启用 JavaScript 和 Cookie 以继续。
每日HackerNews RSS
## Google Gemma 4 在 iPhone 上本地运行，但存在限制
Google 的 Gemma 4 LLM 现在可以在 iPhone 上原生运行，提供完整的离线 AI 推理。然而，Hacker News 上的讨论显示存在性能限制。虽然令人印象深刻，但目前的推理依赖于 GPU 而不是苹果的神经引擎 (ANE)，导致电池消耗更快和散热限制。
专家认为，Google 可能由于难以为苹果的专有硬件编译自定义注意力内核而绕过了 ANE。ANE 的架构是在 LLM 出现之前设计的，并不完全适合这些模型，而且 LLM 生态系统主要倾向于 CPU/GPU 执行。据报道，苹果正在开发新的 Core AI 框架，以更好地支持 LLM，可能解决这些问题。
用户报告了不同的体验，有些人发现该模型对图像描述和代码生成等任务很有用，而另一些人则注意到连贯性问题。运行更大模型的可行性受到 iPhone RAM 和散热能力的限制。人们也对报道这些进展的文章质量表示担忧，许多人怀疑是 AI 生成的内容。
学习编写编译器常常被现有的教科书弄得不必要地困难，那些书过于全面和理论化，就像用一本臭名昭著的入门书来学习高级编程一样。Jack Crenshaw的《让我们构建一个编译器！》提供了一种令人耳目一新的替代方案——一个实用的、易于理解的教程，即使是初学者也能胜任，最初是用Pascal编写的（也有C和Forth版本）。 然而，Crenshaw的方法跳过了创建抽象语法树，这是编译器灵活性的关键组成部分，因为Pascal的限制。像Python或Lisp这样的现代语言可以轻松地进行树操作。 Sarkar、Waddell和Dybvig的论文概述了一种更近期的“纳米通道”框架：将编译分解为程序内部表示形式的许多简单转换。这强调了模块化和清晰度。 核心信息是？首先从实际实现入手，*然后*根据需要深入复杂的理论。你可能会发现，你可以在不需要那本著名的、晦涩难懂的“龙书”的情况下构建功能齐全的编译器。
在复杂系统中维持安全依赖于持续管理约束，以应对不可预测的环境因素。这并非通过预编程步骤实现，而是通过**动态控制**——一个持续的观察、预测和行动循环。 多个“控制器”通过接收系统当前状态的**反馈**，利用**心理模型**预测未来状态，并发出**控制动作**来相应调整，从而防止危险状况。 当这些组件中的任何一个不足时，就会发生故障：缺乏准确的信息（反馈）、糟糕的预测（心理模型）或无效的调整（控制动作）。这些问题可以独立存在，也可以组合出现，有时甚至表明缺少控制器。 控制器在各个层面运作，从发动机控制等自动化系统到飞行员、主管甚至监管机构等人类因素——这表明安全是一个多层次、不断适应的过程。
对不起。
Kernel是John Nathan Shutt创建的一种Lisp方言，汲取了近70年的Lisp历史——从1958年的起源到Clojure和Julia等现代实现。其核心创新在于通过一种称为“vau”的概念统一了宏和过程，旨在实现单一的元语言系统。Shutt的工作，最终体现在SINK解释器和Kernel规范中，试图形式化这个想法，但面临着一个长期存在的理论障碍：由于潜在的求值不确定性，无法使用fexprs（函数表达式）编译代码。 最近的突破，特别是Kraken编译器，证明了通过对动态环境强制执行不变性，可以实现fexprs的*高效*编译。这使得静态分析和优化能够与其它Lisp系统相媲美。Kernel的“vau”与传统的宏系统（如syntax-rules和syntax-case）相比，提供了一种更精简的代码转换方法，后者将宏展开与运行时执行分离。基准测试表明，Kernel（通过Seed）在各种任务中实现了与Chez Scheme相竞争的性能，证明了这种方法的实际可行性。该项目在AI编码辅助下进行，代表了一种由智力好奇心和对更优雅的Lisp的渴望驱动的验证概念。
对不起。
启用 JavaScript 和 Cookie 以继续。
## 道路照明弹成分与硝酸锶提取：摘要
道路照明弹成分各异，但通常包括硝酸锶以产生红色，以及诸如硝酸钾或高氯酸盐等氧化剂，和硫、木炭、镁以及环氧树脂或漆等粘合剂等燃料。硝酸锶本身不是强氧化剂，因此需要添加其他化合物才能燃烧。
从照明弹中提取硝酸锶是*可能的*，但过程复杂且通常不值得。该过程包括将照明弹的成分溶解在水中，然后通过冷却和过滤利用溶解度的差异。然而，获得纯度很困难。提取的材料可能被硝酸钾或高氯酸盐污染，从而可能影响其可用性。
提取的成功取决于精确的条件——浓度、温度——以及照明弹的原始成分。不当的方法可能导致纯度低、硝酸锶损失严重或最终产品高度不纯。最终，从烟花供应商处购买硝酸锶比尝试提取更实用、更安全。
对不起。
## AI辅助开发：优先考虑思考而非速度 作为技术负责人，作者发现虽然AI加速了软件开发，但它可能导致技术上可行但理解不足、隐藏问题众多的代码。解决方案？**在编写任何代码*之前*将核心工作转移到思考阶段。** 这种工作流程以“书面思考”为中心，利用AI进行*实现*，同时保留关键*思考*给开发者。它是一个多阶段过程： 1. **自由形式规划：** 初始的、非结构化的头脑风暴。 2. **通过访谈生成PRD：** 一个结构化的“访谈”过程（使用AI工具）将规划转化为详细的产品需求文档。 3. **通过垂直切片分解问题：** PRD被分解为小的、端到端的“切片”——可演示的工作单元。 4. **通过聚焦提示分解任务：** 每个问题进一步划分为AI可执行的任务，优先考虑模式和测试。 5. **代码生成与审查：** AI根据任务描述生成代码，然后进行严格的、多轮代码审查。 6. **最终审计：** 最终的跨领域审查确保系统的一致性和安全性。 这种工作流程并非为了追求速度，而是为了**有目的性**。它前期会更慢，但能大幅降低调试和维护成本。它需要持续的人工验证——AI *建议*，开发者 *决定*。关键在于每个阶段的结构化审查，确保每个输出都建立在对问题和期望结果的清晰理解之上。
## 避免原型陷阱：初创公司的一课
来自潜在B2B客户的原型请求，可能迅速变成代价高昂的干扰。避免资源浪费的关键在于一个至关重要的问题：**如何将这个演示转化为采购订单？**
许多初创公司，急于留下深刻印象，陷入“原型陷阱”——在不了解买方内部流程或承诺的情况下，投入大量工程时间构建定制演示。一位创始人就惨痛地学会了这一点，花费数月时间制作演示，结果却被对方无视。
教训是：存在多种“产品/市场契合”——与用户以及控制预算的组织。在构建任何实质性内容之前，严格验证机会。询问潜在买家关于决策时间表、预算可用性、关键利益相关者和成功标准。
一个巧妙的策略是发送一份**完全可取消的采购订单**，概述演示的功能和价格。这种“礼貌的强制机制”能够迅速区分认真的潜在客户和仅仅“试探”的人，揭示完整的审批流程并大幅提高转化率。不要追逐热情，而是要求清晰度和明确的收入路径。
对不起。
MDalgorithms是一家快速发展的、以人工智能为驱动的消费科技公司，旗下拥有MDhair和MDacne等品牌。他们正在寻找一位实操型的创意策略师来推动增长。公司通过人工智能分析和定制治疗方案，提供个性化的护肤和头发再生解决方案，弥合了皮肤科医疗的可及性差距。 该全栈职位直接向CEO汇报，对营销策略和预算有重大影响。理想的候选人应具备3年以上DTC/电商增长营销经验，数据驱动的思维方式，以及成功扩大品牌的经验。 职责包括构建获客渠道、设计和执行实验（A/B测试）、撰写电子邮件营销序列、贡献创意策略，以及构建落地页——尽可能利用人工智能工具。具有健康/美容和订阅电商经验者优先。 MDalgorithms提供完全远程、灵活的工作环境，并有机会塑造人工智能驱动的个性化健康领域的未来。
对不起。