46 年来，多媒体艺术团体 Negativland 一直是“文化干扰”（culture jamming）的先驱，他们创作的实验性声音拼贴作品旨在批判美国社会、资本主义和媒体权力。自 1980 年出道以来，该团体制作了 30 多张专辑，并创作了大量的广播、视觉和表演艺术作品，频繁挑战版权与艺术自由的传统边界。
1991 年，因一首戏仿歌曲引发的与 U2 乐队的法律诉讼，让该团体获得了全国性的知名度。他们将这一经历转化为推动版权改革的倡导平台，其中最具代表性的成果是他们出版的著作《合理使用：字母 U 和数字 2 的故事》（*Fair Use: The Story Of The Letter U And The Numeral Two*）。他们与互联网档案库（Internet Archive）的合作进一步证明了他们对开放获取的承诺，该档案库保存了他们长达 4000 多小时的传奇周播广播节目《Over The Edge》。
Negativland 始终忠于其实验性的根源，通过远程协作和现场演出不断演进。该团体将作品置于名气之上，始终是“怪咖”们的创意避风港。正如联合创始人马克·霍斯勒（Mark Hosler）所言，该乐队持久魅力的核心在于他们拒绝被任何简单的范畴所定义，这使得他们能够持续对当代现实提供一种超现实的批判性反思。
每日HackerNews RSS
抱歉。
Cloudflare 推出了一项全新的“禁止人工智能训练”（Disallow AI Training）设置，使网站所有者能够在阻止人工智能训练爬虫的同时，保持网站在搜索引擎中的索引状态。 此前，网站所有者面临一个两难的抉择：由于许多大型机构使用“混合用途”爬虫同时进行搜索索引和人工智能训练，直接阻止爬虫往往会导致网站在搜索中失去可见性。Cloudflare 的这一新工具通过识别和管理这些爬虫解决了该问题，确保了包括谷歌、苹果和微软在内的“负责任”（Accountable）运营商能够在进行搜索抓取的同时，尊重网站拒绝人工智能训练的选择。 主要更新内容包括： * **精细化控制：** 用户现在可以分别管理搜索、训练和人工智能代理（AI Agents）。 * **“负责任”认证：** 针对机器人运营商设立的一项新标准，要求其承诺透明度、提供 URL 级可见性，并保证拒绝人工智能训练不会对搜索排名产生负面影响。 * **简化设置：** 原有的“阻止”设置已进行更新，新域名接入时将包含针对广告支持类网站的推荐预设。 此举旨在平衡人工智能开发者的需求与内容创作者的权利，让发布者对自己的数据拥有更多自主权。Cloudflare 计划在明年年初将这些控制功能扩展至人工智能摘要领域。
抱歉。
在 FPGA 上重现 Voodoo 显卡与 90 年代末游戏电脑 Recreating Voodoo Graphics and a Late-1990s Gaming PC on an FPGA
33 天前
**z486_MiSTer** 项目的开发者通过创建 **zSST**，成功扩展了其 DOS PC 实现方案。zSST 是一个基于 SystemVerilog 硬件的经典 3dfx Voodoo Graphics (SST-1) 加速器复刻项目。
该项目被称为 **z486 XL**，运行在 Xilinx KV260 FPGA 开发板上。与 20 世纪 90 年代的原始硬件（依赖专用 EDO 内存和两颗独立 ASIC：FBI 和 TMU）不同，zSST 利用了 KV260 的共享 DDR 内存，并使用复杂的缓存、预取技术以及 64 条目的重排序缓冲区来保持高性能的像素流水线。
该实现复制了 Voodoo 的核心功能，包括双线性过滤、多级渐进纹理（mipmapping）、深度测试和雾化效果。通过使用原始的 3dfx Glide 源代码和规范，zSST 渲染器在 100 MHz 时钟频率下，其实际填充率超过了原始 Voodoo 的性能指标。
尽管初步测试显示，目前 CPU 在《古墓丽影》等游戏中的表现构成了性能瓶颈，但该项目成功架起了 90 年代经典 PC 游戏与现代可编程逻辑之间的桥梁。z486 XL 和 zSST 已作为开源项目发布，供那些希望在 KV260 开发板上重现这种怀旧 3D 硬件体验的用户使用。
这篇精选的 Hacker News 讨论聚焦于 *nand2mario* 的一个项目：通过 FPGA（现场可编程逻辑门阵列）重现 20 世纪 90 年代的 Voodoo 显卡和游戏电脑。
用户探讨了 FPGA “精确性”的技术细微差别，指出尽管这些项目比传统的软件模拟要准确得多，但仍需要对特定硬件行为进行逻辑模拟。讨论随后转向了硬件生态系统，主要是 **MiSTer FPGA 项目**。虽然 MiSTer 的官方目标平台是老旧的 DE10-Nano 开发板，但爱好者们正在探索更强大的替代方案，例如用于处理 Voodoo 显卡模拟等复杂任务的 AMD Kria KV260。
其他参与者分享了关于 90 年代电脑游戏的怀旧趣事，例如驱动程序问题、著名的奔腾 FDIV 错误，以及对“最低配置”的纠结。讨论帖还重点介绍了像“SuperStation One”这样用户友好的新选择，它将 MiSTer 硬件整合进类似游戏机的外观中，使复古硬件的保存工作对大众而言更加容易。总的来说，社区在“纯粹”的原版硬件体验与基于 FPGA 的现代灵活复刻方案之间，依然存在分歧。
Google 的 **XLS (Accelerated HW Synthesis)** 是一个开源（Apache 2 协议）工具链，旨在通过弥合软件与硬件工程之间的鸿沟来简化硬件开发。
XLS 被定位为“摩尔定律终结时代的软件开发工具包”，它允许开发者编写高级功能描述，并实现两种用途：既能作为高效的本地运行软件进行快速仿真和测试，也能被综合为硬件模块（Verilog/SystemVerilog）。
通过利用“软件式”的方法论，XLS 使工程师能够快速迭代，并确保仿真与最终硬件之间的功能一致性。这种方法促进了硬件和软件团队之间的紧密协作，旨在在一个日益由专用硬件定义的时代，实现设计过程的自动化与加速。
继成功添加对 Kodak DC-50 的支持后，开发者将其“Quicktake for Apple II”项目扩展至支持“Sierra 类”数码相机。通过利用 `libgphoto2` 代码库，开发者实现了一个模块化的驱动系统，可支持超过 80 种潜在机型，并已成功测试了三洋 VPC-G1 和 VPC-G200 相机。
该项目面临多项制约，包括内存有限、处理速度缓慢，以及 Apple II 硬件无法处理高速串行通信，被迫将速率限制在 19200bps。为了在单张软盘上容纳日益增多的支持机型，开发者实现了一个稳健的驱动接口，并将 zx02 压缩技术集成到系统加载器中以节省空间。虽然受限于 Apple II 的硬件性能，高分辨率 JPEG 解码等功能受到限制，但新驱动程序支持对相机设置、状态和图像捕获的全面控制。未来的计划包括攻克更复杂的佳能 PowerShot 350 协议，从而进一步巩固该软件作为 Apple II 平台上复古数码相机通用接口的实用价值。
最近的一篇 Hacker News 讨论帖引起了人们对 Colin L. 所写文章的关注，文中介绍了他在 Apple II 上运行 JPEG 解码器的项目。作者解释说，该解码器仅限于处理单色图像，并采用了多种优化手段（例如跳过 75% 的 IDCT 计算以及针对 640x480 分辨率进行硬编码），从而在这一复古硬件上实现了可用的运行速度。
该讨论帖中还汇集了许多用户对 Apple II 系列产品的怀旧轶事，一些人谈到了该平台独特的早期软件库和“卧室程序员”游戏。针对文中提到的具体硬件版本，评论区也出现了一些技术性的探讨，用户们对比了初代 Apple II（48k 内存）与后期 IIc 机型（128k 内存）之间的性能局限。评论者们赞扬该项目是复古计算创造力的杰出典范，并指出尽管现代“复古”文化往往聚焦于游戏主机，但 Apple II 对爱好者而言仍是一片有待挖掘的广阔天地。
节省航空燃油 Saving Jet Fuel
33 天前
本文概述了一个利用 Python 优化航空燃油效率及飞行航迹规划的开源框架。
通过利用 Scikit-decide（用于强化学习和自动规划）以及 OpenAP/OpenTop（由代尔夫特理工大学孙君子博士开发的飞机性能与轨迹工具包），开发者可以集成 NOAA 的实时气象数据，计算出燃油最优的飞行路径。
作者通过实际案例展示了该技术栈的实用性，例如比较图卢兹、柏林和华沙等欧洲枢纽之间的飞行轨迹。该项目还重点介绍了使用 DuckDB 来管理大规模航空数据集（包括机场位置、导航设备和发动机规格），并演示了如何在考虑环境成本（如减少凝结尾迹）的同时优化飞行路径。
在技术层面，该实现运行于搭载 Ubuntu on Windows 11 的高性能工作站（AMD Ryzen 9 9950X，96 GB 内存）上。文章为配置所需的 Python 虚拟环境，以及利用 QGIS 和 Casadi 等专业工具来可视化和解决复杂的飞行规划问题提供了清晰的指南。作者将这些解决方案作为航空业的咨询服务提供。
抱歉。
这篇博文介绍了基于强化学习的 LLM 训练中的“马太效应”：即强化学习带来的提升在简单任务上不成比例地显著，而在困难任务上进展甚微。作者认为这不仅是因为信号损失，更是因为“信号效率”低下——将过多的计算资源浪费在简单问题上，而对困难问题采样不足。
为解决这一问题，作者提出了“永不放弃”（Never Give Up, NGU），这是一种自适应异步强化学习方法。NGU 对简单任务使用较小的样本量 ($k$) 以快速筛选，但允许模型对困难任务“永不放弃”，通过采样额外的补全直到成功。通过根据问题难度动态重新分配计算资源，NGU 使模型能够在不牺牲简单任务性能的前提下解决越来越难的任务。
在数学（AIME/GSM8k）和编码（Manufactoria）基准测试中，NGU 的表现始终优于标准的 GRPO 方法。作者总结称，马太效应并非模型可塑性问题，而是一个资源分配问题。该研究建议从业者不要仅仅关注汇总后的评估曲线，而应采用自适应采样策略，以确保模型学习更加均衡。
Pizza Bot 是一个开源（Apache 2.0）平台，专为异步、长时间运行的 AI 任务而设计。它由亚马逊开发，充当 AI 代理的持久化“收件箱”，允许用户启动任务后离开，稍后再回来查看完成的工作或待处理的审批请求。
主要功能包括：
* **持久化工作流：** 基于有状态的 LangGraph 运行时构建，Pizza Bot 可以处理即使在客户端断开连接后仍能持续运行的任务。
* **灵活的接口：** 通过桌面应用（Electron）、网页浏览器和终端 CLI 提供统一的体验，所有终端均与中心化的 `api-server` 通信。
* **模型无关：** 支持包括 Amazon Bedrock、Anthropic、OpenAI、Google Gemini、Ollama 和 OpenRouter 在内的多个提供商。
* **代理能力：** 用户可以委托给子代理“技能”，集成 MCP 服务器，并利用“人在回路”（human-in-the-loop）审批门控。
* **注重安全：** 采用“本地优先”模式，将数据保存在用户指定的目录（`PIZZA_DATA_ROOT`）中。它仅授予明确的文件访问权限而非系统级权限，并通过 Electron 的 `safeStorage` 对密钥进行加密。
Pizza Bot 非常适合需要稳健、持久且私密环境的用户，以管理复杂的、多步骤的 AI 工作流，从而摆脱标准聊天界面的局限性。
抱歉。
作者认为，当前的前沿人工智能模型被过度高估了，因为它们所谓的自主性不过是幻象。虽然模型在狭义且定义明确的任务上表现出色，但它们依然只是“蹩脚的实习生”——容易出错、会通过投机取巧（reward hacking）来达成目的，且缺乏泛化能力。 真正的自主性需要严谨的专家级规范，而这一过程既昂贵又具有技术难度。作者通过类比硬件工程指出，定义和验证工作所需的人力成本往往远超设计本身。此外，作为形式化规范的替代方案，人工监督受限于人类的注意力瓶颈，同样容易受到隐蔽错误和安全漏洞的影响。 因此，作者预测大多数公司永远无法实现“完全自主”的人工智能。相反，市场可能会分化为三个细分领域：能够容忍低成本失败的领域、任务狭窄且重复的领域，以及已经投入严谨验证的领域（如药物研发或芯片设计）。作者认为，在这些行业中，未来属于规模更小、成本更低的开源模型，它们以广泛的“集群”方式部署，而非依赖昂贵的大型前沿模型。对于生产链中不可或缺的人类协调者而言，这种模式能提供更好的控制力、数据隐私性和可扩展性。
C 和 Go 语言中的数据竞争与 ThreadSanitizer 的局限性 Data races and the limits of ThreadSanitizer in C and Go
33 天前
请启用 JavaScript 和 Cookie 以继续。
这篇 Hacker News 讨论帖探讨了一篇题为《C 语言和 Go 语言中的数据竞争以及 ThreadSanitizer 的局限性》的文章。讨论强调了调试并发程序的内在挑战，促使人们重新审视单线程架构的价值。
一位评论者以 Redis 为例——它通过单线程处理命令执行——将其视为消除各类竞态条件错误的一种模型。另一位参与者则从历史角度对这一方法进行了阐述，指出在多线程成为标准之前，开发人员依靠多进程和进程间通信（IPC）来管理稳定性和安全性。尽管现代硬件提供了海量资源，鼓励采用多线程设计，但该帖认为，简单性和可预测性往往仍是被忽视的架构优势。总的来说，这场讨论既是对 ThreadSanitizer 等自动化工具局限性的批判，也是对更简洁并发模型健壮性的一种认可。