通用人工智能（AGI）既展现出变革性的经济潜力，也带来了严重的替代风险。尽管技术革命从历史上看能够改善长期生活水平，但往往也会导致短期内的工资波动和不平等加剧。由于 AGI 实现认知劳动自动化的范围比以往技术更广，其影响仍具有高度不确定性。 为应对这一转型，研究人员提出了一种基于数据驱动的灵活政策框架，即根据实证触发因素而非静态的“一刀切”方案来安排干预措施。该研究采用基于专家意见的 AI 代理方法，将“最小后悔”策略分为三种场景： 1. **轻度扰动：** 加强现有的社会安全网，例如扩大失业保险和劳动所得税抵免（EITC），以提供及时的、与工作挂钩的保障。 2. **中度替代：** 若数据表明失业和工资停滞持续存在，则过渡到负所得税（NIT）。 3. **结构性转型：** 若劳动力需求与生产力彻底脱钩，则部署全民基本资本（UBC）作为保障，确保公众能分享资本增长的红利。 核心挑战在于建立能够监测劳动力市场并灵活部署上述政策的制度能力，从而在确保个人能动性和经济稳定的同时，让 AGI 的红利得到广泛共享。
每日HackerNews RSS
作者认为，由于人工智能的快速扩展，人类主导数学的时代正在走向终结，近期如纳维-斯托克斯方程证明等突破性进展便是明证。这一转变标志着作为创新者的数学家地位的下降。取而代之的，首先是一个“祭司阶层”——他们竭力解释和阐述人工智能生成的证明；最终将演变为一个“修道院”，人类知识分子将终其一生去沉思那些他们已无法创造也无法完全理解的真理。 随着人工智能的发现不可避免地超出人类的认知极限，传统的发现精神与智识进步将让位于一种被动的、冥想式的对超人类知识的崇拜。作者指出，我们正处于十字路口：要么试图人为地将数学限制在人类的能力范围内，要么承认人类的智识主体性已达尽头。归根结底，未来暗示着人类数学要么将成为一种受保护的学术崇拜，要么人类必须进化为后人类状态，才能跟上自身创造物的步伐。无论是哪种情况，那种靠个人创造力和冒险精神驱动的传统研究者，都正在成为时代的遗迹。
无限参数大语言模型：从实时数据生成并适配权重 Infinite-Parameter LLMs: Generating and Adapting Weights from Live Data
31 天前
arXivLabs 是一个让合作者能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关于开放、社区、卓越和用户数据隐私的价值观。arXiv 始终秉持这些价值观，并仅与恪守这些原则的伙伴合作。您是否有能为 arXiv 社区增值的项目构想？了解更多关于 arXivLabs 的信息。
这段 Hacker News 讨论帖探讨了“无限参数大语言模型”（Infinite-Parameter LLMs）的潜在影响，这类模型能够利用实时数据动态调整其权重。
参与者主要围绕以下几个核心议题展开讨论：
* **加速科学进步：** 支持者认为，一个能够汇集人类各种尝试（包括失败案例）并不断演进的中心化知识库，可以避免研究人员在死胡同上浪费时间。通过将全球人类知识整合进一个动态网络，AI 有望彻底改变科学发现的方式。
* **过程的价值：** 持怀疑态度者认为，“消除浪费”会削弱探索的过程，并提出人工的挣扎对于培养人类视角和深入理解至关重要。
* **实践与技术风险：** 评论者提出了关于“数据投毒”（恶意行为者故意降低模型性能）、灾难性遗忘，以及模型可能收敛至有害的、反社会“吸引子状态”等担忧。
* **网络的未来：** 一些人设想了一种“Web 4.0”——即一个去中心化的、基于向量的知识图谱，其中的信息天然可由机器读取。这将使互联网从传统的搜索引擎转向由 AI 代理处理实时、分布式数据。
归根结底，尽管该技术有望带来巨大的效率提升，但这场讨论也凸显了在追求快速、自动化进步与维持稳定性、安全性及以人为本的探索之间存在的张力。
目前软件工程领域对人工智能代理（AI agent）的采用正处于“幻灭的低谷期”。尽管代理能够执行特定任务，但它们尚未引发高质量软件开发的浪潮。核心障碍不在于人工智能模型本身，而在于缺乏“代理就绪”的开发环境与基础设施。
要实现进步，工程团队必须从单纯的“追求 Token 最大化”转向构建稳健且“代理可读”的工具链。这需要引入新的要素：
* **全局记忆（Global Memory）：** 使代理能够从过去的错误以及整个技术栈的组织知识中学习。
* **代理可读环境（Agent-Legible Environments）：** 改善测试数据和集成可见性，以便代理能够准确地调试和验证其所做的变更。
* **代码库健康度（Codebase Hygiene）：** 自动化预防代码腐烂和技术债务。
当这些系统就位后，代理应能自主处理 Bug 修复、生产环境补丁、UI 优化以及增长实验。这种转变将使人类工程师不再需要管理各种循环，从而专注于真正重要的事情：高层产品策略、架构简化和创造性的问题解决。通过系统性地识别并消除“代理盲点”，团队可以将代码库转变为自动驾驶工厂，最终使精简的团队能够创造出巨大的价值。
抱歉。
以下是该项目摘要的中文译文：
该项目旨在联想 IdeaPad Duet（一款基于联发科 MT8183 的 Chromebook）上运行完整的 Linux 发行版。作者开启了一段将 ChromeOS 更换为 Ubuntu 的技术旅程。在尝试使用 postmarketOS 因系统不稳定而受阻后，作者决定为 Ubuntu 主线内核进行自定义移植（bring-up）。
该项目需要深入研究 Chromebook 复杂的引导流程，其中包括引导加载程序 *Depthcharge*。由于 Depthcharge 需要特定的内核格式，作者必须通过链式加载 U-Boot 来提供一个能够引导 Ubuntu 内核的标准 UEFI 环境。这一过程经历了大量的反复尝试，并在 AI 代理的协助下编写了显示面板及其他硬件组件的自定义驱动程序。
通过重构 U-Boot 并修正内存映射问题，作者成功在设备上引导了 Ubuntu。尽管蓝牙支持和系统挂起等挑战需要大量的调试工作，但该项目最终生成了一个可用的 Ubuntu 镜像。作者强调，虽然 AI 代理是加速开发和发现漏洞的强大工具，但要成功完成硬件移植，仍需要深厚的工程专业知识来审核、维护并向主线提交代码。
抱歉。
Show HN: AutoBot – 长时间运行的 AI 任务实时语音控制 Show HN: AutoBot – live voice control for long-running AI work
31 天前
AutoBot 是一款开源、自我完善的智能体架构，旨在提升前沿 AI 在复杂知识工作中的表现。通过利用 macOS 本地运行环境，它使智能体能够修复自身的架构、独立验证任务，并借助分层存储积累组织记忆。
主要特性包括：
* **智能复合增长：** 工作流继承以往任务的改进成果，无需重新训练模型即可实现能力提升。
* **流程独立性：** 采用严格的五阶段完成流程，要求来自独立验证标签的证据性核实，防止“虚假完成”报告。
* **隐私与边界：** 用户可定义数据区域（私人、家庭、工作、共享），以强制执行特定场景的检索和通信配置文件，确保职业角色与个人角色界限分明。
* **可靠执行：** 通过“计算机使用（Computer Use）”功能，它会对目标执行特定审计以核实应用操作（如邮件发送或文件编辑），若无法确认交付结果，将停止操作。
AutoBot 在 OSWorld 2.0 和 AssistantBench 等基准测试中的表现优于基准模型。它专为 macOS 上的单用户设计，提供了一个持久的、以目标为导向的工作空间，可直接集成 ChatGPT 以管理多应用程序工作流，同时维持严格的用户自定义安全和操作边界。
抱歉。
**aclif** 是一个专为 AI 智能体设计、用于构建命令行工具的框架。它在各种 SaaS 提供商（如 Salesforce、ServiceNow）之间提供了一个统一的抽象层，使用了单一的语法、一致的错误词汇表以及规范化的命名。 与传统的 MCP 服务器通过将整个 API 定义加载到智能体上下文中而消耗大量 token 不同，aclif 采用了“内省优先”（introspection-first）模式。它仅在需要时才加载命令定义，从而使智能体的上下文保持精简高效。 **主要功能包括：** * **无需执行即可内省：** 智能体可以在运行命令前使用标志（例如 `--schema`、`--examples`、`--dry-run`）来发现、学习和验证命令，从而避免浪费 API 配额。 * **安全优先设计：** 每个命令都会声明其可变性、影响范围（blast radius）和幂等性，从而支持基于策略的防护措施。 * **灵活部署：** 同一套代码支持三种运行模式：由智能体直接运行、嵌入到宿主应用程序中，或部署在企业安全网关之后。 * **企业级治理：** 通过网关，组织可以集中管理凭证、执行一致的审计追踪，并确保智能体不会超出指定的安全策略。 aclif 使开发者能够构建自定义的、平台无关的 CLI 工具，让智能体能够在大规模场景下可靠地发现并执行这些工具。
抱歉。
用于递归自我改进与超级智能的 AI 芯片。XPU 芯片能以极低的能耗运行前沿 AI 模型的推理与训练。 旧金山，加利福尼亚州 © 2026 Exa Laboratories, Inc. (DBA "Zettascale")，版权所有。 美国加利福尼亚州旧金山
抱歉。
正在检查您的浏览器...需要启用 Javascript
由于担忧特朗普政府可能进行的政治干预和数据封锁，国际科学家们正发起一项大规模行动，旨在“拯救”美国的气候数据。德国气候计算中心（DKRZ）等机构正在为关键研究建立“救生艇”，将数拍字节（petabytes）的信息转移到欧洲的安全异地存储库中，以确保这些数据能够用于2029年的联合国气候评估。 从历史上看，科学数据集一直存储在其原始机构中。然而，由于气候怀疑论的政治转向、网络攻击以及如乌克兰研究设施被毁等武装冲突，这种做法现已被认为存在风险。“CMIP7-ark”和美国地球物理联合会的“数据韧性项目”等计划，旨在通过创建全球分布式冗余备份，摆脱对集中式存储的依赖。 专家强调，这一转变不再仅仅是为了防范某届政府，而是对科学基础设施的一次根本性重构。通过建立安全、国际化的数字通道，科学界力求保护实证数据免受审查和物理灾害的影响，确保基础性的气候、生物多样性和环境数据能够保持永久、公开，并免受任何单一国家政治气候波动的影响。