两名未成年人在旧金山列治文区被捕，此前警方在Waymo自动驾驶汽车内发现了一支装有子弹的AR式突击步枪、大麻和防狼喷雾。 事件发生在9月3日凌晨。Waymo的内部监控系统检测到车内有违反其服务条款的枪支，随即触发车辆靠边停车，并提醒紧急服务部门配合执法。两名未成年人随后被送往少管所拘留。 尽管这对该公司而言是一起重大的安全事件，但这并非Waymo的技术首次协助警方；今年7月，该公司曾举报青少年在车内饮酒并使用玩具枪。随着Waymo在加利福尼亚州及其他州迅速扩大其无人驾驶业务，它面临着各种有关乘客不当行为和公众干扰其车队的报道。针对9月3日事件的调查仍在进行中。
每日HackerNews RSS
Waymo 车辆靠边停车并报警，因车内未成年乘客持有“幽灵枪” Waymo pulls over, calls cops on juvenile riders who had 'ghost gun"
64 天前
在这篇文章中，作者认为，尽管人工智能在改善人类生活方面拥有巨大潜力，但由递归自我改进和近期出现的对齐失效行为所驱动的人工智能能力快速提升，迫使我们必须采取更审慎的态度。为降低网络攻击、生物恐怖主义及失控等生存风险，作者呼吁为人工智能发展的前沿进程“放缓节奏”。 该策略包含三个步骤： 1. **嵌入式评估：** 要求前沿人工智能公司授予第三方审计机构“类似员工”的访问权限，以核实安全实践并提供客观监督。Anthropic 公司已承诺立即执行此举。 2. **民主协调：** 在民主国家之间建立安全标准和发展上限，并辅以政府政策，以保持对专制政权的技术领先优势。 3. **全球协调：** 与对抗性国家寻求国际协议，从狭义的禁令（如禁止生物武器）开始，并逐步转向商定共同的发展“限速”。 作者最终主张，放缓发展节奏并非停止进步，而是对卓越运营、对齐研究和可解释性研究的必要投入。这段额外的时间将使社会能够建立起防护栏，确保人工智能成为造福人类的奇迹，而非灾难。
以下内容是对上述文字的中文翻译：
这段内容汇集了 Hacker News 上针对 Anthropic 首席执行官达里奥·阿莫代（Dario Amodei）发布的博客文章《我们必须放缓前沿技术的步伐》（We must pace the frontier）的评论。
这场讨论反映了科技界对人工智能领导层动机的严重分歧。许多评论者认为该提案是典型的“监管俘获”——这不过是大公司（如 Anthropic 和 OpenAI）采取的一种愤世嫉俗的策略，旨在以“安全”为幌子，通过提高竞争对手的准入门槛并抑制开源创新，从而巩固其市场统治地位。批评者认为，这些公司主张政府支持的监管并放缓发展速度，实际上是在维持自身领先地位的同时“过河拆桥”。
相反，也有一些评论者认为阿莫代所描述的生存风险是真实的。他们认为，强大的 AI 代理可能造成大规模伤害，或被敌对国家武器化，这证明了采取协调一致的防御性措施是合理的。
总体而言，讨论区充斥着对“末日论”叙事的普遍怀疑。许多参与者认为，这些风险被夸大了，目的是为首次公开募股（IPO）制造炒作。他们主张，真正的解决方案在于问责制——即让公司对其软件的行为负责，而不是建立由国家许可的行业卡特尔。
在 2026 年美国黑帽大会（Black Hat USA）的这次访谈中，David Bombal 与安全研究员 Chris Domas 深入探讨了软件安全领域的一个关键现实：编写“安全”的源代码并不能保证生成的二进制文件是安全的。 讨论的重点在于编译器如何通过激进的优化无意中引入漏洞。即使开发人员遵循了最佳实践，编译器也可能删除内存清理操作、绕过安全检查，或造成“检查时间与使用时间”（TOCTOU）缺陷。Domas 解释说，这些问题往往受寄存器压力、结构体布局和特定数据大小等技术变量的影响，从而将原本安全的代码转变为危险的机器指令。 双方探讨了更换编译器或使用 Rust 等编程语言是否能彻底解决问题，以及人工智能如何被用于在数百万行代码中搜寻此类模式。最后，Domas 为开发人员提供了实用的建议：不仅要进行源代码层面的分析，还要启用编译器警告、利用清理工具（sanitizers），最重要的是，对最终交付的二进制文件进行严格测试。本次访谈提醒我们，在现代计算中，编译器与代码本身一样，都是攻击面的一部分。
抱歉。
本研究使用 *libsodium* 加密套件，对过去三年（2024–2026年）各种 WebAssembly (Wasm) 运行时的性能进行了基准测试。旨在评估各运行时在处理现实中计算密集型工作负载时，性能是否确实得到了提升。
**主要发现：**
* **性能趋势：** 大多数运行时表现出进步。Wasmtime 表现出持续的年度增长，而 Bun 在 2025 年至 2026 年间实现了性能的飞跃。WasmEdge、WAMR 和 wasm2c 依然保持强劲的性能表现。
* **特性带来的效能：** 诸如 `wide_arithmetic` 等 WebAssembly 特性显著提升了运行时的性能。例如，Wasmer 在使用这些指令时，性能从原生速度的 2.08 倍提升至 1.33 倍，证明了硬件级的 ISA 支持对于加密性能至关重要。
* **运行时的差异性：** 整个生态系统的性能表现仍存在高度不一致。AOT（预编译）、默认命令行模式以及内存处理机制的差异，使得针对特定工作负载进行基准测试显得尤为必要。
**结论：**
WebAssembly 正在成功缩小与原生代码的差距，特别是在利用优化算术特性时。尽管目前的性能尚未统一，但领先的运行时正在稳步演进，使 Wasm 成为高性能加密操作中越来越可行的选择。
抱歉。
Hacker News 的讨论凸显了 2021 年发表的论文《Transformer 电路的数学框架》（A Mathematical Framework for Transformer Circuits）的长远意义。读者认为该文是机械可解释性领域的奠基之作，其重要性可与 word2vec 等开创性论文相媲美。
此次讨论聚焦于两个重塑研究人员对大型语言模型认知的核心见解：
1. **重新解读注意力机制：** 该论文通过将线性代数重构为更大、在数学上等效且更有助于解读模型行为的矩阵，揭开了“查询-键-值”（query-key-value）抽象的神秘面纱。
2. **残差流（Residual Stream）：** 论文没有将 Transformer 层视为简单的连续模块，而是提出“残差流”才是模型的核心通信总线。在这一视角下，注意力头和前馈网络仅作为读取及写入这一连续、不间断信息流的辅助组件。
尽管一些用户指出该文档篇幅较长，令人望而生畏，但对于那些对人工智能底层机制感兴趣的人来说，它仍然备受推崇。讨论串还对该研究最初的发布平台 *Distill.pub* 的关闭表示惋惜，并建议参考 Neal Nanda 的视频讲解，以帮助理解其中的复杂内容。
Slack 已连接 一键连接您的工作区。在任何对话串中提及 @Liniora 即可创建、更新或汇总工单——它会自动读取对话内容、填充详情，并直接关联回看板。状态变更和构建失败信息会自动发布到频道，确保频道始终是唯一的信息来源。 查看连接效果
计算机工程专业应届毕业生 Omar Ammura 推出了名为“Liniora”的 AI 项目管理工具，旨在解决项目工作流中上下文信息丢失的常见问题。该平台通过整合 Google Meet、Slack、GitHub 和 GitLab 等工具来集中化信息。其核心功能包括自动索引会议记录、基于 Slack 创建工单，以及端到端的代码分支/合并请求追踪，从而实现项目状态的自动更新。
该项目在 Hacker News 上引发了褒贬不一的评价。一些用户赞赏其集成的实用性，但也有人批评其“取代项目经理”的营销口径纯属博眼球。批评者认为，项目管理的问题往往根源于领导力不足和激励机制错位，而非技术工具匮乏。此外，评论者指出该产品的价值主张仍较为抽象，并警告称许多公司更倾向于构建内部定制解决方案或使用成熟的现有平台。Ammura 目前正在寻求反馈，以进一步完善平台的定位和功能集。
本报告旨在探讨优化智能体（Agentic）大语言模型工作负载中跨请求键值（KV）前缀缓存的策略，并验证了“LRU（最近最少使用）淘汰算法对于基于会话的 AI 而言并非最优”这一假设。 作者利用自定义的块粒度模拟器，通过超过 9 万条来自 Claude Code 和 Mooncake 的真实追踪请求数据，尝试通过三种复杂策略（基于风险的活跃度预测、成本感知模型以及会话一致性淘汰）来超越生产环境中的 LRU 基准。结果显示，这三种策略均告失败，其表现始终不如简单的 LRU。 **主要发现包括：** * **容量与活跃度：** 智能体工作负载主要受**容量限制**，而非生存时间（TTL）限制。虽然现有文献侧重于“空闲会话”的淘汰，但大部分重新计算是由紧密的 2 秒工具调用循环引起的，这些调用超出了缓存容量。 * **TTL 的假象：** 在容量受限的环境中，标准的 5 分钟 TTL 根本不会触发，因为缓存会先达到容量上限，并在计时器到期前通过 LRU 机制进行淘汰。 * **基准的稳健性：“**基数树叶节点 LRU（Radix-leaf LRU）”是一个极其稳健的基准。实现复杂的策略往往会导致“自我蚕食”现象，即新的活跃链被无意中淘汰。 作者总结认为，开发者在尝试复杂优化之前，必须首先确定其系统是受 TTL 限制还是受容量限制。
Hacker News 上的讨论围绕着用户 `gauravapiscean` 的一个 GitHub 项目展开。该项目挑战了“LRU（最近最少使用）算法不适合代理型大模型（Agentic LLM）KV 缓存”这一普遍观点。
作者解释称，尽管许多人认为 LRU 无法区分空闲会话和已终止会话，但其模拟器显示 LRU 的表现依然优于其他策略。作者发现，核心问题并非会话空闲，而是容量限制——即大规模工具循环的工作集超出了缓存上限。
社区反应不一，主要集中在以下两个方面：
1. **人工智能生成内容：** 读者批评文章风格生硬、套路化，带有明显的 LLM 特征。一些人表示，AI 正在污染技术讨论，对此感到“悲哀”。
2. **研究方法：** 批评者认为该项目存在指标选择不当、问题定义模糊且缺乏深度等问题。尽管有人赞赏作者敢于发表“零结果”（即证明其替代策略失败），但另一些人认为，由 LLM 驱动的研究循环缺乏深入研究所需的批判性思考。
归根结底，该讨论凸显了使用 AI 进行快速研究所带来的便利性，与人类原创技术洞察力可能流失之间的矛盾。
Forgotten Woodlands
64 天前
对不起。
约翰迪尔（John Deere）长期以来因限制对高科技、传感器密集型机械的独立维护而受到“维修权”运动的批评，如今正试图改变这一形象。首席技术官贾米·海因德曼（Jahmy Hindman）近期展示了名为“Operations Center Pro Service”的订阅制软件工具，允许机主对设备进行诊断和维护。其定价从每台机器每年195美元到全车队访问权限近6000美元不等。 此次转变是在经历多年强烈抵制后做出的，其中包括联邦诉讼以及一起涉及维修成本的9900万美元和解案。尽管迪尔公司坚称其一直致力于“对机主友好”，但倡导者认为，这些新措施不足以解决该公司长期利用数字锁限制售后维修的历史遗留问题。 随着拖拉机日益复杂——部分机型配备超过50个控制器——制造商对软件控制的渴望与农民对经济实惠、可及性维修需求之间的鸿沟依然巨大。尽管迪尔引入了人工智能辅助诊断工具，但该公司仍面临质疑：其新的服务平台究竟是真正恢复了维修自主权，还是仅仅将现状制度化。
这篇 Hacker News 讨论聚焦于对约翰迪尔（John Deere）“自助维修”服务的广泛批评，该服务要求每台设备每年支付 200 美元的订阅费。
许多用户认为这种模式侵犯了“维修权”，因为它强制机主通过付费才能获取以往随设备售价附带的诊断工具和手册。农民和机械师们指出，现代约翰迪尔设备被刻意设计了“类似 DRM（数字版权管理）”的软件锁，不仅阻止了独立维修，还迫使用户必须依赖昂贵的授权经销商服务。
这场辩论将此类现象与汽车行业进行了类比，特斯拉等制造商也因封锁诊断数据而受到类似批评。评论者强调，真正的可维修性——即能够获取实体零件、开放文档以及第三方兼容软件——对于农业经营至关重要，特别是在经销商支持无法及时触达的偏远地区。
尽管有人认为现代复杂机械需要高级的数字监管，但大多数参与者认为这些订阅要求是反竞争行为，是所有权“劣化”的体现。在这种模式下，公司将经常性收入和专有控制权置于客户的功能需求之上。