**tawc** 是一个无需 Root 权限即可在 Android 上运行命令行及图形界面 Linux 应用程序的项目。它通过使用 **tawcroot**（一种高性能、单进程的 PRoot 替代方案）以及基于 Smithay 的 Wayland 合成器来实现这一功能。 主要功能包括： * **硬件加速：** 使用 `libhybris` 的自定义分支，将 Linux 应用与原生 Android 图形驱动（GLES/Vulkan）连接起来。 * **无缝集成：** Linux 应用可添加到 Android 主屏幕，并出现在应用切换器中。它包含一个内置的 Termux 终端组件和进程管理器。 * **兼容性：** 支持 Arch Linux ARM 或 Debian 等标准发行版。 * **功能性：** 支持 XWayland，并允许 Linux 程序访问 Android 存储空间。 该项目主要由 Anthropic 的模型辅助开发，采用 GPLv3 协议开源。它要求 Android 10 及以上版本，目前针对 arm64 架构进行了优化。尽管它比传统替代方案更快，但仍未达到原生运行速度，且缺乏完全的沙盒隔离。开发者欢迎用户提交错误报告和功能请求，前提是这些内容需有清晰的文档记录，并区分人类创作与人工智能生成的内容。
每日HackerNews RSS
对不起。
请启用 JavaScript 和 Cookie 以继续。
最近一篇 Hacker News 帖子讨论了《政治报》（Politico）的一篇报道，该报道详述了以色列为影响 ChatGPT 回复所做的努力，在用户中引发了激烈辩论。
讨论很快超出了文章本身的前提，演变成关于以巴叙事的更广泛冲突。以色列立场的支持者认为，该国正为生存而与地区敌人进行必要的抗争，因此有必要采取积极的公共关系策略。相反，批评者谴责以色列政府的军事行动，引用人道主义危机的报道，并指出伊塔马尔·本-格维尔（Itamar Ben-Gvir）等强硬派官员的煽动性言论，以此作为政府内部存在极端主义影响的证据。
除了具体的地缘政治冲突外，用户还辩论了人工智能在塑造公众舆论方面的广泛影响。许多人担忧，如果国家支持或带有偏见的实体操纵人工智能模型和训练数据，它们可能有效地编纂“不容置疑”的历史，从而导致一个由拥有资源影响这些系统的人来主宰真相的反乌托邦未来。该贴文凸显了人们对基于搜索的人工智能工具及未来训练集如何被武器化以扭曲全球共识的日益焦虑。
Geek Fighter 需要 JavaScript 才能进入竞技场。
对不起。
伟大的创意往往脆弱，且在萌芽阶段常显得“糟糕”或非同寻常。由于人类天生在意他人的评判，共享办公空间等协作环境反而可能扼杀创新，迫使创造者为了迎合“合理”或流行的想法而妥协。 为了实现开创性的工作，创造者——从数学家亚历山大·格罗滕迪克（Alexander Grothendieck）到导演英格玛·伯格曼（Ingmar Bergman）——必须培养一种孤独的状态。这不仅仅是物理上的隔绝，更是一种“心境”，让他们能够绕过自我审查，拥抱困惑，并追求纯粹的个人好奇心，而非寻求社会认同。 由于这种状态极不稳定，创造者往往会养成严谨的习惯、仪式，并构建心理上的“保护装置”，以捍卫内心的专注，使其免受外部期望的干扰。尽管社会往往以怀疑的眼光看待这种维持空间所需的行为（如不随波逐流、执着或社交退缩），但正是这些边缘地带，才是最深刻创新诞生的地方。归根结底，独处的能力不仅是一种创造性工具，更是任何寻求超越时代既定界限的人所必需的条件。
抱歉。
在经历了数十年的稳步增长后，美国的高等教育行业已开始显着衰退。美国劳工统计局的数据显示，自2025年1月达到峰值以来，公立和私立高等教育的总就业人数减少了9.5万人。与保持稳定的整体劳动力市场不同，这种收缩是高校独有的现象。 此次低迷主要由两个因素驱动。直接诱因是联邦研究经费削减、机构招聘冻结以及高学费的国际学生入学率下降了17%。在这些政策驱动的冲击之上，还叠加了一个长期的统计学趋势：18岁人口数量已达峰值，预计在未来十年内将持续减少。 与以往的经济波动不同，这并非由技术或市场力量驱动的周期性波动，而是由华盛顿特定的政策决定和不可避免的人口结构变化所引发的结构性衰退。专家警告称，与2020年后的复苏不同，高等教育行业不太可能出现反弹。
抱歉。
此文献集梳理了人工智能（AI）与机器学习（ML）在制药行业中的演变与融合。所列参考文献涵盖了从深度学习（如 CNN 和 LSTM）的基础性发展，到其在药物研发、蛋白质结构预测（如 AlphaFold）及临床试验优化等高难度领域的前沿应用。 核心主题包括： * **方法论的进步：** 从传统计算化学向深度生成模型、强化学习及大语言模型的转变，旨在实现从头药物设计（de novo molecular design）与生物系统建模。 * **药物发现与开发：** AI 在靶点识别、表型筛选（如 Cell Painting）以及“设计-合成-测试-分析”（DMTA）循环优化中的应用。 * **实施中的挑战：** 对当前 AI 实践的关键评估，强调了“可重复性危机”、建立稳健基准测试（如 CASP、CACHE）的必要性，以及数据泄露和模型过拟合带来的风险。 * **未来展望：** 通过整合多组学、电子健康记录及“器官芯片”模型，旨在弥合计算机模拟预测与临床成功之间的鸿沟，从而改善这一历来高失败率领域的研发生产力与决策水平。
包括 Meta 的马克·扎克伯格、OpenAI 的山姆·奥特曼和 Anthropic 的达里奥·阿莫迪在内的科技行业领袖，正越来越多地发布长篇宣言来支持人工智能。扎克伯格最近那封长达 6500 字的信《未来属于每个人》（The Future is for Everyone），是继马克·安德森在 2023 年推广“技术乐观主义”主题后，将人工智能定义为变革性积极力量的最新尝试。
这些文件具有多重目的：它们使首席执行官们能够将自己定位为“商业哲学家”，塑造行业的监管方向，并应对广泛存在的社会和经济担忧，例如就业替代和安全风险。通过倡导开源人工智能，扎克伯格等人旨在影响这些强大工具的开发，同时将他们的公司置于技术革命的最前沿。
然而，批评人士以怀疑的眼光看待这些宣言，将其贴上冗长公关活动的标签。经济学家和观察家认为，这些声明是试图缓解围绕人工智能社会影响的负面讨论。归根结底，尽管高管们试图营造一种进步的叙事，但这种乐观情绪在现实世界中的益处仍属推测，关于安全、劳动力市场稳定和企业责任的重大问题仍未得到解答。
抱歉。
受网络作家 Ratfactor 的启发，作者采用了一种基于纸张的“项目堆叠”系统来管理任务。这种方法介于卡片盒笔记法（Zettelkasten）与传统待办事项清单之间：每项任务都写在单独的卡片上（作者重新利用了旧名片），只需专注于最上面的一项任务。一旦完成，卡片就会被移至“已完成”堆叠，从而直观地记录进度，带来成就感。
为了整理这些卡片，作者最初尝试了一个简单的带标签文件夹原型。在发现这种触感直观、低门槛的系统能有效减轻大脑负担后，作者最终决定制作一个定制的展示架。通过利用废弃的披萨盒、热熔胶枪和简单的纸板手工技巧，作者打造了一个专属的整理架。新设计包含一个用于放置当前任务的倾斜支架，以便时刻提醒，还有一个可轻松放在桌面上的便携底座。总之，作者称赞这种低科技方法简单、专注，并对利用回收材料制作个性化生产力工具所带来的创造性满足感给予了高度评价。
这篇 Hacker News 帖子讨论了一位用户分享的创意整理方法：利用真正的披萨盒来收纳和管理项目组件。
评论者最初被标题误导，一些人以为是在讨论复古的“披萨盒”式计算机外形（如 SGI Indy 或 SPARC 10）或是软件技术栈。而实际上，该项目涉及使用披萨盒来存放特定任务所需的材料，从而方便清理与存储。
其他用户也分享了各自的整理策略，例如使用浴室收纳用的可堆叠塑料托盘来收纳并携带电子项目。该帖子凸显了创客们共同面临的难题：如何在处理多个进行中的项目时保持工作空间的整洁。总的来说，社区认为这种对“披萨盒项目堆叠”的字面解读既出人意料，又非常实用。
首个设计蛋白质疗法的人体试验震惊美国神经科学家 First human trials of designer protein therapies stun US neuroscientists
75 天前
在最近的一次美国国立卫生研究院（NIH）脑计划（BRAIN Initiative）会议上，研究人员惊讶地获悉，中国已启动了至少七项将“化学遗传学”技术用于人体的临床试验。这项技术由布莱恩·罗斯（Bryan Roth）于20年前开发，通过病毒载体引入“设计受体”（DREADDs），从而精准抑制特定的神经回路。 虽然DREADDs长期以来一直是实验室神经科学的主要工具，但由于重大的商业和安全障碍，此前从未在临床环境中使用过。中国的这些试验正在测试将其用于治疗难治性癫痫、帕金森病和神经病理性疼痛——这些疾病通常需要进行侵入性脑部手术作为最后手段。 尽管这种方法为传统治疗提供了一种高精度的替代方案，但它也存在风险，包括对病毒递送载体产生潜在的免疫反应。然而，这些试验的迅速扩大表明其已显示出初步的安全性。专家将这一进展视为一个重要的里程碑，并指出如果这些试验获得成功，通过实现基于回路的靶向治疗，可能会彻底改变神经精神疾病的治疗方式。这一发展进一步巩固了中国在神经科学领域日益增长的领导地位。
抱歉。
请启用 JavaScript 和 Cookie 以继续。
近期 Hacker News 上关于 AI 在药物研发中应用的一场讨论，凸显了当前 AI 炒作与实际临床成果之间日益扩大的鸿沟。虽然 AI 工具在加速结构建模和数据处理等特定任务上正变得越来越有用，但评论者认为，该领域目前陷入了“缺乏数据”的研究循环。
讨论的主要要点包括：
* **数据瓶颈：** 真正的突破受到高质量、可重复实验数据匮乏的限制。将先进模型应用于规模小且杂乱的数据集往往效果不佳，导致研究人员要么回归传统方法，要么转向纯计算模拟以证明使用 AI 的合理性。
* **超越“蜜罐陷阱”：** 专家建议，重点必须从建模容易获取的数据转向生成稳健、有针对性的数据，即使这样做既昂贵又耗时。
* **实用性与新颖性：** 专业人士目前将 AI 用作现有工作流程（如脚本编写或蛋白质折叠）的高效“力量倍增器”，而非变革性新发现的源泉。
* **扩展挑战：** AI 或许能识别出新的候选药物，但它无法解决药物制造、临床试验以及将其规模化以供现实患者使用时所面临的巨大物理、经济和伦理挑战。