## 拥抱失败：通往更快速学习的道路 重新拾起轮滑这项运动后，我意识到：我们害怕失败常常会阻碍进步，而不是保护我们。虽然本能告诉我们避开痛苦，但观察孩子们学习——经历无数的磕碰和哭泣——揭示了失败是*学习过程的一部分*。然而，成年人往往谨慎地学习新技能，紧抓稳定，限制投入。 我发现，有意识地拥抱失败，并借助保护装备和正确的技巧，极大地加速了我的轮滑进步。这个原则不仅适用于身体技能。在声乐、萨克斯风课程，甚至诗歌写作中，也出现了类似的突破——放下对失败的恐惧，释放了更快速的学习和更好的结果。 关键在于认识到风险通常比我们想象的要低。通过接受“失败”的可能性，我们才能完全投入，敢于冒险，并最终取得更大的成功。愿意失败等同于愿意尝试，即使遇到挫折，持续的努力也会带来显著的成果。
每日HackerNews RSS
## 黑客新闻讨论：“让自己多跌倒”
ntietz.com 上一篇最近的文章引发了黑客新闻上关于冒险和失败的活跃讨论。核心观点——拥抱“跌倒”以取得更大的胜利——既得到支持，也受到怀疑。
许多评论者指出**情境和年龄**的重要性。对于年长者来说，跌倒的风险显著更高，无论是在身体上还是经济上。讨论强调了“安全网”的重要性——例如家庭财富等资源——这使得人们能够承担更多风险。
几位用户强调，**“安全地跌倒”并非真正的冒险**，并且经过计算的风险比鲁莽的风险更可取。其他人分享了个人经历，指出随着年龄的增长，恢复时间更长，并且可能遭受严重伤害。
对话还涉及**跌倒的技巧**，一些人提倡学习正确的技巧（例如滑板或轮滑）以最大限度地减少伤害。最终，共识似乎是，虽然拥抱失败很有价值，但风险程度应根据个人情况和人生阶段仔细考虑。
围绕Meta智能眼镜的最新争议——直接将数据传输至Facebook——凸显了一个更广泛且普遍接受的现实：在现代技术下，真正的隐私越来越难以实现。从用胶带遮盖网络摄像头的笔记本电脑（甚至包括科技公司首席执行官的电脑），到Windows 10和Chromebook等操作系统，设备现在 routinely 收集用户数据用于AI训练和定向广告。 微软、谷歌，甚至苹果等公司，尽管声称注重隐私，但仍会收集遥测数据、个性化数据等，这些往往隐藏在冗长且未经质疑的服务条款中。Meta高度依赖广告收入（去年98%的1890亿美元），因此具有特别强烈的数据收集动机，正如其过去利用数十亿Instagram图片用于AI开发的行为所证明。 核心问题不是单一事件，而是AI运作的基本方式——它*需要*大量用户数据来学习。接受任何连接互联网的设备，意味着放弃控制权并信任公司负责任地使用你的信息，而这种信任越来越难以建立。
## 通过三角函数近似的探索与意外发现
这个项目最初是为了优化光线追踪性能，寻找更快速的三角函数近似方法，特别是 `asin()`。 最初的尝试集中在帕德逼近法上，希望改进泰勒级数展开，但结果并不理想。 然而，这个探索过程带来了一个显著的改进：为 `asin()` 设计的自定义四阶泰勒级数近似，在 PSRayTracing 光线追踪器中实现了 5% 的速度提升。
进一步使用帕德逼近法和半角变换进行优化尝试，仅获得微小的收益。 最终，一个令人惊讶的解决方案来自于向 LLM (Gemini) 询问——一个最初记录在 Nvidia 过时的 Cg 工具包（可追溯到 2012 年）中的非常高效的 `asin()` 近似方法。
基准测试显示，这个“fast_asin_cg”函数始终优于 `std::asin()`，在 Intel 处理器上速度提升从 1.4 倍到接近 1.9 倍不等，甚至在 Apple 的 M4 芯片上也能测量到收益。 关键在于？ 在编码*之前*进行彻底的研究至关重要。 已经存在一种更优越的现成解决方案，强调了在重新发明轮子之前暂停并探索现有工作的价值。 这一经验强调了验证目标和利用可用资源的重要性，即使这些资源隐藏在晦涩的文档中。
这个Hacker News讨论围绕一篇关于在旧软件文档中发现的更快的`asin()`（反正弦）函数实现的文章展开。新的实现提供了性能提升（基准测试中为4%），但评论者争论其实用价值，并探讨了其他通常更具理论依据的方法。
关键点包括： minimax近似和Chebyshev多项式优于像泰勒级数这样的简单方法的重要性；该算法的历史背景源于Hastings在1955年的工作；以及通过SIMD（单指令多数据）优化获得更大收益的潜力。
许多人强调，虽然微优化可以累积起来，尤其是在大规模应用中，但依赖编译器对浮点运算的优化是危险的，因为存在IEEE-754标准。 讨论还涉及速度、精度和可移植性之间的权衡，并指出不同CPU架构上倒数平方根实现存在不一致性。 最终，该帖子突出了函数近似中可用的数学和计算技术的深度，以及数值计算中对性能的持续追求。
对《在线安全法》的新修正案赋予英国部长广泛的权力，可以在未经议会监督或证明损害的情况下限制互联网访问。 这可能导致网站、平台甚至像《堡垒之夜》这样的应用程序被禁止，或使用时间限制，引发对意识形态审查的担忧——例如，限制 LGBTQ+ 内容。 关键在于，这些修改绕过了 Ofcom 的风险评估流程，并赋予部长决定可接受的在线内容的权力。 虽然旨在保护儿童，但专家警告说，这些措施可能导致所有互联网用户都必须进行强制性身份验证，从而强制与不受监管的私人年龄验证公司共享数据。 人们还对隐私、安全以及可能出现的“数字宵禁”表示担忧。 超过 400 名学者呼吁暂停年龄保证技术，直到证明其有效性和安全性。 像 Open Rights Group 这样的组织正在推动对年龄验证提供商进行监管，以保护用户数据。
## 英国互联网限制：摘要
英国近期立法赋予部长权力，可以限制未成年人（18岁以下）的互联网访问，引发了对更广泛审查的担忧。批评人士认为，这实际上可能允许对*任何人*进行限制，尽管官方声称重点是儿童安全。
讨论中，人们对政府动机表示怀疑，并将此与加拿大类似且备受争议的措施相提并论。担忧的中心在于年龄验证的可行性以及潜在的越权行为，一些人认为使用VPN将是规避限制的必要手段。
许多评论员指出，在同时考虑将投票年龄降低至16岁的情况下，限制在线访问的虚伪性——质疑年轻人如何在无法获取信息的情况下参与民主。 还有人表达了对政府日益增长的监控和控制的更广泛的担忧，将英国的发展轨迹与中国相提并论。 关于父母与国家在监管儿童在线活动方面的责任，也存在争论。 引用了英国现有的在线言论法规和逮捕案例，引发了对言论自由限制的担忧。
本文档概述了 GitHub 平台上的功能和资源，该平台用于软件开发和版本控制。GitHub 为开发生命周期的每个阶段提供工具，包括 AI 辅助的代码创建（Copilot & Spark）、工作流程自动化（Actions & Codespaces）以及强大的应用程序安全功能（Advanced Security）。 该平台服务于各种用户——从个人开发者和开源项目到大型企业——并支持 DevOps、CI/CD 和应用程序现代化等多种用例。它提供全面的文档、社区论坛和专门的支持选项。 具体而言，提供的代码片段详细介绍了 GitHub 仓库内的文件结构（“furgit/cmd/receivepack9418”），列出了与网络连接、Git 协议和服务器功能相关的 Go 文件。GitHub 还强调用户反馈，并提供帐户管理和个性化设置选项。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
展示 HN: 自定义 Git-receive-pack 实现 (github.com/runxiyu)
10 分，runxiyu 发表于 1 天前 | 隐藏 | 过去 | 收藏 | 2 条评论
将 SHA-1 仓库推送到该端点：
git push git://lindenii.org/ HEAD:refs/heads/change-this-name
(我写了一个纯 Go 的 git receive pack 实现，想用各种不同的仓库进行测试。代码在 https://github.com/runxiyu/furgit) 帮助
withinboredom 发表于 1 天前 | 下一个 [–]
添加一个 README 文件会更有帮助，而不是直接进入一堆代码。回复
stingraycharles 发表于 1 天前 | 上一个 [–]
这是什么，为什么会被点赞？我很困惑。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系方式
搜索：
启用 JavaScript 和 Cookie 以继续。
## 麦肯锡Lilli AI平台被黑：人工智能安全敲响警钟
麦肯锡公司的内部AI平台Lilli——被其43,000多名员工中超过70%的人使用——遭受了一次重大安全漏洞，由CodeWall开发的一款自主AI代理发现。 值得注意的是，该代理在*两小时*内获得了Lilli生产数据库的完全读写权限，无需任何先验知识或人工干预，利用了公开暴露的API文档。
此次漏洞暴露了4650万条包含敏感客户和公司数据的聊天信息、728,000个文件以及详细的内部AI配置。 关键在于，该代理利用了一种经典的SQL注入漏洞——标准安全工具未能检测到——不仅访问了数据，还*修改*了Lilli的系统提示。 这可能导致对客户建议的微妙操纵、数据泄露或安全防护措施的移除。
这起事件凸显了威胁形势的关键转变：AI代理自主识别和利用漏洞。 麦肯锡尽管投入了大量安全资金，却因一个被认为是“基础”的漏洞而受到损害。 这起事件强调了迫切需要保护“提示层”——控制AI行为的指令——因为它代表了一个新的、高价值的目标，通常缺乏足够的安全措施。
## 麦肯锡AI平台被黑：摘要
一家安全公司CodeWall利用自主AI代理展示了麦肯锡AI平台Lilli的一个漏洞。由于暴露的端点和源于JSON密钥不安全连接的严重SQL注入缺陷，该代理迅速获得了对数据库的完全访问权限。敏感数据，包括聊天消息、文件和系统提示，都可以访问。
该事件凸显了威胁形势的变化，AI代理正在主动识别和利用弱点。专家认为，传统的安全措施不足以应对这些自动化攻击。
内部评论显示，麦肯锡可能存在优先考虑速度而非安全的文化，这因人员流动和专注于客户影响而非技术严谨性而加剧。据报道，该平台的漏洞在发现后数小时内得到修复，但该事件引发了对数据安全以及在没有充分保障措施的情况下快速部署AI工具的风险的担忧。这篇文章引发了关于AI生成写作质量以及AI驱动的安全测试更广泛影响的争论。