Google 发布了 **AI & Economy ATLAS (v1.0)**。这是一项基于实证的综合研究，通过分析 1500 万次去标识化的人机交互，旨在了解人工智能如何重塑全球经济。该报告调研了 150 个国家的 800 种职业，为 AI 在现实世界中的应用提供了关键洞察： * **应用广泛但程度较浅**：虽然 68% 的职业都在使用 AI，但通常仅应用于这些岗位中 21% 的任务。 * **协作重于自动化**：大多数职场交互侧重于辅助（如创意构思和策略制定），而非全任务自动化，后者占比不到 10%。 * **不仅限于白领工作**：体力劳动者和技术人员正越来越多地使用 AI 进行实时诊断和故障排除，且经常使用多模态工具。 * **高频的非工作支持**：超过 86% 的 AI 交互发生在工作之外，用于协助用户处理行政和家务琐事，而这些通常不在传统的经济指标统计范围内。 * **全球扩散**：尽管 AI 的使用率通常与国家财富水平挂钩，可能导致潜在的数字鸿沟，但许多中等收入国家正在以惊人的速度采用 AI。 Google 希望利用这些数据，为全社会共同努力推动 AI 融入日常生活与经济体系提供参考。
每日HackerNews RSS
抱歉。
下期调查：全食超市（Whole Foods）变差是故意的 1980年，它在奥斯汀只是一家门店。次年春天，一场洪水将其冲毁，顾客和无偿工作的员工带着拖把赶来，让它重获新生。创始人花费数十年将那天的经历转化为一种经营哲学：照顾好你的员工和社区，利润自会随之而来。后来，亚马逊以 137 亿美元将其收购，将采购权收归总部，并开始对所有 510 家门店进行工会化风险评分。 完整分析报告将于 6 月 24 日（周三）发布。订阅即可直接接收至您的收件箱。
这篇 Hacker News 帖子讨论了“平台腐化”（enshittification）现象，即企业为追求利润最大化，在利用既有品牌声誉的同时故意降低产品质量。
评论者指出，大型零售商（如沃尔玛）施加的价格压力迫使制造商为外观相同的产品使用廉价材料。这造成了“柠檬市场”效应，价格和品牌不再是质量的可靠指标。由于消费者往往缺乏专业知识或完整信息来区分优质制造与“价值工程”后的垃圾货，他们难以做出理性的购买决策。
讨论的核心观点包括：
* **利用信任：** 企业常借用长期积累的质量声誉，同时悄悄更换劣质零件。
* **信息不对称：** 消费者在购买前越来越难验证产品的耐用性，因为评论者往往更关注外观而非内部制造质量。
* **结构性原因：** 参与者认为，反垄断执法力度减弱、企业并购整合以及对季度利润增长的压力是这一趋势的主要驱动因素。
最终，用户认为尽管“用钱包投票”是理想的市场应对方式，但由于缺乏透明度和监管保护，消费者几乎无法避免这些陷阱。
Framework Desktop 将大型电脑微缩化。在 4.5 升的体积内，具备强大的游戏性能、重负载 AI 计算能力，并兼容标准电脑硬件。
抱歉。
Unity CLI 是一款轻量级、自包含的二进制程序，旨在替代运行速度较慢的 Unity Hub 无头（headless）进程。它无需任何依赖，可通过简单的脚本安装，并即将支持标准的软件包管理器。 主要功能包括： * **简化管理**：通过直观的命令轻松安装特定的 Unity 版本和模块、管理身份验证以及解析项目编辑器。 * **适配自动化**：专为 CI/CD 流水线构建，CLI 提供结构化输出（JSON/TSV）、明确的退出代码，并支持非交互式（“无头”）环境。 * **高性能**：其原生架构确保了快速的启动时间，显著降低了自动化任务的开销。 无论您是在管理编辑器、配置模块还是运行无人值守的构建，Unity CLI 都能提供稳健的、以命令行优先的工作流程，无需人工干预或基于浏览器的身份验证。
抱歉。
为了优化智能体性能并降低成本，使用“代码模式”（或脚本执行）比依赖多次连续的工具调用效率要高得多。 通过在沙盒脚本中运行复杂任务（例如对 24 个工作流和 60 个计划进行批量健康扫描），而不是执行 26 次独立的工具调用，原始 JSON 数据永远不会进入模型的上下文。相反，模型只会收到一个经过提炼的单一摘要对象。 针对分类脚本的实测表明： * **Token 效率：** 上下文窗口使用量减少了 99.2%（从约 815,000 个 Token 降至 6,450 个）。 * **成本节约：** API 成本大幅降低，脚本版本成本约为 0.02 美元，而原始连续调用至少需要 2.44 美元。 * **速度：** 该过程在 13 秒内完成，避免了多轮对话循环带来的开销。 这种方法证明，在处理批量数据操作时，强制智能体使用脚本而非执行单独的工具调用，能显著提升性能。目前的目标是优化系统规则，引导智能体采取这种“代码优先”的行为，并以这些实测结果作为基准。
抱歉。
欧盟因谷歌在搜索和应用方面的违规竞争行为对其处以8.9亿欧元罚款 EU fines Google €890M for competition breaches over search and apps
2 天前
欧盟委员会因谷歌违反《数字市场法案》(DMA) 而对其处以 8.9 亿欧元罚款。该处罚分为两部分：因在搜索结果中不公平地优先展示其自身服务（如购物和旅游优惠）被罚 4.6 亿欧元；因限制应用开发者引导用户前往谷歌应用商店之外的更优惠渠道而被罚 4.3 亿欧元。
根据裁定，谷歌必须公平对待第三方服务，并允许开发者在提供产品时拥有更多灵活性。尽管该公司已开始测试相关调整以符合这些要求，但欧盟坚称，搜索结果将发生重大转变，以造福欧洲消费者。
此项公告发布于地缘政治紧张局势加剧的背景之下，但欧盟官员坚称，发布时间与潜在的美国关税无关。谷歌保留对该决定提起上诉或寻求中止相关措施的权利。
抱歉。
本摘要概述了自然决策（NDM）的原则。该框架旨在理解专家如何在复杂、现实的环境中运作。 与强调记忆或抽象理性的传统学派不同，NDM 将专业技能定义为人类能力的自然发展。专家依靠“隐性知识”——即对其领域深厚且难以言表的熟悉度——来执行那些看起来像是“非凡常识”的任务。通过丰富的经验，他们发展出“模式识别”能力，从而能够迅速评估形势并适应新颖的挑战。 关键要点包括： * **适应性优于规则：** 专家不会单纯遵循核对清单或可通用的理性模型。他们专注于具体案例的辨析，即使在面对独特或不可预测的问题时，也能保持高效。 * **直觉是学来的：** 所谓的“直觉”实际上是通过严谨经验积累而成的潜意识模式匹配，并非魔法。 * **培训方法：** 真正的专业技能是通过分析现实案例并获取反馈来培养的，而非被动学习或机械重复。诸如认知任务分析和案例教学法等方法，在构建非结构化领域所需的灵活性方面更具优势。 归根结底，专业技能不在于知晓事实，而在于建立一个案例心理库，从而能够在高风险环境中采取有效行动。
抱歉。
本文探讨了一种利用标准的世界空间到裁剪空间变换矩阵来生成光线追踪主摄像机射线的可靠方法，而非使用特定的摄像机模型。 随着实时渲染向光线追踪转型，开发者通常试图通过计算近裁剪面和远裁剪面上的点来推导摄像机射线。然而，作者指出这种“显而易见”的方法会导致严重的数值抵消问题，并引起摄像机抖动，特别是在远离原点的场景中。 为解决这一问题，作者引入了一种稳健的方案： 1. **射线原点**：通过将近裁剪面上的点从裁剪空间变换到世界空间并进行非齐次化处理即可得出。 2. **射线方向**：射线不是通过两点相减来定义，而是定义为由变换矩阵导出的两个平面的交线。利用这两个平面法线的叉积，可以得到数值稳定的结果。 3. **优化**：作者提供了一种预计算这些叉积的方法，将每个像素的开销减少到几次乘加指令（FMA）。 文中提供的最终着色器代码给出了一个完整且高精度的解决方案，适用于透视投影和正交投影，从而实现了不同渲染管线下摄像机表示的标准化。
抱歉。
Codeberg e.V. 的成员已投票通过两项关于大语言模型（LLM）的重要政策。 首先，Codeberg 已正式禁止将其用户及项目数据用于训练 AI 模型。该平台认为，大语言模型与自由/开源软件从根本上是不兼容的，并指出自动化网络爬虫会造成过度的基础设施压力，且 AI 需求驱动的硬件成本正在不断上涨。 其次，成员们投票决定限制“AI 生成”（vibe-coded）项目，即指那些在缺乏人工监督下，由 AI 自主或大量生成软件代码的项目。Codeberg 认为这些项目威胁到了开源的协作精神，因为它们往往会演变成无人维护的“幽灵项目”，在消耗大量资源的同时，也削弱了社区内的信任。 虽然该平台并不打算大规模删除内容，但将开始通过针对那些高资源消耗、低人工投入的项目来执行这些规则。Codeberg 强调，其使命是促进以人为核心的协作，而非托管无人维护的机器生成代码。归根结底，该协会认为这些措施对于在日益扩大的数字鸿沟和企业 AI 利益面前，保护自由软件生态系统的可持续性、环境足迹和社会完整性是必要的。
自由及开源软件（FLOSS）的非营利托管平台 Codeberg 最近更新了其服务条款，限制了主要由生成式 AI 编写的代码项目。该平台对此举给出的理由是：对版权模糊性的担忧、恶意代码的风险，以及这些“AI 生成”项目给依靠捐款维持的基础设施带来了沉重负担。
这一决定在 Hacker News 上引发了激烈争论。支持者认为此举是维护“以人为本”社区、保护纯手工编写软件免受商业影响及所谓 AI 平台“垃圾内容”侵害的必要措施。
批评者则认为该政策含糊不清且缺乏细微差别，可能会疏远那些将 AI 作为合法高效工具的开发者。“主要由 AI 编写”被认为是一个无法执行的标准，人们担心这会导致随意的执法、意识形态式的准入门槛，以及排他性回声壁的形成。尽管支持者将此政策视为维护社区价值观的重要保障，但反对者担心这标志着该平台正转向由个人意识形态主导技术准入，导致许多人开始重新审视 Codeberg 是否仍是一个可靠的托管平台。
ANSI 转义序列注入（AESI）是一种严重的安全性漏洞，影响着通过模型上下文协议（MCP）获取数据的 AI 智能体。 由于 ANSI 代码最初旨在控制终端显示，它们对人类不可见，但对语言模型却完全可读，因此攻击者可以将隐藏指令“潜入”文本中。如果智能体处理这些文本，它可能会在人类监督者察觉不到恶意负载的情况下，执行未经授权的指令、泄露数据或被误导。 此缺陷主要有两种表现形式： * **直接获取型 AESI：** 恶意负载从外部 URL 获取并直接传递给智能体。 * **存储型 AESI：** 负载被保存到系统中并随后被检索，可能影响不同的用户或未来的会话。 由于 AESI 取决于实时服务器处理和中继数据的方式，因此使用动态应用程序安全测试（DAST）检测该漏洞效果最佳。有效的扫描工具必须检查“模型可消费”字段中的原始字节，以识别残留的转义序列。为降低风险，开发者应从所有摄入的文本中清除控制字符，实施严格的输入验证，并将所有外部或存储的数据视为不可信数据，无论其来源如何。
这场 Hacker News 讨论聚焦于在模型上下文协议（MCP）服务器中发现的 **ANSI 转义注入漏洞**。这些漏洞允许攻击者在数据中隐藏恶意指令或载荷，人类用户无法察觉，但 AI 代理会对其进行处理。
争论的核心在于，这究竟是一个“新”问题，还是经典安全缺陷的重现。批评者认为，开发者盲目信任不可信输入，忽视了基础安全原则。然而，另一些人指出一个根本困境：大语言模型（LLM）天生无法区分“控制”与“数据”，因为所有输入都会成为模型上下文的一部分。与传统软件可以通过清洗（如预编译 SQL 语句）来降低风险不同，LLM 对模仿合法指令的复杂社会工程学和注入攻击有着独特的易感性。
虽然有人建议通过人工监督来解决，但另一些人认为，对于自主代理而言，人工验证并不切实际。讨论凸显了 AI 领域中“对抗性输入”带来的严峻挑战，并得出结论：在建立起数据与执行逻辑之间的明确隔离之前，LLM 在利用人类感知与机器处理之间差异的操纵攻击面前，仍将极度脆弱。