主成分分析（PCA）和奇异值分解（SVD）是用于数据降维的强大数学技术。PCA 对协方差矩阵进行特征分解，而 SVD 则直接将数据矩阵分解为三个矩阵（$U, \Sigma, V^T$）。这两种方法密切相关：$V$ 的列代表主轴，而 $\Sigma$ 中的奇异值则表示每个分量所捕获的方差。
截断 SVD 通过仅保留前 $n$ 个奇异值并将其余部分置零来实现降维，从而创建原始数据的低秩近似。正如月球图像示例所示，仅使用极少数的分量即可重构出高度可辨识的图像，并实现显著的数据压缩。
其原理在于，前几个分量捕获了数据的主要方差，而后续的分量则代表细微、低振幅的细节。这种结构使 SVD/PCA 在数据压缩、图像处理和低秩近似方面极具价值。类似于傅里叶变换，这些方法将数据转换为易于处理的形式，将核心信息与噪声分离，为各类现代压缩系统提供了高效的基础。
每日HackerNews RSS
The Tudor Kings
35 天前
玫瑰战争结束后，亨利七世建立了都铎王朝，并将财政稳定和长子亚瑟的继位作为首要任务。亚瑟意外去世后，他的弟弟亨利王子被培养为父亲的继任者。1509年，亨利八世登基，起初他展现出了一位充满希望且运动能力出众的领袖形象。
然而，他的统治因对男性继承人的绝望与执着而变得扭曲。由于与凯瑟琳王后没有生下儿子，亨利感到非常挫败，遂要求废除婚姻。在教皇拒绝后，亨利利用当时兴起的新教改革为自己谋利，通过1534年的《至尊法案》与罗马教廷决裂。他建立了英国国教（圣公会），自任首脑，并清算天主教资产以充实国库。
亨利对继承人的追求导致他经历了六次婚姻，其统治动荡不安，处决了两任妻子、红衣主教沃尔西以及托马斯·莫尔。1536年受伤后，他的健康状况和脾气每况愈下，导致了暴政和宗教动荡。1547年亨利去世时，留下了一位年仅九岁的继承人、一个宗教信仰分裂的国家，以及一个正因其激进的政治与个人决策而苦苦挣扎的国度。
人工智能在数学领域的飞速发展，标志着以定理证明作为职业成功主要衡量标准的学术现状即将终结。随着人工智能具备解决重大开放性问题的能力，数学产出与人类专业知识之间的传统联系正在瓦解。 作者认为，尽管人工智能不可避免地会实现数学文本生成的自动化，但它无法实现人类理解的自动化。因此，这一行业必须将重心从单纯的定理证明转向培养深刻的、共享的理解。为了生存并繁荣发展，数学研究机构必须进行变革： * **研究生培养：** 博士教育应优先考察学生通过严谨答辩和交流展示深度概念掌握的能力，而非仅仅依赖基于论文的发表。 * **评估体系：** 机构的门槛应转向奖励那些人类独有的社交与智力技能，如研讨会参与、教学及协作性提问。 * **社区价值观：** 核心使命应是培养一个共同探索好奇心与复杂思想的社区。 归根结底，作者保持乐观：人工智能能够以低廉的成本“解决”数学问题，这将使人类得以从繁重的劳动中解放出来，去从事真正无限、深刻且具有反思性的数学图景探索工作。
本次 Hacker News 的讨论围绕 Daniel Litt 提出的一项建议展开：将数学博士项目的核心从书面论文转向严格的口头答辩。
**主要观点包括：**
* **验证理解深度：** 支持者认为，在人工智能可以生成证明的时代，解释、辩护和展示深层概念理解的能力，是比静态文档更可靠的专业素养衡量指标。
* **“人在回路”（Human-in-the-loop）问题：** 批评者和支持者都担心，人工智能驱动的数学研究存在产生人类无法真正理解的结果的风险。一些人认为，口头答辩能迫使导师和学生弥合人工智能生成的“语法”与人类“直觉”之间的鸿沟。
* **制度改革：** 评论者讨论了学术界是否已过度脱离交流，有人建议转向口头严谨性（这在许多欧洲国家已是常态），以对抗研究的商品化。
* **质疑态度：** 批评者指出，口头答辩可能流于形式，容易受到学术政治影响，或对有怯场心理的人存在偏见。另一些人则认为，如果数学的目标是“真理”，那么无论人类是否能理解，人工智能生成的证明依然具有价值。
微软最新一轮的安全更新引入了若干干扰性故障，削弱了该公司为提升软件质量所做的努力。多个 Windows 版本和 Office 版本的用户反映出现了严重的系统功能故障： * **远程桌面服务 (RDS)：** 连接失败，且关联工具（如文件资源管理器和 MMC）出现无响应。微软建议重启虚拟机作为临时解决方案。 * **USB 音频：** 部分 USB Audio Class 1.0 设备失去功能，包括声音、音量控制和多声道支持。微软建议切换至双声道模式作为临时修复。 * **Excel：** 一项安全补丁导致“粘贴”操作在静默状态下失败，目标数据未被修改且不会向用户发出提示。 微软已确认上述问题并正在研究修复方案，但尚未提供具体的时间表。由于这些更新通常会自动安装，许多用户可能在毫无预警的情况下受到影响。目前，针对 Excel 问题的首要“解决方案”是卸载该安全补丁，但这会让系统面临安全风险。微软尚未针对这些问题提供永久性的官方替代方案。
本文基于 2026 年 9 月 8 日的一次会话，对 Meta 的个人 AI 智能体 Meta Muse 进行了黑盒调查。本研究不分析 AI 模型本身，而是侧重于该智能体的运行时架构，特别是子智能体编排和负载管理。
通过使用该智能体公开的基于 PostgreSQL 的诊断工具，作者分析了系统如何处理“扇出”（即生成多个子智能体）。研究发现：
* **负载敏感度**：同时生成的子智能体请求数量增加，会导致数据库锁超时现象急剧上升。在 40 次尝试的爆发测试中，失败率为 2.5%；而在 120 次尝试的爆发测试中，失败率高达 72.5%。
* **资源竞争**：失败是由 PostgreSQL 内部生成写入路径上的资源竞争引起的。
* **聚合不完整**：即使子智能体成功完成了任务，系统偶尔也会无法向用户提供最终的汇总响应，尽管持久化跟踪记录显示各个工作单元已完成任务。
* **监控局限性**：界面显示的“错误”状态或沉默期并不总是任务失败的准确指标；即使 UI 显示任务已终止，后台任务仍可能继续执行或最终成功。
作者强调，虽然这些发现有持久化日志支持，但它们仅代表单次会话的观察结果，而非正式的性能基准测试。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
Kamal – 将 Web 应用部署到任何地方，从裸机到云端虚拟机 (kamal-deploy.org)
11 分，由 linkdd 发布于 1 天前 | 隐藏 | 过往 | 收藏 | 讨论 | 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
当使用多个大语言模型作为裁判（LLM-as-a-judge）时，简单的多数投票或加权投票通常假设每个裁判都是独立行动的。然而，模型往往共享训练数据来源、提示词或盲点，从而导致相关性错误。因此，一致投票所提供的真实证据可能比表面看起来要少。 在 ICML 上发表的论文《基于伊辛模型的 LLM-as-a-judge 依赖感知标签聚合》（Dependence-aware label aggregation for LLM-as-a-judge via Ising models）通过将裁判小组视为一个网络来解决这一问题。作者利用无监督伊辛模型，开发了一种能够同时学习个体裁判可靠性及其成对依赖关系的方法。通过折减冗余或相关的共识，该系统提供了更准确、更稳健的汇总评分。 在针对相关性、毒性和摘要任务的测试中，这种依赖感知方法比传统的多数投票基准表现高出 9% 到 14%。作者总结认为，团队应将裁判小组视为相互关联的系统，而非独立个体的集合。通过分析共识模式，机构可以识别共同偏见，优化模型的多样性，并根据评估来源的实际独立性来校准置信度。
该项目展示了基于 GPU 加速的黑腹果蝇中枢神经系统（CNS）连接组模拟，包含 165,122 个神经元和超过 2,500 万条边。该系统在基于 MuJoCo 的“NeuroMechFly”身体模型中运行，模拟了 12 只果蝇在共享区域内的活动，利用连接组驱动其针对视觉线索的运动行为。
至关重要的是，作者强调这仅是一次工程演示，而非生物学复制或“数字孪生”。项目明确记录了关键局限性：果蝇不表现出社交行为，没有视觉功能（而是使用基于坐标的分析编码器），且缺乏飞行或腹神经索的控制功能。果蝇聚集在物体附近仅仅是因为神经网络被设定为趋向大型视觉刺激。
该项目遵循严格的“证据级”准则：每个参数均根据来源进行分类，研究结果经过预注册，失败的实验会被归档而非丢弃。该模拟在 NVIDIA GPU 上运行，并在闭环中执行完整的图计算。项目未声称任何生物学假设，重点在于模拟机制以及构建和验证过程背后严谨、透明的方法论。
机器学习的定义在于泛化能力——即在未见过的数据上表现良好，而非仅仅是死记硬背训练集。该领域长期存在一个谜题：为什么研究人员通过在固定基准测试上进行多年的迭代式“爬坡”，却避免了预期会出现的过拟合陷阱？ 近期利用自主人工智能代理的研究提供了一个令人信服的解释：**奥卡姆剃刀原理**。研究表明，成功的机器学习策略具有高度可压缩性。当代理在基准测试上进行实验时，其复杂且曲折的研究路径往往可以被提炼为几“比特”的信息——即由超参数和架构选择组成的简明配方。 通过强迫这些策略通过严格的“信息瓶颈”（即少量的标记），研究人员证明了任何能够被压缩为短提示词的策略都具有良好的泛化能力。相反，过拟合——即编码了特定数据的噪声而非底层模式——无法在压缩中存活。这意味着机器学习的进步之所以能够持续，是因为其核心的有效策略本质上是简单且可交流的。归根结底，这项研究表明，如果一项研究成果能够被提炼成几个标记，那么它很可能是一个稳健的发现，而非统计学上的侥幸。
关于“为什么机器学习研究智能体不会过拟合？”这一主题的 Hacker News 讨论，集中探讨了学习理论模型与现代人工智能实践现实之间的张力。
主要观点包括：
* **关于过拟合的争论：** 参与者探讨了模型是否真的会过拟合。有人认为更大规模的模型自然存在过拟合风险；另一些人则指出“双重下降”（double descent）现象，即模型规模超过一定阈值后，泛化能力反而会提升。
* **理论视角：** 用户讨论了奥卡姆剃刀定律、贝叶斯解释和 PAC 学习理论。一些人认为更简单的模型本质上更可能正确；另一些人则反驳称，这些框架往往过于抽象，无法应用于当前的深度学习实践。
* **对“AI 垃圾内容”（AI Slop）的批评：** 很大一部分评论集中在原文的质量上。许多用户批评该文章具有大模型生成内容的典型风格（即“Claude 腔”），认为其内容空洞，属于“垃圾内容”。
* **方法论担忧：** 评论者质疑该文章的观点缺乏同行评审支持，并指出过度依赖 AI 进行整合，正导致高质量的人工技术写作日益减少。