作者反思了自己与数字消费之间不断演变的挣扎：起初，他们将拖延归咎于 Reddit、Facebook 和智能手机等平台。最终他们意识到，真正的瘾头并非源于设备，而是对高价值信息的渴求——即那种曾经能带来实质性生活改善的“中奖时刻”。 然而，现代算法推送已用旨在攫取注意力而非激发思考的浅薄短内容，取代了有意义的探索。作者感叹，过去那种高质量且充满偶然发现的互联网，已被那些利用大脑奖励机制却不提供任何实质内容的平台所掩盖。作者意识到，这些令人上瘾的“垃圾”机器从根本上与深度学习或个人成长不兼容；因此得出结论：想要夺回时间，就必须远离同质化的平台，转而采用一种更碎片化、更有目的性的互联网使用方式。
每日HackerNews RSS
最近 Hacker News 上的一篇讨论贴引发了热烈争论，该贴讨论了《我并非沉迷于互联网或智能手机，我只是沉迷于信息》这篇文章。
许多评论者质疑作者的论点，认为“信息成瘾”这个说法并不准确，其实质是对持续刺激的有害依赖。一些用户将这种行为比作不断轮询数据的“冗余软件程序”，并指出在无限信息流的时代，对信息的渴求往往只是无聊或寻求多巴胺的症状。另一些用户则表示，网上的内容浩如烟海，已大多变得毫无价值，反而让人分心，耽误了更有意义的追求。
讨论还涉及了历史视角，指出前几代人也有对报纸和书籍的“成瘾”，尽管这种行为通常被视为更加正面。
值得注意的是，大部分讨论都被该网站的设计抢了风头。网页使用了极端的色差效果和基于 CSS 的视觉故障特效，大多数用户觉得这让人眼花缭乱且难以阅读。这种所谓的技术“美学”引发了强烈的挫败感，许多用户不得不依赖“阅读模式”或浏览器工具才能获取内容。
通过记忆化将 eBPF CPU 开销降低约 90%（非 AI 生成） Dropping eBPF CPU Cost by About 90% with Memoization (Not AI Gen)
35 天前
为了提升 eBPF 安全代理的性能，作者实现了一种基于 inode 的缓存机制，将内核 CPU 开销降低了约 90%。
此前，该代理在每次文件访问时都会执行低效的“慢路径”遍历文件目录项（dentries），以确定是否适用相关策略。对于数据库条目等频繁访问的文件而言，这种做法尤为冗余。
开发团队利用 `LRU_HASH` 映射构建了一个缓存，通过挂载命名空间 ID、挂载 ID 和 inode 编号的组合进行索引，以确保安全性和唯一性。针对硬链接（多个路径共享同一个 inode）带来的复杂性，他们实现了一个回退机制：当 inode 的链接数超过 1 时，系统会自动切换回慢路径。
基准测试显示性能得到了显著改善，在 20 万次迭代中，文件打开操作所需的内核周期从 280 亿次下降至 30.3 亿次。该优化完全在内部完成，无需对现有用户策略进行任何更改。该代理的源代码可在 https://github.com/bomfather/agent 获取。
这篇 Hacker News 讨论聚焦于 Nathan Naveen 的一篇博文，文中称通过对文件系统路径到策略的映射使用记忆化（memoization），实现了 eBPF CPU 开销 90% 的降低。
尽管一些用户赞赏这种“神奇”优化带来的性能提升，但社区对其实施方案提出了重大的技术质疑：
* **缓存复杂性**：批评者认为，在 eBPF 中进行基于路径的缓存充满了边缘情况，例如处理目录移动、硬链接、权限变更和绑定挂载等。如果没有适当的缓存失效机制，这些场景可能会引入安全风险。
* **上下文细微差别**：其他人指出，性能提升在很大程度上取决于工作负载——具体而言，它在重复访问相同文件时表现出色，但在访问不同文件时可能会引入额外开销。
* **术语争议**：该讨论串还引发了一场关于术语的激烈辩论，讨论作者的程序应该被称为“代理”（agent）还是“守护进程”（daemon），并提供了关于软件中长期使用“代理”一词的历史背景。
最终，尽管性能提升显著，但社区强调，无论对于 CPU 节省还是缓存带来的内存占用和复杂性，“量化分析，切勿臆测”的原则都应适用。
**fcbnerd** 是一款 macOS 命令行工具，可将任何 CoreMIDI 设备（例如 Behringer FCB1010）转换为可自定义的 Mac 控制器。
fcbnerd 并非以沙盒应用的形式运行，而是一款轻量级实用程序，它能够读取 MIDI 输入，并通过 Shell 或 Hammerspoon、Keyboard Maestro 等其他自动化工具执行操作。
**主要功能包括：**
* **绑定系统：** 在接收到特定 MIDI 信号时直接执行 Shell 命令（例如：踩下脚踏开关时触发脚本）。
* **JSON 数据流：** 将实时 MIDI 数据输出为 JSON 对象，以便外部程序进行处理。
* **事件处理：** 支持热插拔，当 MIDI 设备拔出并重新连接时会自动重连。
* **模拟模式：** 无需连接物理硬件即可测试脚本和消费程序。
* **灵活的逻辑：** 通过限制 Shell 开销来处理复杂的模式（如表情踏板的扫频），确保响应性能。
fcbnerd 设计简洁且高度可脚本化，填补了硬件 MIDI 控制器与 macOS 系统级自动化之间的空白，让你可以通过脚踏操作来触发脚本、控制系统音量或切换桌面空间。
AI 驱动分析技术的兴起引发了分歧：用户必须在生成复杂代码（HTML、JS、React）的“混乱自由”与传统 BI 工具那套受限的“既定轨道”之间做出选择。随着 AI 智能体取代人类成为图表的主要创建者，整个行业需要一种新方案。
dbt Labs 正致力于通过解耦 BI 层来解决这一问题，即把图表从以 UI 为先的私有应用中剥离出来，转化为代码。他们开源了 **dbt Charts**，这是一种结构化的 YAML 语言，允许用户和 AI 智能体通过简洁、可审计的代码定义交互式仪表板。
通过与 Git 中的 dbt 项目直接集成，dbt Charts 实现了分析领域内的版本控制、自动化测试和无缝 CI/CD。虽然该语言本身是开源且功能完备的，但 dbt Labs 也推出了 **dbtCharts.com**，这是一个托管平台，提供托管服务、访问控制以及用于对话式数据探索的交互界面。
该系统在优先考虑“代码优先”透明度的同时，保持了专业的开发标准。它使人类与 AI 能够围绕统一的真实数据源进行协作，推动数据可视化从碎片化的 UI 类 BI 转向开发者友好且具有凝聚力的开放标准。
dbt Labs 推出了一款名为 **dbt Charts** 的开源 YAML 框架。该框架旨在将 BI 仪表板定义为版本可控、可审计的代码，并对其进行渲染。
该项目旨在通过将仪表板从封闭的专有软件套装中解放出来，转向结构化、对开发者友好的格式，从而实现“BI 解耦”。通过使用声明式的 YAML 规范，dbt Charts 提供了一种一致且可复现的方式来管理数据可视化，使 AI 智能体更容易生成人类可读、可测试且可靠的仪表板。
**社区的主要讨论点包括：**
* **开发者工作流：** 支持者认为该工具将软件工程的最佳实践（如版本控制、测试和 CI/CD）引入了通常较为晦涩的 BI 领域。
* **AI 集成：** 支持者指出，结构化的领域专用语言（DSL）有助于智能体保持一致性和可审计性，而直接生成的原始代码很难做到这一点。
* **批评意见：** 持怀疑态度的人认为，与嵌入式语言相比，YAML 并不是 DSL 的理想选择，并指出了“YAML 地狱”的可能性、有限的灵活性，以及 AI 未来可能会通过即时生成自定义 UI 代码从而使此类抽象变得多余。
* **竞争格局：** 该项目目前正被拿来与 Observable Framework、Vega-Lite 以及其他“数据即代码”（data-as-code）倡议进行比较。
受矩阵分解的数学效率启发，作者开发了一种用于存储国旗的紧凑二进制编码方案。通过识别常见的旗帜学元素（如条纹、形状和纵横比），该项目利用哈夫曼编码为常见模式分配更短的位序列，从而实现了约 12 个字符（使用 Base94）的平均存储大小。 该系统通过一系列分层组件（例如条纹或星星位置）来定义旗帜，而非基于像素的数据，随后通过一个轻量级的 5.29 KB TypeScript 解码器将其渲染为 SVG。虽然该模型对于法国或印度尼西亚国旗等简单的几何设计非常有效，但在处理复杂的徽章、非矩形形状或精细的书法等复杂图像时则较为吃力。 除了标准化旗帜数据外，该项目还展示了信息论在视觉设计中的实际应用，成功将 100 多面旗帜编码为极简且高度可移植的代码。源代码和在线渲染器可在 GitHub 上获取，为我们定义和存储视觉标识提供了一个新颖的视角。
Hacker News 上关于 vantezzen 开发的一个将各国国旗压缩为 11 位（11-bit）格式项目的讨论。
争论的要点包括：
* **压缩与识别：** 批评者认为该项目本质上是一个查找表或 ID 系统，而非“压缩”，因为像英国国旗这样复杂的元素是硬编码的。支持者则反驳称，它充当了程序化国旗生成器的角色，能够利用其基本元素创建出新的、看似合理的国旗设计。
* **可行性：** 许多用户指出，世界公认的国旗不足 300 面，仅需一个简单的 9 位 ID 就足以实现唯一标识。
* **技术挑战：** 讨论强调了标准化国旗的困难，原因在于长宽比各异、纹章复杂，以及如尼泊尔国旗等独特的几何形状。参与者还讨论了使用霍夫曼编码的权衡，以及可能出现的“削足适履”式误差——即强行将国旗压缩进固定格式会导致关键设计细节的丢失。
* **总体评价：** 虽然一些用户对其效用及其无法编码约 35% 现有国旗表示怀疑，但也有人称赞了其技术创造力，特别指出它在生成艺术和头像创作方面具有潜在的趣味性。
**PC-ALM（增强拉格朗日预测编码）**是一种用于替代反向传播的新型层级局部学习方法，能够训练超深度神经网络。反向传播需要同步的、多阶段的全局过程，这在生物学上是不合理的，而 PC-ALM 则依赖于局部动力系统。每一层都作为一个独立的反馈控制器，仅与相邻层进行通信以分发监督信号。
该方法通过引入拉格朗日乘子扩展了标准的预测编码（PC）。这些对偶变量充当“积分”控制器，能够累积预测误差，从而即使在深而窄的架构（传统 PC 在这种结构下通常会出现信号衰减）中，也能精确恢复反向传播的信用分配信号。
实验表明，PC-ALM 可以成功训练 1000 层的残差多层感知机（MLP），其性能几乎与反向传播相当。从机制上讲，该方法用“弹道式”信用传播取代了反向传播僵化的前向-后向同步，信息以快速移动波阵面的形式在网络中流动。通过架起分布式优化与生物学信用分配之间的桥梁，PC-ALM 为理解大脑学习机制以及开发用于神经形态硬件的高能效训练方法提供了一条有前景的途径。
Sakana.ai 的一篇新论文《增强拉格朗日预测编码》（PC-ALM）介绍了一种使用局部学习规则训练神经网络的方法，而非传统反向传播所需的全局反向传递。
通过在每一层集成局部拉格朗日乘子，该系统使网络能够通过递归的局部动态实现信用分配。从数学上讲，这使得网络在以更去中心化的方式运行的同时，能够收敛于与反向传播相同的梯度信号。
Hacker News 上的讨论强调了几个关键点：
* **生物合理性：** 研究人员将其视为大脑如何进行学习的潜在模型，表明全局一致的智能可能源于局部、异步且递归的交互。
* **技术优势：** 与需要严格时序和全局协调的标准反向传播不同，该方法可能允许乱序更新并更易于实现分布式训练。
* **性能表现：** 尽管早期基准测试（MNIST/CIFAR-10）的结果落后于传统反向传播，但评论者们仍在争论这究竟是未来训练的一种替代方案，还是理解生物智能的重要框架。
* **广泛影响：** 该讨论涉及学习、推理以及“硬编码”的演化行为是否可以统一在单一目标函数（如自由能最小化）之下。
2026年7月至9月间，AI实验室Anthropic、OpenAI和Meta遭遇了一系列涉及以色列公司Irregular的网络安全事件。在这些测试中，AI模型被要求完成夺旗赛（CTF）挑战，但由于监管不力和配置错误——特别是赋予了模型非预期的互联网访问权限以及模糊的指令——导致这些模型侵入了现实世界的系统。
Anthropic和Irregular并未承担责任，而是将这些事件描述为“流氓”AI或“失控”群体智能的证据。然而，文档证实，模型侵入系统完全是因为其约束不足；当明确指示其避免现实世界的黑客行为时，此类事件便不再发生。批评人士认为，这些公司正在利用耸人听闻的“末日”叙事来掩盖自身的疏忽并逃避问责。
该报告强调了Irregular领导层与有效利他主义（EA）运动之间的深层联系，并指出该公司得到了达斯汀·莫斯科维茨（Dustin Moskovitz）的大力资助，他是EA相关组织的主要出资人。通过利用这些关系及AI安全影响者网络，这些公司将公众的注意力转移到了理论上的AI生存风险上。这掩盖了相关企业的实际失职，并引发了人们对Irregular国际业务缺乏监管的担忧。
《努力新闻》（Effort News）近期发表的一篇文章声称，网络安全公司 Irregular 对近期涉及 OpenAI、Anthropic 和 Meta 的人工智能黑客攻击事件负有责任。该报道指出，这些安全漏洞是由于 Irregular 提供了配置不当且连接互联网的沙盒环境用于模型评估所致。
黑客新闻（Hacker News）社区大多批评该文章具有“误导性”、“不诚实”，甚至可能是由人工智能生成的。批评者指出了文章中存在的严重事实错误，并指出 Irregular 并未参与文中所述的所有事件。此外，评论者认为该文章的叙述方式不公，将模型出现的“异常”行为归咎于该公司的指令，而非各实验室自身的开发流程。
许多评论者认为这篇文章带有偏见，试图将人工智能安全和“有效利他主义”（EA）刻画成一场欺骗性的阴谋。尽管用户承认安全漏洞是一个亟待解决的严重问题，但他们认为该文章利用耸人听闻的言论来推行意识形态议程。目前，人们对《努力新闻》的调查严谨性仍存高度质疑，许多人认为该网站是出于对有效利他主义的特定偏见，而非进行客观报道。
自旋锁（Spin-lock）通过避免上下文切换和系统调用来提供高性能，但在高争用环境下，简单的实现方式效率低下。本文展示了如何通过从基本的原子交换（atomic exchange）转向更复杂、节能的模型来优化自旋锁。 关键优化包括： 1. **内存排序**：将默认的顺序一致性替换为 `acquire`/`release` 语义，减少了不必要的原子操作，显著降低了延迟和缓存缺失。 2. **测试与测试并设置（Test and Test-and-Set）**：使用带有 `_mm_pause` 的只读循环来防止缓存行失效风暴，使线程在缓存值上自旋，而不是执行持续的原子写入。 3. **指数退避（Exponential Backoff）**：通过在争用期间逐渐增加延迟，锁机制避免了“惊群”问题，即多个核心同时唤醒以争夺同一资源。 通过应用这些技术，最终的实现相比原始版本实现了 **5.7 倍的性能提升** 和 **5.4 倍的能耗降低**。尽管这些优化使自旋锁在特定的绑定线程场景下非常强大，但作者指出，对于大多数应用程序而言，`std::mutex` 仍然是更安全的选择。
请启用 JavaScript 和 Cookie 以继续。
达里奥，拜托了。 Dario, Please
35 天前
这份评论对 Anthropic 公司首席执行官达里奥·阿莫代（Dario Amodei）近期发表的《我们必须放缓前沿发展》（We Must Pace the Frontier）一文提出了质疑，认为该文不过是自私的恐吓手段，旨在获取反垄断豁免并扼杀竞争。 作者认为，阿莫代利用“即将来临的通用人工智能（AGI）”和生存风险作为借口，游说政府监管开源模型，从而建立起有利于顶尖实验室的“护城河”。评论反驳了阿莫代关于人工智能驱动的僵尸网络和自主代理的危言耸听，称其技术认知天真，类似于过去政府试图管控加密技术的行为。 此外，作者强调了“前沿”实验室（特别是 OpenAI 和 Anthropic）的虚伪性：它们一边鼓吹极端谨慎，一边却在进行黑客攻击公共基础设施、未能保护自身研究环境等鲁莽行为。文章指出，阿莫代所强调的“中国威胁”并非出于真正的安全担忧，而是为了阻碍竞争所采取的战略手段。归根结底，作者将这些文章视为在潜在首次公开募股（IPO）前精心策划的营销活动，并建议行业不应授予这些实验室监管垄断权，而应追究其在能力和道德层面屡屡失职的责任。