几十年来,大学学位曾是抵御失业的可靠屏障,确保应届毕业生在就业市场上的表现优于普通劳动力。然而,这一优势已逐渐减弱;自2019年初以来,应届毕业生的失业率一直高于整体劳动力,这一差距在2026年达到了历史新高。
值得注意的是,这种转变先于疫情和生成式人工智能的兴起,这表明这是一场长期的结构性变化,而非突发冲击。专家指出主要有两个原因:远程办公的普及限制了缺乏经验的新人获得必要的职场指导,以及人工智能对入门级职位的冲击。
关键在于,这是一场入门级职位的危机,而非学位本身的贬值。年长的学位持有者仍保持着较高的就业率,毕业生的境况也依然好于没有学位的年轻人。虽然学士学位仍具有显著的长期价值,且优于没有学位的情况,但它不再是就业的捷径。人才进入职场的传统“通道”实际上已经中断,使得从学校向职场的过渡变得比近期历史上任何时候都更加困难。
本文详细介绍了一个团队针对 AWS Lambda 在托管 ONNX 模型时出现持续“内存溢出”(OOM)错误的排查过程。
起初,团队试图通过缩小 `lru_cache` 来解决内存增长问题,但这反而加速了 OOM 的发生。他们发现,Lambda 报告的 `@maxMemoryUsed` 指标是执行环境的“历史最高值”(high-water mark),而非单次调用的指标,因此用它来检测内存泄漏具有误导性。
真正的罪魁祸首是 `glibc` 的内存囤积机制。由于 ONNX Runtime 使用了多线程,`glibc` 创建了多个内存池(arenas),即使在调用 `free()` 后仍不释放已分配的内存。通过将 `M_MMAP_THRESHOLD` 从 128 KB 调整为 32 KB,团队强制分配器更积极地将内存归还给操作系统,从而使囤积的内存减少了 97%。
**关键点:**
* `@maxMemoryUsed` 并非单次调用指标,而是累积的历史峰值。
* RSS 指标可能具有误导性,因为分配器通常会“囤积”已释放的内存。
* 应使用 `mallinfo2()` 查看实际的堆内存使用情况。
* 在 Lambda 环境中,调整 `mmap` 阈值是一种以轻微延迟为代价,显著降低内存占用的有效方法。
Meta 已证实,Instagram 人工智能辅助账户恢复系统中的一个漏洞导致黑客劫持了超过 20,000 个账户。此次漏洞持续时间从 4 月中旬一直到本周,源于一个编程缺陷:系统未能验证请求重置密码的电子邮件是否与目标账户所关联的地址匹配。
通过利用此漏洞,黑客诱骗人工智能聊天机器人将密码重置链接发送到未经授权的电子邮箱,前提是受害者未启用双重身份验证。这使得攻击者能够完全控制账户,并可能获取私人信息、联系方式和个人资料数据。
对此,Meta 已禁用该人工智能聊天机器人并移除了存在漏洞的代码路径。该公司目前正在审查其其他人工智能工具以防止类似攻击,并已指示受影响的用户重置密码并重新验证账户。尽管 Meta 表示尚不清楚在此次泄露事件中被访问的个人数据的具体范围,但该事件凸显了该公司在积极推进人工智能整合过程中存在的重大安全疏忽。