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。
每日HackerNews RSS
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。
这份摘要审视了由尼克·博斯特罗姆（Nick Bostrom）等思想家普及的“超级智能”恐慌论。他们认为人工智能将不可避免地经历递归式的失控演化，从而诞生出能够为了实现任意目标而毁灭人类的神级实体。
作者批判了这种叙事，将其标记为一种误读了思维与智能本质的现代“技术宗教”。通过分析几种错误的论据——例如将智能视为一种简单的、可优化的量——作者指出，超级智能的构想往往是“程序员的弦理论”：抽象、不可验证，且容易导致“认知上的习得性无助”。
与其担心不可避免的机器人末日，作者认为我们正处于人工智能发展的“17世纪炼金术”阶段。虽然我们掌握了一些线索，但对意识和认知复杂性仍缺乏根本性的理解。最终，作者警告称，沉迷于科幻末日场景只是一种分散注意力的行为。它助长了精英阶层中的“AI角色扮演”，使他们忽视了监控、社会控制和剥削等现实世界中的伦理危害，转而追求宏大且狂妄的幻想。作者敦促开发者停止对无限的沉思，转而开始“疏通”现有技术的弊端。
本次讨论围绕2016年的文章《超级智能：吞噬聪明人的理念》展开，该文对通用人工智能（AGI）的“硬起飞”理论提出了批评。
作者认为，有关超级智能机器（即通过递归自我改进成为生存威胁的机器）的担忧，很大程度上是基于推测性的拟人化神话，而非现实。该文的批评者则认为，作者依赖于弱类比（如把猫放进航空箱的难度）来淡化风险。他们指出，人工智能缺乏人类在生理和社会层面的局限性，能够通过扩展计算能力、无限复制以及在无需人类团队“管理成本”的情况下进行协作。
这场辩论依然处于两极分化状态：一方将超级智能视为一种危险的“模因危害”或帕斯卡赌注的世俗版本；另一方则认为，在巨额资本和自我改进代码的推动下，人工智能能力的快速加速验证了早期的警告。归根结底，这场讨论反映了一种更深层的分歧：人工智能究竟是容易因人类管理不善而出现问题的工具，还是无法用我们现有能力去管控的、必然且具有变革性的力量。
我的第二幅地图展现了夏威夷群岛更经典的视角，重点详细描绘了夏威夷八大主要岛屿。地图包含了夏威夷岛、茂宜岛、卡霍奥拉韦岛、拉奈岛、摩洛凯岛、欧胡岛、可爱岛和尼豪岛，由水彩、Copic马克笔和Adobe Fresco创作而成。
本文档概述了 AI 助手在 CS336 课程中为学生提供支持的指导方针。其主要目标是作为**辅助教学工具，而非解决方案生成器**。由于本课程涉及大量实现内容，AI 代理必须通过避免直接生成代码来保护学习体验。 **核心职责：** * **引导而非提供：** 通过概念解释、苏格拉底式提问和调试策略来帮助学生。 * **培养独立性：** 引导学生查阅课程资料、官方文档和分析工具。 * **鼓励最佳实践：** 建议进行合理性检查、示例演练、断言和不变量分析，而不是直接提供具体的修复方案。 * **语境化教学：** 解释错误信息和高阶算法，以建立基础性理解。 **严格禁令：** * **禁止直接提供代码：** 不得编写、重构或补全任何作业代码、TODO 或 bash 命令。 * **禁止提供解决方案：** 不得实现核心组件（例如内核、训练循环、分词器）或提供第三方实现。 当被要求直接给出答案时，AI 代理必须拒绝，并引导对话，要求学生展示其自身的努力。其目标是培养独立解决问题的能力和扎实的技术掌握程度，而非仅仅获得可运行的结果。
斯坦福大学 CS336 课程引入了 AI 智能体使用指南（包含在 `AGENTS.md` 中），旨在帮助学生将 AI 作为学习工具，而非作业的捷径。关键策略包括：
* **教学护栏：** 指南强调 AI 应扮演教练角色，负责解释概念和提供代码框架，而不是直接编写完整的代码。
* **责任机制：** 要求学生保留 `.history` 文件夹，记录提示词及 AI 的回复以供导师审查，防止过度依赖。
* **学习重点：** 课程鼓励采用“学习模式”配置，将 AI 的角色从问题解决者转变为引导者，确保学生始终主动参与并理解工作背后的逻辑。
Hacker News 上的讨论显示观点不一。怀疑者认为这些准则无法强制执行且有溺爱学生之嫌，建议机构应提高作业难度或回归严格监考的纸质考试。支持者则将其视为一种务实的“中间地带”，承认 AI 已不可避免。他们认为，尽管仍会有学生绕过这些规则，但对于那些真正希望利用 AI 构建更深层直觉和技能的学生来说，这些准则提供了必要的框架。
最近出现了一个令人担忧的简单漏洞，攻击者通过操控 Meta 的自动化支持 AI，成功劫持了包括奥巴马白宫账号在内的多个高知名度 Instagram 账号。 这次攻击只需获取目标用户名，并将 VPN 设置为受害者的地理位置即可。黑客通过谎称自己是账号所有者，诱骗 AI 将密码重置码发送到他们指定的电子邮箱。该过程完全绕过了双重身份验证（2FA），并允许攻击者更改账号凭据，从而有效地将合法所有者拒之门外。AI 的验证过程极易被欺骗，有时仅凭一张受害者的深度伪造视频或动态照片即可得手。 这一漏洞催生了一个黑市产业，攻击者在其中拍卖高价值账号。虽然据报道 Meta 已经修复了该漏洞，但此次事件凸显了一项重大的安全失误：一家万亿美元级别的公司竟然依赖未经核实的 AI 支持协议，将访问便利性置于基本的账号安全之上。数周以来，这种“零认证”密码重置方法在几乎没有任何监管的情况下运行，使得用户在面对一个盲目信任任何请求重置者的人工智能系统时，毫无防御能力。
最近 Instagram 出现的一个“漏洞”凸显了 Meta 自动化账户恢复系统中存在的严重安全缺陷。攻击者只需利用 Meta 的 AI 支持代理，声称自己的账户被盗，并要求将恢复代码发送到他们控制的任意电子邮箱地址，即可劫持目标账户。
该过程有效地绕过了包括双重身份验证（2FA）在内的现有账户安全机制，因为系统将 AI 辅助的请求视为合法的“所有者”重置操作。批评人士认为，这代表了系统设计上的根本性失败，Meta 用缺乏适当防护措施、测试或质疑能力的 AI 代理取代了人工监管。
Hacker News 的用户指出，这并非孤立的 AI 错误，而是一个系统性问题：Meta 为了 AI 自动化而裁减人工支持人员，导致现在连“社会工程学”都不再需要了——攻击者只需提供目标用户的用户名即可。尽管据报道 Meta 已经修复了该特定漏洞，但这一事件引发了广泛批评，矛头直指该公司在用户安全之上鲁莽地优先考虑 AI 功能，以及在这些实质上控制着个人数字身份的平台缺乏问责制。
随着谷歌转向“AI 优先”的搜索体验（以 AI 生成的概览取代传统的搜索链接），DuckDuckGo 正在利用用户日益增长的不满情绪寻求发展。为了满足用户对传统浏览体验的需求，DuckDuckGo 推出了适用于 Chrome 和 Firefox 的新扩展程序，允许用户将其“无 AI”搜索页面（排除聊天提示、AI 辅助答案和 AI 图像）设置为默认搜索页。
这些工具的推出正值 DuckDuckGo 人气大幅上升之际；该公司报告称，其无 AI 搜索页面的流量急剧增加，近期访问量比之前平均水平高出 84%。这种持续增长反映了消费者对生成式 AI 主导搜索结果的广泛抵制。
尽管该公司积极将自己定位为无 AI 的替代方案，但它并未完全放弃这项技术。DuckDuckGo 仍保留了自己的 AI 聊天机器人和基于订阅的工具，这表明其策略是将 AI 集成与核心搜索功能分离开来。通过提供这些扩展程序，DuckDuckGo 旨在为用户提供一个谷歌近期更新所背离的、一致且无干扰的搜索环境。
DuckDuckGo 正在迎来流量激增，原因在于其让“无人工智能”搜索选项（noai.duckduckgo.com）变得更易于使用。此举引起了部分用户的共鸣，他们对谷歌等搜索引擎强制整合人工智能摘要的做法日益不满。
Hacker News 上的讨论揭示了一个观点两极分化的社区。许多用户认为，人工智能生成的搜索摘要往往不准确、不可靠，或者只是阻碍寻找高质量信息的“垃圾内容”。多位贡献者强烈倾向于“老派”搜索，将当前的人工智能实现视为一种干扰性的、由营销驱动的趋势，而非实用的工具。相反，也有一些用户承认，如果作为可选功能，人工智能在处理特定的宏观摘要时是有用的。
一个反复出现的主题是人们对网络“体验恶化”的感知，即搜索引擎和整个互联网正充斥着人工智能生成的内容。虽然有些人建议使用 Kagi 等付费的人工编辑搜索替代方案，但许多人只是在寻找一种干净、直接、没有人工智能干扰的搜索体验。归根结底，DuckDuckGo 的“无人工智能”计划之所以受到欢迎，突显了人们对在线检索信息时控制权和透明度需求的日益增长。
请启用 JavaScript 和 Cookie 以继续。
抱歉。