每日HackerNews RSS

启用 JavaScript 和 Cookie 以继续。

## 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。

更多

联系我们 contact @ memedata.com