天文学家发现了一种“星系杀手风”，这可能解释了早期宇宙中为何存在大量神秘的巨大“死亡”星系。研究人员利用詹姆斯·韦伯太空望远镜和阿塔卡马大型毫米波/亚毫米波阵列（ALMA）观测到了一个名为 CRISTAL-02 的星系，该星系正因宇宙碰撞而经历快速增长。 这项发表在《皇家天文学会月刊：快报》上的研究表明，碰撞期间强烈的恒星形成过程触发了由超新星驱动的强劲风。这些风吹走了产生恒星所需的必要气体，从而有效地使星系“饿死”。以 CRISTAL-02 为例，其物质被喷射出的速度是恒星形成速度的两倍，这意味着该星系可能在不到 5000 万年内“死亡”。 由于早期近一半的巨大星系似乎都在与邻近星系相互作用，研究人员认为这种现象是一种普遍的演化周期：星系通过碰撞快速成长，随后又被自身强大的外流所熄灭。这一过程为早期宇宙中为何有如此多巨大星系“生如夏花之绚烂，死如秋叶之静美”提供了一个直观的解释。
每日HackerNews RSS
抱歉。
一位乌克兰国防工业的高层人士证实，两年前在一次测试中，完全无需人工干预、由人工智能控制的“终结者”无人机杀死了俄罗斯士兵。这一披露标志着现代战争中一个重大且充满争议的里程碑，因为这是人工智能在战场上自主选择并攻击人类目标的首次确凿证据。 虽然许多国家的军队使用人工智能辅助识别目标，但为了遵守国际人道主义法并防止失误，通常都会坚持“人在回路”的原则，即最终攻击决策需由人来做出。在乌克兰靠近前线的这次测试中，无人机被设定为搜索并摧毁其遇到的任何目标。 包括联合国在内的专家和国际机构对在致命决策中移除人类判断力表示深切担忧，警告这会带来道德风险并可能侵犯人权。尽管目前已具备完全自主打击的技术能力，但乌克兰军方坚称当前的作战行动仍在人类控制之下。尽管一些开发者主张放宽规则以获取战术优势，但目前的国际和国内共识仍主要强调在战斗中保留人类的责任，以确保战争中的问责制和道德操守。
尽管人工智能生成的代码在结构上偶尔不如顶尖的人工编写软件精巧，但其表现始终优于一般水平的人工开发。然而，大语言模型（LLM）真正的变革潜力在于软件质量保证（QA）与测试领域——在这一领域，它们能够在不牺牲质量的前提下，实现以往需要人工完成的复杂任务的自动化。 传统的测试往往会忽略基于状态的边缘情况，且在时间投入和人力需求上受限。通过将大语言模型作为自主 QA 代理，开发人员可以执行复杂的端到端集成测试，例如验证分布式系统性能、对新提交的代码进行基准测试，或模拟长达数日的生产环境负载。 这些代理甚至能从用户体验的角度评估软件，识别出人类测试员常忽略的未记录功能或“粗糙”的设计选择。通过将这些劳动密集型的人工流程转移给人工智能，开发人员能够显著提高新版本的质量门槛。归根结底，自动化 QA 是对自动编程所带来的快速、大批量代码生产的一种有力制衡，确保速度不会以牺牲长期可靠性为代价。
关于“软件测试新时代”的 Hacker News 讨论显示，社区对于人工智能在质量保证中的作用存在两极分化的看法。
乐观者认为，人工智能使开发人员能够以过去无法实现的速度生成从单元测试到集成测试的稳健测试套件。他们将具备“场景测试”能力的智能体视为一项重大突破，因为这些工具关注用户成果而非脆弱的内部逻辑，从而有可能减轻传统测试的维护负担。
然而，怀疑论者警告称，人工智能生成的测试往往会提供一种虚假的安全感。他们认为，大语言模型（LLM）虽然能生成覆盖率高的测试，却无法真正验证正确性，本质上是在创建“盲目”的系统。批评者还指出，许多所谓的“人工智能驱动”测试趋势，不过是行为驱动开发（BDD）或标准 UI 自动化等长期存在实践的更名版本，且增加了成本和不确定性。
目前的共识倾向于谨慎的中间立场：人工智能是一种强大的倍增器，但其有效性取决于人工监督。开发人员必须超越“一次性”提示词，利用细粒度的行为规则，并优先考虑人工定义的规范，以确保人工智能充当成熟的助手，而非低价值代码的盲目生成器。
Hacker News 最近的一场讨论凸显了一个日益增长的共识：无论是儿童还是成人，阅读兴趣都在急剧下降，这在很大程度上被智能手机和社交媒体带来的多巴胺驱动式体验所取代。
参与者认为，旨在通过无限滚动和成瘾算法来最大化用户参与度的数字设备，从根本上改变了人们的注意力。许多用户指出，即使是“聪明”或精通技术的人，也难以专注于长篇内容，而更倾向于短视频或“垃圾”媒体。
讨论的主要议题包括：
* **限制的力量：** 严格限制屏幕时间的父母表示，他们的孩子会自然地回归到创造性活动中，包括阅读和自主游戏。
* **家长的榜样作用：** 大家普遍认为，如果孩子们看不到父母阅读，他们自己也很难培养出阅读兴趣。
* **教育改革：** 批评者认为，现代学校教育越来越依赖屏幕和标准化的乏味课程，这进一步削弱了深度阅读的习惯。
* **“难事”论点：** 虽然对于阅读是否必然优于其他媒介存在争议，但许多人坚持认为，阅读对于培养专注力、批判性思维以及处理复杂信息的能力仍然是一项至关重要的锻炼。
新世界螺旋蝇是一种以活体组织为食的寄生虫，经过数十年的国际努力，已在北美和中美洲被有效根除。科学家们通过释放数百万只不育蝇，将这种害虫控制在巴拿马的一片缓冲区内，设立了一道保护整个大陆免受数十亿美元畜牧业损失的“边界”。 然而，这一成功案例近来却被打破。2022年，这道屏障被突破，随后虫害迅速蔓延，穿过中美洲向墨西哥回流。尽管有关部门将其归咎于疫情期间的供应链中断，但专家认为，未加管控的动物迁徙更有可能是主要原因。 这次死灰复燃代表了一场重大的制度性失败。由于管理疏忽和缺乏紧迫感，一个本已“解决”的问题卷土重来，导致数十年的科学进展付诸东流。现在，重建这道屏障需要多年的努力，并大幅提升不育蝇的生产规模。作者认为，这场危机凸显了机构能力与问责制在文化层面的危险衰退——现代文明来之不易的稳定，正因领导者未能维护保障我们安全所需的严密系统而被挥霍殆尽。
请启用 JavaScript 和 Cookie 以继续。
抱歉。
**Claw Patrol** 是一款安全防火墙，旨在部署于你的 AI 智能体（Agent）与生产环境之间。它通过在网络传输层拦截智能体流量，利用基于 HCL 定义的规则，实时监控并管控各项操作。例如，你可以自动拦截破坏性的 SQL 查询，或针对 `kubectl delete pod` 等敏感操作要求人工审批。 该系统通过 CEL 表达式提取协议特定的事实（如 SQL 动词、Kubernetes 资源或 HTTP 标头），从而执行精细化的安全策略。 **部署方式：** * **`clawpatrol gateway`**：一个单一的二进制代理，用于执行你的 HCL 配置。 * **`clawpatrol run`**：封装特定的进程树，仅对该命令的流量进行隧道传输。 * **`clawpatrol join`**：建立 WireGuard 隧道，实现主机范围的流量路由。 Claw Patrol 支持灵活的集成，并采用 MIT 许可证开源。如需了解更多信息，请访问 [clawpatrol.dev](https://clawpatrol.dev) 获取文档和安装指南。
Deno 推出了 **Claw Patrol**，这是一个旨在管理生产环境中 AI 智能体的开源安全防火墙。
随着智能体越来越多地处理关键任务（例如通过 PostgreSQL、Kubernetes 或 GCP 进行故障排除），它们通常需要更高的权限。如果智能体衍生出子进程或直接访问基础设施，传统的处理方法（如 MCP 或只读账户）可能会失效。
Claw Patrol 通过在**网络层**（TCP/WireGuard/Tailscale）而非应用层拦截流量来解决这一问题。这使得它能够：
* **执行细粒度的安全策略：** 基于深度包检测来阻止或允许操作（例如防止 `DROP TABLE` 命令或检测未经授权的数据访问）。
* **实现人机协同（HITL）：** 通过 Slack 或其他渠道，要求人类对破坏性操作进行审批。
* **保持透明度：** 智能体无需更改代码或使用专用 SDK 即可运行。
* **集中化策略：** 通过单一的 HCL 配置文件，跨不同系统（Kubernetes、数据库、API）管理安全规则。
尽管一些批评者认为传统的权限控制仍然是黄金标准，但 Deno 将 Claw Patrol 定位为一种必要且透明的防护栏，专门用于需要执行复杂且高风险基础设施操作的智能体。
黑胶唱片屈服于“响度战争”：不仅仅是附带损害（2025） Vinyl succumbs to Loudness War: more than just collateral damage (2025)
18 天前
“响度战争”——一种数字时代为了提高平均音量而牺牲动态范围的趋势——正对黑胶唱片产生负面影响。传统上，黑胶唱片需要针对模拟媒介的物理限制进行专门的母带处理。然而，现代制作往往绕过这一环节，直接使用经过压缩、“砖墙式”（brickwalled）的数字母带作为黑胶刻录的源文件。
以王子（Prince）的《Purple Rain》为例，原始数字母带（DR12）的动态范围明显高于2015年的重制版（DR6）。当这些经过压缩的数字母带被转录到黑胶唱片上时，由此产生的唱片便继承了这种缺乏深度的缺陷。尽管黑胶唱片的物理限制在一定程度上迫使动态范围有了细微的回升，但与原始版本相比，音质仍然明显趋于平淡。
这并非个别现象，而是一种普遍的行业做法，影响着各种流派的许多当代发行作品。虽然像 MoFi 这样追求高保真的厂牌仍在优先进行专门的高质量母带制作，但整个行业对超压缩数字源的依赖，正损害着模拟媒介固有的潜能。
在德国机库中发现冷战时期罕见的东方集团计算机 Discovery of Cold War-era rare Eastern Bloc computers in a German hangar
18 天前
2006年，计算机历史博物馆（CHM）的馆长达格·斯派瑟（Dag Spicer）和亚历克斯·博查内克（Alex Bochannek）根据线索，前往德国卡斯特罗普-劳克瑟尔，调查一处被遗弃的大型计算文物收藏地。在一间巨大的仓库里，他们发现了一个隐藏的宝库，藏品从20世纪30年代的穿孔卡片机到冷战时期的系统应有尽有，据信是由沃尔特·阿梅林（Walter Ameling）教授所收集的。
馆长们采用了基于网格的系统化编目流程，对这处11,800平方英尺的设施进行了梳理。在十天的时间里，他们仔细评估了数以千计的物品，包括罕见的大型主机、模拟计算机以及大量的技术文档。通过权衡历史意义与博物馆现有藏品，他们确定了需要保留的关键藏品。此次考察成功抢救了一段至关重要的现实计算历史，确保了这些珍贵的文物能够得到保护，并被纳入位于加州的计算机历史博物馆永久馆藏。
著名数学家陶哲轩（Terence Tao）长期以来一直倡导协作式发现，他通过整合形式化验证软件和人工智能，开创了向“实验”数学转变的先河。 在“博学项目”（Polymath Project，一种大规模、去中心化的数学问题求解模式）取得初步成功后，陶哲轩意识到人工审核的局限性以及人为错误的风险。这促使他采用了 Lean——一种允许将数学工作验证为计算机代码的交互式证明系统。通过领导诸如多项式弗赖曼-鲁扎（PFR）猜想等高调的形式化项目，陶哲轩证明了复杂的证明过程可以被拆解为模块化的子任务，从而使不同的团队能够高效地参与其中。 这一演变在“等式理论”（Equational Theories）项目中达到了顶峰，这是一项旨在梳理数千条代数定律的雄心勃勃的实验。该项目通过将人类智慧与自动定理证明器及计算机验证代码相结合，不仅成功绘制了一片广阔的数学图景，甚至还产生了新颖、出人意料的构造。 陶哲轩设想了一个数学能够像物理学等领域那样，采用实验性、大规模协作模式的未来。他相信，通过利用人工智能和形式化验证来处理可控的子问题，数学家们能够超越传统的孤立研究，开启一个数据驱动、机器辅助发现的新时代。
这次讨论围绕《广达杂志》（*Quanta Magazine*）的一篇文章展开，该文详细介绍了数学家陶哲轩（Terence Tao）日益倡导在数学研究中使用人工智能及 Lean 等形式化验证工具的观点。
讨论显示出数学界对此持有两极化的反应：
* **AI 数学应用的支持者：** 许多用户认为 AI 是一种不可避免且强大的工具，能够降低研究中的“协调成本”。他们认为，Lean 和大语言模型（LLM）等工具将促成大规模的并行协作，有望将数学推向“证明丰富”的时代，并实现发现效率的指数级增长。
* **批评者与怀疑论者：** 一些评论者对“AI 炒作”以及 OpenAI 等商业实体对陶哲轩等领军人物的影响表示担忧。另一些人则认为，依赖机器验证的证明剥离了数学核心的“优雅”与人类直觉，可能导致产生虽然可验证却令人难以理解的结果。
* **细致的观点：** 几位参与者认为，有关“出卖”的论调被夸大了。他们认为陶哲轩的方法是务实的，即将 AI 视为又一种工具；并指出形式化是一个由来已久的追求，其历史早于当前的 AI 趋势。归根结底，这场辩论凸显了在拥抱自动化效率与保持数学发现中传统的审美及智力价值之间的紧张关系。