每日HackerNews RSS
抱歉。
研究人员推出了一种名为 **Transformer Transformer** 的新型模型，能够针对特定任务设计定制机器人。通过输入操作演示，该系统即可生成一个完整的机器人——包括所有结构连杆、关节和物理属性——以适配所需的运动。 该模型利用在“RoboTokens”上训练的扩散 Transformer，这是一种用于表示各种机器人形态和动力学的统一方法。该架构具有高度通用性，支持人形、四足和双臂系统等多种形态，并能同时执行形态生成和跨形态控制。 与传统过拟合特定奖励函数的方法不同，Transformer Transformer 充当动力学模型。通过一种称为“动力学自我引导”（Dynamics Self-Guidance）的技术，它能进行与奖励无关的预测，并在推理时将其转换为特定任务的数值。这使得模型能够以零样本效率针对未见的奖励和轨迹优化设计。在 ALOHA2 双臂平台上的实际测试表明，与标准设计相比，该方法效果显著，跟踪误差降低了 73%，并降低了对关节速度的要求。最终，该方法在性能和运行时间上均优于演化基准模型。
我们正在验证您的浏览器。网站所有者？点击此处修复。 Vercel 安全检查点 | sin1::1785296093-fuLtnb6KeLzVHdubZxl2IgYw6IWqldrp 请启用 JavaScript 以继续。 Vercel 安全检查点 | sin1::1785296093-fuLtnb6KeLzVHdubZxl2IgYw6IWqldrp
ZIL（受桑给巴尔启发的语言）是一个集成在 Lean 4 中的关系框架，用于建模项目级的关系。受 Google Zanzibar 的启发，ZIL 将项目数据（如需求、代码、证明、任务和依赖项）表示为“主体-关系-客体”元组的图。 ZIL 使用类似于 Datalog 的 Horn 规则，允许开发人员和自动化工具从这些事实中推导出额外的关系。例如，它可以映射哪些声明实现了特定需求、哪些定理验证了某个组件，或者在变更后哪些下游模块需要审查。 ZIL 架起了非正式项目背景与形式化验证之间的桥梁。其特点包括： * **信任与验证：** 经认证的规则将项目关系与 Lean 证明相关联，确保形式化严谨性。 * **查询与分析：** 统一的映射图使利益相关者（开发人员、CI 工具和 AI 助手）能够查询项目状态、执行影响分析并跟踪任务覆盖率。 * **互操作性：** ZIL 支持通过快照和增量进行数据交换，并可导出至 Datalog 或 Prolog 等外部分析工具。 通过将这些关系结构直接嵌入 Lean 环境，ZIL 为项目架构、依赖关系和开发进度提供了一种持久、可验证且机器可读的记录。
抱歉。
1983 年加州大学伯克利分校发布的 4.2BSD UNIX 操作系统，是计算机史上一个关键的“时代性事件”。在此之前，安装操作系统需要繁琐的手动过程，例如通过物理磁带加载代码，以及通过手动输入十六进制代码来引导系统。网络环境同样支离破碎，依赖于 UUCP 等缓慢且不统一的拨号工具。
4.2BSD 的突破在于引入了“套接字”（sockets）。通过将网络连接抽象为标准的 UNIX 文件描述符，套接字使得任何能够读写文件的程序都能轻松地通过网络进行通信。尽管最初存在漏洞且对早期 ARPANET 的访问受限，但套接字模型很快成为了行业标准。随着 Sun Microsystems 等公司采用 BSD UNIX 并将以太网和套接字集成到其硬件中，该模型凭借其易用性和普及性，超越了 AT&T 的 STREAMS 等竞争性接口。
最终，套接字通过提供一致且标准化的网络访问接口，彻底改变了计算领域。这一架构被证明极其稳健，以至于在经历了从 NFS 到 QUIC 等现代协议数十年的技术演进后，套接字依然是构建全球网络通信的基石抽象。
抱歉。
作者探讨了互联网利用“贝特里奇定律”（即以问号结尾的标题通常可以用“不”来回答）作为“嘲讽”作者的工具这一现象。 尽管作者承认某些标题党行为存在智识上的不诚实，但他们认为贝特里奇定律常常被误用。真正令人反感的并非问号本身，而是那种在不存在争议的情况下制造辩论的暗示。作者指出，互联网的“奖励机制”迫使作者采取过度自信、具有攻击性的立场，这阻碍了细腻且具探索性的写作。 归根结底，作者主张以问题为导向的标题具有重要意义：它们可以表明文章正在诚实地权衡复杂且不确定的议题。作者承认此类标题因被滥用而声誉受损，但主张应采取更平衡的方法。我们不应禁止使用疑问句，而应要求作者仅在涉及真正开放性探讨时使用它们，以抵制现代网络环境下用表演性、过度自信的确定性取代深度思考的压力。
抱歉。
全球股市近日遭遇人工智能相关科技股的剧烈抛售。投资者对人工智能基础设施所需的巨额资本支出感到担忧，加之对未来回报的不确定性，引发了此次抛售。
在亚洲，韩国综合股价指数（Kospi）大幅下跌 10.8%，其中科技巨头三星电子和 SK 海力士领跌。该地区高水平的债务融资散户投资加剧了市场波动。日本日经 225 指数也下跌了近 4%。
此趋势紧随美国市场的低迷。美国人工智能芯片龙头英伟达股价下跌，使其被苹果公司超越，后者因在人工智能领域的投入相对较少，取代英伟达成为全球市值最高的公司。
反观中国，芯片行业则呈现逆势上扬。制造商长鑫存储（CXMT）在上海上市首日股价飙升近 470%。与此同时，欧洲主要股指基本未受影响，由于对人工智能重型科技股的敞口较低，这些指数甚至录得小幅上涨。分析师认为，虽然投资者因市场环境紧张而选择“获利了结”，但许多人可能会在假期结束后重返市场。
抱歉。
本文探讨了在 Linux 和 Wayland 上实现“多座”（multi-seat）计算的可行性。通过将多个鼠标和键盘连接到同一台电脑，可以创建一个支持多个光标的协作桌面环境。
尽管这一概念较为冷门，但作者认为，它为结对编程或运行本地多人游戏提供了一种自然的实现方式，且无需复杂的同步算法。技术调研显示，虽然 Wayland 的核心协议在多座输入方面设计完善，但实现层面在不同环节上仍存在碎片化：
* **合成器（Compositors）：** Weston、Sway 和 River 提供了强大的支持，允许实现按座位划分的窗口聚焦和配置。
* **工具包（Toolkits）：** GTK 和 SDL 内置了多座功能，但通常需要进行微小的补丁或特定配置才能正常运行。
* **远程访问：** 使用带有 `--transient-seat` 参数的 `wayvnc`，可以让远程用户通过独立的个人光标加入。
作者发布了若干工具和补丁以改善使用体验，并为有意拓展这一利基领域的开发者指出了多种“开放项目”方向。该项目为在现代 Linux 桌面构建真正支持多指针的协作应用奠定了基础。
博客文章《多用户 Wayland 的现状》探讨了“多用户”计算的概念，即多个用户或输入设备通过独立的指针、键盘和窗口焦点区域与同一台计算机环境进行交互。
评论区的讨论突出了几个关键点：
* **技术挑战：** 实现真正的多座席（multi-seat）和多指针功能非常复杂，因为大多数软件、图形界面工具包（GTK、Qt）和桌面合成器都是基于单一用户和单一焦点点的假设构建的。
* **当前潜力：** 虽然 Wayland 支持“座席”（输入分组）的概念，但要有效实现这一功能，需要合成器开发者和应用程序作者进行大量工作。
* **使用场景：** 其潜在优势包括协作办公、结对编程、特殊的辅助功能（如触摸屏与鼠标独立使用）以及游戏。
* **批评意见：** 用户将 Wayland 的现状与旧的 X11 扩展（如 MPX）进行了对比，并就远程桌面和屏幕共享协议的可靠性展开了讨论。
总的来说，此次讨论强调，尽管多用户计算在现代 Linux 系统上从技术上讲是可行的，但它仍是一个小众领域，需要整个软件栈进行更深度的整合，才能真正具备实用性。
近期针对“真值探针”（truth probes）——即旨在识别大语言模型嵌入空间中“真值方向”的工具——的研究表明，这些工具能够有效分类事实性陈述。然而，本文认为从理论上讲，通用的真值探针是不可能实现的。
作者借鉴哥德尔不完备定理、塔斯基真理不可定义性以及停机问题，论证了任何具备足够表达能力以描述自身真值评估器的系统，都容易受到“对角线攻击”的影响。具体而言，诸如“此句的真值探针得分评估为假”这类自指语句会产生逻辑悖论，任何一致的探针都无法解决。
尽管研究人员试图通过使用“分级真值”（即分配 0 到 1 之间的数值）来缓解这一问题，但此类方法最终被迫陷入权衡：要么系统缺乏评估复杂陈述的表达能力，要么系统依然容易受到改进版谎言者悖论的影响。
作者总结道，虽然真值探针是用于人工智能安全的重要诊断工具，但它们无法充当客观的真理预言机。正如哥德尔证明了数学真理无法被形式系统完全涵盖一样，人工智能嵌入的几何结构也无法完全概括其自身语言的真理。
抱歉。
在 Coursera 通过扩大教育资源普及率彻底改变教育行业的十五年后，吴恩达（Andrew Ng）推出了 **LearnVector**，旨在重塑学习体验本身。传统的在线教育模式往往是“一刀切”的，而 LearnVector 旨在利用先进的人工智能，转向个性化的“一对一”教学模式。 与普通的聊天机器人不同——吴恩达警告称，这些机器人可能会因导致“认知卸载”而阻碍技能发展——LearnVector 被设计为定制化的向导。它将规划个性化的学习路径，根据个人需求进行调整，并确保学习者真正掌握新技能。 该计划的核心支柱是信任。通过利用 Coursera 庞大的高质量权威内容库，LearnVector 确保学生的时间都花在准确且相关的材料上。在 Coursera 的投资支持以及与 Udemy 等行业领导者的合作下，LearnVector 不仅仅满足于完成任务，而是致力于为人们提供一种更有效、更具支持性且更高效率的学习方式。通过这一新项目，吴恩达旨在重新定义学习过程，并加速人类的发展。
抱歉。