## 土地价值与来自土地经济中心的新工具
土地价值分布不均——它会急剧增加到城市中心。这不仅在曼哈顿(土地价值是布朗克斯的100多倍)如此,在锡拉丘兹、斯波坎和辛辛那提等城市也是如此。理解这种价值集中至关重要,土地经济中心旨在通过一套免费的开源工具使其易于获取。
他们最近升级了**CivicMapper**,这是一款将土地价值可视化在交互式地图上的工具,现在包括九个城市,并改进了空地分析(包括使用计算机视觉检测停车场)。与此同时,他们扩展了**Put It On A Map (PIOAM)**,这是一种“GIS瑞士军刀”,提供3D可视化、数据获取、格式转换和文件构建等工具——所有这些都在本地运行以保护数据隐私。
这些工具有助于纠正对土地价值的常见误解,并使用户能够分析数据、查找可比较的房产并对房产评估进行时间调整。该中心依靠捐赠来继续开发和托管这些资源,鼓励用户提供反馈并帮助建立对土地经济学的更深入了解。您可以在[CivicMapper.org](https://civicmapper.org/)和[PutItOnAmap.com](https://putitonamap.com/)找到所有工具并做出贡献。
## 数据中心冷却:快速演变的格局(2026年3月) 数据中心冷却行业正面临来自多重因素汇聚的空前压力。新的法规,例如德国关于废热再利用的强制性规定(到2028年将上升到20%,并伴有巨额罚款),正在推动效率提升。与此同时,供应链中断——特别是3M停止生产PFAS化学品——已经摧毁了两相浸没式冷却市场。 水资源利用是一个关键问题,行业总足迹显示72%在场外(发电),并因全球水危机而加剧。这正在推动远离蒸发式冷却的转变,内华达州的禁令以及其他地方日益严格的监管证明了这一点。人工智能的爆炸式增长正在加速对更强大的冷却解决方案的需求,机架密度超过120kW,液冷采用率飙升——预计到2026年末将达到人工智能服务器的76%。 创新集中在液冷(直连芯片和浸没式)、固态冷却以及利用人工智能进行优化性能的自适应系统上。然而,这些解决方案的规模化受到供应链限制以及关键的劳动力技能缺口的阻碍。最终,可持续性不仅仅是关于现场用水,而是整体能源效率以及应对大型数据中心建设日益增长的社区反对。
## 三轮车夫的灵魂:通往内心平静的旅程
卡尔·埃特尼尔在奥斯陆当三轮车夫的一年,最初是一种有利可图且快乐的爱好,却意外地揭示了一段精神之旅。虽然他开朗的性格让乘客和路人感到愉快,但工作带来的压力——来自苛求的顾客和偶发的敌意——开始侵蚀他的积极性。他发现自己越来越疲惫,不是身体上的,而是情感上被负面互动耗尽。
埃特尼尔意识到仅仅*表现*得开朗是不够的,他需要积极培养内心的平静。他从定期休息和冥想等实际步骤开始。然而,一次与难缠乘客的特别令人沮丧的遭遇促使他发生了更深层次的转变。受到练习接纳和超脱的朋友们的启发,他采取了一种更耐心、更不控制的方式。
他优先考虑乘客的享受,而不是最大化利润,并以善意而不是对抗来回应负面情绪。这位“更随和的查尔斯”经历的冲突更少,感受到的压力也更小,最终,传播了更多的快乐。埃特尼尔发现,调整期望和放弃控制不仅改善了他的三轮车夫体验,还提供了适用于三轮车以外生活的宝贵教训——展示了即使是一份看似简单的工作,也可以成为自我提升的途径。
尽管过去尝试多次失败,人工智能(AI),特别是*通用人工智能*,仍然是一个值得关注的技术趋势。目前的人工智能在特定任务上表现出色,例如下棋或飞行,但实现人类水平的思考——以及更关键的,*想要*思考——才是真正的挑战。 一些隐秘的公司正在取得进展,这得益于诸如吴恩达提出的所有大脑功能背后存在单一学习算法的理论。然而,复制1000亿个神经元及其涌现行为,就像仅凭晶体管知识来逆向工程处理器一样。 核心问题不仅仅是*能否*制造出智能机器,而是*能否*赋予它们意识、创造力和内在动力?作者认为,一个潜在的理想未来并非取代人类思考,而是分工协作:计算机擅长*执行*,人类擅长*思考*。
埃塞克斯警方在剑桥大学的一项研究揭示出显著的种族偏见后,已暂时停止使用实时面部识别(LFR)技术。该研究表明,LFR系统在正确识别黑人个体方面的可能性在统计上高于其他种族群体,引发了公平性担忧,尽管整体准确率很高。 信息专员办公室(ICO)强调了暂停,并警告正在使用LFR(目前英格兰和威尔士共有13个警察部队)的其他警察部队解决潜在的偏见问题。尽管如此,内政大臣此前宣布计划大幅增加全国可用的LFR车辆数量。 虽然该研究发现对无辜人员的错误识别案例很少,但专家认为偏见可能的原因包括算法过度训练。这些发现强化了人们对人工智能驱动的监控公平性的现有担忧,批评者如“老大哥观察”呼吁暂停部署,直到准确性和偏见得到明确解决。
arXivLabs是一个框架,允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观,并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法?了解更多关于arXivLabs的信息。
我们检测到您的浏览器已禁用 JavaScript。请启用 JavaScript 或切换到受支持的浏览器以继续使用 x.com。您可以在我们的帮助中心查看受支持的浏览器列表。帮助中心 服务条款 隐私政策 Cookie 政策 版权信息 广告信息 © 2026 X Corp.
## CSS 颜色精度:总结 在进行 CSS 压缩时,深入研究了颜色精度,发现**对于大多数颜色表示,3 位小数(3dp)通常就足够了。** 超过这个数量,人类感知无法区分差异,多余的数字只会浪费字节。 具体来说:对于 Oklch 和 Oklab,建议使用 3dp。对于较旧的 Lab 和 Lch,需要的精度甚至更低。sRGB 表示法(rgb, hsl)和度数等单位通常可以使用整数。这源于“最小可感知差异”(JND)——人类可以检测到的最小颜色变化——以及 Oklab 等现代颜色空间的感知均匀性。 虽然浏览器会以高精度存储颜色,但**压缩器应积极地进行四舍五入**以减小文件大小。 颜色操作的链式处理(例如 `color-mix()`)会放大舍入误差,因此 3dp 比 2dp 更安全。Alpha 值也受益于 3dp,以实现准确的混合。 作者的研究,包括使用 Delta-E 计算进行的广泛测试,表明这些建议在优化文件大小的同时保持了视觉保真度。 这种简化将在 csskit 中实施,并希望被其他压缩器采用。
客户端挑战:您的浏览器已禁用 JavaScript。请启用 JavaScript 以继续。网站的必要部分无法加载。这可能是由于浏览器扩展、网络问题或浏览器设置所致。请检查您的连接,禁用任何广告拦截器,或尝试使用不同的浏览器。