人工智能的快速发展导致内存（DRAM）和存储严重短缺，显著影响了硬件的可用性和价格。数据中心的需求超过了制造能力，导致企业级硬盘的交付延迟长达两年。
为了绕过这些延误，大型云服务提供商正在转向更便宜的QLC NAND闪存SSD用于冷存储，但这现在*正在制造新的短缺*，QLC NAND本身也供不应求，制造商的订单已排满至2026年。预计这一转变将使QLC在2027年超过TLC NAND的受欢迎程度。
因此，NAND价格已经开始上涨——闪迪最近将价格提高了50%——这种稀缺性最终会影响消费者，导致各类型SSD的成本上升。制造商优先考虑利润丰厚的AI合同，留给其他客户的产能有限，专家预测情况将会恶化。
每日HackerNews RSS
巴纳对简单文件操作资源清理的演示，突出了C++的RAII（资源获取即初始化）的关键优势——通过析构函数自动释放资源，防止C语言中常见的泄漏。然而，在RAII中使用异常进行错误处理会引入复杂性。 C++异常存在正确性（捕获正确的类型）、完整性（捕获*所有*可能的异常）问题，并且需要RAISI（资源获取是第二次初始化）来管理潜在异常范围内的资源。原始的C方法，即检查返回值，更为简单，并提供更清晰的错误处理，尽管它依赖于约定。 尝试在C++中使用异常来复制这种方法，会导致代码冗长、错误报告可能不准确（errno可能失效），以及需要像`std::optional`或修改后的类设计等复杂技术来处理瞬态状态。更关键的是，很难*保证*处理了所有异常，从而可能导致意外的程序崩溃。 替代方案包括在RAII初始化*之前*执行错误检查（例如，直接检查`fopen`的返回值），或使用“侧信道”如`std::error_code`来报告错误，而无需使用异常。这些方法可以提供更简单的类，避免异常类型，并保持错误上下文。最终，讨论指出，在C++中有效地将RAII与健壮、开发者友好的错误处理相结合仍然存在挑战。
蓝牙6.2现已发布，继续遵循蓝牙SIG每半年一次的发布计划。此更新侧重于改进性能、安全性和易用性。主要增强功能包括**更短的连接间隔 (SCI)**，将延迟降低至375µs——有利于AR/VR和游戏等应用。
安全性通过**基于信道探测幅度攻击弹性**得到加强，可保护免受射频攻击，尤其是在汽车、智能家居和工业环境中。新的**批量序列化模式**简化了USB蓝牙LE音频设备的数据传输。
最后，**BLE测试模式增强**实现了无线、空中测试。这些更新旨在使蓝牙连接更快、更安全、更易于集成，预计下一规范蓝牙6.3将于2026年5月发布。
## 生物学的尺度：超越简单的隐喻 生物学涉及的尺度非常广阔，难以直观理解。传统上，概念是通过隐喻引入的——线粒体是“发电厂”，DNA是“蓝图”，但这些往往缺乏关键的量化细节。为了真正理解，我们需要*量化的*隐喻，提供尺度感。 想象一下将一个水分子放大到一粒沙子的大小。突然，蛋白质变成了蓝莓大小，而最大的蛋白质，肌联蛋白，则伸展到一只金毛寻回犬那么长！ 扭曲成双螺旋的DNA 类似于铅笔芯，而人类的染色体甚至可以横跨英吉利海峡。 即使是单细胞生物也会膨胀到牛或城市的大小。 人类细胞本身的大小相当于一个酒店房间，细胞核的大小相当于多个房间。这种放大揭示了生物结构的惊人紧凑性。 即使是像便士和晶体管这样熟悉的物体，在这个尺度下也会变得巨大。 虽然在较小尺度上很有用，但这种“沙子比作水”的隐喻在考虑更大的距离时就会失效——一个人会比国际空间站还要高耸！ 最终，理解生物学需要超越定性描述，去欣赏生命系统内部惊人的尺寸差异。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
生物学的隐喻：大小 (asimov.com)
16 分，作者 mailyk 1 天前 | 隐藏 | 过去的 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## Perkeep：您的数据，您的掌控
Perkeep（前身为Camlistore）是一个开源项目，致力于构建工具来管理您的所有数据——从小型文件到大型视频——跨越所有设备。它旨在赋予用户对其信息的完全控制权，优先考虑隐私和长期可访问性。
目前正在积极开发中，Perkeep提供格式、协议和软件来存储、搜索、共享和同步数据，可以通过手机、浏览器甚至文件系统访问。其关键原则包括用户控制、开源透明度、默认隐私以及避免单点故障。
虽然仍在不断发展（最新版本0.12“多伦多” - 2025年11月11日），Perkeep面向技术爱好者，他们愿意为其发展做出贡献并应对潜在的错误。鼓励感兴趣的人加入社区，共同塑造个人数据管理的未来。
## Perkeep：终身个人存储 - 摘要
Perkeep是一个开源项目，旨在为您的数字生活提供个人存储系统，重点是长期保存和可访问性。虽然其核心理念——将数据存储为带有元数据的不可变“块”——极具吸引力，但采用率有限，开发也较为零散。
最近在Hacker News上的讨论突出了该项目的潜力和挑战。用户称赞其设计精良，但也指出缺乏社区支持、开发缓慢以及与常见服务（如手机和云存储）的集成有限。时隔五年后的新版本（v0.12）引发了新的兴趣。
主要问题集中在数据摄取的便捷性、超越作者用例的搜索能力以及定制化需求上。Git-Annex、ArchiveBox和自托管NAS解决方案等替代方案经常被提及，用户们正在权衡简洁性、控制性和可扩展性之间的利弊。一些人正在探索将Perkeep与Tailscale等工具集成，以实现安全访问。最终，该项目的成功取决于建立更广泛的社区并解决日常数据管理的实际障碍。
必须启用 JavaScript 才能使用 Notion。请启用 JavaScript 以继续。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
The AI Localhost (getairbook.notion.site)
4 分，作者 Hoshang07，2 天前 | 隐藏 | 过去 | 收藏 | 1 条评论
Hoshang07 2 天前 [–]
我们正在组建一个小型 Slack 群组，面向运维、数据和开发人员，他们正在亲手构建内部 AI 代理——例如使用 n8n、LangGraph、Zapier、Make、OpenAI 代理、Agno 或自定义设置进行实验。目标是分享真正有效的东西：用例、架构想法、提示设计，以及可能的一些失败案例。如果您正在为公司内部的分析、内部运营或工作流程自动化构建代理，欢迎加入。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
18世纪，远早于现代健康潮流之前，詹姆斯·格雷厄姆推广了一种奇特的健康疗法，称为“土浴”或“动物净化”。这种疗法包括将身体埋入新鲜泥土或沙子中数小时，甚至反复进行，认为它能提供一种通用的治疗方法。 格雷厄姆声称，这种方法被水手和英国人广泛实践，可以成功治疗各种疾病——从神经失调和痉挛到麻风病和肺痨等严重疾病。他甚至建议它可以缓解全身僵硬。他的描述一如既往地详尽，强调了这种疗法“持续且绝对的成功”。 基本上，格雷厄姆提倡泥土的治愈力量，以一种奇特的方式预示了当代人对接地和天然疗法的兴趣。
## 战争部改造采购流程，加速与创新
战争部（DoW）已实施60年来最重大的改革，放弃了沿用数十年的成本优化体系，转而优先快速交付武器。战争部长皮特·海格塞斯宣布转向“精益方法”，将速度置于漫长的开发周期之上——这是对中国等竞争对手超越的直接回应。
这次转型从根本上改变了战争部*如何*采购，从定制设计的武器转向优先选择现成的“现货”解决方案和简化的采购流程。关键要素是设立投资组合采购执行官（PAEs），负责端到端的流程，并被授权做出权衡并优先考虑速度。
这些变革旨在打破官僚主义壁垒，激励快速交付，并通过采用商业技术和灵活合同（OTAs）来促进创新。这为初创企业和快速增长的企业提供了重大机会，但要求提供可证明的成果。虽然这可能会对传统的国防主要承包商造成颠覆，但战争部专注于建立一个更具敏捷性、响应能力更强的工业基础，以满足现代战争的需求。实施工作正在进行中，预计在两年内完成过渡。
## 超越Adam：探索谱白化优化器 梯度下降是现代机器学习的基础，提高其效率一直是持续的研究重点。虽然Adam目前很受欢迎，但一类新的优化器——**谱白化方法**——正在展现出更优越的性能。这些方法旨在通过使用更完善的“距离度量”来更新模型参数，从而改进Adam，有效地规范参数敏感性。 传统的梯度下降假设欧几里得距离，但这并非总是最优的。谱白化方法利用一种“白化”度量，其根源在于牛顿法、自然梯度下降和谱范数下降的概念。这种度量通常近似为高斯-牛顿矩阵的平方根，它根据每个参数的敏感性调整更新步长。 存在多种实现：**Shampoo, SOAP, SPlus, PSGD, 和 Muon**。 训练GPT-2风格Transformer的实验表明，这些方法始终优于Adam，其中**SOAP**在每梯度步长上的表现最佳，而**Muon**则提供了强大的结果和高效的计算。Modded-NanoGPT基准测试的结果证实了这些发现。 最终，这些谱白化方法代表了对Adam的可靠改进，尽管仍需要进一步的研究来发现超越其能力的优化技术。关键在于对参数敏感性的更细致理解，并相应地调整更新过程，从而在训练效率上获得显著提升。
## 迭代鹈鹕：测试人工智能的自我提升 Simon Willison 的“骑自行车鹈鹕” SVG 基准测试——一项出人意料地能洞察人工智能创造力的测试——激发了一项探索*自主*人工智能力量的实验。六个领先的多模态模型（Claude、GPT-5、Gemini）没有被单个提示所限制，而是被要求使用视觉能力，通过生成-评估-改进的循环迭代地改进它们最初的 SVG 作品。 这些模型使用 Chrome DevTools 将 SVG 转换为 JPG 以进行视觉评估，然后根据它们“看到”的内容进行自我修正。结果差异很大。Claude Opus 4.1 展现了令人印象深刻的推理能力，添加了诸如自行车链条之类的现实细节。其他模型，例如 Claude Sonnet，则专注于细微的改进。Gemini 2.5 Pro 在迭代过程中彻底改变了其最初的构图。 有趣的是，GPT-5-Codex 似乎将复杂性等同于改进，创建了越来越精细（但并非一定*更好*）的图像。该实验表明，虽然自主循环产生的结果与零样本生成不同，但真正的自我提升需要的不仅仅是视觉——它还需要审美判断以及知道何时足够的能力。这揭示了一套与最初的创造性生成不同的技能。
## Agentic Pelican 实验总结
这次Hacker News讨论围绕罗伯特·格拉瑟的实验，展示了使用LLM迭代生成图像，创造一只骑自行车的鹈鹕图片。作者测试了Claude模型（Opus表现最佳）和其他模型，提示它们在多次迭代中完善图像。
一个关键的争论点是，生成的图像，甚至文章本身，是人类生成的还是AI生成的。许多评论者表达了对LLM生成文本日益公式化的风格感到疲惫，注意到诸如过度使用破折号和对比性短语等模式。
进一步的讨论集中在当前LLM的局限性上——倾向于在有缺陷的方法上迭代，而不是从根本上进行修改，以及难以处理复杂的构图。一些人建议使用遗传算法方法或独立的评估代理。一个反复出现的主题是，LLM擅长生成，但难以进行有意义的修改，仅仅添加细节并不等同于提高连贯性或理解力。最后，一些评论员指出，通过在特定图像上预训练模型，存在“作弊”的可能性。