每日HackerNews RSS

微软首席执行官萨蒂亚·纳德拉在9月4日于华盛顿白宫东厅举行的白宫人工智能教育工作组会议后离开。Eric Lee | Bloomberg | Getty Images 挪威2万亿美元主权财富基金周日表示,将在微软即将举行的年度股东大会上投票支持一项股东提案,该提案要求提交一份关于在人权问题严重国家运营风险的报告。 微软管理层曾建议股东反对该动议。 该基金还表示,将反对重新任命萨蒂亚·纳德拉为董事会主席,以及反对他的薪酬方案。 根据基金数据,截至6月30日,该基金持有该公司价值500亿美元的1.35%股份,使其成为该基金第二大股权投资,仅次于英伟达。 根据LSEG数据,它是微软第八大股东。 美国科技公司的投资者将于12月5日在年度股东大会上决定是否批准这些提案。

## 挪威财富基金将投票表决微软人权报告 挪威主权财富基金计划在微软投票支持一份人权报告,并反对首席执行官萨蒂亚·纳德拉,原因是该公司向以色列军队8200部队提供Azure云服务引发了担忧。据称该部队利用这些服务监视巴勒斯坦人。 评论员们争论这一举措的意义,一些人认为这在很大程度上是象征性的政治姿态。另一些人则强调微软所谓的虚伪——虽然声明了人权原则,但可能未能遵守这些原则,尤其是在其服务被用于加沙冲突和巴勒斯坦占领方面。 讨论的中心是,即使微软没有直接提供监视软件,是否应该对其“通用计算”被客户利用的方式负责。一些人认为微软应该终止违反服务条款的账户,而另一些人则指出这与向从事种族灭绝政权提供材料的情况类似。微软表示已终止了一些相关账户,但人们仍然担心继续故意提供服务。

以下是斯坦福大学2025年春季学期CS193p(使用SwiftUI开发iOS应用程序)前6节课的视频和配套课程材料链接。 这是斯坦福学生学习iOS开发基础知识的一门课程。本学期的更多讲座将很快发布。该课程是在iOS 26和Xcode 26发布之前进行的,但课程中编写的代码似乎大部分兼容。当然,Xcode 26 的重大变化是内置的 LLM 辅助,而 iOS 26 引入了 UI 中的 Liquid Glass,因此这些视频中都没有这些内容。 不幸的是,我们无法在您观看这些视频时提供任何支持,但网上有很多很棒的资源可以帮助您学习 iOS 应用程序开发,请积极寻找! 更多信息,请查看关于页面。

黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 招聘 | 提交 登录 Paul Hegarty 的更新版 CS193p SwiftUI 课程由斯坦福大学发布 (stanford.edu) 3 分, yehiaabdelm 2 小时前 | 隐藏 | 过去的 | 收藏 | 讨论 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系 搜索:

## Advent of Code 总结 Advent of Code 是由 Eric Wastl 每年12月1日至12月中旬创建的每日编程谜题系列。谜题设计面向所有技能水平,可以使用任何编程语言解决,只需要基本的编程知识和解决问题的能力。它们被用于各种目的,包括面试准备、教育和友好的竞争。 谜题的难度会随着时间增加,但个人体验各不相同。鼓励参与者使用提供的示例测试解决方案,并在遇到困难时构建自己的测试用例。可以通过 Reddit 子版块和社区论坛获得支持。 Advent of Code 优先考虑积极的体验,已经取消了全球排行榜,因为其压力和滥用。虽然允许私人排行榜,但规则由其组织者决定。创建者不鼓励使用人工智能解决谜题,强调人类解决问题的价值。该活动是免费使用的,但禁止复制谜题内容或复制 Advent of Code 品牌。

2025年的Advent of Code已确定举办,尽管去年是第10周年,且人工智能的兴起可能预示着这项传统的终结。今年将包含12个谜题,是往常数量的一半,并且**将不会有全球排行榜**。 创建者取消了排行榜,原因是它造成了压力——基础设施负担、竞争带来的负面情绪(包括DDoS攻击)以及用户感到不足。许多人认为人工智能的影响也促成了这一决定。 虽然有些人对谜题数量减少感到失望,但许多评论者对没有排行榜表示欣慰,认为它会削弱活动作为一项有趣的、个人挑战的本质,而这项挑战的重点是解决问题和学习,而不是竞争。普遍的共识是,使用人工智能解决谜题会破坏练习人类解决问题技能的目的。第一个谜题将在15小时后发布。

## 心灵的空间:人工智能 vs. 动物智能 安德烈·卡帕西认为,人工智能,特别是大型语言模型(LLM),代表了人类与一种根本上*非动物*智能的“首次接触”。虽然两者都源于优化,但驱动它们发展的压力却大相径庭。 动物智能通过自然选择进化而来,优先考虑生存——力量、地位、社会动态以及在危险的物理世界中磨练的本能。这创造了一种广泛的“通用”智能,能够处理多样化、高风险的任务。 然而,LLM是由*商业*进化优化的。它们的核心行为是对人类文本的统计模仿,并通过用户参与(“点赞”)等奖励进一步改进。这导致了一种专注于预测和取悦的“变形”智能,但当面对超出其训练分布的任务时,可能会变得脆弱——失败并非生存危机。 不同的计算基础和学习方法是次要的,核心区别在于优化压力。理解这种区别对于准确地建模和预测人工智能的未来发展至关重要,避免将其简单地视为更高级的动物。

这个Hacker News讨论的核心是,大型语言模型(LLM)并非仅仅在模仿人类行为,并且随着发展可能会进一步偏离。一位评论员指出,LLM已经表现出并非直接从人类文本中复制的行为——源于它们预测下一个词元的训练目标——并且缺乏人类拥有的能力,例如长期规划或空间推理。 核心论点是,训练数据集虽然有影响力,但并非绝对的。进一步的训练可以覆盖其影响,导致真正“奇怪”的AI行为。像Sydney和GPT-4o这样的例子被认为是这种偏离的早期实例。 另一位评论员将这与“正交性假说”联系起来,认为智能和目标是独立的——这意味着先进的AI不一定需要与人类共享价值观或动机。最终,讨论表明LLM注定会变得越来越不可预测,并且与人类智能截然不同。

## RL效率问题:为何落后于监督学习 最近的讨论凸显了强化学习(RL)与监督学习之间显著的效率差距。两者都需要计算量(FLOPs),但RL难以从每个FLOP中提取有意义的信息(“比特”)。监督学习在*每个*数据点上都能获得即时反馈,而RL则需要漫长的“思考轨迹”——可能需要数千步——才能获得*单个*奖励信号。 核心问题不仅仅是样本的计算成本,而是样本内的*信息密度*。在训练初期,RL模型很少成功,每次尝试带来的学习效果微乎其微。相反,监督学习即使从随机起点也能提供丰富的信号。 这可以被形象地描述为“通过率”问题:RL只有在成功的概率窗口内(大约50%)才能有效学习,而监督学习则能从任何改进中受益。当前的RL方法常常陷入低信息量状态,或者激发预先存在的能力,而非真正的学习。 已探索的解决方案包括课程学习、自我对弈(以维持高通过率)以及开发代理奖励以提供更密集的反馈。最终,弥合差距需要找到从每个RL样本中提取更多“比特”的方法,可能通过模仿人类从经验中学习的方式——不仅从结果中学习,也从过程本身学习。

黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录 强化学习的信息效率比你想象的更低 (dwarkesh.com) 5 分,cubefox 发表于 2 小时前 | 隐藏 | 过去 | 收藏 | 讨论 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系 搜索:

CachyOS旨在提供闪电般的速度和稳定性,确保每次使用都能获得流畅愉悦的计算体验。无论您是经验丰富的Linux用户,还是初学者,CachyOS都是寻求强大、可定制且极速的操作系统理想选择。

CachyOS:快速且可定制的 Linux 发行版 (cachyos.org) 14 分,由 doener 发表于 41 分钟前 | 隐藏 | 过去 | 收藏 | 2 条评论 lousken 发表于 5 分钟前 | 下一个 [–] Bazzite (Fedora atomic), CachyOS (Arch), PikaOS(Debian), Nobara(Fedora), (Pop_OS - Ubuntu), 很高兴现在几乎所有主流发行版都有游戏版本,这样每个人都可以拥有熟悉的基础,希望它们都能存活。回复 hulitu 发表于 0 分钟前 | 上一个 [–] > 包含优化的 linux-cachyos 内核,利用先进的 BORE 调度器提供无与伦比的性能。 我没听说过 BORE 调度器。它是内核的额外补丁吗?它的稳定性如何?回复 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系 搜索:

请启用 JavaScript 并禁用任何广告拦截器。

黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录 硅谷在白宫的那个人正在为自己和他的朋友们谋利 (nytimes.com) 8 分,由 fleahunter 1小时前发布 | 隐藏 | 过去的 | 收藏 | 1 条评论 truegoric 17分钟前 [–] https://archive.ph/uJxZoreply 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系 搜索:

## 哥本哈根陷阱:西方如何激励消极 “哥本哈根陷阱”描述了一种悖论性的情况,即西方法律和制度结构越来越奖励不作为,并惩罚试图提供帮助的行为。最初,法律关注的是*导致*损害的*行为*,只有在存在特定义务时,不作为才可能受到惩罚。然而,以*Hurley v. Eddingfield*案为代表的普通法确立了“无救援义务”原则,优先考虑个人自由而非协助义务。 这种不对称性——对脱离的豁免,对互动的责任——已被哲学(道义论重视遵守规则而非结果)所强化,并嵌入到制度之中。医疗伦理更倾向于*不提供*治疗(安全),而非*撤回*治疗(有风险),而公司为了规避责任,避免采取主动的安全措施。甚至监管机构也优先预防可见的失败,而非解决隐形的、但更大的问题。 这创造了一个“责任奇点”,其中*任何*行动的负面后果风险都接近于确定性,从而扼杀了能动性。互联网放大了这一点,即使是不完美的帮助也会招致批评,而无所作为却无人注意。这个系统不仅影响决策,它还*选择*了擅长避免决策的领导者——“未受污染的无能者”,从而延续了瘫痪。与具有积极协助义务的文化不同,西方越来越重视安全而非有效行动,最终阻碍了其适应、创新和生存的能力。

## 哥本哈根陷阱:摘要 一则Hacker News讨论围绕一篇名为“哥本哈根陷阱”的文章展开,该文章认为西方机构通过不成比例地惩罚可见的失败,同时忽视不作为的后果,从而激励了消极。其核心观点是,试图提供帮助可能因不完美而受到批评,而完全避免行动则可以避免责备——即使这导致了负面结果。 评论者指出,这种现象并非普遍存在;一些欧洲国家(法国、丹麦、波兰)都有法律要求在紧急情况下提供援助,并对提供帮助者提供不同程度的执法和法律保护。 存在争议在于作者使用“西方”是否过于以美国为中心,而忽略了欧洲的法律传统。 讨论还涉及了心理因素,认为对责备的恐惧会扼杀行动,而希望和潜在的回报则会鼓励行动。 一些评论员怀疑原始文章是由人工智能生成的,因为其写作风格存在过度使用破折号和冒号等模式,而另一些人则认为这种写作风格是合法的。 最终,该讨论强调了一个关于系统性地抑制主动参与的引人深思的概念。

Yandori - 新闻流 · 点击任何新闻查看其传播情况 5:00更新 全部 突发 热门 加载新闻… 第一 原始 转载 0个来源 +0 - 时间跨度 慢 正常 快 即时 ► 播放 ✕ 清除 ← 返回Yandori

黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录 展示HN:实时系统,追踪新闻在20万个网站上的传播 (yandori.io) 5 分,由 antiochIst 2小时前 | 隐藏 | 过去的 | 收藏 | 1 条评论 我构建了一个系统,近乎实时地监控约20万个新闻RSS订阅源,并将相关文章聚类,以展示故事在网络上的传播方式。 它使用Snowflake的Arctic模型进行嵌入,并使用HNSW进行快速相似性搜索。 每个“故事集群”显示谁首先发布,传播速度有多快,以及随着更多媒体采纳,叙述如何演变。 欢迎大家对架构、扩展方法以及提高集群准确性和实用性的方法提出反馈。 实时演示:https://yandori.io/news-flow/ Oras 18分钟前 [–] 我非常喜欢这个想法。 我希望增加关键词功能,以便查看相关新闻。 回复 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系 搜索:

## Lumafield 电池质量报告:摘要 Lumafield 最近的调查对来自十个品牌的 1,054 节 18650 锂离子电池进行了 CT 扫描,品牌范围涵盖了松下和三星等知名制造商,以及来自 Temu 的廉价选项,揭示了显著的质量差异。该研究侧重于阳极悬伸和电池对齐等关键安全指标,发现低成本和假冒电池的差异巨大。 虽然信誉良好的品牌表现出严格的质量控制,但“再包装”品牌显示出更高的风险,而来自 Temu 的电池则表现出最令人担忧的缺陷。值得注意的是,大量低成本电池显示出负阳极悬伸和对齐不良,增加了内部短路、加速老化和潜在热失控的可能性。 该报告强调了电池供应链中的漏洞,并强调了质量控制对制造商和设备集成商的重要性。建议消费者避免混合使用不同品牌的电池,保护电池免受损坏,并注意肿胀或过热等警告信号。最终,该研究证明了工业 CT 扫描在揭示隐藏缺陷和提高电池安全性方面的强大作用。

黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录 Haribo 充电宝和耳机里隐藏着什么? (lumafield.com) 12 分,rozenmd 发表于 3 小时前 | 隐藏 | 过去 | 收藏 | 2 条评论 krackers 发表于 3 分钟前 | 下一个 [–] 更有趣的是,它们实际上被下架了。制造商发出召回通知了吗?(如果发了,为什么没有发布声明)。我无法想象亚马逊会采取任何行动,因为他们允许其他垃圾商品继续销售。回复 curiousObject 发表于 2 小时前 | 上一个 [–] 为什么这些电池引起了所有人的关注 - https://news.ycombinator.com/item?id=45322135 回复 指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系 搜索:

更多

联系我们 contact @ memedata.com