55年前登月游戏中的错误

1969年，在尼尔·阿姆斯特朗历史性登月几个月后，马萨诸塞州列克星敦高中的学生吉姆·斯托勒编写了第一个登月着陆游戏。到1973年，它已成为当时最流行的电脑游戏。玩家通过控制燃料燃烧量来引导登月舱垂直降落。

作者在探索以最少燃料、最平稳着陆的最优策略（即“自杀式燃烧”）时，发现了一个令人惊讶的问题：理论上最优的着陆点速度略高于理想值，但只需增加极其微小的燃烧量，登月舱就会完全错过月表。这表明游戏的物理模拟存在缺陷。

经过深入分析，作者发现了游戏代码中的一个错误：在计算登月舱轨迹最低点（速度为零点）所用的二次求根公式中，分母根号内的项少除了一个2。

• 游戏原本的高明之处：令人惊讶的是，作为1969年的高中生，吉姆·斯托勒没有使用常见的简化欧拉积分，而是采用了精确的齐奥尔科夫斯基火箭方程并进行泰勒级数展开，以减少计算误差。为了处理轨迹最低点的计算（该方程无封闭解），他巧妙地使用了一种在数值计算中更稳定的替代形式的二次公式（将平方根放在分母），以避免当推力近似于重力时可能出现的数值不稳定问题。
• 错误的影响：由于公式中缺失了“除以二”，游戏持续低估了到达轨迹最低点的时间。这使得最优的“自杀式着陆”策略（全程满推力直至瞬间刹停）无法实现，因为游戏会误判登月舱已穿过月表。
• 错误长期未被发现的原因：尽管存在此缺陷，但游戏本身的玩法和挑战性依然存在，玩家可以通过其他策略平稳着陆并享受游戏。因此，这个bug潜伏了近55年才被发现。

总的来说，这个发现凸显了吉姆·斯托勒在计算机科学尚未普及的年代，作为高中生所展现出的卓越的数学和物理模拟能力，同时也解释了为何这个微妙的数值计算错误能长期隐藏于这款经典游戏之中。

Nvidia Warp：用于高性能GPU模拟与图形处理的Python框架

Nvidia Warp 是一个用于GPU加速模拟、机器人技术和机器学习的Python框架。它能够将普通的Python函数通过即时编译（JIT）转化为高效的内核代码，可在CPU或GPU上运行。Warp 提供了丰富的基元，用于物理模拟、机器人学、几何处理等领域。其内核是可微分的，可以与PyTorch、JAX和Paddle等机器学习框架集成，用于构建机器学习流水线。

核心功能与特性

• GPU加速的JIT编译：自动将Python函数编译为针对CPU或GPU优化的内核代码。
• 丰富的模拟基元：内置用于物理模拟、机器人、几何处理等的多种工具。
• 可微分性：内核支持自动微分，便于集成到机器学习管道中。
• 跨平台支持：支持在Windows、Linux（x86-64， ARMv8）和macOS（Apple Silicon）上运行。GPU加速需要支持CUDA的NVIDIA GPU（最低GeForce GTX 9xx系列）。

快速入门示例

文档提供了一个20行代码的示例，演示了如何模拟一百万个粒子在引力作用下的运动。核心步骤包括：

1. 导入Warp和NumPy。
2. 定义一个使用@wp.kernel装饰器的Python函数gravity_step，其中包含计算引力加速度和更新粒子位置与速度的逻辑。
3. 使用NumPy生成随机的初始位置和速度数组，并通过wp.array转换为Warp数组。
4. 在循环中调用wp.launch函数，在GPU（或CPU）上执行内核。

安装与运行

• 系统要求：需要Python 3.10或更新版本。
• 安装方式：最简单的方式是通过PyPI安装：pip install warp-lang。如需运行示例，可安装额外依赖：pip install warp-lang[examples]。也提供conda和从源码构建的选项。
• 运行示例：示例位于warp/examples目录下，涵盖物理模拟、几何处理、优化等领域。可通过命令行运行，例如：python -m warp.examples.<example_subdir>.<example>。大多数示例支持CPU或CUDA设备，部分示例仅需CUDA设备。
• 教程资源：提供Jupyter Notebook教程，可在Google Colab中打开。

示例库概览

Warp的示例库按类别组织，主要包括：

• 核心示例 (core)：涵盖DEM（离散元法）、流体、图捕获、行进立方体、网格处理、NVDB、光线投射、光线行进、采样网格、SPH（光滑粒子流体动力学）、与PyTorch集成、波浪模拟、二维不可压缩湍流等。
• 有限元示例 (fem)：涵盖三维扩散、混合弹性、APIC流体、流线、畸变能、Taylor-Green涡流、Kelvin-Helmholtz不稳定性、静磁学、自适应网格、非协调接触、Darcy水平集优化、弹性形状优化等。
• 优化示例 (optim) 和 瓦片编程示例 (tile)。

学习资源与支持

• 提供产品页面、GTC/SIGGRAPH教程与演讲幻灯片等学习材料。
• 常见问题可查看FAQ，问题与功能请求可在GitHub Issues提交，或通过邮件联系。
• 鼓励社区通过Pull Request参与贡献。
• 采用Apache License 2.0许可证。

构建与引用

• 从源码构建：构建过程会自动下载NVIDIA libmathdx库。
• 引用：如需在研究中引用Warp，请使用GitHub仓库的“Cite this repository”功能。

IKEA通过提高工资解决全球“不开心工人”危机

背景与问题
IKEA面临严峻的员工流失危机：在美国，工人大量离职；在英国和爱尔兰，半数新员工在入职一年内离开；全球每年超过62,000名员工离职，约占劳动力总数的三分之一，每次离职替换成本超过5,000美元。大流行期间的劳动力短缺加剧了招聘和保留难度。零售行业普遍因工资低、排班不规律和客户冲突导致高离职率，IKEA也受波及，部分市场出现工会抗议和员工不满事件。

解决方案
IKEA采取多维度措施应对：

• 提高薪酬：在全球多个地区上调起薪和奖金，缩小性别工资差距。例如，伦敦时薪从11英镑增至13.15英镑，并为生活成本较高的地区设立新的薪资等级。
• 增强灵活性：优化排班系统，引入在线换班工具（如美国试点项目允许员工无需经理批准交换班次），调整可用性时间，并为英国兼职员工增加远程客服小时数以缓解收入压力。
• 技术应用：使用AI工具“Stay”分析离职风险数据，向管理者发出预警；改善新员工入职流程，增加反馈频率。
• 福利改善：在印度提供补贴日托、26周育儿假和五天工作制；在英国为员工提供定制化排班以平衡通勤和生活需求。
• 工会关系调整：与工会谈判，原则上同意员工组织权和工会代表进入商店（但美国未达成协议），以维护员工权利。

结果
措施取得显著成效：

• 美国自愿离职率从2022年的三分之一降至2023年底的约四分之一。
• 全球离职率从2022年8月的22.4%降至2024年4月的17.5%。
• 员工满意度提升，例如英国员工因灵活排班更愿意留任，并通过培训获得晋升机会。

剩余挑战
尽管进展明显，IKEA仍面临一些挑战：

• 部分市场离职率上升（如日本因劳动力市场紧张）；法国临时工转正导致离职率增加；波多黎各仓库员工因薪酬和待遇问题投票工会化。
• 员工心理健康和残疾员工支持有待加强；个别员工对沟通和微管理仍不满意。
• 全球范围内需持续优化福利和工作环境以适应不同地区需求。

IKEA的案例表明，通过系统性提高薪酬、灵活性和技术应用，零售业可有效缓解员工流失，但需持续关注局部问题和员工福祉。

科幻作家姜峯楠（Ted Chiang） 已获得 2024年度PEN/伯纳德与安·马拉默德短篇小说卓越奖。该奖项每年授予一位“在短篇小说领域展现出非凡成就”的作家。

姜峯楠已出版两部短篇小说集：《你一生的故事》与《呼吸》，两者均获得多项荣誉，包括四次雨果奖和四次星云奖。奖项委员会主席郑润（Jung Yun）称赞姜峯楠的作品“令人叹为观止”，并“邀请读者去思考、想象，并探索超越自身世界的独特领域”。她还指出，姜峯楠是伯纳德·马拉默德信念的典范，即短篇小说能在短时间内“带来深刻认知的惊奇与效果”。

姜峯楠加入了此前的获奖者行列，包括埃德维奇·丹蒂凯特、李翊云、查尔斯·巴克斯特、莉迪亚·戴维斯、约翰·埃德加·怀德曼、阿米娜·戈蒂埃、琼·西尔伯、裘帕·拉希莉、乔伊·威廉姆斯和黛博拉·艾森伯格。

该奖项的正式颁发将于 2024年12月6日（星期五） 在年度PEN/马拉默德奖颁奖典礼上进行。

文章标题： 请在广告期间保持眼神接触

内容摘要： 文章内容显示一条错误消息，指出在x.com上出现了问题，可能与隐私相关扩展有关。消息鼓励用户不要担心，并建议禁用这些扩展后再次尝试。整体强调了广告期间保持眼神接触的要求与错误处理之间的关联。

德国气候绿化项目欺诈事件概述

事件曝光与规模

• 2024年6月，德国环境委员会披露，60个位于中国的“上游排放减排”（UER）气候保护项目中，有40个涉嫌欺诈，被德国环境署列为欺诈嫌疑人。
• UER项目旨在资助石油和天然气开采的环保技术，以抵消德国的温室气体排放配额（THG-Quote）。但调查发现，许多声称的减排设施并不存在或夸大效果。
• 预计总损失可能超过45亿欧元，涉及超过760万吨虚假二氧化碳减排量。

欺诈手段与案例

• 油田企业通过伪造文件和项目，声称在中国（主要是新疆地区）建设了环保设施，从而在德国出售碳配额证书，每吨二氧化碳最高可获利400欧元。
• 具体案例包括：
  • 一个项目声称减排100万吨二氧化碳（价值约1.8亿欧元），但实际设施可能从未存在。
  • 另一个项目获得8000万欧元资金，但最终仅建设了一个鸡舍。
• 德国审查机构被指在审核中疏忽，未使用卫星图像等基本手段验证项目真实性，甚至修改数据以夸大减排效果。

监管漏洞与应对

• 德国环境部与联邦环境署早在2023年8月已收到欺诈指控，但被批评反应迟缓。
• 2024年4月，一家中国石油公司主动向德国环境部举报文件造假，但未得到积极回应。
• 德国政府于2024年6月8日通过法规，计划于2024年底停止资助中国的UER项目。
• 环境部正与外交部合作，推动中国政府允许德国独立调查团进入现场核查。

政治与行业批评

• 联盟党批评环境部监管不力，称其“错误认证和松懈检查”导致重大经济损失和气候信誉危机。
• 德国汽车俱乐部（ADAC）指出，欺诈项目扭曲了THG配额市场，削弱了电动汽车的补贴激励。
• 生物质能源行业代表批评政府机构无视举报，批准“明显伪造”的项目。

后续行动

• 德国正与法国、荷兰合作，将此事提交欧盟部长理事会，推动欧盟委员会加强监管和认证体系改革。
• 各方呼吁德国政府明确监管责任，建立更严格的跨境项目核查机制。

Augmental公司及其口控触控板技术

创始人背景与公司愿景

• 创始人托马斯·维加（Tomás Vega）幼时因口吃体验到残障带来的挑战，从而对增强人类能力的技术产生浓厚兴趣，并萌生同理心。
• 他在加州大学伯克利分校和麻省理工学院求学期间，致力于为残障人士开发辅助技术。
• 2019年，维加与共同创始人科尔顿·辛格（Corten Singer）在MIT媒体实验室的研究基础上，创立了Augmental公司，旨在通过技术无缝连接运动障碍人士与数字设备，提升科技的可及性。

核心产品：MouthPad

• 功能与原理：MouthPad是一款放置于口腔上颚的触控设备，通过压力感应触控板和运动传感器，将用户舌头和头部的运动实时转化为光标移动和点击操作，经蓝牙连接电脑、手机或平板。
• 设计优势：利用舌头肌肉不易疲劳、控制精度高的特点，提供了一种不依赖手部操作的输入方式。
• 定制化生产：设备基于用户口腔3D扫描数据定制，采用牙科级材料3D打印制成。
• 多样化操作：支持舌滑、吸吮、咬合、头部追踪等多种交互方式，适应不同用户的能力水平。

应用场景与用户影响

• 主要服务于脊髓损伤等导致手部或头部活动受限的用户，已实现日常使用。
• 案例：一名四肢瘫痪的大学生用户依靠MouthPad完成课堂笔记、数学公式书写及社交娱乐，显著提升了独立性和生活质量。
• 该设备也吸引了游戏玩家和程序员等群体，日均使用时长可达9小时，体现了其融入日常生活的有效性。

未来发展计划

• 医疗器械认证：计划在未来一年内获得美国FDA批准，以拓展至轮椅、机器人手臂等控制场景，并使用户能通过保险报销，提高产品可及性。
• 技术升级：正在开发新一代系统，旨在识别低语及更细微的内部语音器官动作，以帮助肺功能受损的用户。
• 长期愿景：致力于打造一种始终可用、稳健且隐私性强的人机智能接口，顺应AI与硬件融合的趋势，使其成为普适性的增强工具。

苹果AI技术路线分析：核心模型性能与设备端策略

核心模型性能表现

苹果基础模型聚焦个性化、性能和设备端尺寸三大方向。设备端模型约30亿参数，在对比评估中显著优于Gemma、Phi 3等同级模型。服务器模型则达到GPT-4早期版本水平，超越DBRX、Mixtral 8x22B等B级模型，但未超越GPT-4-Turbo。苹果采用混合数据策略，结合人工标注与合成数据，并开发了两种新型后训练算法：

1. 带教师委员会的拒绝采样微调：在Llama系列采用的拒绝采样基础上引入奖励模型集成，提升信号稳健性
2. 基于镜像下降策略优化的RLHF算法：相比PPO具有理论改进——采用反向KL散度方向，支持全数据集更新，可能带来更好的策略探索能力

设备端与服务器策略

设备端创新：

• 模型量化后仅占用1GB内存，推理时需3.2GB
• 采用适配器架构，按需加载特定任务微调模块（如邮件摘要、图像生成等）
• 通过App Intents标准接口实现跨应用功能调用
• Talaria技术实现高效模型量化与内存管理

服务器端保障：

• 完全基于苹果自有基础设施运行
• 实施安全飞地、安全启动、端到端加密、无持久存储等隐私保护措施
• 将公开安全架构供第三方验证
• 使用授权内容进行训练，符合行业常规

对齐技术与行业定位

苹果通过人类评估显示其模型在特定任务上具有竞争力。技术重点在于将AI深度集成到现有数字生态，而非追求极限性能。这种“渐进式创新”路径与Meta的通用AI助手形成对比——苹果强调技术作为“力量倍增器”，增强现有设备价值而非颠覆使用习惯。

系统集成特点：

• 多模型架构根据请求复杂度动态路由
• 隐私优先设计贯穿全流程
• 秋季推出覆盖全设备的AI功能套件
• 允许用户选择外部语言模型服务

行业影响意义

苹果展示了不同于性能竞赛的AI发展路径：通过精细的系统工程，将30亿参数模型的功能扩展到12类应用场景。其技术报告中透露的算法细节，为行业提供了PPO之外的RLHF改进方向。设备端AI的成功验证了轻量化模型的实用价值，可能推动更多厂商优化本地AI能力而非单纯追求参数规模。

POSIX.1-2024 标准发布

发布信息：

• POSIX.1-2024 标准已由 IEEE 发布。

IEEE Xplore 网站功能：

• 提供用户账户管理服务，包括更改用户名/密码、更新地址、查看购买详情、付款选项、订单历史和已购文档访问。
• 支持个人资料设置，如通信偏好、专业和教育背景、技术兴趣。
• 包含帮助部分，提供美国和加拿大（+1 800 678 4333）及全球（+1 732 981 0060）的联系与支持信息。
• 网站具有“关于 IEEE Xplore”板块，涵盖联系我们、帮助、无障碍、使用条款、非歧视政策、站点地图、隐私和退出 Cookies 等链接。

IEEE 组织简介：

• IEEE 是一个非营利组织，被描述为世界最大的技术专业组织，致力于推进技术造福人类。
• 版权信息为© 2026 IEEE，保留所有权利；使用网站即表示同意其条款和条件。

OpenAI任命退役陆军上将保罗·中曾根加入董事会

OpenAI宣布，网络安全领域专家、退役美国陆军上将保罗·中曾根（Paul M. Nakasone）已加入其董事会。此次任命体现了OpenAI对安全的高度重视，并凸显了随着人工智能技术影响不断扩大，网络安全的重要性日益增长。

主要职责与目标

• 中曾根的首要任务是加入董事会的安全委员会，该委员会负责就OpenAI所有项目和运营的关键安全决策向全体董事会提出建议。
• OpenAI强调，保护其系统（包括大型AI训练超级计算机、敏感模型权重及客户数据）的安全对于实现其使命至关重要。随着AI向通用人工智能（AGI）发展，OpenAI需持续提升应对复杂网络安全威胁的能力。
• 中曾根将凭借其专业知识，为OpenAI利用AI增强网络安全提供见解，例如快速检测和应对网络攻击。OpenAI认为，AI有望为医院、学校、金融机构等常受攻击的机构带来显著安全效益。

各方表态

• OpenAI董事会主席布雷特·泰勒表示，中曾根在网络安全等领域的丰富经验将指导OpenAI实现其使命，确保通用人工智能造福全人类。
• 中曾根本人表示，OpenAI的使命与其公共服务价值观和经验高度契合，他期待为推动通用人工智能的安全与有益发展做出贡献。

背景介绍 保罗·中曾根是网络安全、技术推进和全球网络防御领域的领军人物。其职业生涯中曾主导创建美国网络司令部，并作为该司令部任职时间最长的负责人领导了美国国家安全局，负责保护美国数字基础设施并提升国家网络防御能力。他还在美军各级指挥和参谋岗位任职，曾在美国、韩国、伊拉克和阿富汗等地的精英网络部队服役。

OpenTelemetry 项目偏离了最初的分布式跟踪愿景，这是其核心问题。项目最初旨在创建一个开放的跟踪标准，以实现代码插桩的可移植性，但在发展过程中，范围扩大至日志和指标等领域，导致其变得复杂、臃肿且缺乏明确的最终目标。这种“委员会式设计”使其难以形成统一的愿景和战略对齐。

作者指出，OpenTelemetry 的尝试面过广，但许多开发者和用户（如其公司Sentry的客户）的核心需求仅限于跨度（Span）跟踪。日志本质上就是事件（跨度就是一种事件），指标则可以从跟踪数据中衍生，无需单独设立规范。将日志和指标置于核心反而增加了不必要的复杂性，阻碍了跟踪功能本身的采用。

此外，API和规范过于复杂，要求开发者掌握太多概念，降低了采用率。实际集成中常出现版本冲突和规范不兼容等问题。用户真正需要的是轻量级、专注于跟踪的SDK，能够实现跨度插桩和跟踪上下文传播，以便将崩溃报告、会话回放等其他遥测数据连接起来。

为此，作者提议：

1. 创建独立的、仅专注于跟踪的轻量级SDK，其API应简单易用（如 startSpan），移除日志、指标等无关概念。
2. 收集机制应基于应用接口，而非固定的线路协议，允许供应商灵活接入，而无需强制改变其数据接收方式。
3. 将非跟踪功能从核心规范中剥离，交由其他规范处理。

只有这样，OpenTelemetry才能真正实现其原始目标——提供一个广泛采用、轻量级的跟踪插桩标准，从而使生态系统受益，并赢得像Sentry这样的供应商的长期投入和支持。

H.264 视频压缩技术原理概述

H.264 是一种无处不在的视频压缩编解码器标准，其核心目标是经过数十年的发展，以极高效率减少传输全动态视频所需的带宽。它通过一系列复杂的技术，实现了惊人的压缩比。

压缩的必要性

未压缩的视频数据量极其庞大。例如，1080p/60Hz的原始视频数据流约为370 MB/秒，一块50GB的蓝光光盘仅能存储约2分钟，传输和存储均难以实现，因此压缩至关重要。

H.264的高效性示例

以苹果主页为例，一张静态PNG截图大小为1015KB，而一段300帧（5秒60fps）的H.264视频仅为175KB。这表明H.264的压缩效率远超无损的PNG格式，其核心在于采用了有损压缩和多种高效技术。

核心压缩技术

H.264主要通过空间压缩（帧内）和时间压缩（帧间）相结合来实现高压缩率。

1. 有损压缩：丢弃非必要信息 H.264是有损压缩，它舍弃人眼不敏感或次要的细节信息来大幅减小数据量。这与无损压缩（如PNG）有根本区别。

2. 空间压缩技术（单帧内处理）

   • 量化与频域变换：这是关键步骤。图像数据被转换到频域表示（使用如傅里叶变换等）。在频域中，低频分量代表图像的平缓变化（如渐变），高频分量代表精细细节（如纹理、边缘）。通过应用掩膜丢弃高频分量（即量化），可以显著减小数据量，同时对视觉质量影响很小。丢弃的高频信息越多，压缩率越高，但细节损失也越大。
   • 色度子采样：利用人眼对亮度（亮度，Y）的敏感度远高于颜色（色度，Cb, Cr）的生理特性。在将RGB转换为YCbCr后，色度分量的分辨率会被降低（例如，每个色度分量只存储1/4的信息），从而在几乎不影响观感的情况下将带宽需求减半。

3. 时间压缩技术（跨帧处理）

   • 运动补偿：这是H.264实现极高压缩率的核心。视频被分割成宏块（如16x16像素）。H.264不存储每一帧的全部像素，而是：
     • I帧（关键帧）：完整存储一帧的全部数据，作为基准。
     • P帧（预测帧）：仅存储相对于前一个参考帧（可能是I帧或P帧）的运动矢量（即每个宏块如何移动）。
     • B帧（双向预测帧）：利用前后帧进行预测，进一步提升压缩效率。 解码器通过参考已解码的帧（I帧/P帧）并应用存储的运动矢量来重建P帧和B帧。对于静态或缓慢变化的视频（如例子中的网页滚动），此方法能以极小的数据量记录大量帧。这也是在视频中任意跳转时可能需要短暂缓冲解码的原因。

4. 熵编码（无损优化） 在完成上述有损步骤后，H.264还会应用通用的无损熵编码（如CAVLC、CABAC）来进一步消除最终数据流中的统计冗余，无损地压缩已处理的数据。

总结

H.264的“魔力”源于其综合应用：通过量化和色度子采样在空间域内高效“减轻重量”；通过运动补偿在时间域内只记录变化和运动信息；最后通过熵编码进行无损收尾。这些技术协同工作，使得一个原始大小约1.2GB的5秒视频，最终仅需175KB即可存储，实现了超过6000倍的压缩比。

本文通过一位母亲的亲身经历，探讨了智能手机和社交媒体对青少年心理健康的严重影响。女儿在六年级时获得一部iPhone后，逐渐出现成绩下滑、抑郁焦虑、自伤行为，并陷入对社交媒体关注的病态渴求中。医生诊断显示她80%的注意力集中于获取同伴认可，仅剩20%用于学习。

母亲发现女儿在社交媒体上发布私密内容并与陌生人互动后，曾多次尝试限制手机使用，但女儿屡次违反规定。最终，在继母的建议下，母亲决定没收手机直至女儿高中毕业。失去手机后，女儿逐渐恢复活力，参与体育运动、学业进步，亲子关系得到改善。

文章指出，智能手机及应用程序被刻意设计以夺取用户注意力，青少年对此难以抵抗。同时，父母自身的手机成瘾也影响了孩子。作者认为，解决这一问题需要个人与系统性改变相结合，包括家庭规则调整及学校禁用手机等措施。

主要内容总结：

1. 问题背景：社交媒体使用导致青少年睡眠不足、抑郁焦虑，10-14岁女孩自杀率和自伤率大幅上升。
2. 个人经历：
   • 女儿获得iPhone后行为恶化，诊断出抑郁焦虑。
   • 发现女儿在社交媒体上发布自拍并与陌生人互动。
   • 多次尝试限制使用但女儿屡次违反，甚至隐藏备用手机。
3. 解决方案：
   • 没收手机直至高中，女儿逐渐恢复健康生活方式。
   • 改用家庭共用手机进行必要联络。
4. 社会反思：
   • 智能手机设计旨在最大化吸引注意力，青少年缺乏抵抗力。
   • 父母需自身减少手机依赖，并推动学校等系统性改变。
5. 积极变化：
   • 女儿重新投入学习、运动和家庭活动。
   • 母女关系改善，共同享受线下生活。

日本议会通过《特定智能手机软件竞争促进法》，要求苹果公司允许在iOS设备上使用第三方应用商店和支付服务。该法经日本上议院批准，将在十八个月内获得内阁批准后实施，旨在遏制苹果等科技巨头在智能手机市场的支配地位。

法律规定苹果需进行多项重大调整：必须允许第三方应用商店（类似欧盟做法）；允许开发者使用第三方支付服务；在设置过程中通过新选择屏幕允许用户更改默认设置（如默认浏览器）。法律禁止苹果在无正当理由时，在搜索结果中优待自身服务；禁止利用获取的关于竞争对手软件的数据来惠及自家应用；并要求第三方开发者能获得与苹果自有应用相同的功能访问权限（如NFC用于非接触式支付）。

违规处罚严厉，罚款可达相关营业额的20%，重复违规则升至30%。苹果在声明中表示，日本政府的一些立法修改有助于保护用户隐私、数据安全、创新和其知识产权，但公司仍对法律如何影响日本消费者及iPhone的隐私安全体验感到担忧。

该法律预计于2025年底前全面生效。Epic Games已宣布计划在2025年底前将《堡垒之夜》及其游戏商店平台引入日本iOS系统。日本此举遵循了国际上旨在监管大型科技公司主导地位的立法趋势，与欧盟的《数字市场法案》、英国的《数字市场、竞争和消费者法案》以及美国的多项反垄断案件目标相似。

文章摘要

本文作者（一位普林斯顿大学社会学家）为应对家庭面临的数字时代挑战——孩子们依赖网络搜索进行“研究”、屏幕时间失控、以及生成式AI带来的信息质量问题——决定购买一套《世界图书》百科全书。其主要动机如下：

购买百科全书的背景与动机

• 反思学校研究方式：孩子做项目时习惯于简单谷歌、复制粘贴和未经消化地使用网络信息。
• 减少屏幕依赖：疫情期间孩子利用提问频繁上网，导致注意力被点击诱饵和无限滚动的内容牵着走。
• 引导深度学习：希望孩子体验从实体书籍中探索知识的乐趣，理解研究不只是“查一下”，而是有过程地消化信息。
• 对抗AI生成内容：目睹AI生成信息的泛滥，决定减少在线随机搜索，转向更可控的知识获取方式。

百科全书的价值与知识本质

• 历史与转变：百科全书曾有殖民色彩，但现在更趋包容；作者认同知识多元性，认为百科全书只是传递知识的一种方式，需与维基百科等其他来源比较思考。
• 知识的政治性：知识生产与传播受社会、政治因素影响，涉及哪些知识被记录、哪些被忽略（即“无知学”）。
• 对数字化潮流的反思：早年认为纸质百科全书“过时”的观点，如今被证明可能忽视了制度性知识保障的重要性；AI系统进一步模糊了知识与“内容”的界限，暴露出我们对知识信任体系的侵蚀。

家庭实践：如何用百科全书培养信息素养

作者分享了在家引导孩子进行“知识探究”的具体方法，核心是批判性思维训练：

1. 比较分析：阅读纸质百科全书和维基百科对同一主题（如大象）的条目，比较其结构、内容详略和来源。
2. 溯源与信任评估：查阅作者背景、编辑历史（维基百科的“讨论”和“编辑历史”页面），思考谁生产了知识、为何可信。
3. 追问缺失与偏见：总是问“什么被遗漏了？”“谁被过度代表了？”以及“为什么？”
4. 乐趣与好奇心结合：孩子喜欢事实本身，也对知识背后的生产过程感兴趣，这有助于建立对知识的深度理解。

面对AI的素养培养

作者强调，从纸质百科全书和维基百科中锻炼出的认识论素养，同样适用于辨别AI生成内容：

• 识别AI生成痕迹：例如图像中不合理的身体部位（多余的手指、关节）、不连贯的物理逻辑。
• 理解AI工作原理：AI基于概率生成内容，容易在上下文、幽默或讽刺中出错，甚至产生完全虚假的信息。
• 培养提问习惯：就像问“谁写的？”，面对AI应问“它如何生成？可能在哪里出错？何时可信？”。

结语

作者购买百科全书并非认为其是知识的终极答案，而是将其作为一个教育案例，旨在帮助孩子（乃至成人）重新思考知识的本质、建立批判性思维，并在AI时代发展必要的技术与文化素养，以审慎而非盲目怀疑的态度评估信息。最终目标是让下一代成为有能力辨别真伪、理解知识来源的“数字原住民”。

文章总结：《Notebooks Are McDonalds of Code》

核心比喻与论点

作者将 Jupyter Notebook 等交互式笔记本 比喻为“代码的麦当劳”，认为其虽方便快捷（如麦当劳提供健康沙拉选项），但会 助长懒惰与不良实践，导致代码质量低下，难以用于严肃的生产环境。作者以 Joel Grus 的演讲为引，表达了从最初觉得幽默到如今对此感到“恐惧与悲哀”的转变。

主要缺点分析

个人层面

1. 状态管理灾难：笔记本保持运行状态，容易因执行顺序、变量覆盖或遗忘重新执行细胞而导致隐蔽错误。
2. 版本控制混乱：频繁复制笔记本会导致类似 tfinal_final_final.xls 的版本泛滥，难以追溯与管理。
3. 助长坏习惯：鼓励快速黑客式编码、忽略代码检查（如 Linting）、将全部代码塞入单一文件等不良习惯。
4. 降低个人效率：
   • 分散注意力：浏览器标签页环境极易让人分心。
   • 执行环境不一致：在云端笔记本（如 Colab）运行的代码，因依赖环境不同，移至本地或集群时常会出错。
   • 不鼓励优化：因状态保留，开发者不关注脚本运行效率。
   • 阅读与修改代码困难：在笔记本中跳转到函数定义、查看所有调用点远不如传统 IDE 便捷，修改后需手动重新执行相关细胞，可能打乱状态。

团队层面

1. 破坏性变更风险：当函数签名被其他开发者修改后，其 IDE 可以自动更新所有调用处，但笔记本中的调用不会被自动更新，导致后期错误。
2. 降低代码可见性：笔记本通常不纳入版本控制，或散布于各处，如同“暗物质”，团队成员无法通过代码审查了解其内容和变更。
3. 实验到生产的转换困难：将笔记本中成功的实验代码迁移到生产模块需经历移动、测试等繁琐过程，开发者往往因此跳过单元测试，仅验证运行结果。
4. 阻碍代码共享与复用：个人笔记本中的工具函数无法便捷地成为团队共享库，导致代码重复。

常见质疑与作者回应

• 如何绘图？ 作者使用统一风格的绘图工具函数，并将数据序列化（pickle）后通过脚本迭代绘图。
• 如何处理远程机器？ 使用 sshfs 实现交互式操作。
• 使用代码自动重载（autoreload）并编写模块：作者认可这是良好的实践，但仍无法解决数据分析脚本需他人审查等团队协作问题。
• 为何完全不用笔记本？ 作者认为并无太多损失，且持续探索其他更优的替代方案并乐在其中。

MIT博士生Mark Hamilton开发的DenseAV算法旨在通过观看视频从零开始学习人类语言，灵感源于电影《帝企鹅日记》中企鹅通过声音表达意图的场景。该算法的核心是通过预测“听到的内容”与“看到的内容”之间的对应关系来学习语言，例如听到“烤蛋糕”时会匹配烤箱或蛋糕的视觉画面。

DenseAV通过对比学习训练，无需文本或标签数据，仅分析大量视频中的音视频信号匹配关系。研究团队发现，算法能自动区分语言（如单词“狗”）和自然声音（如狗吠），并形成“双侧大脑”结构：一侧专注语言，另一侧专注环境声音，展现出对跨模态连接的自主辨别能力。

与以往算法不同，DenseAV能实现精细粒度匹配，将音频中的每个词与图像中的特定像素关联，从而更精确地定位声音来源。研究团队在包含200万YouTube视频的AudioSet数据集上训练该模型，并创建新数据集验证其效果，在物体识别和声音定位等任务中表现优于现有模型。

该算法的应用潜力包括：从海量网络视频（如教学视频）中学习；理解无文字记载的动物交流（如海豚语言）；发现其他信号模式（如地震声音与地质结构的关联）。研究团队未来计划扩展模型规模，探索仅从视频或音频单一模态中学习的方法，并可能融合语言模型知识以提升性能。

外部专家评价指出，DenseAV在无需人工标注的情况下，通过视听观察同步解决物体识别、声音分割等难题，且不限于特定语言，具有广泛的应用前景。该研究获美国国家科学基金会等机构支持，将在IEEE/CVF计算机视觉与模式识别会议上发表。

漏洞概述

JetBrains 发现了一个影响 IntelliJ 平台 GitHub 插件的安全漏洞（编号：CVE-2024-37051）。该漏洞影响 2023.1 及以上版本的所有基于 IntelliJ 的 IDE。当 IDE 处理包含恶意内容的 GitHub 拉取请求（Pull Request）时，可能会导致用户的 GitHub 访问令牌（Access Tokens）泄露给第三方恶意主机。

修复情况

JetBrains 已修复该问题，并为 2023.1 及以上版本的所有受影响 IDE（包括 IntelliJ IDEA、PyCharm、WebStorm、GoLand、CLion、Rider 等）发布了安全更新版本。同时，JetBrains GitHub 插件也已同步更新，受影响的旧版插件已从 JetBrains Marketplace 下架。此外，由于官方采取了紧急缓解措施，旧版 IDE 中的该插件可能已无法正常工作。

用户操作建议

为保障账户安全，JetBrains 强烈建议用户采取以下措施：

1. 更新 IDE：立即将所使用的 IDE 升级至官方提供的最新修复版本。
2. 撤销 GitHub 令牌：如果曾在 IDE 中活跃使用过 GitHub 拉取请求功能，请务必撤销插件正在使用的 GitHub 令牌：
   • OAuth 集成：前往 GitHub 设置中的 Applications → Authorized OAuth Apps，撤销对 JetBrains IDE Integration 应用的授权。
   • 个人访问令牌 (PAT)：前往 GitHub 的 Tokens 页面，删除为该插件颁发的令牌（默认名称通常为 IntelliJ IDEA GitHub integration plugin，但也可能是自定义名称）。
3. 重新配置插件：令牌撤销后，插件的所有功能（包括 Git 操作）将停止工作，用户需要在更新后的 IDE 中重新设置和授权该插件。

Postgres 17 引入了流式与矢量 I/O 改进，这是实现异步 I/O 的重要基础步骤。虽然尚未实现完全异步 I/O，但通过重构内部 API，已带来可衡量的性能收益。

核心变化：改进的读取 I/O API Postgres 17 对关键的内部 ReadBuffer API 进行了扩展，引入了流式（streaming）和矢量（vectored）变体。这允许系统一次性发起对多个数据块（缓冲区）的读取请求，然后等待结果，取代了过去逐个读取的模式。这为未来实现真正的异步 I/O 奠定了架构基础，同时在当前版本中通过减少系统调用开销和利用操作系统预读（prefetch）机制，直接提升了性能。

主要优化方向

1. 更系统的预读建议：新 API 更系统地为随机访问调用 POSIX_FADV_WILLNEED，通知操作系统内核预先加载相关数据页到页面缓存中。
2. 合并小型 I/O 请求：能够构建更大的矢量 I/O 请求。例如，一次 preadv() 系统调用可以替代过去多达 16 次单独的 pread() 调用，显著降低了系统调用开销。

具体应用场景与性能提升

1. ANYZLE 操作优化：通过使用新的流式 API 进行随机采样读取，取代了原先自定义的预取逻辑。测试表明，ANALYZE 操作性能可获得约 10% 的提升。新代码更简洁，移除了复杂的条件编译和预取状态管理。
2. 顺序扫描优化：顺序扫描现在使用流式 API，读取粒度从传统的 8KB 提升至 128KB（默认），通过更大的单次读取减少系统调用次数。这是许多用户能直接感受到的性能提升点。
3. 其他扩展应用：如 pg_prewarm 扩展也已适配新 API，获得了潜在的性能增益。

性能测试验证 在 EC2 实例上的对比测试显示：

• 对包含 1000 万行的表进行顺序扫描（如 SELECT COUNT(*)），Postgres 17 比 16 快约 60-70 毫秒。
• 流式顺序扫描补丁本身贡献了其中约 50 毫秒的提升。
• 这种提升源于减少了系统调用次数（从8KB小读取变为128KB大读取），对于不擅长合并小型 I/O 的文件系统（如使用 zstd 压缩的 btrfs），收益尤为明显。

可配置性与未来展望 新增了 io_combine_limit 配置参数，允许用户根据文件系统特性进一步调整最大 I/O 请求大小（例如设置为 256k）。Postgres 17 的流式 I/O 重构是迈向全面异步 I/O 的关键一步，为 Postgres 18 及更高版本中引入更完整的异步 I/O 能力铺平了道路。

《Cities: Skylines 2》租金问题与开发者解决方案

游戏中的问题

《Cities: Skylines 2》玩家反馈游戏内租金过高，导致市民难以负担住房。这一问题类似于现实世界中的住房危机，如大城市缺乏入门级住房。

开发者的解决措施

• 移除房东：开发者通过补丁移除了游戏中的房东，简化了租金计算流程。
• 调整住房行为：补丁后，市民会开始寻找不同类型的住房或在城市中移动，以适应新的租金环境。
• 负担能力提升：通过节约措施，市民应能负担得起偏好住房，大多数租金投诉预计会逐渐消失。
• 就业建议：如果市民仍无法支付租金，开发者建议玩家检查失业率并提供就业机会，以增加市民收入。

玩家建议与社区反馈

• 划定小户型住房：玩家推荐增加小户型住房区域，这与现实中大城市缺乏入门级住房的情况相呼应。
• 模仿现实经济：建议基于现实经济逻辑，帮助解决游戏内住房短缺问题。

现实世界对比

• 租金算法影响：现实中存在如YieldStar的租金设定算法，帮助房东推高租金，导致租赁市场价格异常。
• 法律与执法行动：此类算法已引发租客诉讼、参议院投诉、地区诉讼（如华盛顿特区和亚利桑那州），以及FBI对使用该算法的房东进行突袭。
• 文章更新：文章最后更新了FBI突袭事件，突出现实世界租金问题的严重性。

总结

开发者通过移除房东和简化机制来解决游戏内租金问题，同时玩家社区提供了实用建议。文章还对比了现实世界的租金算法争议，强调了住房 affordability 的广泛挑战。

日本地址系统概述

本文介绍了日本独特的地址命名与编号系统，并将其与西方传统的地址系统进行了对比，突出了两者在空间认知上的根本差异。

核心差异：街道与街区的定义

• 西方系统（以美国芝加哥为例）：街道拥有名称，而“街区”（Block）仅仅是街道之间未命名的物理空间。
• 日本系统（以东京为例）：街区拥有编号，而“街道”仅仅是街区之间未命名的空白区域。

日本地址的编号规则与结构

• 建筑物编号：街区内建筑物的编号并非按照地理位置排列，而是根据建造时间的先后顺序进行编号。该街区第一栋建成的建筑为1号，第二栋为2号，以此类推，即使它们位于街区的相对两侧。
• 地址结构：日本的邮寄地址在标明省份和城市之后，主要由三个数字层级构成，完全不使用街道名称：
  1. 区号（District number）
  2. 街区号（Block number）
  3. 建筑物号（Building number）

延伸思考

作者通过日本地址系统这一颠覆常规认知的例子，引申出对日常生活和商业决策中固有假设的反思，提示人们思考是否存在其他同样可以被完全反转的常规认知。

举重对大脑健康的益处

核心观点

• 运动是保护与改善大脑健康的关键方式，研究显示规律运动可降低抑郁和阿尔茨海默病等风险。
• 传统上更推荐有氧运动（如散步、慢跑），但研究强调举重（阻力训练）对大脑健康具有特定且显著的好处。

举重对大脑健康的主要益处

• 从事阻力训练的人群通常拥有更好的大脑健康状态。
• 健康人群开始举重可改善大脑功能，这种益处在老年人中可能更明显。
• 存在认知衰退的人在开始阻力训练后认知能力有所改善。
• 阻力训练可能有助于减轻抑郁症状。
• 目前尚无药物能同时实现这些组合益处。

两大作用机制

1. 代谢平衡调节

• 研究表明，阿尔茨海默病患者的大脑存在代谢功能改变，类似于“3型糖尿病”。
• 高血糖波动和长期高血糖可能通过炎症等途径损害大脑。
• 阻力训练可：
  • 降低血糖和胰岛素水平（效果可持续24小时和18小时）。
  • 降低糖尿病高危人群的糖化血红蛋白（HbA1c）水平。
  • 改善妊娠期糖尿病患者的血糖调节。
  • 提升老年人的胰岛素敏感性。

2. 免疫平衡促进

• 肌肉在收缩时产生称为“肌因子”的信号分子，可影响大脑。
• 重要肌因子包括：脑源性神经营养因子（BDNF）、胰岛素样生长因子1（IGF-1）、白细胞介素6（IL-6）和鸢尾素。
• 这些肌因子有助于：
  • 调节大脑免疫系统。
  • 增强神经可塑性（BDNF的作用）。
  • 加强脑细胞连接甚至促进新细胞生成。
• 拥有更多肌肉量通常与较低炎症水平相关。

实践建议

• 循序渐进：从轻重量开始，避免受伤，即使每天几分钟也有益。
• 寻求指导：初学者可考虑咨询教练学习正确方法。
• 参与团体课程：结合社交互动与力量训练，可能对认知有双重益处。
• 使用阻力带：便携、可定制，同样有效且有助于改善情绪。
• 关注身体反应：避免疼痛不适，及时调整训练计划。
• 重视腿部训练：腿部肌肉最大，参与训练可最大化举重效果。
• 注重营养：确保充足蛋白质摄入以支持肌肉生长；考虑每日补充3-5克肌酸对肌肉和大脑健康有益。

ASML 正在规划下一代 Hyper-NA EUV 光刻技术，以进一步突破芯片制造极限。

核心计划与目标

• ASML 前总裁 Martin van den Brink 在imec的会议上透露，公司已将 Hyper-NA EUV 加入其技术路线图。该技术目前处于早期研发阶段，数值孔径（NA）目标为 0.75，计划在 2030年左右 推出。
• 这将继 High-NA（NA为0.55）之后，后者于2026年初首次安装在美国英特尔的工厂。长期目标是将光刻系统的生产率提升至每小时 400至500片晶圆。

技术挑战

• 光偏振问题：当NA超过0.55时，光的偏振会严重影响成像对比度，需要引入偏振器，但这会降低光源效率并增加成本。
• 抗蚀剂材料：NA增大要求使用更薄的抗蚀剂层，这会给后续的蚀刻选择性带来更大挑战。
• 替代方案有限：其他技术路径，如纳米压印（吞吐量低）和多束电子束光刻（主要开发商Mapper已倒闭），均无法成为可行的替代方案。

行业应用现状

• 英特尔 已率先安装 High-NA 工具，以弥补其在多重图案化技术上的不足，并确保在18A制程节点后保持竞争力。
• 台积电 暂不计划立即采用 High-NA，目前凭借其在现有EUV工具上成熟的多重图案化技术仍能满足需求，预计将在本十年末引入。
• High-NA 技术预计可支持从2纳米到7埃米的制程节点发展，之后将由 Hyper-NA 接棒。

未来展望

• Hyper-NA 有助于减少对成本高昂的多重图案化技术的依赖。
• 业界正在探索新材料（如具有更高电子迁移率的材料）以继续微缩晶体管，但这需要新的晶圆沉积和蚀刻设备。
• 晶圆基底仍将是硅，新材料仅用于沉积少数几层关键薄膜。