长期以来，编程语言一直被视为不可更改的“神圣”产物。由于担心代码的可读性和调试难度，开发者往往排斥宏（macro）等用户自定义的定制功能。业界历来倾向于严格的标准而非灵活性，这导致为了弥补语言特性的缺失，不得不创建极其复杂的构建系统和规范。 然而，作者认为这些反对宏的传统观点已经过时。随着人工智能的出现，理解复杂或非常规的代码变得轻而易举；大型语言模型（LLM）可以解释、可视化并调试那些曾经令开发者困惑的自定义语法。此外，随着人工智能越来越多地参与代码编写与维护，宏提供了一种强大的方式来强制执行一致性，并定义人工智能可以可靠遵循的高级抽象。 为了推动这一转变，作者引入了“Sweetener”。这是一个为 TypeScript 设计的工具，允许开发者自定义语言结构（如管道操作符或代数数据类型），而无需等待委员会审批。通过拥抱宏，开发者无需再将语言设计外包给外部工具和框架，而是可以根据特定需求重塑代码，从而在编程环境中直接重获创新与表达构思的能力。
每日HackerNews RSS
这篇 Hacker News 的讨论探讨了编程语言演进的价值，以及利用宏构建自定义领域特定语言（DSL）的利弊。
最初的观点认为，由于人工智能能够解读复杂的非标准代码，开发者应将速度和功能置于人类可读性之上。这一观点遭到了社区的强烈抵制，主要论点如下：
* **人类可读性至关重要：** 代码主要是为了人与人之间的交流。优先考虑机器优化或“AI 可读”的代码会产生危险的依赖性，实际上是将人类排除在决策闭环之外。
* **DSL 的隐性成本：** 自定义宏和特异的语法给新团队成员带来了高昂的学习成本。尽管一些开发者为宏作为强大的抽象工具进行辩护，但另一些人警告称，这会导致“宏混乱”（macro soup），使代码库难以维护或调试。
* **基本原则：** 批评者认为，依赖 AI 来解读拙劣的架构是一种有缺陷的工程理念。他们强调，软件设计和架构等基本技能无法被“魔法般”的 AI 辅助所取代，因为 AI 在面对极端复杂的情况时可能会失效。
归根结底，虽然一些评论者表达了构建自定义编译器以获得自主控制权的兴趣，但主流共识倾向于优先使用标准、可维护的语言，以确保长期的团队协作和可靠性。
私营互联网服务商历来极力避免被归类为“国家行为体”，以规避宪法对言论的相关规定，否则它们将陷入因内容审核而引发的持续且不可承受的诉讼之中。
然而，在近期的一起堪萨斯州诉讼案中，Snap 公司为了将案件从州法院移交至联邦法院，辩称其行动是在联邦机构（国土安全部和食品药品监督管理局）的指导下进行的，这一辩词无意间危及了其立场。为支持这一观点，Snap 强调了其与这些机构在公共宣传活动中的合作。尽管堪萨斯州法院驳回了 Snap 的论点，指出这些互动仅属于标准的商业往来，并未达到“国家行为体”地位所需的“严格控制”标准，但这一策略还是产生了反作用。
通过声称是在政府指导下行事，Snap 为未来的诉讼方提供了证据，使其能够辩称该公司实质上是国家的代理人，从而可能导致该公司面临“政府施压”的指控。虽然堪萨斯州法院在实体问题上作出了有利于 Snap 的裁决，但佛罗里达州目前正有一项相互矛盾的裁决处于上诉阶段。如果上诉法院作出宽泛或不利的解读，Snap 为获取微小程序优势所采取的这一举措，可能会为其自身及整个科技行业带来长期性的生存法律风险。
这篇 Hacker News 的讨论聚焦于“堪萨斯州诉 Snap 案”。在该案中，Snap Inc. 试图通过声称其作为国土安全部（DHS）和食品药品监督管理局（FDA）等联邦机构的“国家行为者”（state actor）来将诉讼转移至联邦法院。法院驳回了这一主张，裁定 Snap 与政府的互动属于常规商业往来，而非在联邦政府“严格指导或控制”下的行为。
评论者对 Snap 的这一策略表示困惑和怀疑。一些人推测，该公司的法律团队可能建议不当（甚至可能是由 AI 提供的建议），或者 Snap 是为了逃避州级司法管辖，希望在联邦法院获得更有利的待遇。另一些人则猜测，此举可能是为了主张主权豁免，或是为了掩盖与联邦政府之间更深层的强制性合作（可能涉及国家安全指令）。总体而言，社区认为 Snap 将自己等同于政府实体的企图是一项充满风险且离奇的法律策略，这将对企业责任以及社交媒体平台的本质产生重大影响。
监视反向监控 Sousveillance
18 天前
“下视”（Sousveillance）一词由史蒂夫·曼（Steve Mann）提出，指个人利用个人设备或可穿戴技术记录活动的行为，这与传统的“监视”（Surveillance，意为从上而下的注视）形成对比。监视通常由权威机构或组织实施，而下视将观察的视角带回到个人层面，使公民有能力记录公共生活或监督权力结构。
这一实践包括“反向监视”（inverse surveillance），即公民监督警察等权威人士；以及“不在场证明下视”（alibi sousveillance），用于生成自卫或法律保护所需的客观证据。下视不仅仅是记录，它还是一种实现相互问责、社会行动主义甚至生存的工具，这一点在历史和当代的抵抗运动中均有所体现。
然而，其效力好坏参半；虽然它能促进透明度并影响行为，但并不能保证正义，一些备受关注的案例表明，视频证据并不一定能促成起诉。此外，这种做法还引发了复杂的隐私问题，并可能改变公民和官员的行为方式。归根结底，下视代表了数字能动性的转变，使公民社会能够通过广泛、基层的手段传播第一手证据，从而挑战权力关系并参与构建一种“真相政治”。
对不起。
请启用 JavaScript 和 Cookie 以继续。
抱歉。
几十年来，科学家们一直在争论生物体是否利用了“量子性”（例如相干性和纠缠态）来实现诸如光合作用近乎完美的效率等生物学成就。虽然细胞温暖而混乱的环境通常会破坏脆弱的量子态，但研究人员曾假设生命已经进化出维持这些状态的方法。 然而，以普林斯顿大学化学家格雷戈里·斯科尔斯（Gregory Scholes）为首的领域内最新进展提出了不同的结论。生物体可能并非在利用真正的量子效应，而是利用了在数学上“模拟”量子行为的复杂经典网络。经过数十亿年的进化，生命发展出了复杂的结构，这些结构无需量子物理学即可达到与量子系统相同的函数结果。 这种“类量子”视角为传统观点提供了一种引人注目的替代方案。它表明，大自然之所以能实现超凡的效率，并非通过挑战宏观世界的退相干性，而是通过将经典组件组织成能够复制量子领域优势的系统。这一认识标志着量子生物学的一次重大转折，它强调了尽管生命表现出的任务看起来像是量子的，但其底层的运作机制依然稳固地植根于经典复杂性之中。
抱歉。
这篇文章展示了如何将现成的 LLM（如 GLM-5.3-Flash）转化为高效的“决策模型”，且无需进行微调。 该方法不再生成全文或 JSON，而是通过提示词引导模型输出一个代表预定义选项的单一索引。系统通过在单次前向传递中分析这些特定 token 的对数概率（log probabilities），即时输出类型化的决策结果及置信度分数。 **核心亮点：** * **性能：** 在 28 个数据集的基准测试中，该方法的准确率和速度均与 TypeSafe 的 Jev 等专用决策模型相当。 * **多模态能力：** 与 Jev 不同，该方法利用模型的视觉能力，实现了针对图像（如扫描文档）的类型化决策。 * **高效性：** 避免了生成式任务的开销，系统实现了亚秒级的低延迟，适用于高吞吐量应用。 * **安全性：** 通过“私有模式”（Privatemode）运行，这些决策在机密计算环境中处理，确保数据在推理过程中始终保持加密状态。 该方案开源并兼容任何基于 vLLM 的端点，为传统的专用决策软件提供了一种灵活且高性能的替代方案。
近期的一场 Hacker News 讨论探讨了一种利用 GLM-5.3-Flash 等标准大模型实现“类 Jev”性能（即快速、单次决策）的方法。通过精心设计提示词，使模型输出的第一个 token 即为答案，开发者能够模拟出专用模型的决策速度。
支持者认为，该方法在准确率上具有竞争力，且与 Jev 不同，它还增加了对视觉输入的支持。此外，它还允许进行开源权重自部署，这对合规性至关重要，并避免了对不透明的专有 API 的依赖。
然而，社区对此仍存在分歧。批评者认为，这些“类 Jev”技巧本质上只是经过精心调优的分类提示词，开发者多年来一直都在使用。虽然该方法成功降低了延迟，但怀疑论者坚持认为，Jev 的架构（可能涉及非自回归模型或专用分类器）在规模化应用中依然在速度和成本效益上具有固有优势。
这场讨论凸显了一个更广泛的趋势：行业正从单纯的生成式大模型任务转向针对业务自动化优化的、高速的分类器。许多参与者对“Jev”的频繁宣传感到厌倦，认为这可能只是一种营销手段（即“虚假草根营销”），而该任务实际上完全可以使用现有的开源工具轻松实现。
HomeBody：一个能够自主探索、记忆并采取行动的人形机器人 HomeBody: A humanoid that explores, remembers, and acts on its own
18 天前
HomeBody 是一个通过“空间目标”连接任务推理与物理执行的机器人框架。系统通过选择技能及其对应的目标（源自第一视角图像、地图上下文及末端执行器状态）来触发结构化的工具调用。这种机制将视觉语言模型（VLM）与底层实现解耦，因为各项技能可自行管理运动规划。 每项技能都使用针对其功能定制的空间输入： * **抓取 (Picking)：** 利用二维图像坐标引导分割和立体深度估计，随后进行分析性抓取预测及具备避障功能的运动规划。 * **导航 (Navigation)：** 依赖二维地图坐标和方向目标。 * **放置 (Placing)：** 执行朝向相对于机器人躯干的三维释放目标的运动。 * **操作 (Manipulation)：** 将诸如抽屉开启等复杂任务，整合为包括对齐、钩挂和拉动在内的一系列统一动作。 通过将物理执行与高层推理抽象分离，HomeBody 使视觉语言模型能够在无需了解底层控制细节的情况下，指挥复杂的多步机器人行为。
Hacker News 上近期的一项讨论介绍了由斯坦福大学开发的类人机器人“HomeBody”。该机器人能够自主探索、记忆并执行任务。该系统基于宇树科技（Unitree）的 G1 机器人，并搭载 GPT Astra，使其能够根据用户需求完成清洁和取物等家务。
这一消息在用户中引发了褒贬不一的反应。一些人对机器人承担家务的未来感到兴奋，而另一些人则对就业市场的影响表示担忧。关于“自主”的定义也引发了争论：支持者认为机器人无需人类直接引导即可执行任务，但怀疑论者指出它依然依赖于软件驱动的指令，认为“独立”一词或许言过其实。总体而言，该讨论反映了人们在技术乐观主义与对先进机器人技术的实际应用及社会影响的担忧之间所持的复杂心态。
虽然现代自动售货机已成为日常生活的一部分，但其起源可以追溯到古罗马时期的埃及。最早的自动化设备由亚历山大的希罗（Hero of Alexandria）发明，他利用投币式的天平和杠杆机制在神庙中分发圣水。
几个世纪后，到了17世纪，自动售货技术在英国重新出现，用于销售烟草。19世纪末，该行业开始蓬勃发展，早期的美国创新者如托马斯·亚当斯（Thomas Adams），开始在纽约的铁路站台上使用机器销售口香糖。整个20世纪，机器经历了显著的演变，从销售香烟、咖啡到冷藏三明治，功能日益多样。
技术的进步，特别是从单纯的投币操作转向纸币扫描，以及最终实现信用卡和数字支付的整合，彻底改变了该行业。如今，自动售货市场已是一个价值数十亿美元的企业，并采用了触摸屏和人脸识别等先进功能。从简单的分配器到提供美食和新鲜农产品的复杂智能终端，自动售货机已从古代的奇珍异物演变为现代商业中必不可少的高科技工具。
这篇 Hacker News 讨论探讨了自动售货机的现状与商业现实。参与者们分享了对这些机器日益复杂化的观察——从日本和中国先进的机械臂，到新型号中读卡器不可靠及计划性报废等问题。
讨论的很大一部分集中在商业层面，起因是一位用户对自动售货机作为“被动收入”来源的好奇。经验丰富的评论者迅速驳斥了这一观点，指出该行业属于劳动密集型，需要库存管理和设备维护方面的专业知识，且竞争极其激烈。用户指出，获得高人流量的经营点位非常困难，因为这些点位通常被老牌运营商、要求支付租金的业主或（在历史上）有组织犯罪集团所控制。总而言之，这篇帖子为那些美化自动售货机生意的人提供了一个务实的现实检验，同时也突显了这些设备在技术上的极端演变。
本文探讨了苏联“暴风雪”号航天飞机的四通道冗余系统，该系统利用四台运行相同软件的“Biser-4”飞行计算机，以实现对两次同步故障的容错。作者明确指出，这并非“3f+1”拜占庭容错方案，而是一种通过比较输出结果来识别并屏蔽故障通道的输出表决系统。
作者指出，在所有通道上运行相同的软件会带来“共模故障”的风险，即共享的软件漏洞可能导致所有计算机产生相同的错误输出，航天飞机（Space Shuttle）和阿里安501（Ariane 501）火箭均曾因该漏洞遭受重创。
为了探索这一问题，作者使用 Rust 语言实现了一个表决组件，并利用 Lean 4 定理证明器对其正确性进行了机器辅助形式化验证。尽管证明确保了表决器本身不会发生崩溃且能正确屏蔽单点故障，但它无法检测或防止共享的软件缺陷，也不是符合 DO-178C 等行业标准的完全合格工具。文章最后总结道，形式化验证虽是确保关键系统可靠性的有力手段，但它只是对严谨软件设计和系统级故障防护的补充，而非替代。
对不起。
1980 年推出的英特尔 8087 处理器通过大幅加速浮点运算，彻底改变了 IBM PC 的性能。其一大亮点是 `FPTAN` 指令，仅需 90 微秒即可完成正切计算，相比 8086 处理器所需的 13,000 微秒有了巨大提升。
为了实现这一性能，8087 采用了结合 **CORDIC**（坐标旋转数字计算机）算法与**有理多项式近似**的复杂混合算法。CORDIC 最初是为 B-58 轰炸机开发的，它允许仅通过简单的加法、减法和位移运算来计算超越函数，从而避免了昂贵的乘法或除法运算。
该芯片的微代码通过三个阶段实现 `FPTAN`：
1. **伪除法**：利用 CORDIC 确定必要的旋转角度。
2. **有理近似**：使用帕德近似（$3x/(3-x^2)$）高精度处理剩余角度。
3. **伪乘法**：通过位移和加法应用确定的旋转。
通过卸载除法运算并利用专用硬件进行平方和位移，8087 高效地实现了 64 位精度。尽管现代 CPU 现在更倾向于使用多项式近似和向量化库（SIMD）而非 CORDIC，但 8087 依然是计算机史上硬件级巧妙优化的里程碑。
抱歉。