发套件,实现鸿蒙生态应用、原子化服务的高效开发。
鸿蒙开发套件全新升级,助力更多开发者加入鸿蒙生态
伴随着鸿蒙开发套件的正式发布,鸿蒙生态正式迈入新征程。《白皮书》为开发者详细介绍了包括Codelabs、视频课程、技术文章、指南、UX设计资源与指南、API参考、Sample Code与FAQ等覆盖开发全旅程的赋能套件,帮助开发者了解和学习鸿蒙系统的各类资源。
围绕鸿蒙生态应用开发三大理念,华为还基于声明式开发体系,升级了包括设计、开发、测试、运维套件以及OS开放能力集在内的鸿蒙开发套件。其中,设计系统HarmonyOS Design、开发语言ArkTS、开发框架ArkUI、编译器ArkCompiler、开发工具DevEco Studio、测试服务DevEco Testing以及上架分发平台AppGallery Connect均实现了全面优化。比如,DevEco Studio 在传统的“端开发”基础上新增了“云开发”能力,支持开发鸿蒙生态应用、原子化服务的云侧服务,提供端云一体的开发体验;AppGallery Connect全新升级后,开发者在平台可以实现包含HarmonyOS应用和原子化服务的分发、运营、分析、增长等全流程与全周期服务,助力开发者更高效的开发并运营应用,快速加入鸿蒙生态。
鸿蒙开发套件全景图(图源自华为开发者联盟官网《鸿蒙应用生态开发白皮书》文档)
《白皮书》为广大开发者提供了基于鸿蒙系统原生开发框架的典型开发场景,并分别介绍了涵盖全面的全场景设计规范、丰富的设计资源和设计工具的HarmonyOS Design;帮助开发者以更加简洁、自然的方式开发应用的鸿蒙生态应用开发语言ArkTS;为开发者提供组件、布局、动画、绘制、交互等主要能力的鸿蒙生态原生UI开发框架ArkUI;能够进行编译运行机制优化、显著缩短应用启动运行时间的编译器ArkCompiler;以及其他开发、测试工具和应用上架分发服务等。此次鸿蒙开发套件的升级,将全面加速推进鸿蒙生态的发展。
未来,华为希望有越来越多的开发者能够了解鸿蒙生态,加入鸿蒙生态。也希望与更多开发者携手,将鸿蒙生态做到三分天下有其一,为世界提供一个更优的选择。欢迎广大开发者登陆华为开发者联盟官网,查看《鸿蒙生态应用开发白皮书》全文内容。
好文章,需要你的鼓励
Anchor Browser获得600万美元种子轮融资,专注解决AI代理安全可靠地使用网络的挑战。该公司重新设计浏览器作为云端执行层,为每个AI代理提供独立安全的浏览器环境。与传统浏览器不同,Anchor的b0.dev系统让代理能够规划工作流程并可靠重复执行,将混乱的自动化转变为企业级软件工程。
清华大学研究团队开发的SLA技术通过将AI视频生成中的注意力权重智能分类,对不同重要程度的权重采用差异化计算策略,成功实现了95%的计算量减少和20倍的速度提升,同时保持视频质量不变,为AI视频生成效率优化开辟了新思路。
英国竞争与市场管理局经过九个月调查,将谷歌和苹果的移动平台指定为具有战略市场地位。监管机构表示,两家公司在移动平台领域拥有根深蒂固的市场主导地位,其平台规则可能限制创新和竞争。这一指定使监管机构能够考虑采取针对性干预措施,确保英国应用开发者能够创新和发展业务,但目前尚未引入任何直接要求。
斯坦福大学等机构联合提出多人Nash偏好优化(MNPO),突破传统双人训练局限,让AI在多人游戏环境中学习处理复杂非传递性偏好。该方法通过时间依赖设计,让AI与历史版本对话练习,在所有主要测试中显著超越现有方法,在Arena-Hard中甚至超过GPT-5,为AI对话系统训练提供了更贴近真实世界复杂性的新范式。