Google DeepMind 推出了 **AlphaGenome Atlas**，这是一个包含人类基因组中所有 90 亿种可能的单字母基因变异预计算预测结果的公共存储库。虽然大多数 DNA 是“非编码”的——它们负责调节基因活性，而非直接产生蛋白质——但理解这些片段的功能对于疾病研究至关重要。此前，研究人员必须自行运行计算量巨大的 AlphaGenome 模型；而现在，该图谱提供了即时、可访问的数据，并为每个变异提供了简化的“影响评分”。 通过利用先进的工程技术，DeepMind 处理了 PB 级的数据，为科学家优先开展实验室实验和识别潜在疾病驱动因素提供了捷径。尽管该模型存在局限性（例如难以预测远程调控相互作用，以及多变异疾病的复杂性），但基因组学家 Carl de Boer 等专家认为，它是一项领先的工具，将显著加速生物学研究。该图谱可在非商业用途下使用，它建立在 DeepMind 之前的 AlphaFold 等突破性成果之上，代表了破译“生命语言”的重要一步。虽然研究人员提醒简化的影响评分可能会被误读，但该资源为理解 DNA 变异如何影响健康和发育提供了前所未有的基础。
每日HackerNews RSS
Google DeepMind 发布了名为“AlphaGenome”的数据集，绘制了 90 亿个 DNA 变异图谱。虽然该公告在 Hacker News 上引发了热议，但社区反应褒贬不一。
从技术层面看，该项目是 DeepMind 团队此前发布的遗传变异功能预测工具的综合数据库。通过预先计算人类基因组中所有可能的单核苷酸变异结果，Google 为研究人员创建了一个非常有用的资源，尽管一些专家认为主要的科学突破（即预测模型本身）早已实现。
讨论中也提到了对 Google 公关策略的质疑。批评者认为，与学术机构相比，该公司对相对渐进的科学更新进行了过度宣传。相反，支持者则赞赏 Google 将研究重心从大型语言模型扩展到了其他领域。最终，用户指出，虽然这一图谱绘制是一项重大成就，但基因组学面临的下一个重大挑战在于理解这些变异之间如何相互作用（上位效应），而不仅仅是单独进行编目。
请启用 JavaScript 和 Cookie 以继续。
Hacker News 上近期的一场讨论强调了一项研究，该研究表明饮用过烫的饮料（如咖啡、茶等）可能与食管鳞状细胞癌的风险增加有关。
讨论重点在于其生物学机制：极高的温度会反复损伤食管内壁细胞，随着时间推移，这可能会像其他化学致癌物一样导致 DNA 受损。虽然一些评论者批评“可能导致”这种措辞属于哗众取宠的点击诱饵，但另一些人指出，国际癌症研究机构（IARC）已将过烫的饮料列为“2A 类致癌物”（即可能致癌）。
主要结论是，风险因素在于温度，而非饮料的种类。与偏好“温热”饮品的人相比，习惯饮用“烫”或“非常烫”饮品的受试者风险水平更高。虽然观察性研究无法证明直接的因果关系，但参与讨论者达成共识，认为将饮品冷却至适中温度（约 60°C/140°F）是一种审慎且符合常识的健康预防措施。评论者还对媒体报道中缺乏清晰的统计背景表示遗憾，指出尽管观察到了相关性，但食管癌的绝对风险依然相对较低。
作者已正式向瑞安·费兰（Ryan Phelan）和斯图尔特·布兰德（Stewart Brand）提出购买“米琳号”（*Mirene*）船屋的意向。尽管有句老话常说船主最开心的日子就是买船和卖船那天，但作者仍渴望承担起这艘独特船只的责任。
作者曾拥有并升级过约翰·梅尔（John Mayer）的 EarthRoamer 越野房车，随后将其置换为艺术品，因此对这种高维护要求的项目并不陌生。他们将此次从陆地到海洋的转变视为人生激动人心的新篇章，希望“米琳号”能成为激发博客写作和艺术灵感的创作空间。秉持“长久源于维护”的理念，作者已准备好从这艘船的历史中汲取经验，并期待海洋将带来的启迪。如果报价被接受，他们计划与原船主密切合作，以确保管理权的顺利交接。
Hacker News最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交登录[被标记]tosh 1天前 | 隐藏 | 过往 | 收藏
rob 1天前 | 上一条 | 下一条 [–]
他打算拿下 wordpress.org，然后根据海事法航行到深渊中去。markx2 1天前 | 上一条 | 下一条 [–]
第一个想到的是 T-Painhttps://www.youtube.com/watch?v=avaSdC0QOUMwhythismatters 1天前 | 上一条 | 下一条 [–]
值得标记4d4m 1天前 | 上一条 [–]
看了那个重建项目——在那条船上花了很多心血！
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
641A号房 Room 641A
65 天前
641A号房间是位于旧金山一栋AT&T大楼内的一处备受争议的电信设施。2006年，前AT&T技术员马克·克莱恩（Mark Klein）披露了该房间的存在，称其为美国国家安全局（NSA）用于大规模监控国内和国际互联网流量的秘密拦截中心。据称，该房间配备了高速分析硬件，并由光纤分路器提供数据，这可能使政府能够全面访问通过该设施的所有流量。
这一披露引发了公众的广泛讨论，并导致电子前哨基金会（EFF）提起了多起集体诉讼，其中包括“赫普廷诉AT&T案”（Hepting v. AT&T）和“朱厄尔诉NSA案”（Jewel v. NSA）。这些法律诉讼面临诸多重大障碍，例如政府援引“国家机密特权”，以及国会向电信公司授予的追溯性豁免权。
到2019年，法院基本驳回了这些诉讼，理由是缺乏确凿证据，并认定克莱恩作为一名从未进入该房间操作过的技术员，其主张仅属推测而非经过证实的证据。尽管在法律上遭遇挫折，641A号房间在有关数字隐私、政府监控以及美国各地可能存在的类似“间谍中心”的讨论中，依然是一个里程碑式的案例。
抱歉。
请启用 JavaScript 和 Cookie 以继续。
关于 Hacker News 上“人工智能在数学领域的严重错位”的讨论，其核心在于 25 位菲尔兹奖得主发表的一份声明，他们对人工智能公司使用数学的方式表示担忧。
**批评意见：**
批评者认为，人工智能实验室正在将深奥的、未解的数学难题仅仅视为营销基准，以此在首次公开募股（IPO）前抬高估值。这些公司通过大规模算力进行“暴力破解”以抢先得出结论，却未能对数学定义的本质贡献概念理解或社区建设（如讲座、研讨会、协作讨论）。因此，这些公司被视为正在“砍伐森林”，掠夺肥沃的研究土壤，留下的却只有难以理解且毫无用处的“垃圾”。
**反方观点：**
许多用户认为这些担忧是“学术精英主义”，或者是行会为保护自身地位而产生的“借口”。支持人工智能驱动数学的人认为：
* **实用性：** 如果结论存在，那么无论其推导过程或证明是否“优美”，它都有价值。
* **适应性：** 数学正在从一种手工技艺转变为一种工具辅助的科学，就像国际象棋引擎改变了国际象棋一样。
* **必然性：** 潘多拉魔盒已经打开；任何试图设限或监管数学研究的努力都是徒劳的，该领域必须适应新的现实。
这场辩论最终凸显了两种观点之间的冲突：一种是将数学视为以人为本的社会追求，另一种则将其视为以机器为中心的客观真理追求。
这份从1998年2月至2001年9月的情报报告合集，按时间顺序详细记录了奥萨马·本·拉登及其“基地”组织所构成的威胁日益增长的过程。 这些文件展示了情报工作始终聚焦的几个关键主题：本·拉登针对美国及其盟国发动大规模伤亡袭击的持续企图；其基础设施在整个中东、北美和欧洲的扩张；以及他对于化学、生物、放射性和核武器的积极寻求。 在这一时期，报告强调了本·拉登与塔利班之间复杂且时有波动的关系，并指出尽管存在内部摩擦，塔利班始终不愿将其交出。情报部门对一系列不断演变的战术发出了预警，包括劫持飞机和进行重大行动的计划；随着2001年夏季威胁环境的加剧，这些预警最终成为现实。总体而言，这些简报详细记录了“9·11”事件前的安全局势，完整呈现了从初期预警到灾难性威胁最终成形的过程。
请启用 JavaScript 和 cookie 以继续。
抱歉。
正在检查您的浏览器……需要启用 JavaScript
抱歉。
美国环保署计划取消针对数据中心污染的公众审查规则。 The EPA is planning to scrap public review rules for data center pollution
65 天前
正在检查您的浏览器...需要启用 Javascript
美国环保署（EPA）正计划取消联邦强制规定，这些规定要求工业设施（包括大型新数据中心）在获得空气污染许可前，必须经过公众公示和审查期。
这一提议在 Hacker News 上引发了激烈争论。支持变革的人认为，现行的公众审查程序是“反民主”的，且阻碍了进步。他们声称该程序常被“邻避主义”（NIMBY）利益集团利用，用以拖延住房、能源基础设施和经济发展项目。支持者认为，工业建设应由标准化的专家主导的法规来管理，而非依赖地方会议程序。
相反，批评者认为此举是民主的重大倒退。他们指出，公众审查是抵御工业过度扩张的重要保障，特别是目前数据中心越来越多地绕过电网，转而安装大规模的现场化石燃料发电厂。反对者坚称，如果没有这些公众监督机制，企业利益将以牺牲当地健康、空气质量和社区自主权为代价，优先考虑速度和利润。
这场讨论还凸显了人们对人工智能行业影响力、对现行联邦机构腐败的担忧，以及美国地方治理与联邦治理之间存在的系统性挑战。
How I Prompt
65 天前
在 Laracon US 2026 的演讲中，编程助手“Amp”的联合开发者 Thorsten Ball 分享了他进行高效 AI 提示（prompting）的方法论。尽管 Amp 本身是一个主要由 AI 编写的复杂分布式系统，但 Ball 认为其中并无所谓的“秘诀”，关键在于提供上下文的基本原则。
他的核心原则是：**始终考虑信息的来源。** AI 无法读心，它只能从训练数据、代码库或提示词提供的上下文窗口中获取信息。要进行有效的提示，你必须充当桥梁，确保模型能够访问相关的代码文件、文档和逻辑约束。
Ball 的实用技巧包括：
* **“组合拳”策略：** 在下达主要指令前，先要求 AI 查找必要的信息（如文件、文档、日志）。
* **利用截图：** 视觉线索可以作为复杂任务或错误的高效摘要。
* **使用 `agents.md` 文件：** 在代码库中记录处理特定任务（如运行测试或 Storybook）的方法，让 AI 可以直接从项目结构中“阅读”说明。
归根结底，有效的提示在于目标明确：通过提供 AI 所缺失的信息，使其能够成功执行你的目标。
这篇 Hacker News 的讨论探讨了高效提示词（Prompting）的细微差别。虽然原作者认为与人工智能的成功互动类似于向人类委派任务，即需要明确的信息和背景，但社区补充了几个关键的注意事项：
* **提示并非万能：** 用户指出其有效性因领域而异。例如，虽然视觉提示（截图）对某些人有帮助，但在处理复杂的几何或技术任务时却很吃力，通常需要 AI 编写代码来“观察”错误。
* **示例的力量：** 许多贡献者认为，“具体示例”远比通用指令有效。具体的反例能强迫模型遵守规则，而抽象的原则往往被解读得过于宽松。
* **工作流程的演进：** 随着模型（如 GPT-6 Astra）的进步，对复杂、手动多智能体编排的需求正在减少。模型在自我指导方面变得越来越强，使得开发者可以从“手把手”的指导转向高层级指令。
* **效率与成本：** 批评人士指出，“懒惰”的提示可能会导致在复杂代码库中产生极高的 Token 消耗和不可预测的结果。成功往往在很大程度上依赖于用户对其项目架构的深度熟悉，这使得“简单”的提示在复杂性上可能具有欺骗性。