西方学院和加州大学尔湾分校的研究人员正在开发一种名为“机电重塑”（EMR）的非侵入性视力矫正技术，旨在替代传统的激光原位角膜磨镶术（LASIK）。与 LASIK 通过激光永久切除角膜组织不同，EMR 利用微弱电流暂时改变角膜的 pH 值。这一过程能使角膜中的胶原蛋白变软，从而在将其固定成新形状之前，能够对眼睛进行温和的塑形。 在针对兔眼的早期试验中，EMR 在不切割组织的情况下成功矫正了视力，有望避免干眼症或角膜结构减弱等 LASIK 的常见并发症。该手术使用特制的隐形眼镜状电极，过程仅需约一分钟，且成本可能远低于现有的激光系统。研究人员希望，除了治疗近视外，这项技术未来还能用于矫正远视、散光以及角膜混浊。 尽管研究结果令人振奋，但 EMR 目前仍处于高度实验阶段。研究人员提醒，仍需在活体对象上进行大量研究，以确保该手术的长期稳定性和安全性。如果获得成功，EMR 将有望提供一种更廉价、更安全且可能具备可逆性的视力矫正方法，这将标志着视力矫正技术从侵入性手术向非侵入性方向的重大转变。
每日HackerNews RSS
抱歉。
佛罗里达州总检察长詹姆斯·乌特迈尔（James Uthmeier）对 OpenAI 及其首席执行官山姆·奥特曼（Sam Altman）提起了一项里程碑式的民事诉讼，指控该公司将商业利益置于用户安全之上。诉状称，OpenAI 在明知存在严重风险的情况下发布了 ChatGPT，隐瞒内部安全预警，并在产品危害方面欺骗公众。
该诉讼指出，OpenAI 的行为危及了佛罗里达州民众，尤其是儿童，因为它助长了自残行为、煽动暴力，并在缺乏足够家长监管的情况下收集未成年人的数据。此外，该州声称人工智能具有成瘾性，对认知有害，且容易产生该公司刻意淡化的危险错误。
在此次法律行动之前，州检察官办公室已针对 ChatGPT 与 2025 年 4 月佛罗里达州立大学发生的一起致命枪击案之间可能存在的联系，展开了单独的刑事调查。通过发起这项诉讼，佛罗里达州旨在追究 OpenAI 在所谓欺骗性商业行为上的责任，并寻求赔偿，同时要求该公司立即停止目前的运营方式。
GrapheneOS 讨论论坛 正在加载... 建议使用启用了 JavaScript 的现代浏览器以获得最佳浏览体验。 尝试加载本站完整版本时出错。请尝试强制刷新页面以修复该错误。 GrapheneOS 语音服务 (Speech Services) 第 2 版发布 GrapheneOS GrapheneOS 语音服务第 2 版发布： https://github.com/GrapheneOS/SpeechServices/releases/tag/2 请参阅链接的发行说明，以获取相对于上一版本的改进摘要以及完整更新日志的链接。
从任何地方获取文本。 Textile 可以使用你提供的文本、读取剪贴板内容，并运行电脑上的命令来生成文本。只要你有文本，Textile 就能使用它。 打造理想效果。 Textile 允许你随心所欲地添加、前置和替换文本，确保每次都能写出你需要的精确内容。 掌控剪贴板。 即使你不使用 Textile 的全部功能，它也是一款出色的剪贴板管理器。以极速将常用文本复制到剪贴板。
**Textile** 是一款全新的开源 macOS 桌面应用，旨在帮助用户自动组装复杂的动态文本。作为手动脚本编写的便捷替代方案，Textile 允许用户定义一系列步骤——例如运行 Shell 命令、获取剪贴板内容以及插入静态字符串——从而自动生成文本。这些工作流可以通过键盘快捷键或按钮触发。
该应用由开发者 `stack_framer` 作为基于 Electron 的学习项目创建，专注于“本地优先”的数据存储，将用户文件保留在本地磁盘而非云端。虽然其目标与自定义 Bash 脚本或 CyberChef 等工具相似，但 Textile 更注重便利性和符合人体工程学的图形界面。
该项目在 Hacker News 上引发了积极的讨论，用户建议增加交互式提示以获取剪贴板输入等改进功能。一些评论者指出其名称可能与已有的“Textile”标记语言产生混淆，但开发者强调，这是一个用于文本处理的实用工具，而非文档格式。Textile 目前已适配 macOS，无需注册即可使用。
请启用 JavaScript 和 Cookie 以继续。
佛罗里达州总检察长已对 OpenAI 及其首席执行官萨姆·奥特曼（Sam Altman）提起诉讼，指控 ChatGPT 是一款不安全的产品，应对包括成瘾、自杀及协助大规模暴力在内的“一系列伤害”负责。该州正就疏忽、产品责任及不正当贸易行为寻求民事处罚。
Hacker News 社区对这起诉讼大多持怀疑态度，认为这更像是作秀式的政治博弈，而非严肃的法律行动。批评者将其与 20 世纪 90 年代围绕电子游戏和音乐的道德恐慌相提并论，认为总检察长很难在涉及复杂的产品责任和第一修正案问题的案件中胜诉。也有人表示，如果证据显示该模型曾积极鼓励自残行为，OpenAI 理应承担责任，尽管部分人指出，现有平台早已会对这类互动进行监测并向有关部门报告。
虽然一些评论者主张有必要对人工智能进行监管，但许多人警告称，此类诉讼的主要目的是制造头条新闻、获取和解金，以及增加可能威胁到小型初创企业的合规成本。这场广泛的讨论反映了个人家长责任与社会对防范成瘾性或有害技术保护措施需求之间的矛盾。
黑客利用 Meta 的 AI 支持机器人窃取 Instagram 账号 Hackers Used Meta's AI Support Bot to Seize Instagram Accounts
37 天前
亲伊朗黑客近期劫持了包括奥巴马白宫和美国太空军在内的多个高知名度Instagram账号，其手段是利用Meta新推出的AI客户支持机器人。Telegram上流传的说明详细阐述了攻击者如何诱导AI将目标账号绑定至新的电子邮箱地址，从而绕过安全机制并触发密码重置。
安全专家指出，这起事件凸显了一个新的危险攻击面：旨在简化账号恢复流程的AI聊天机器人，同样容易受到针对人工客服的社会工程学攻击。虽然Meta随后部署了紧急补丁以解决该问题，但此次事件强调了自动化处理敏感行政任务所带来的风险。
值得注意的是，该漏洞对启用了多因素身份验证（MFA）的账号无效。网络安全研究人员强调，使用强有力的MFA（例如安全密钥或通行密钥）仍是对抗此类自动化攻击最有效的防御手段。Meta已确认问题得到解决，且没有后端数据库遭到破坏。
Hacker News 近期的一项讨论揭露了一个重大的安全漏洞：黑客正通过操纵 Meta 的人工智能支持机器人来窃取 Instagram 账号。攻击者并未采用技术手段，而是通过社会工程学手段诱骗机器人发送账号登录链接。
评论者普遍批评 Meta 疏忽大意，认为在缺乏足够安全保障的情况下，将实验性的、未经严谨设计的 AI 系统用于处理敏感的账号恢复任务，是一项重大的架构失误。虽然关于这究竟是“黑客行为”还是仅仅利用了设计缺陷的自动化流程仍有争论，但普遍共识是，这一做法反映了该公司对安全性的忽视。
用户还指出，这些身份验证流程持续失效，再加上令人沮丧且故障频发的验证码系统，导致许多合法用户无法找回被盗账号。此次事件加剧了外界对 Meta 内部开发文化的批评，许多人认为这一失误是该公司将快速整合 AI 优先于核心安全协议所导致的必然结果。
40 岁的毛利·巴切（Mauli Bachche）担任孟买“达巴瓦拉”（dabbawala，即饭盒快递员）已有二十载。他每天的工作极其艰辛，长达 15 个小时，为了维持生计，他还需要兼职另一份工作。和许多同行一样，巴切的客户群因疫情后工作习惯的改变而不断缩减，这使他在停滞的收入与不断上涨的生活成本之间挣扎。 这种经济不稳定性是一个系统性问题。孟买饭盒供应商协会的领导者指出，这一传统网络正在萎缩，促使人们讨论转向兼职模式，以便从业者能去寻求报酬更高的工作。然而，前景依然暗淡；资深的“达巴瓦拉”担心年轻一代正放弃这一行业去寻找收入更好的机会，使得这个拥有百年历史的标志性配送系统处于岌岌可危的十字路口。尽管这些身穿白衣的快递员每天早晨依然穿梭在孟买拥挤的火车中，但这一传统在现代经济的冲击下，正日益艰难地寻求生存。
抱歉。
在将图像于 8 位整数和浮点数值之间进行转换时，程序员通常会在两种方法之间做选择：**标准方法**（除以 255）和**替代方法**（添加 0.5 偏移量，除以 256）。
标准方法是行业规范，因为它将 0 映射为 0.0，将 255 映射为 1.0，从而确保了一个简洁的动态范围，使“黑色”保持为零。尽管这种方法会导致极端的色彩区间只有一半大小，并引入微小的重构误差，但对于大多数图像处理任务而言，这些问题在统计学上可以忽略不计。
替代方法被称为“中阶（mid-tread）”量化器，它将数值放置在其对应范围的中心。虽然从理论上讲它更精确，且对于抖动（dithering）等特定任务很有用，但它迫使开发者必须明确处理 8 位限制，这可能会使那些期望 [0, 1] 范围的代码变得复杂。
**结论：** 对于通用图像处理，请使用标准的除以 255 的方法，特别是在处理外部文件时，因为它能保持预期的从黑到白的 [0, 1] 映射。仅当你控制整个流程、需要高精度量化，并准备好处理由此产生的色彩逻辑偏移时，才使用替代方法。
关于是否应通过除以 255 或 256 来归一化 8 位 RGB 值的争论，核心在于如何将离散整数（0–255）映射到连续的 [0, 1] 区间。
**论点：**
* **除以 255：** 这种做法很流行，因为它将 0 映射为 0.0，将 255 映射为 1.0，从而保留了图像处理数学运算和遮罩（masking）所必需的加法和乘法恒等式。然而，批评者认为这会导致“箱”大小不均，实际上压缩了取值范围。
* **除以 256：** 将整数视为表示区间而非点。支持者认为这在信号采样方面更具数学严谨性，但如果不进行截断（clamping）处理，则无法准确达到 0.0 或 1.0。
**关键观点：**
* **硬件/物理层面：** 在 VGA 信号生成或 ADC 等底层环境中，这种映射决定了实际的电压水平。映射不匹配可能导致灰度色偏或显示伪影。
* **最佳实践：** 许多专家建议避免“混合”使用方法（例如，编码时用一种，解码时用另一种）。对于通用图形和 GPU 处理，通常采用“中心化”量化，常通过添加 `+0.5` 的偏移量来消除往返转换的偏差。
* **分辨率：** 大多数贡献者认同，在 256 个级别的情况下，两者差异在视觉上可以忽略不计，且误差扩散（抖动）比分母的选择更为关键。
本文指出，GitHub 已成为科技行业基础设施衰退的象征，其现状被形容为“对软件的犯罪”。作者认为，GitHub 正饱受可靠性差、管理不透明以及重“炫酷”AI 功能而轻核心功能的困扰。
通过对比 GitHub、GitLab 和 Codeberg 的前端性能，作者强调了 GitHub 臃肿不堪、极度消耗内存以及不必要的复杂性。作者断言，GitHub 的前端需要海量代码和多次 HTTP 请求才能加载简单页面，其效率比竞争对手低了几个数量级。
文章否定了“平台崩坏”（enshittification）这一标签，认为该平台的技术债务和架构缺陷已严重到足以影响微软自身的运营与成本。作者得出结论：GitHub 的领导层优先考虑高管和投资者的议程，牺牲了专业诚信，导致产品变得极其缓慢、不稳定，且脱离了软件开发者的实际需求。文章呼吁回归高性能、可靠的软件工程，并警告称，大型企业已不再值得被托付关键基础设施。
这次 Hacker News 的讨论围绕一篇题为《GitHub 与软件犯罪》（GitHub and the crime against software）的批评性文章展开，文中指出在微软的管理下，GitHub 出现了严重的性能退化、臃肿以及可靠性问题。
讨论的核心议题包括：
* **平台臃肿：** 批评者认为，GitHub 对“人工智能功能”（如 Copilot）的过度追求导致页面负载过重，用户界面臃肿且缓慢。许多人认为该平台将华而不实的集成置于核心稳定性之上。
* **“锁定”困境：** 虽然 Git 仓库本身具有可移植性，但真正的障碍在于迁移“机构知识”——即 Issue、Pull Request、Wiki 和项目看板。这种依赖性使得即便是不满的用户也难以离开 GitHub。
* **自托管与替代方案：** 一些用户主张通过去中心化或自托管解决方案（如 Gitea、Forgejo 或 Fossil）来重获控制权。另一些人则建议使用多个提供商（如 GitLab、Codeberg）作为备份方案。
* **反方观点：** 支持者认为，得益于网络效应，GitHub 依然是行业标准；他们还辩称，目前的性能问题主要是由于自动 AI 代理流量激增所致，这种情况会给任何平台带来压力。
归根结底，这一讨论反映了开发者群体中日益增长的挫败感，他们认为 GitHub 已经将优先级从核心用户的需求上转移开。
GHC 的 `ApplicativeDo` 标志可以将 Haskell 的 `do` 标记优化为高效且可并行的 `Applicative` 操作，但由于其调度算法计算开销巨大（$O(n^3)$），该功能一直隐藏在一个不常用的标志后。作者着手改进这一问题，并发现调度相互独立的语句同时又要满足依赖关系，这一问题在结构上与 RNA 二级结构预测完全相同。
这两个问题都涉及在满足约束的前提下对项目进行排序：生物学中是聚合物的折叠，而编译器中则是对依赖感知操作进行嵌套。两者都依赖于“非交叉”或“不重排序”规则，该规则将搜索空间限制在一种可控的结构内。
虽然计算生物学中更先进的亚立方算法在理论上改善了复杂度，但其巨大的常数因子使其在编译器中并不实用。相反，作者发现通过应用“最长链”边界并利用成本函数的单调性，可以显著降低现实代码中 $O(n^3)$ 的瓶颈。这种优化用高效的剪枝取代了穷举搜索，在消除编译时性能瓶颈的同时，也突显了编译器理论与自然界基础算法之间令人惊叹的深刻联系。
对不起。