使用 MiniZinc 解决鲥鱼装箱问题 - zayenz.se 2025-11-26 • 23 分钟阅读 • 引用 • MiniZinc 系列文章的一部分。该系列文章介绍了使用 MiniZinc 建模语言的约束编程，包括教程、案例研究和基准测试结果。查看该系列中的所有 4 篇文章。
每日HackerNews RSS
最近的 Hacker News 讨论集中在解决“帕特里奇装箱问题”——使用 MiniZinc 约束编程语言高效地将不同尺寸的箱子装入容器中。
最初的发帖者 mzl 强调，约束编程通常可以超越传统算法方法（如 LeetCode 中常见的算法）的复杂性。一位评论者 FilosofumRex 同意，指出理论技能和实际应用之间的差异。
Mzl 进一步阐述，详细说明了成功 MiniZinc 模型所需的三个关键见解：精确定义填充要求，实施复杂的边缘放置限制，以及打破箱子排列的对称性。他们强调，这些解决方案并不总是显而易见的，需要经验才能有效识别和实施，特别是使用 `lex_chain_less` 进行对称性打破。这次讨论引发了另一位用户的简单“啊哈！”时刻，表明他们意识到这种方法的强大之处。
## Pasta Boy's & LocalCafe Lite - 摘要 Pasta Boy's 餐厅源于20年前的家族食谱，提供外卖服务，并通过 **LocalCafe Lite** 实现便捷的在线展示。 LocalCafe Lite 是一款免费开源工具，用于创建静态餐厅网站，无需月费或编码专业知识！它允许餐厅轻松展示菜单，包括照片、描述和价格选项，以及按饮食需求筛选。 主要功能包括集成的地图和位置详情、适用于移动设备的响应式设计，以及带有丰富预览的社交媒体分享。该平台加载速度快，因为它不需要数据库或服务器，并且可以免费托管在 GitHub Pages 等平台上。 简而言之，LocalCafe Lite 为餐厅提供了一种简单有效的建立在线形象的方式。
## LocalCafe：为餐厅设计的免费静态网站生成器
一个名为LocalCafe (localcafe.org) 的新型免费静态网站生成器，专为小型餐厅和咖啡馆设计。它的目标是提供简单的网络展示，而无需广泛的编码知识。该项目使用的JavaScript代码量很少（1.76kB），并采用MIT许可。
讨论的重点在于在线展示餐厅菜单的不同方法的权衡。虽然创建者避免了JavaScript依赖，但评论员指出核心功能*需要*它。PDF等替代方案也被讨论，并提出了可访问性（屏幕阅读器、移动网络）和翻译方面的问题。许多人建议使用Astro等现代静态网站生成器，结合LLM等工具，提供更强大的解决方案。
一个关键的痛点是，非技术型企业主缺乏易于使用的网站选择，介于像WordPress这样复杂的平台和像GitHub Pages这样面向开发者的工具之间。 几位用户提到现有的项目正在努力弥合这一差距，提供简化的界面和部署选项。创建者承认需要改进定制性，并计划创建教程资源。
## 汽车激光雷达技术：摘要
激光雷达（光探测和测距）是自动驾驶汽车和机器人技术中的关键传感器，它通过将光线从表面反射并测量距离、方位、反射率和速度等属性来创建对环境的3D理解。其中，距离和方位对于空间感知最为关键，生成用于避障和精确定位的3D点云。
激光雷达系统通过飞行时间测量（直接或调制）确定距离——本质上是计算光线返回所需的时间。主要使用两种类型的激光器：低成本的VCSEL和高性能的光纤激光器，两者在功率和相干性方面各有权衡。探测器包括雪崩光电二极管（APD）和单光子雪崩二极管（SPAD），SPAD在灵敏度和集成度方面具有优势。
光束方向（方位）是通过元素阵列或扫描方法来辨别的，例如旋转、振荡镜或相控阵列。 精度会受到校准误差、距离偏移、像素串扰和编码器问题等因素的影响。
波长选择（近红外与1550nm）会影响眼睛安全性和性能，1550nm提供更大的功率，但可能对角膜造成损害。 尽管经常被宣传为“固态”激光雷达，但其定义并非形状，而是没有大型运动部件。 最终，激光雷达技术不断发展，在成本、性能和可靠性之间取得平衡，以实现日益复杂的自动驾驶系统。
## 汽车激光雷达：安全深度分析
这次黑客新闻讨论围绕一篇详细说明汽车激光雷达系统安全问题的文章展开。虽然激光雷达越来越多地应用于自动驾驶技术，但该文章强调了超出当前法规的潜在危害。
主要担忧包括激光雷达脉冲的高能量输出——特别是1550nm系统——以及故障、持续发射光束对角膜损伤的风险。即使被认为是眼安全的“1类”系统，当多个车辆的激光雷达在十字路口重叠时，也可能超出安全阈值，构成风险。
讨论指出，缺乏对多源激光雷达暴露的标准，以及光束故障关闭时间慢（通常>50毫秒），可能导致永久性损伤。反驳观点认为，基于阵列的系统由于功率分布更安全，并且光束发散会降低远距离强度。
参与者还涉及了激光雷达构建中的电磁干扰挑战、特斯拉仅使用摄像头的方法与Waymo配备激光雷达的系统性能对比，以及对独立安全研究的需求。最终，对话提出了关于当前法规是否充分以及激光雷达日益普及可能带来的潜在未预见风险的问题。
## 代码维基：即时代码理解 代码维基是一个新平台，旨在通过解决理解现有代码的主要瓶颈来大幅提升开发者效率。它不依赖于静态且常常过时的文档，而是直接从代码仓库创建持续更新的结构化维基。 该系统会在每次代码更改时自动重新生成文档，提供一个由Gemini驱动的智能、上下文感知知识库。用户可以在概念和代码之间进行交互式导航，并通过聊天提出具体问题，获得基于最新代码库的答案。 目前代码维基处于公开预览阶段，可以为公共仓库生成交互式文档，包括架构图。Google 也在开发一个 CLI 扩展，以便安全地在本地与私有仓库一起使用，旨在使团队更容易理解遗留代码。最终，代码维基的目标是通过消除解读代码所花费的时间来赋能开发者，从而更快地构建。
## 电荷泵：超越电压倍增 电荷泵是高效的DC-DC转换器，通常*存在于*集成电路内部，例如运算放大器和微控制器。与线性稳压器不同，它们使用电容器来“泵”电荷并升压（或降压）电压。一个基本的电压倍增器通过交替地从电源给“飞行”电容器充电，然后将电荷转移到输出电容器，从而有效地将电压相加。 然而，电荷泵并不局限于倍增。存在一种不太直观的“电压减半”拓扑。虽然最初看起来像一个简单的电容分压器（这对于直流电不起作用），但它利用一个飞行电容器来维持输出电压稳定在输入电压的一半。这是通过连续地在两个串联电容器之间转移电荷来实现的，确保它们保持电荷均衡并向负载提供稳定的电流。 这些电路依赖于充当开关的晶体管，由振荡器或数字控制驱动，以移动电容器——在实际设计中无需物理移动。它们为在芯片内部产生各种电压提供了一种优雅的解决方案。
Anthropic，Claude强大AI模型的创造者，已收购高性能JavaScript运行时Bun，以显著增强其AI驱动的编码工具Claude Code。此次收购正值Claude Code迅速发展，仅六个月就达到10亿美元的年收入。 Bun的速度和一体化功能（运行时、包管理器、打包器和测试运行器）对于现代AI驱动的软件开发至关重要。它已被超过700万用户每月下载，并被Midjourney等公司使用。 Anthropic认为Bun对开发者体验的关注与其自身使命完美契合。集成将带来更快的性能、更高的稳定性以及Claude Code内的新功能，惠及Netflix、Spotify和Salesforce等用户。重要的是，Bun将保持开源，并继续作为所有开发者的领先JavaScript运行时进行开发。此举战略性地强调了Anthropic致力于为不断增长的AI辅助编码领域构建强大的基础设施。
## Anthropic 收购 Bun
Anthropic 收购了快速 JavaScript 运行时环境、工具链和包管理器 Bun。此次收购源于 Anthropic 对 Bun 的高度依赖，Bun 是 Claude Code、FactoryAI 和 OpenCode 等工具的基础——最近 Claude Code 机器人为 Bun 仓库贡献了最多的拉取请求。
此举为 Anthropic 提供了直接控制权和维护 Bun 卓越性的动力，确保其 AI 编码产品的稳定性。对于 Bun 来说，它避免了在风险投资支持的初创公司中实现盈利的挑战，并可以专注于工具开发。
评论员推测这预示着人工智能公司整合开发工具的趋势，并对 Deno 等竞争性运行时环境的未来表示关注。虽然 Bun 并不旨在在现有项目中取代 Node.js，但它正在诸如包管理和 CI 脚本等新应用中获得 traction。此次收购对 Bun 的投资者来说是一个重要的结果。
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造成的。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。
IBM 首席执行官阿文德·克里希纳认为，人工智能公司为追求通用人工智能（AGI）而对数据中心进行的大规模投资不太可能获得回报。他估计目前承诺建设约 100 吉瓦的产能将耗资 8 万亿美元——仅利息就需要 8000 亿美元。 克里希纳指出，人工智能芯片的快速贬值（需要五年更换一次）和投资的巨大规模是关键问题。虽然他承认人工智能有潜力提高企业生产力，但他怀疑仅靠当前的大型语言模型（LLM）技术就能实现AGI，认为在没有进一步突破的情况下，概率为 0-1%。 他的怀疑与认为AGI炒作过度或是一种营销策略的其他科技领导人保持一致。甚至OpenAI联合创始人伊利亚·苏茨科维尔也认为，单纯的规模扩大并非解决之道，需要回归基础研究。克里希纳建议将硬知识与LLM融合作为一种可能的前进方向，但他仍然持谨慎乐观态度，表示即使那样他也“可能”才会被说服。
## 人工智能数据中心支出受到质疑
IBM 首席执行官认为，对人工智能数据中心的巨额投资可能无法获得回报，引发了 Hacker News 的讨论。 担忧集中在高达 8 万亿美元的巨额资本支出上，以及承诺的回报是否能够实现，尤其是在人工智能硬件快速过时的情况下（可能需要在五年内更换）。
许多评论员表示认同，这些资金可以更好地用于解决无家可归和贫困等紧迫的社会问题。 然而，也有人指出，这是私人资本，过去的大规模社会项目并非总是成功的。 一些人认为，技术进步在历史上*提升*了人们的生活水平，扼杀创新是适得其反的。
讨论还涉及潜在的成本膨胀、这些数据中心的需求电力，以及未来的突破是否会使当前的投资过时。 一个关键点是，盈利能力取决于持续的快速发展和竞争格局，而不仅仅是建设更多的基础设施。 最终，这场辩论凸显了技术进步与社会需求之间的紧张关系。
在AWS re:Invent 2025上，亚马逊网络服务推出了Trainium3，其最新的AI训练芯片，基于3纳米工艺制造。这一代产品在性能和内存方面比其前代产品提高了4倍，可扩展至支持数千个互连的UltraServer上的多达100万个芯片。重要的是，Trainium3的能效也提高了40%，符合AWS降低自身和客户成本的重点。 早期采用者，如Anthropic和Karakuri，已经在使用Trainium3时看到了推理成本的降低。展望未来，AWS预告了正在开发的Trainium4。Trainium4的一个关键特性将是与英伟达的NVLink Fusion技术的兼容性，从而可以与英伟达GPU无缝集成，并可能吸引更多基于CUDA平台构建的AI应用程序。虽然发布时间表尚未确定，但预计将在明年的会议上公布更多细节。
## 亚马逊发布Trainium3：反应冷淡
亚马逊最近发布了其第三代人工智能芯片Trainium3，旨在与英伟达和谷歌的产品竞争。然而，这一消息在Hacker News社区中受到了质疑。
一个主要担忧是Trainium和Inferentia实例的可用性。用户报告说，将它们与Transformers和PyTorch等标准库集成存在重大困难，需要大量的定制工作，并且面临超出AWS“理想路径”示例的问题。这与过去软件支持落后于硬件进步的经历相呼应，类似于GCP早期TPU的采用情况。
许多评论员指出，AWS在其核心服务（S3、Dynamo、Lambda）之外提供“测试版质量”服务的模式。人们担心Trainium将需要用户付出大量的测试工作，并对它在现实世界中的应用前景表示怀疑，尽管亚马逊内部在使用，并且与Anthropic达成了协议。
虽然亚马逊声称性能有所提升，但缺乏具体的基准测试。一些人推测，由于训练困难，重点正在转向推理，这与AMD的Gaudi经历相似。最终，社区强调强大的开发者体验至关重要——没有它，即使价格性能优势也无法推动采用。
Anthropic 故意使用一份内部代号为“灵魂文档”的 14,000 个 token 的文档来训练 Claude 4.5 Opus，Anthropic 的 Amanda Askell 已经证实了这一点。这份文档在监督学习（SL）期间使用，概述了人工智能的核心价值观和预期行为，旨在实现安全性、益处和可理解性。 “灵魂文档”反映了 Anthropic 认为人工智能安全的关键在于向模型灌输“良好的价值观、全面的知识和智慧”。它详细阐述了该公司尽管存在潜在风险，仍致力于追求强大人工智能的原因——相信以安全为重点的方法至关重要。 值得注意的是，该文档明确解决了提示注入等漏洞问题，指示 Claude 对不寻常的请求持怀疑态度，并警惕恶意企图绕过安全协议。这可能解释了 Opus 对此类攻击的改进（但并非完美）的抵抗力。Anthropic 计划很快发布完整文档和更多细节。