## 研发实验室搭建：实用指南 (概要) 本指南基于在CERN、LBNL等处搭建实验室的经验，详细介绍了传感器开发与测试实验室的建立方法，适用于实验物理、电子学和仪器仪表领域。它侧重于设备、基础设施和服务，*不包括*安全、采购和库存管理（这些需要单独关注）。品牌推荐基于经验，而非赞助；存在替代方案。 一个专用、定制的空间至关重要——标准办公室是不够的。实验室应分为三个区域：主实验室（至少30平方米，配备专用电源、网络和防静电地板）、物理隔离的机械加工车间（至少20平方米）以及PCB/PCBA区域（至少10平方米，配备排烟系统）。 **优先阶段：** 1) 基础设施（电源、通风、基本设备、防静电保护），2) 信号调理、数据采集和原型制作工具，3) 项目特定设备（射频、光学、化学）。 **关键基础设施包括：** 洁净空气/氮气/真空管线、不间断电源、管理的局域网以及组织良好的工作站。基本设备包括电源、数字万用表、示波器和强大的库存系统。可追溯的结果需要校准标准，但并非立即必要。 本指南提供了PCB组装、射频测试、光学和化学等领域工具的详细建议，强调高质量工具和一致的标签对于最大化生产力的重要性。
每日HackerNews RSS
对不起。
这个演示展示了高性能数值计算库 JAX 的强大功能，通过仅用 100 行 Python 代码构建一个简单的 3D 图形渲染器——该渲染器可以直接在浏览器中通过 WebGL 运行。核心技术利用**符号距离函数 (SDF)** 来表示形状，提供诸如可组合性和易于碰撞检测等优势。 与传统的多边形渲染不同，这段代码将对象定义为距离，从而实现平滑混合和数学运算。JAX 的关键优势在于通过**向量化**（使用 `vmap`）并行处理所有像素，以及通过**自动微分** (`jax.grad`) 有效地计算表面法线。 作者强调了 JAX 几乎可以纯粹作为数学函数来表达图形算法的能力，从而减少了样板代码，并为该过程带来了“机械同理心”。这展示了 JAX 在创建简洁高效的图形应用程序方面的潜力。
对不起。
## 解锁黄金形成的秘密 来自田纳西大学的最新研究揭示了创造黄金等重元素的复杂核过程。科学家在CERN的ISOLDE设施研究了稀有铟-134同位素的衰变，以更好地理解“r-过程”——快速中子俘获，发生在恒星碰撞等事件中——负责锻造这些元素。 该团队做出了三个关键发现。首先，他们精确测量了特定类型衰变过程中发射的中子的能量，由于这些不稳定原子核的短暂性，这一壮举以前无法实现。其次，他们观察到锡-133中长期预测的能量状态，表明原子核即使在衰变后也能“记住”其起源，挑战了先前的“失忆核”理论。最后，他们发现该状态的种群并不遵循预期的统计模式，表明当前模型在研究极不稳定的原子核时会失效。 这些研究成果发表在《物理评论快报》上，为完善恒星元素形成的理论模型和预测奇异原子核的行为提供了关键数据，为核物理学开辟了一个新的研究领域。
## 黄金形成的核之谜被破解
科学家在理解金和铂等重元素形成方面取得了突破，解决了持续20年的核物理学难题。这项研究着重于锡的激发态，完善了用于预测元素在恒星碰撞等事件中形成的理论模型。
虽然该研究直接研究铟，因为它拥有易于获取的同位素，但改进后的模型预计在预测黄金的形成方面也将更准确。一个关键点是理解为什么铂及其邻近元素比其他元素更丰富——这个难题与某些元素中质子的“魔数”有关。
讨论还集中在开采小行星以获取这些贵金属的可行性上。虽然小行星含有大量的贵金属，但从铁矿石中提取它们将需要消耗大量能量且过程复杂，可能需要核反应堆和先进的分离技术，使其在短期内不太可能具有成本效益。此次讨论凸显了尽管资源可能丰富，但扩大此类运营的挑战。
## InspectMind AI：摘要 InspectMind AI 是一家快速增长（月增长率超过100%）的初创公司，正在构建“AI图纸检查员”，以彻底改变建筑行业。他们利用人工智能自动审查图纸和规范，在施工开始前识别错误，从而解决建筑图纸错误带来的高昂成本和安全隐患。 目前，InspectMind 已经为全球各种项目的数百名付费客户提供服务，现在专注于优化其人工智能，以提供更清晰、更可操作的洞察，并减少误报。 他们正在寻找一位全栈工程师（2-5年以上经验，薪资12万美元-22万美元 + 股权），精通 AWS 和 NextJS，并且关键的是，熟练使用 AI 编码代理（Claude, Codex）进行快速开发。该职位提供对产品功能的完全所有权、直接的用户互动以及构建一个对建筑安全和效率产生重大实际影响的系统的机会。InspectMind 得到 YC 和顶级风险投资公司的支持，拥有一支来自 Google、Airbnb 和领先大学的强大团队。
对不起。
## 大语言模型时代的数据科学家“反击”
尽管大型语言模型（LLM）兴起，并引发了对数据科学家技能过时的担忧，但数据科学的核心技能实际上比以往任何时候都*更*重要，而非更不重要。虽然LLM简化了AI的*部署*，但它们并不能消除对严格测试、调试以及理解AI在现实世界中表现的需求。
最初的炒作集中在模型*创建*上，这现在主要由基础模型API处理。然而，大部分工作在于确保这些模型能够很好地泛化，识别失败点，并建立有意义的指标——所有这些都是传统的数据科学领域。
常见的陷阱包括依赖于通用且未经验证的指标、设计糟糕的实验（使用不具代表性的数据）、存在缺陷的数据/标签以及过度自动化。数据科学家的方法强调**关注数据**：进行探索性数据分析，验证判断者（如分类器），并将合成测试建立在现实世界的观察之上。
最终，工作内容并没有改变——它只是发生了转移。数据探索、实验设计和批判性评估方面的技能对于有效利用LLM的力量至关重要。Python仍然是关键工具，而关注数据驱动的洞察是成功的关键。
对不起。
SpaceX 秘密提交 IPO 文件，估值 1.75 万亿美元，据报道。
SpaceX confidentially files to go public at $1.75T, reports say
11 天前
SpaceX 已秘密提交首次公开募股（IPO）申请，公司估值可能高达 1.75 万亿美元——这将成为历史上最重要的上市之一。与此同时，OpenAI 和 Anthropic 等其他科技巨头也在准备上市，预示着今年将是高价值发行的一年。 此次 IPO 将进一步增加埃隆·马斯克的财富，他已经是世界上最富有的人。SpaceX 的成功源于与美国政府（特别是 NASA，NASA 在很大程度上依赖 SpaceX 进行发射）的有利合同，以及蓬勃发展的 Starlink 卫星互联网服务，该服务产生超过一半的收入并具有地缘政治意义。 最近，SpaceX 收购了马斯克的 AI 公司 xAI，计划建设基于太空的数据中心以支持 AI 需求。虽然火星殖民的重点有所降低，但该公司目前专注于轨道数据中心和 NASA 的登月任务。 之前严格保密的财务细节将在 SEC 审查过程中披露。
对不起。
这篇论文批判了斯科特·亚历山大在讨论犯罪和社会秩序等社会问题时，过度依赖数据和统计——作者称之为“图表教会”。作者虽然钦佩亚历山大的才智，但认为他对可量化数据的关注常常忽视了个人经验和观察的有效性。 亚历山大认为，尽管普遍认知相反，犯罪率在历史上处于较低水平，并以联邦调查局的数据和调查作为依据。然而，作者认为这忽略了混乱感日益增加的*体验*——例如商店盗窃、无家可归和公共吸毒等可见问题，这些问题严重影响生活质量。 核心论点是，优先考虑“道克萨”（习得的事实）而非“诺西斯”（直接经验）以及理性分析（“认识论”）会导致对现实的扭曲理解。作者承认数据的价值，但强调信任自身感官以及认识统计数据的局限性的重要性，尤其是在这些统计数据与生活经验不符时。作者认为，对可量化数据的关注甚至可能为那些对社区产生负面影响的政策——例如对公共秩序采取宽容的态度——提供理由。最终，这篇论文倡导一种平衡的方法，将个人观察与统计分析结合起来。
对不起。
加载飞行可视化...
在16位Windows时代，程序安装包经常包含并重新安装系统组件。理想情况下，安装包应该只*更新*已有的组件到新版本，并尊重Windows的向下兼容性。然而，许多安装包会随意覆盖文件，有时甚至用旧的Windows 3.1版本替换掉较新的Windows 95版本，导致系统不稳定。 Windows 95巧妙地通过创建`C:\Windows\SYSBCKUP`目录来解决这个问题。每次安装后，它会检查是否有系统文件被覆盖。如果替换版本*比*备份版本旧，Windows会恢复原始文件。 早期尝试*阻止*覆盖失败了——安装包要么崩溃，要么提示用户困惑，或者找到方法强制覆盖。最终，允许安装包运行，然后在安装后“清理”被证明是最可靠的解决方案。一些组件甚至强制执行自己的安装程序，以防止由于安装包不可靠而直接替换文件。
## Windows 95 安装程序混乱：总结
微软devblogs.microsoft.com上的一篇最近帖子详细介绍了Windows 95团队在处理行为不当的安装程序时面临的挑战。许多安装程序会用旧版本覆盖系统文件，可能导致操作系统或其他应用程序崩溃。微软的解决方案出人意料地务实：Windows 95 会在隐藏目录 (`C:\Windows\SYSBCKUP`) 中秘密备份经常被覆盖的文件，并在安装后恢复它们。
讨论强调了一个核心问题：开发者常常优先保证*他们*的软件能够运行，即使这意味着无视最佳实践或直接破坏系统稳定性。 有限的文档、缺乏标准化的安装程序以及没有自动更新功能加剧了这一问题。
评论员指出微软历史上优先考虑向后兼容性——破坏现有软件会面临失去客户的风险。一些人建议采取替代方法，例如点名并谴责有问题软件，但最终承认执行标准是困难的。对话还涉及现代的相似之处，例如 Zig 语言对未记录的 Windows API 的使用，以及 Windows 的 `WinSxS` 目录和 Linux 中的包管理器的演变。最终，这个故事展示了一个软件开发中务实主义常常胜过理想设计的有趣时期。
数十年以来，密码学中的一个关键挑战在于在应用签名、加密或哈希等操作*之前*，安全地封装数据。现有方法常常容易受到攻击，恶意行为者可以在重用有效密码签名的情况下，微妙地改变数据的含义——这个问题在比特币、以太坊和TLS等系统中都有体现。 核心问题在于缺乏明确的“领域分离”——确保密码学操作理解它正在处理*什么类型*的数据。Snowpack由作者开发，通过将随机、不可变的标识符（“领域分隔符”）直接嵌入到数据定义语言（IDL）中来解决这个问题。 这些分隔符在签名/加密和验证过程中都会被使用，保证系统知道数据的预期类型。Snowpack还提供规范编码，确保无论实现如何，输出保持一致，并通过类似JSON的中间格式支持向前/向后兼容性。 通过将领域分离集成到IDL并利用类型系统，Snowpack为密码学安全历史上一个存在问题的领域提供了一种系统且强大的解决方案。它目前已开源Go和TypeScript版本，并计划扩展到更多语言支持。
## 签名数据结构：Hacker News 总结
Hacker News 的讨论围绕一篇博客文章（foks.pub）展开，文章详细介绍了在安全签名数据结构方面遇到的挑战，尤其是在使用缺乏固有类型信息的格式（如 Protobuf）时。核心问题是防止在不同但结构相似的数据类型之间重用签名——这是一种潜在的安全漏洞。
讨论的解决方案包括在有效载荷中添加唯一标识符（“msg”字段、领域分隔符），或将类型信息直接纳入签名过程（多集哈希）。一个关键点是区分名义类型和结构类型；Protobuf 使用后者，使得类型强制执行更加困难。
许多评论者强调了既定的密码学原理：签名必须绑定到特定的上下文，而该上下文*不*随消息一起传输，并且需要小心处理不受信任的输入。人们对依赖编译的密码学二进制文件以及更简单、可审计的实现的优势表示担忧。一些人建议使用现有的解决方案，如 DSSE。
最终，讨论强调了编译时保证的重要性，以及避免数据解释中的歧义，以确保签名有效性并防止潜在的漏洞利用。原始文章的作者提倡一个提供这些保证的系统，避免了单独记录上下文字符串的需要。