## 80x24 与 80x25 终端的奇特案例
80x24 和 80x25 终端显示尺寸的持久流行并非源于内在的技术限制，而是由 IBM 主导的历史遗产所致。虽然 80 列源于穿孔卡，但行数的故事则围绕着 IBM 的市场影响力展开。
1971 年，IBM 的 3270 终端，配备 80x24 显示屏，成为畅销产品，有效地设定了标准，竞争对手纷纷效仿。1981 年的 IBM PC 随后普及了 80x25，继承了早期且经常被遗忘的 IBM DataMaster 微型计算机的尺寸。这一选择并非出于必要——它只是最大化了 PC 的显示能力，并使其与竞争对手区分开来。
许多理论试图基于电视扫描速率或内存限制等因素来解释这些尺寸，但早期终端的多样性（尺寸范围从 31x11 到 133x64！）证明了纯粹的技术基础是不成立的。IBM 的主导地位迫使标准化，取代了其他考虑因素。
最终，80 个字符的宽度源于穿孔卡兼容性，但 24 或 25 行是 IBM 市场地位的后果，造成了我们今天在终端窗口中仍然看到的分割。
每日HackerNews RSS
这次黑客新闻的讨论集中在IBM PC上80x24（有时是80x25）显示标准的起源。与流行的观点相反，该标准并非出于模拟IBM 3270大型机终端的需求。最初的IBM PC工程师证实，与IBM其他产品的兼容性并非优先事项，而且一些PC功能实际上*阻碍*了3270的模拟。
对话延伸到IBM微机开发的更广泛历史，提到了较早的系统，如5100、5110、5120和System/23 DataMaster，挑战了PC作为纯粹“叛逆”项目的说法。用户还讨论了较早终端和计算机的设计选择，指出了符合人体工程学的问题和审美偏好。
几个离题讨论探讨了看似武断的标准背后的原因——从穿孔卡尺寸与美元纸币尺寸的联系，到CD的74分钟长度可能源于贝多芬第九交响曲（尽管这一点存在争议）。讨论强调了历史限制和实际考虑如何塑造技术，以及看似微小的决定如何产生持久的影响。
Signet 监测卫星探测到的您附近区域的火热点。当附近检测到火情时，您将收到警报。可选：请问您是什么身份？只是好奇的居民 房主 农业/林业 公共部门 消防/应急 保险 研究人员 感谢。这有助于我们了解谁需要警报。
## Signet：自主野火追踪
一位开发者构建了Signet，一个基于Go的系统，用于自动化野火监测——目前这一过程是手动完成的。Signet从NASA卫星馈送、天气预报和地形模型等来源摄取数据，旨在自主识别和追踪潜在的野火。
该系统主要依靠“确定性流程”处理数据，但利用Google的Gemini AI模型处理复杂的任务，例如评估弱检测和综合信息。它记录预测结果并与后续数据进行比较以进行评估，当前的评估指标是公开的。
虽然Signet已经能够识别事件并将它们与官方报告相匹配，但仍然存在误报和检测速度方面的问题。创建者寻求反馈，以平衡AI驱动的分析与确定性规则，以及这种自主方法是否比手动监测更有价值。讨论强调了整合不同数据源的难度、为现场团队提供结构化警报的重要性，以及与加拿大现有野火监测系统等潜在的协同效应。
新冠封锁期间，为了寻找新的爱好，作者重新发现了被遗忘的软件定义无线电（SDR）接收器。起初不确定它的用途，他们很快便深入到使用SDR软件（如SDRSharp和CubicSDR）进行射频探索的世界。
除了基本的调频广播，作者还成功地收听到了当地警察的频率和业余无线电（HAM）通信。然而，真正的突破来自于接收来自NOAA气象卫星的信号，并使用简单的天线解码云层覆盖图像。
为了提高图像质量，他们又开始尝试接收来自地球静止轨道GOES-16卫星的数据。这需要更复杂的设置——一个WiFi网格天线、滤波器、放大器，以及运行专业软件的树莓派，成本约为100美元。结果？令人惊叹的高分辨率（10K）地球图像，包含多个光谱波段，每15分钟更新一次。
作者从35,000公里之外独立接收到这些“地球自拍”，感到无比满足，这在充满挑战的时期是一种有益的消遣。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
发现小世界 (2020) (dmitrybrant.com)
11 分，wonger_ 1 天前 | 隐藏 | 过去 | 收藏 | 讨论 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## 生成32位素数：性能比较
本文详细介绍了一系列算法，用于生成所有适合32位无符号整数（uint32_t）的素数，并将它们写入名为“PRIMES”的二进制文件。目标是速度和效率，旨在生成具有特定SHA-256哈希值的文件。
最初的方法，**试除法**，检查每个数字是否能被已知的素数除，直到其平方根。虽然简单，但速度很慢，完成需要大约24分20秒。**轮式分解**试图通过跳过明显能被小素数（2、3、5）整除的数字来优化，但改进很小，运行时间约为23分30秒。
最显著的性能提升来自**埃拉托斯特尼筛法**。这种方法通过标记素数的倍数为非素数来消除合数。使用位数组（需要约1.3GB内存）实现此方法，可以将运行时间大幅缩短至约32秒——比试除法快40多倍。
尽管如此，它仍然比像Kim Walisch的`primesieve`（0.061秒）这样高度优化的工具慢得多。作者提供了生成的“PRIMES”文件的C实现和校验和文件的链接。这项探索突出了这些素数生成算法之间的巨大性能差异。
## 生成32位素数：Hacker News讨论
一篇最近的Hacker News帖子详细描述了生成所有32位素数的尝试，引发了关于素数算法和优化的讨论。原始作者专注于位运算和自我设定的限制，例如避免预计算的轮子。
评论者分享了各种方法，包括**Prime Grid Explorer**（一个JavaScript工具，能够使用米勒-拉宾测试来测试非常大的数字的素性）和**分段埃拉托斯特尼筛法**（一种内存高效的替代方案）。 进一步的优化建议包括**伪平方筛法**以及将筛法与**轮式分解**结合使用。
讨论还涉及**阿特金筛法**以及利用手动位数组操作、缓存优化和快速模运算等技术的有效实现。 许多人指出现有的、高度优化的工具，例如**primesieve**，它可以在短短0.061秒内生成32位素数。
该帖子强调了算法复杂度、内存使用和性能之间的权衡，展示了解决这个经典计算问题的各种技术。
作者最近专注于改进 `tcpdump` 和 `dig` 的手册页文档，特别是为不经常使用的用户添加基本示例。 这一努力源于作者认为手册页*可以*非常准确和有价值的信念，这对于通常更喜欢博客或论坛的人来说是一个令人惊讶的发现。 与维护者合作揭示了作者先前不知道的有用工具特性——例如，使用 `-v` 与 `tcpdump -w` 进行实时数据包捕获摘要。 为了避免 `roff` 手册页语言的复杂性，创建了一个自定义的 Markdown 到 roff 脚本以便更轻松地编辑。 这次经历引发了对 BSD 和 Linux 之间文档系统历史和技术差异的更深入研究，凸显了一种引人入胜但仍不明确的文化差异。 总而言之，作者对直接在手册页中提供高质量、可靠文档的潜力持乐观态度。
一个黑客新闻的讨论强调了文档中实用示例的价值，特别是对于像`tcpdump`和`dig`这样的命令行工具。最初的帖子分享了这些工具手册页的示例，引发了积极的响应，包括`tcpdump`的共同作者。
评论者一致认为，许多人觉得传统的手册页过于复杂，因为它们充斥着晦涩的术语，并且侧重于详尽的选项而非常见用例。他们认为，通过示例学习——就像孩子学习语言一样——效率更高，甚至对人工智能也适用。
建议范围从扩展手册页中的示例，到利用现有的资源，如“tldr”和“cheat”表。一些人提出了更高级的解决方案，如文献编程和改进的文档格式（DocBook），同时也承认了在Markdown和roff等格式之间转换的挑战。总体情绪强调需要易于理解、以示例为导向的文档，以提高所有用户的可用性。
该项目详细介绍了低成本、3D打印火箭发射器和制导火箭系统的开发，主要使用消费级电子产品构建。该火箭采用折叠式尾翼和前翼稳定，由ESP32飞行计算机和MPU6050 IMU控制飞行。发射器集成了GPS、指南针和气压传感器，用于精确的定位和遥测。
该系统使用Fusion 360进行设计，OpenRocket进行模拟，并对机械、电子和发射性能进行了广泛的迭代测试。所有核心工程组件——包括CAD文件、固件源代码和模拟数据——均公开可用。
值得注意的是，整个原型机的成本约为96美元，证明了使用易于获取且价格实惠的材料构建功能性制导火箭系统的可行性。更多开发媒体和文档可在链接的Google Drive文件夹中找到。
## 决策树与寻找最佳边界 本文解释了决策树如何在机器学习中用于分类数据，特别是区分纽约和旧金山的房屋。核心思想是找到最佳“边界”——或*分割点*——根据海拔和价格等特征有效地将两组数据分开。 最初，考虑了240英尺的海拔边界，但直方图显示大多数房屋位于*较低*的海拔。选择分割点涉及权衡：较高的分割点有导致*假阴性*的风险（将旧金山的房屋错误分类为纽约），而较低的分割点则会产生*假阳性*。 “最佳”分割点最大化每个分支内的同质性——这意味着每个组尽可能“纯粹”。这个过程不是一次性的；*递归*允许算法使用不同的特征（如每平方英尺的价格）重复分割数据集，以完善分类，最终构建更准确的决策树。即使是最佳分割点也不是完美的，这突显了数据分离的复杂性。
## Hacker News 讨论：机器学习的视觉介绍 (2015)
一篇2015年的交互式机器学习视觉解释 ([https://r2d3.us/](https://r2d3.us/)) 在 Hacker News 讨论中广受好评。用户称其为“杰作”，并认为它是介绍机器学习概念的宝贵资源，其中一位创作者确认参与并表示愿意回答问题。
讨论突显了对人工智能/机器学习视觉学习资源更广泛的兴趣。分享了其他几个交互式学习工具和博客，包括 [https://seeing-theory.brown.edu/](https://seeing-theory.brown.edu/)、[https://mlu-explain.github.io/](https://mlu-explain.github.io/) 和 [https://visxai.io/](https://visxai.io/)。用户还讨论了数据管道可视化工具（如 xyflow）以及对复杂主题（如 Transformer 注意机制）类似视觉解释器的需求。
许多评论者强调了 R2D3 解释器的滚动驱动动画的有效性及其将抽象概念直观化的能力，与传统的教科书方法形成对比。 帖子中还提到可能存在机器人评论增加的情况。 提供了 R2D3 解释器第二部分的链接。
这段文字描述了一种在基于Javascript的曲面编辑软件中切割贝塞尔曲面的方法。核心功能在于`splitBezier`函数，它在指定参数`t`处将贝塞尔曲线分割成两条曲线，保持原始形状。这允许选择性地移除或操作曲面部分。 代码演示了迭代切割由控制点定义的曲面。一个`while`循环根据“wide”参数重复水平分割曲面，从每次分割的“末端”部分创建新的曲面片段（`objNew`）。原始曲面的“wide”参数在每次切割时进行调整，有效地减小其尺寸。 “fall”参数控制垂直切割，表明该方法可以应用于两个维度。这个过程通过将复杂形状分解为可管理、可单独修改的部分，从而实现精细的曲面编辑。
## Bezier 曲面切片 - Hacker News 讨论总结
最近 Hacker News 的讨论围绕一篇关于如何使用线性插值 (lerp) “切片” Bezier 曲线的博文展开。最初的问题源于对 *为什么* lerp 这种看似简单的操作能够用于操作通常非线性的曲线的困惑。
核心解释，并附有指向交互式可视化和 De Casteljau 算法等资源的链接，是 Bezier 曲线从根本上建立在嵌套的 lerp 之上。分割 Bezier 曲线有效地重新排列控制点，创建两个与原始线段完全匹配的新曲线。这个过程在数学上是合理的，并且通过将曲线细分为视觉上直线来有效地用于渲染。
评论者强调了解释底层原理的资源的清晰度，包括演示“lerp 树”和 Bezier 曲线“绽放”的动画。许多人赞赏该文章的直接方法，与通常与该主题相关的过于复杂的数学解释形成对比。也有人表达了希望获得有关将这些技术扩展到 3D 曲面的资源的愿望。
## 重拾阅读的乐趣——以及日益增长的担忧
作为成年人，我努力找回童年对阅读的热爱，这与日益下降的识字率相呼应。我决心摆脱过度使用屏幕的时间，培养了每天阅读的习惯，并将其发展成一种热情——目前每周大约阅读1.5本书，涵盖各种主题。我发现阅读本身，而不是为了自我提升，才是关键，它既能带来智力上的刺激，又能带来内心的平静。
这种重燃的热情促使我建立了一个个人图书馆，灵感来自翁贝托·埃科的哲学，在预算范围内稳步购买书籍。虽然电子书很方便，但我更喜欢实体书的触感体验和逛书店的乐趣。
然而，我最近在亚马逊购买书籍的体验变得糟糕。我越来越多地收到“按需印刷”的书籍——在订购*之后*印刷的廉价复制品，通常价格比标准版本更高，而且质量明显较差。这感觉像是对一个曾经优先考虑客户体验的平台的服务的退化，并引发了对出版商参与的质疑。虽然亚马逊的退货政策很有帮助，但退货的循环过程令人沮丧且浪费，让我开始质疑在线购买书籍的未来。
## 亚马逊书籍质量下降
一个Hacker News的讨论集中在亚马逊上销售的劣质按需印刷（POD）书籍日益增多。用户对这些书籍的质量问题感到沮丧——纸张薄、文字模糊、装订差，而且通常没有明确的标签表明是POD书籍。虽然POD提供了便利，例如为小众书籍提供可访问性，但许多人认为亚马逊优先考虑降低成本而非质量，以与传统印刷书籍相似的价格提供劣质产品。
一些评论者建议使用Bookshop.org、Abebooks（尽管归亚马逊所有）、当地书店和二手书店等替代方案。担忧不仅限于印刷质量，还包括技术书籍中缺失的图片以及潜在的假冒伪劣问题。
许多人认为亚马逊的商业行为已经从提供价值转变为最大化利润，导致整体客户体验下降。一些人提出了解决方案，例如更清晰地标记POD书籍、提供可定制的印刷选项，以及重新优先考虑质量而非单纯的数量。最终，这场讨论凸显了人们对亚马逊书籍产品日益增长的不满，以及对更好质量和透明度的渴望。
## Spotify 上的人工智能与古典音乐的局限性
本文探讨了在使用 Spotify 新的人工智能 DJ 功能聆听古典音乐时令人沮丧的体验。作者质疑我们对人工智能“智能”的期望是否过高，尤其是在面对看似基本的错误时。尽管提供了详细的提示——请求完整的交响曲、按顺序播放乐章，甚至指定数字序列——人工智能 DJ 仍然无法正确播放乐曲。
核心问题在于 Spotify 的元数据，它建立在流行歌曲格式之上，难以识别多乐章作品。人工智能反复播放乐章顺序错误、混淆作曲家，或者完全放弃请求，转而播放不相关的流行音乐。作者强调了人工智能失败的荒谬性，将其比作倒着阅读小说。
最终，作者怀疑人工智能是否真正能够理解音乐，因为即使是基本概念也被遗漏，并认为平台缺乏企业动力来优先准确地呈现古典音乐。这种体验引发了关于当人工智能“行为愚蠢”时责任的问题，以及当前人工智能是否能够欣赏细微的艺术结构。