受20世纪60年代美国国家航空航天局（NASA）关于利用微生物蛋白维持宇航员生命的研究启发，芬兰初创公司 Solar Foods 开发了一种“从稀薄空气中制造食物”的工业流程。其位于万塔的工厂利用可再生能源驱动生物反应器，通过氢氧化细菌将二氧化碳、氢气和矿物质转化为一种营养丰富、高蛋白的粉末，名为“Solein”。
由于传统农业消耗了地球近一半的可居住土地（主要用于畜牧业），Solar Foods 提供了一条将蛋白质生产与土地使用脱钩的途径。尽管精密发酵技术在对“合成”食品持怀疑态度的地区面临监管障碍，但该公司将 Solein 视为一种多功能的配料，可以替代大众消费品中的动物成分，从而有望减轻全球粮食系统对环境的影响。
虽然这项技术并非万能良药，但它代表了农业创新的一次转型。通过将营养问题视为类似于太空生命维持系统的逻辑“工程难题”，Solar Foods 证明了无论气候或地理条件如何，人类都有可能以可持续的方式生产基本营养物质，这为面对粮食需求增长和气候不稳定的地球提供了一种务实的工具。
每日HackerNews RSS
近期的一场 Hacker News 讨论探讨了“空气造食物”的概念——这是哈伯法（Haber process）的一种现代演变，旨在利用大气中的碳合成营养物质。
评论者指出，这项技术并非全然新鲜；合成蛋氨酸已在全球动物饲料中广泛应用，而像 Savor 这样的初创公司目前正尝试制造可持续的合成脂肪。尽管支持者强调其在降低碳足迹和摆脱传统农业依赖方面的潜力，但怀疑论者仍持谨慎态度。一些人指出垂直农业产业过往的失败，以及二战期间纳粹德国利用煤炭生产食用脂肪的历史先例，从而质疑此类饮食在经济上的可行性及健康影响。
这场辩论还触及了农业的政治格局，用户注意到一些国家一方面标榜自由意志主义理想，另一方面却为传统农作物提供巨额政府补贴，这种做法存在伪善。归根结底，这场讨论在对未来粮食安全（包括太空探索的潜在应用）的乐观态度，与对硅谷是否有能力颠覆根深蒂固、错综复杂的农业体系的怀疑之间，保持了一种平衡。
arXivLabs 是一个允许合作者直接在我们的网站上开发并分享 arXiv 新功能的框架。与 arXivLabs 合作的个人和组织都认同并接受我们对开放、社区、卓越和用户数据隐私的重视。arXiv 致力于这些价值观，并仅与遵守这些价值观的合作伙伴合作。如果您有能为 arXiv 社区增值的项目想法，请了解关于 arXivLabs 的更多信息。
二十年来，网页开发者一直依靠“聚合（clustering）”来管理地图密度。这种做法起源于 21 世纪 00 年代中期，当时浏览器难以同时渲染数千个 DOM 元素，迫使开发者将标记分组为聚合点，以避免崩溃或性能卡顿。 然而，作者认为聚合技术如今已过时。现代地图技术得益于 GPU 加速渲染（如 MapLibre GL JS），可以轻松处理数千个数据点，并保持高帧率，无需再将信息隐藏在“巧克力壳”般的聚合图标后。 除技术限制外，聚合通常会导致糟糕的用户体验：它遮挡了数据，造成令人困惑的缩放行为，并迫使用户去解读毫无意义的数字汇总。作者认为，盯着带有数字的圆圈不仅耗费心力，而且没必要。如今的硬件允许我们清晰地显示所有数据点，或许可以利用透明度或细微的分层来呈现密度，而无需诉诸人工分组。现在是时候摒弃这些过时的性能补丁了；在这个地图技术快速且强大的时代，我们最终应该释放数据，展示每一个点。
近期关于“我并不喜欢地图聚合”（Map Clustering Is Not My Favorite）的 Hacker News 讨论，凸显了开发者在如何最好地可视化密集地理数据这一问题上的分歧。
批评聚合技术的人认为，它掩盖了原始数据，造成了突兀的用户体验，且往往只是拙劣的制图替代品。许多人建议，现代硬件、WebGL 以及诸如“叠加不透明度”（即通过累积颜色显示密度的重叠点）等技术，使得大多数数据集不再需要聚合。另一些人则认为，尽管存在缺陷，聚合仍然是实现从宏观空间趋势到单个点细节无缝过渡的唯一“开箱即用”方案。
舆论共识是，虽然聚合经常被过度使用且显得“懒惰”，但它仍不失为一种有效的性能工具，或是处理海量数据集的必要启发式方法。讨论中提到的替代方案包括使用静态热力图、六边形分箱，或是在用户缩放时让单个点显现的“混合”方法。归根结底，大多数参与者一致认为，选择应取决于具体数据：聚合对于展示交通事故等模式的广泛密度很有用，但当用户在寻找特定、独特的地点时，它往往会阻碍发现。
这段代码实现了一个用于网页的交互式“提示框”（Tooltip）系统，能够自动识别文本中的特定语法并将其转换为可悬停或可点击的元素。 **主要功能：** * **解析：** 脚本会扫描文档中格式为 `[[term|heading|body]]` 的文本，并将其替换为交互式按钮或触发元素。 * **交互式 UI：** 当用户悬停或聚焦在触发元素上时，会弹出一个包含指定标题和正文内容的提示气泡。 * **视觉焦点：** 为提升可读性，脚本会调暗页面其余内容，仅高亮显示包含当前触发元素的 DOM 层级“分支”。 * **动态定位：** 气泡采用“边缘感知”逻辑来计算最佳显示位置，如果气泡即将超出屏幕范围，它会自动翻转方向或调整高度。 * **跨平台兼容性：** 该系统包含针对指针/鼠标交互（悬停）和键盘导航（聚焦）的事件监听器，并针对移动设备进行了特殊处理，以确保流畅的触摸体验。 * **清理机制：** 系统包含用于打开和关闭的自动动画过渡效果，以及在用户离开时恢复页面原始外观的清理函数。
关于 Anthropic “AI 原生初创公司创始人手册”的 Hacker News 讨论中，质疑声占据了绝对主导。批评者认为该文档试图将创业行为商品化，这被视为一种根本性的范畴错误。
许多评论者认为这份手册是自私的营销手段，旨在鼓励用户在他们的平台上创业。一个反复出现的主题是，“创业”无法被简化为公式，因为成功取决于真实的产品市场契合度、人脉网络以及深厚的行业知识——这些都是 AI 无法复制的壁垒。
一些参与者指出，虽然 AI 工具降低了创业的门槛，但也同时增加了市场中的“噪音”和“垃圾信息”，使得分发和差异化变得更加困难。其他人则表示，对于技术人员来说，这些建议显得空洞；不过也有人承认，对于非技术背景的小企业主而言，AI 驱动的自动化确实能节省时间。
最终，讨论帖中的共识是，该手册本质上是一种“卖铲子”的策略。怀疑论者将其描述为“初创公司时尚”或“AI 妄想症”，并警告称，将创业视为一种标准化的、由 AI 辅助的任务，可能会让人忽视经营一家可持续企业所面临的艰难且无法自动化的现实。
一项发表在《科学》期刊上的开创性研究绘制了全球丛枝菌根真菌的分布图，揭示了一个庞大的地下网络，该网络维持着全球超过 70% 的植物生存，并有助于调节全球气候。地下网络保护协会（SPUN）的研究人员估计，这些真菌网络的总长度达 110 千万亿公里，几乎是地球到太阳距离的 7.5 亿倍。 这些真菌通过交换养分获取植物碳，在土壤健康和固碳方面发挥着至关重要的作用。然而，研究警告称，与野生生态系统相比，包括耕作和使用化肥在内的集约化农业使真菌密度降低了近 50%。这种退化威胁着粮食安全、养分分配和水质。 研究人员强调，保护这些“隐秘”的网络对于应对气候变化至关重要。通过培育更健康的微生物群落，农民可以减少对人工肥料的依赖，同时增强土壤固碳的自然能力。这份全球首张此类地图为自然资源保护者和政策制定者提供了重要的参考基准，突显了将保护地下生态系统作为应对粮食安全和气候危机战略的一部分的紧迫性。
Bubbles 是一个将超过 5,000 个独立个人博客的内容汇集到同一首页的平台。精选内容根据用户投票和新鲜度进行综合排名，确保社区驱动的筛选机制使信息流保持动态且相关。
这篇文章追溯了现代实验室的演变，重点探讨了玻璃所扮演的变革性角色。19世纪30年代，尤斯图斯·冯·李比希（Justus Liebig）倡导“玻璃作业”，彻底改变了化学研究，使科学家能够以低廉的成本观察、操作并复现实验。他发明的用于有机分析的钾球管（Kaliapparat）催生了业余玻璃吹制技术的“黄金时代”，化学家们开始制造各自的专业仪器。 随着海因里希·盖斯勒（Heinrich Geissler）等人的创新，这一工艺在整个19世纪愈发精湛。奥托·肖特（Otto Schott）研发的硼硅酸盐玻璃更彻底地变革了该领域，它提供了卓越的热稳定性、耐用性和光学透明度。到了20世纪初，以百耐（Pyrex）等品牌为代表的标准化和大规模生产取代了个人玻璃吹制，使这一曾经必不可少的技能转变为一种专业化行业。 尽管现代实验室已转向使用一次性塑料制品，但玻璃仍然是高温研究和光学研究的基础材料。从李比希手中那些朴素的火焰加工玻璃管，到如今精密制造的实验室用品，玻璃的历史就是科学探索本身的历史——它使研究人员得以揭示这个世界最复杂的奥秘。
泄露的 OpenAI 财务数据显示亏损 385 亿美元，且算力成本高昂。 Leaked OpenAI financials show $38.5B loss and compute burn
8 天前
泄露的2025年财务文件显示，OpenAI 净亏损达 385.3 亿美元，营业亏损为 209.2 亿美元。尽管公司实现了 130.7 亿美元营收的惊人增长，但对计算资源和研发的巨额投入导致其营业亏损较上年扩大了 2.4 倍。 净亏损中的很大一部分与公司近期重组产生的会计调整有关。然而，这些数据凸显了萨姆·奥特曼（Sam Altman）“突破限制支出”策略的高昂代价；该策略高度依赖微软作为主要投资者，同时微软也是其 172 亿美元基础设施的关键供应商。 随着 OpenAI 筹备潜在的公开上市，这些文件揭示了其商业模式的核心矛盾：公司正试图推进史上最昂贵的产品路线图之一，并希望在投资者对这种高烧钱率的兴趣减退之前实现运营杠杆。数据证实，尽管 OpenAI 获得了巨大的资本支持和用户采用，但它仍然是一个严重亏损的实体，且深陷于成本高昂、依赖重型基础设施的合作伙伴关系之中。
请启用 JavaScript 和 Cookie 以继续。
本文探讨了**噪声对比估计 (NCE)** 及其后续演进版本 **InfoNCE**，这些是用于估计复杂条件似然 $p(x|c)$ 或最大化互信息的有效技术。通过将参数估计构建为区分“真实”数据与“噪声”的二分类或多分类任务，这些方法避免了计算代价高昂的配分函数。
本文将这些方法归纳为：
* **局部 NCE (Local NCE)：** 训练一个二分类器来区分单个真实数据点与噪声。它假设“自归一化”，使得评分函数能够直接逼近 $p(x|c)$。
* **全局 NCE (Global NCE 或 Ranking NCE)：** 从多个样本中识别出“真实”示例，从而对密度比 $\frac{p(x|c)}{q(x)}$ 进行建模。
* **InfoNCE：** 一种在无需了解噪声分布 $q(x)$ 的前提下最大化 $x$ 与 $c$ 之间互信息的变体。它是对比学习（如 SimCLR、CLIP）的基础。
虽然局部与全局 NCE 有助于在估计 $p(x|c)$ 时降低计算量，但 InfoNCE 在无监督表征学习中更受青睐。随着样本数量 $k$ 的增加，这些方法会收敛于真实的似然函数或最优互信息，为大规模机器学习应用中传统的最大似然估计提供了一种可扩展的替代方案。