每日HackerNews RSS
对不起。
arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受了我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法？了解更多关于arXivLabs的信息。
对不起。
Meta正在其员工电脑上部署新的监控软件“模型能力计划”，以收集数据用于改进其人工智能模型。该工具将追踪击键、鼠标移动并截取屏幕截图，员工在使用Gmail和VS Code等工作应用程序时会被监控。 Meta声称，人工智能需要理解人类电脑使用方式，才能构建能够处理诸如预订旅行或管理电子邮件等任务的有效“代理”，最终目标是实现人工智能完成大部分工作，而人类提供指导的未来。 考虑到Meta过去大量收集用户数据和隐私问题，这一举动具有讽刺意味。员工现在将体验到之前仅对其数十亿用户保留的相同级别的监控，因为该公司正在追求由首席执行官马克·扎克伯格领导的“个人超级智能”愿景。Anthropic、OpenAI和微软等其他科技公司也在开发类似的代理技术。
## 超越更长的上下文：为什么LLM需要权重更新 目前改进LLM学习的主流方法是增加上下文窗口大小，利用KV缓存压缩和高效注意力机制的进步。然而，这假定仅仅增加足够的上下文长度就能消除模型权重更新的必要性——这是一个错误的假设。上下文和权重共同塑造了Transformer的内部表示（激活），但运作方式不同。上下文通过KV缓存提供*临时*的激活偏移，功能上模拟了单步梯度下降，而权重更新则创建了对模型核心计算的*永久*改变。 虽然令人印象深刻，但上下文本质上是运行在模型“硬件”（冻结权重）上的“软件”。它在模型预训练的分布范围内表现出色，但在需要新颖内部表示的任务面前会达到上限。权重修改则相反，*重新设计*了硬件，从而实现全新的计算。 此外，基于权重的学习更有效率——知识被编译到模型中（O(1)成本），而长上下文则需要持续的注意力成本（O(n)）。最终，两者都至关重要：长上下文提供工作记忆，而权重更新则实现持久的知识积累和泛化。正如大脑同时利用快速、临时和缓慢、持久的记忆一样，LLM需要同时具备上下文*和*权重空间学习，才能实现真正强大和适应性的智能。
对不起。
## GPS工作原理：摘要 GPS依赖于巧妙地将**时间转化为距离**。卫星广播信号，你的手机测量信号到达所需的时间——本质上使用一个秒表。已知光速，行程时间揭示了到每颗卫星的距离。 然而，仅一颗卫星只能将你定位在围绕它的某个**球体**上。**三颗卫星对于准确的定位至关重要**，通过一种称为三边测量（三角定位）的过程，三个球体的交点可以确定你的位置。 **第四颗卫星对于校正手机时钟的不准确性至关重要**，因为手机时钟不如卫星上板载的原子钟精确。即便如此，**爱因斯坦的相对论**也至关重要；卫星的速度和高度会影响时间，导致时钟漂移，如果不进行校正，会导致每天数公里的误差。 现代GPS接收器利用来自**多个卫星星座**（GPS、GLONASS、Galileo、北斗）的信号，并采用技术来最大限度地减少信号反射（多径效应）造成的误差，并优化卫星几何形状以获得最准确的结果。这个复杂的系统能够让你的手机将你的位置精确定位到米级，这既是对工程学也是对物理学的证明。
对不起。
要使用 Mastodon 网页应用程序，请启用 JavaScript。或者，尝试为您的平台使用 Mastodon 的原生应用程序。
Meta公司因宣布将在美国员工的工作电脑上安装软件以追踪键盘敲击、鼠标移动和屏幕内容而面临内部反对。这些数据将被用于训练其人工智能模型，帮助它们更好地理解人类与电脑的交互方式，例如使用快捷键和下拉菜单。 尽管Meta声称已采取保障措施来保护敏感信息，并将追踪限制在Gmail和GChat等工作应用程序中，但员工们表达了不适和沮丧。一个主要担忧是缺乏退出选项，Meta的首席技术官已证实这一点。 此举是Meta大力发展人工智能的一部分，包括成立“超级智能实验室”部门。虽然员工的工作设备已经受到监控，但这项新计划扩大了追踪范围，引发了对隐私的担忧，尽管Meta做出了保证。
对不起。
## C10K 问题与异步编程的演变 处理数千并发连接的挑战（C10K 问题）催生了一系列解决方案，每一个都在改进前一个的基础上，但也引入了新的复杂性。 最初，为每个连接分配一个线程被证明是不可持续的，因为线程的成本很高——内存使用和上下文切换开销。 回调作为最初的响应，通过使用事件循环避免了线程泛滥。 然而，这造成了“回调地狱”——深度嵌套、难以管理的、错误处理分散的代码。 Promises/Futures 通过将最终结果表示为对象，从而改进了易用性，实现了链式调用和更好的错误管理，但难以处理流，并引入了类型划分（同步与异步）。 Async/await 进一步简化了代码，使异步操作*看起来*是顺序执行的。 然而，这引入了“函数着色”——同步函数和异步函数之间的划分，需要对整个项目进行代码修改。 这导致了生态系统碎片化（例如在 Rust 中）以及微妙的错误，如“futurelocks”。 每一波都解决了之前的问题，但积累了成本——代码库的结构性变化、新的错误类型以及隐藏的并发性——这表明了一种模式：专注于*管理*并发，而不是从根本上重新思考它的方法。 虽然单个异步函数的开发体验有所改善，但整个系统的复杂性却增加了。
MuJoCo 是谷歌 DeepMind 开发的高性能物理引擎，专为机器人学、生物力学和机器学习等领域的研究和开发而设计。它擅长模拟铰接结构及其与环境的交互，提供速度和准确性。
主要特性包括 C API、通过 OpenGL 进行的交互式可视化以及广泛的实用函数。还提供 Python 绑定和 Unity 插件。针对 Linux、Windows 和 macOS 提供预编译二进制文件，也可以进行源代码构建（但可能不稳定）。
MuJoCo 自 3.5.0 版本以来，每月发布一次，遵循修改后的语义化版本控制。该项目欢迎社区通过 GitHub Discussions 寻求帮助，通过 Issues 提交错误报告/功能请求。它通过 OpenSim、SDFormat 和 OBJ 等格式的转换器与其他工具集成。
如果在研究中使用，建议引用原始的 2012 年论文。该软件采用 Apache 2.0 许可协议开源，特定组件采用知识共享署名 4.0 协议。
## MuJoCo 物理引擎受到关注
最近Hacker News上的讨论显示，人们对MuJoCo这款先进的物理模拟引擎的兴趣日益增长，该引擎最近被Google DeepMind收购。 这种关注的复兴源于StuffMadeHere的演示，他们使用MuJoCo令人印象深刻地模拟了一个迷你高尔夫球场，展示了其逼真的物理能力——尽管需要手动校准。
用户对MuJoCo在机器人技术（包括人形机器人训练）方面的潜力以及其与macOS的兼容性感到兴奋，从而避免了对NVIDIA软件的依赖。 多个项目正在利用MuJoCo，包括用于强化学习环境的Mujoco Playground、交互式浏览器查看器、赛车模拟器以及对运动策略的研究。
讨论还涉及理解模拟参数的重要性，以及避免在缺乏领域专业知识的情况下过度依赖自动化优化。 最后，提醒大家YC夏季2026批次的申请现已开放。
## 向异步AI代理的转变与传输问题
AI代理正在从同步聊天机器人（如ChatGPT）——需要持续的人工交互，演变为在后台*为您*工作的流程——安排任务、通过WhatsApp回复、独立运行。这种转变打破了传统的基于HTTP的通信模式，该模式专为即时请求-响应设计，并且难以处理在较长时间内运行的代理。
核心问题：HTTP无法处理那些存活时间超过连接、主动推送更新、适应变化的用户/设备或支持多个协作者的代理。Anthropic的Routines和Cloudflare Agents等现有解决方案解决了*持久状态*（代理数据存储的位置），但仍然依赖于低效的轮询或HTTP请求来获取更新——本质上，就是检查新信息。
OpenClaw展示了一种更好的方法，使用外部聊天平台（如WhatsApp）进行无缝的异步通信，但缺乏企业级基础设施。
理想的解决方案需要同时具备持久状态*和*持久传输。像Ably这样的公司正在构建专门为此设计的平台，利用实时消息传递创建持久的“会话”，代理和人类可以在其中连接/断开连接，而不会丢失上下文或数据——这才是异步AI的真正基础。
## 所有你的代理都将变为异步 - 摘要
这个Hacker News讨论的核心是构建真正异步AI代理的挑战，超越简单的聊天界面。 核心问题不在于HTTP层本身，而在于行业将消息串联成连续的对话流，填满上下文窗口的倾向。
提出的解决方案是分离对话界面和持久的外部消息系统。 代理应该能够主动*提取*相关信息到上下文中，并*移除*不相关的数据，从而实现长期运行的、“守护进程”式代理，拥有“永恒的上下文”。
一些评论员强调了现有的方法，例如持久化执行引擎（Temporal, Kitaru）和利用发布/订阅系统（Ably, Cloudflare Durable Objects）。 还有人提倡利用现有的工具，如Erlang来管理有状态进程，甚至像SSH和tmux这样的简单解决方案。 一个关键点是需要标准化的会话格式，并解决自主代理的安全隐患。 最终，讨论指向从反应式、同步交互向主动式、持久代理转变，这些代理能够独立运行。