购买域名前，请检查它是否“闹鬼”

本文作者于2022年中购买了域名 musicbox.fun，用于个人项目。购买后，他将原有域名 musicboxfun.com 的流量全部重定向至新域名，却发现自然搜索流量骤降至零。经调查，他发现该域名在2018年6月至2021年2月期间曾被用于托管盗版音乐，积累了超过2万条版权投诉，并被谷歌等搜索引擎大量摘录。作者将这种因域名历史不良记录而导致搜索引擎声誉受损、搜索排名受影响的现象，形象地称为域名“闹鬼”。

如何检查域名是否“闹鬼”

在购买域名前，可通过以下方式排查：

1. 查看网页时光机（Wayback Machine）：在 archive.org 输入域名，检查存档内容是否涉及非法或可疑活动（如盗版、色情、赌博等）。若历史记录可疑地空白，也可能意味着内容曾被要求移除。
2. 搜索DMCA投诉：DMCA是美国版权法案，相关投诉记录公开。可通过谷歌透明度报告或 lumendatabase.org 查询域名是否存在版权摘录请求或投诉。任何投诉都值得注意，尤其是数量多或时间近的。
3. 查询历史SEO数据：使用Ahrefs等专业SEO工具，可查看域名的反向链接、排名历史、流量及域名权威度等数据，以发现潜在问题。

如果域名已“闹鬼”，该怎么办？

1. 与搜索引擎沟通：注册并使用谷歌搜索控制台、Bing站长工具等，报告问题并跟踪解决进度。注意：如果过去的DMCA投诉合理，不要提交DMCA反通知，因为它仅适用于错误投诉。
2. 坚持最佳实践：致力于创建高质量、结构良好、易于访问且加载速度快的内容，这是SEO的基础。获取新的、高质量的入站链接可能有助于重建信任，但作者尚未亲证。
3. 等待较长时间：根据研究和业内信息，重建域名信任度可能需要数年时间，甚至可能无法完全恢复。搜索引擎的声誉算法不透明，恢复过程缓慢且不确定。

总结与作者选择

搜索引擎算法不透明（部分是为了防止滥用），导致用户难以判断和解决问题。面对“闹鬼”域名，只有三个选择：避免购买、发现后立即放弃、或投入大量时间精力尝试修复低信任度。

作者选择了第三条路，为 musicbox.fun 采取了上述措施，并观察到一些缓慢的进展。他承认这是一项长期工作，并计划未来更新进展。

美国版权局裁定允许绕过麦当劳冰淇淋机等商业食品设备的软件锁进行维修

美国版权局裁定，绕过麦当劳冰淇淋机等零售级商业食品设备中的软件锁以进行诊断、维护和维修的行为，不再违反《数字千年版权法》（DMCA）。这是“维修权”运动的一个重要胜利。此前，制造商（如生产麦当劳冰淇淋机的Taylor公司）利用这些数字锁阻止自行维修，导致设备故障频发（美国近15%的麦当劳冰淇淋机损坏，在纽约州高达32%），且维修依赖昂贵的官方服务。

本次胜利的局限性

1. 工具分享与销售仍属违法：裁定仅允许个人自行绕过软件锁，但不允许共享或销售用于实现此目的的工具。这意味着缺乏专业知识的经营者或维修店难以实际利用此豁免，裁定的实际效果在很大程度上是理论性的。
2. 未获得更广泛的工业设备豁免：版权局拒绝了将豁免范围扩展至重型机械、工厂设备等更广泛商业或工业设备的请求，认为缺乏足够证据证明这些领域的数字锁造成了广泛不良影响。因此，许多农业、制造业企业仍面临维修垄断。

其他设备的豁免续期情况

版权局每三年审查一次豁免条款，本次裁定中：

• 续期成功的豁免：

  • 医疗设备：允许技术人员维修除颤器、胰岛素泵等设备中的软件。
  • 机动车辆、船舶与农业设备：允许维修相关计算机程序。
  • 消费电子设备：如智能手机、平板电脑和家用电器。
  • 辅助技术：保障残障人士使用辅助软件访问文学和音乐作品的权利。

• 未续期或未赢得的豁免：

  • 游戏可访问性：2021年引入的、允许为残障人士绕过电子游戏数字锁的豁免未被续期。
  • 更广泛的工业设备：如上所述，未能赢得覆盖全部商业和工业设备的豁免。

意义与未来展望

此裁定被视为积极一步，但仍面临根本性挑战。要真正实现维修自由，仍需修改联邦版权法，以合法化必要的维修工具和知识分享。此外，加拿大正在考虑C-244号法案，该法案如通过，可能将加拿大版DMCA中绕过数字锁用于维修的行为合法化。

《华盛顿邮报》决定不再为总统候选人背书，引发内部与外界强烈反响

事件核心 《华盛顿邮报》宣布，将不在本年度及未来的总统选举中为任何候选人背书，打破了自1976年以来（仅1988年除外）的传统。此举立即引发广泛批评。该报同时刊登文章揭露，其社论委员会工作人员已草拟了支持民主党候选人卡玛拉·哈里斯、反对共和党候选人唐纳德·特朗普的背书文章。

争议焦点：所有权人介入？ 报道称，不发布背书的决定是由《华盛顿邮报》所有者、亚马逊创始人杰夫·贝佐斯做出的，援引了两位知情人士的说法。贝佐斯自2013年收购该报。特朗普在任期间曾多次批评贝佐斯及《华盛顿邮报》。该报在2016年和2020年均公开支持特朗普的竞选对手。

官方回应与否认

• 《华盛顿邮报》 初时表示“这是邮报的决定”，随后其发行人威尔·刘易斯发布声明，否认贝佐斯干预，称“报道不准确”，并表示作为发行人，他本人不支持总统候选人背书，主张回归该报“不背书”的“根源”，以维持其作为独立报纸的立场。
• 刘易斯解释，不背书是为了支持读者独立思考，并重申该报对法治、民主价值观的承诺。然而，这一解释与该报以往多次明确以社论形式谴责特朗普、支持其对手的做法形成鲜明对比。

内部强烈反对与辞职潮

• 该报多名资深专栏作家联合发文，称此决定是“可怕的错误”，背离了报纸“218年”职业生涯中坚守的基本编辑信念，尤其在威胁民主价值的关键时刻选择沉默。
• 社论版高级编辑罗伯特·卡根因不满决定而辞职。
• 《华盛顿邮报》工会发表声明，对管理层干预社论工作表示深切担忧，并指出此举已导致忠实读者退订。
• 传奇记者鲍勃·伍德沃德和卡尔·伯恩斯坦批评该决定是“怯懦”，无视了该报自身大量关于特朗普对民主构成威胁的调查报道，令民主成为“牺牲品”。
• 前执行主编马蒂·巴伦称此为“怯懦”，并警告特朗普会将此视为进一步威慑贝佐斯的信号。

外界批评与关联事件

• 数以万计的读者在相关文章下留言谴责，并威胁取消订阅。
• 此事件发生在**《洛杉矶时报》** 所有者、亿万富翁帕特里克·宋尚拒绝刊登总统背书，并导致该报社论版负责人辞职之后，凸显了富有的媒体所有者在关键时刻可能对编辑独立性产生的影响。
• 民主党众议员刘云平评论称：“新闻自由在恐惧前退缩，是走向法西斯主义的第一步。”

贝佐斯与特朗普的近期互动 报道提及，特朗普在7月遇刺未遂后，曾接到贝佐斯的致电问候，并称其“非常友善”。贝佐斯也在社交媒体上对特朗普的镇定表示赞赏。此外，特朗普在8月与贝佐斯旗下的蓝色起源公司高管进行了会面。

重塑美国西部：利用太阳能海水淡化技术开发干旱地带

核心问题与愿景

美国西经100度以西地区因水资源极度匮乏而人口稀少，约缺少3亿人口和30座全球性城市。作者认为，这并非自然降水极限所致，而是可以通过大规模工业能力，将水资源引入干旱高地（如内华达州山谷），从而“改造”这片土地，为未来数十亿人创造宜居空间。

历史先例与技术基础

• 加州与佛罗里达州的成功改造：通过大型水利工程（如洛杉矶引水渠、科罗拉多河水道）将水从一地转移至另一地，使原本不宜居住的沼泽或干旱地发展为繁荣大都市。
• 关键技术突破：太阳能光伏成本的急剧下降（组件价格低至$0.07/W）与电池储能成本降低（LFP电芯低于$50/kWh），结合反渗透海水淡化技术，使淡化水成本大幅降低。
  • 当前先进淡水化工厂成本约$0.40/立方米。
  • 通过技术优化，成本可降至$0.22/立方米（$280/英亩-英尺）甚至更低，使大规模淡水生产在经济上可行。

内华达州改造方案详解

水源获取与输送

• 主要途径：在科罗拉多河三角洲或加州帝国谷进行海水淡化，通过水权置换或运河将淡水输送至内华达州。
• 备选路线：修复莫哈韦河干涸河床，或从加州调水工程引水，甚至可能抽水穿越内华达山脉。

内华达州内部水利布局

• 建设运河网络，沿美国95号公路等路线铺设，将水从拉斯维加斯、阿马戈萨谷等地输送至托诺帕，再引入大烟囱谷等盆地。
• 水可通过自然流域汇入洪堡河，或人工引导至白河最终回归科罗拉多河，形成循环。

改造潜力与影响

• 预计可新增超过750平方英里可直接灌溉的农业用地、1460平方英里的湖泊，以及24万英亩的优质滨水地产。
• 水资源年消耗（蒸发与地下水补给）可达300万英亩-英尺。
• 项目预计产生超1万亿美元的土地价值增值，而内华达州年GDP仅约2000亿美元。
• 生态与现状保护：超过90%的州土地（包括所有国家公园、州立公园和军事基地）不受影响。

成本与融资模式

• 总预算约160亿美元：
  • 20吉瓦太阳能淡化阵列：40亿美元
  • 配套低成本淡水化工厂：40亿美元
  • 运河建设：60亿美元
  • 水泵及太阳能供电系统：20亿美元
• 融资建议：参照19世纪铁路建设模式，通过授予未开发土地购买期权来筹集资金，并获得必要的监管许可。

全球推广潜力

类似改造方案适用于全球约三分之一的干旱及半干旱土地，如美国其他西部州、澳大利亚、中东、北非、中亚等地区。通过使用不到1%的土地进行太阳能海水淡化，这些地区有望转变为肥沃宜居之地。以色列、沙特和阿联酋已在此方向取得进展，但首个太阳能淡化巨型项目仍有待开发。

总结：文章主张通过结合廉价太阳能、先进海水淡化技术及水利基础设施，系统性地改造美国西部干旱地区，不仅解决缺水问题，更能创造巨大的经济与生态价值，此模式亦可推广至全球类似区域。

美国再生农业实践需要摒弃过往的建议。文章通过密苏里州康科迪亚地区佩恩家族农场的案例，探讨了农业从化学密集型向再生模式转型的代际冲突与实践。96岁的查尔斯·佩恩在中世纪农业革命中成长，遵循“从篱笆到篱笆种植”的工业建议，大量使用化学投入品，这曾使产量翻倍，但也导致土壤退化、水质问题和生物多样性丧失。

约什·佩恩15年前接手农场时，因对除草剂过敏（导致喉部肿胀）而无法延续传统耕作。他试图转向再生农业——一种旨在恢复土壤健康、进而修复生态系统和小型农场经济的运动。然而，其祖父查尔斯强烈抵触，甚至拒绝种植树木，因为查尔斯毕生都在砍树以扩大耕地。祖孙两代的争执凸显了农业转型中的代际鸿沟：查尔斯代表的是依赖化学投入品的“现代农业”，而约什倡导覆盖作物、轮牧和多样化种植等再生方法。

再生农业的核心是土壤健康。堪萨斯州立大学教授查克·赖斯指出，美国土壤有机质因百年耕作已流失50%。再生实践如免耕、林牧复合系统（在800棵板栗树间轮牧羊群）和树木间作（林粮间作）旨在恢复土壤生态功能，增强农场对气候变化的抵御能力。免耕在1970年代燃油危机中曾因节约成本而快速普及，如今在堪萨斯州已覆盖约40%农地，但仍未达到峰值。

再生农业在某种程度上是向更古老农业方式的回归——内战前美国过半人口务农，采用小规模多样化经营。当前运动正通过资金、研究和教育推动规模化，如堪萨斯城鲍威尔花园的中西部再生农业中心提供实践培训。尽管农业方法变革缓慢，但市场力量（如羊和板栗的良好前景）与气候现实正驱动转型。

佩恩农场转型后，羊群和板栗创造了就业，经济上可与查尔斯时代的谷物市场媲美。约什总结道：“爷爷，您在您的时代做出了正确决定……但现在方式不同了。”农村社会学家玛丽·亨德里克森指出，农民身份认同与代际压力是转型中的关键心理因素。对于佩恩家族而言，两代人对变革的抗拒或追求，本质上都是为了保住农场——只是实现路径因时代而异。

Bluesky 尽管宣传自己是“去中心化”且“无算法”的社交平台，但实际上是一个中心化的企业应用程序，运行在理论上可去中心化的网络协议（AT Protocol）上。目前该网络仅有一个活跃节点（即 Bluesky 自身），其他小型节点依赖 Bluesky 的 1300 万用户进行身份认证和传播。

其核心功能（如“传播范围”与“言论”的管理）仍然是中心化的，且协议设计并未完全实现。例如，AT Protocol 支持用于身份可移植的“DID”，但 Bluesky 应用中仅作为占位符（did-placeholder）存在，并未真正实施。

此外，Bluesky 接受了加密货币风险投资公司 Blockchain Capital 的 1500 万美元 A 轮融资，其合伙人加入 Bluesky 董事会。尽管 Bluesky 声明不使用区块链或加密货币，也“不会将社交体验过度金融化”，但这一投资引发了对其未来方向的质疑。

总结而言，Bluesky 在用户体验上可能优于传统中心化平台（如 Facebook、X 等），但其架构本质上仍是中心化的，尚未实现真正的去中心化。

Entropix 项目旨在通过改进语言模型（LLM）在不确定时刻的采样策略来增强其推理能力。其核心思路是：LLM 在预测下一个 token 时，其输出分布（logits）的形态反映了模型的不确定性程度，并据此采用不同的采样方法。

不确定性衡量
项目使用两个关键指标来量化不确定性：

• 熵（Entropy）：衡量预测分布的不确定性。低熵表明模型对少数 token 有高信心；高熵表示分布均匀，模型信心不足。
• 方差熵（Varentropy）：衡量分布的“形状”。高方差熵意味着存在少数高度差异化的峰值。

这两个指标组合形成四种状态：

1. 低熵、低方差熵：分布高度集中，模型非常确定。
2. 低熵、高方差熵：存在多个显著峰值，可能代表分支路径或近义词。
3. 高熵、低方差熵：分布均匀，模型完全不确定。
4. 高熵、高方差熵：分布分散且不均匀。

自适应采样策略
根据上述状态，Entropix 建议采用不同的采样方式：

• 低熵、低方差熵：使用标准的 argmax 采样（选择概率最高的 token）。
• 低熵、高方差熵：考虑“分支”预测，即同时探索多个高概率路径，比较结果后再做决策。
• 高熵、低方差熵：插入“思考令牌”（如“Wait…”），促使模型花更多时间计算后再输出。
• 高熵、高方差熵：可随机选择（提高温度）、分支或插入思考令牌。

其他度量与方法

• 注意力熵与注意力一致性：可作为辅助信号。低注意力熵和高一致性可能表明模型自信；反之可能提示需要分支。
• 分支 vs 思考令牌：两种在不确定时增加计算量的方法。分支（类似蒙特卡洛树搜索）需要独立计算多个路径；思考令牌则通过引导模型自我修正来提升计算效率。两者优劣尚属开放研究问题。

现状与意义
尽管 Entropix 的评估尚未大规模开展，其理念相对直观且易于实验。这类推理时技术为开源社区提供了在有限预算下探索提升 LLM 推理能力的潜在方向。

YouTube 页面导航与信息摘要

该内容属于 YouTube 网站页面的一部分，通常作为页脚或侧边栏出现，旨在为用户提供访问 YouTube 相关信息、政策和支持的链接。内容结构以链接列表为主，涵盖多个官方栏目。

主要组成部分：

• 描述：简要说明 YouTube 的核心功能，如观看视频、音乐、上传内容及分享。
• 链接列表：包括以下指向 YouTube 官方页面的超链接：
  • 简介：关于 YouTube 的基本信息。
  • 新闻中心：新闻和公告。
  • 版权：版权相关信息和资源。
  • 联系我们：用户支持联系渠道。
  • 创作者：针对内容创作者的资源和指南。
  • 刊登广告：广告业务相关信息。
  • 开发人员：开发者工具和资源。
  • 条款：服务条款。
  • 私隐：隐私政策。
  • 政策及安全：平台政策和安全措施。
  • YouTube 的运作方式：说明 YouTube 平台的工作原理。
  • 测试新功能：参与新功能测试。
• 版权信息：标注“© 2026 Google LLC”，表示版权归属。

功能与目的：

• 结构：采用清晰的链接列表格式，便于用户快速导航到不同栏目。
• 关键功能：作为辅助导航元素，帮助用户了解 YouTube 的官方信息、政策和用户支持渠道，增强网站的可用性和透明度。
• 上下文：该内容嵌入在 YouTube 页面中，常出现在页面底部，补充主内容区的信息。

补充说明：

• 内容未涉及技术细节如六轴机器人或静态精度，仅为 YouTube 网站通用信息。
• 所有链接指向 YouTube 官方页面，确保用户访问准确资源。

摘要：

本文介绍了作者在《老学校RuneScape》游戏的大交易所上开发算法交易机器人的实验。作者利用机器学习技术进行做市交易，旨在通过自动化交易盈利。文章详细阐述了机器人的系统架构、数据处理流程、交易算法以及实验结果对比。

系统架构与数据流程

机器人由三个独立组件构成：

1. JavaScript API：与OSRS Wiki的实时物品价格数据流交互。
2. Java客户端：控制游戏角色执行买卖操作。
3. Python API：返回一组潜在交易的预测盈利能力排名。

数据管道通过两个定时任务（每5分钟和每小时）从Wiki API获取所有物品的价格价差和交易量数据，并存入数据库。同时，机器人会记录每笔成功交易的详情，如每秒产生的金币利润、绝对利润等。通过将全局市场数据与具体交易数据按时间戳关联，形成训练数据集。模型以每秒产生的金币利润作为预测目标。为防止数据时间泄露，训练集使用距离当前63天至14天前的交易数据，验证集则使用最近14天的数据。

交易算法与实验

作者对比了三种交易策略：

1. 基线方法：基于物品过去5分钟的价格价差、过去1小时的交易量以及历史平均金币/秒利润进行筛选和排序。主要步骤为计算投资回报率（ROI）和交易量比率的Z分数，并排除历史利润为负的物品。
2. 机器学习方法：包括随机森林回归模型和神经网络回归模型。

实验为期一周，程序在每笔交易时随机选择使用哪种模型的推荐，以避免样本比例偏差。结果显示：

• 随机森林：平均每小时利润约150,892金币（95%置信区间：129,140 - 172,643）。
• 神经网络：平均每小时利润约123,923金币（95%置信区间：103,279 - 144,566）。
• 基线方法：平均每小时利润约87,353金币（95%置信区间：79,493 - 95,212）。

结论

实验表明，机器学习方法在盈利能力上显著优于基线方法。在机器学习模型中，随机森林的表现略优于神经网络，这与模型训练期间的验证损失结果一致。作者认为，由于做市交易具有高频低回报率的特点，训练数据方差较低，随机森林（其预测受限于训练数据范围）仍能取得最佳效果。最后，作者表示可提供训练数据，并提及了相关代码的获取途径。

核心结论

本文证明了，若采用足够高效的堆数据结构实现，Dijkstra最短路径算法在运行时间上具有普适最优性，并可经适当调整后在比较次数上也达到普适最优。普适最优性是一种超越最坏情况的性能保证，意味着单一算法在所有图上（针对最坏的边/顶点权重选择）都能表现最佳。这是该概念首次应用于顺序算法。

关键创新：工作集堆

• 提出一种新型堆数据结构，具备工作集界。
• 该堆既拥有斐波那契堆的最优（均摊）界，又具备超越最坏情况的性能：删除最小元素的代价是对数级于该元素被插入后到被删除前新插入的元素数量，而非对数级于删除时的堆大小。这使得删除近期插入的元素特别高效。

理论证明与联系

• 证明工作集界能保证距离排序问题（按从源点的远近对顶点排序）的普适最优性。
• 核心观察：在任意固定图上运行Dijkstra算法所产生的堆操作序列具有足够局部性。这允许将任何堆执行的比较次数与工作集界下的比较次数进行耦合，进而关联到在最坏边长选择下解决该图距离排序问题所需的最小比较次数。

研究意义

本文首次将普适最优性概念应用于图算法的顺序版本，通过设计具有局部性利用能力的堆结构，为Dijkstra算法提供了强大的性能保证，超越了传统的最坏情况分析。

OmniParser：面向纯视觉GUI代理的全面界面解析方法

研究背景与问题 大型视觉语言模型在驱动用户界面代理系统方面展现出巨大潜力。然而，当前模型（如GPT-4V）作为跨操作系统、跨应用的通用代理能力被低估，主要原因是缺乏鲁棒的屏幕解析技术，无法可靠识别界面中的可交互图标，且难以理解截图元素的语义并将操作准确对应到屏幕区域。

OmniParser方法 本文提出OmniParser，一种将用户界面截图解析为结构化元素的方法，能显著提升视觉语言模型生成可准确落地操作的能力。其核心包含两个专用模型：

1. 可交互区域检测模型：用于解析屏幕上的可交互区域。
2. 功能语义描述模型：用于提取检测到元素的功能语义。

为训练这两个模型，作者构建了专用数据集：

• 可交互图标检测数据集：包含67k个独特网页截图，每个标注了从DOM树提取的可交互图标边界框。
• 图标描述数据集：包含7k对图标及其功能描述，用于微调描述模型。

实验结果 在SeeClick、Mind2Web和AITW基准测试中，OmniParser均优于GPT-4V基线。值得注意的是，在仅使用截图作为输入的情况下，OmniParser的表现超越了需要额外外部信息的GPT-4V基线。

作为插件的通用性 OmniParser设计为可插拔组件，可与其他视觉语言模型（如Phi-3.5-V、Llama-3.2-V）结合使用。实验表明，作者微调的可交互区域检测模型相比原始Grounding DINO模型，在所有子类别上均能显著提升任务性能。此外，加入图标功能的局部语义也对所有视觉语言模型的性能有显著帮助。

《为计算机编写下棋程序》（1950）摘要

一、论文概述与背景

本文由克劳德·香农于1950年发表，探讨为通用计算机编写国际象棋程序的理论与实践问题。论文指出，国际象棋是研究人工智能的理想问题，因为它规则明确、复杂度适中，且被普遍认为需要“思考”。解决该问题有助于推动其他领域（如电路设计、语言翻译、符号运算等）的发展。

二、核心观点与框架

1. 问题的可行性

• 完美计算不可行：通过穷举所有可能棋局（约10^120种变化）实现完美下棋在计算上不切实际。
• 实用目标：程序应能下出“相当好的棋”，接近优秀人类棋手的水平，而非追求完美。

2. 棋局表示

• 棋盘状态用64个数表示（每个方格对应一个数值：0为空，正数为白棋，负数为黑棋）。
• 额外数据包括：当前走棋方、易位权、吃过路兵信息、无子可动计数等。
• 走子表示为“起点-终点-（可能）升变棋子”的数字组合。

3. 评估函数

• 由于无法获得精确评估函数，引入近似评估函数 f(P)。
• 函数综合考虑：
  • 棋子价值（后=9，车=5，象/马=3，兵=1）
  • 兵形弱点（叠兵、孤兵、落后兵）
  • 棋子位置（控制中心、开放线、第七横排等）
  • 机动性（合法走子数量）
  • 安全性（王暴露程度）
• 评估值范围连续，反映局面优劣程度。

4. 搜索策略

类型A策略（基础方法）

• 采用极小化极大算法，向前搜索固定深度（如三步）。
• 计算流程：
  1. 列出所有己方可能走法。
  2. 对每步走法，列出所有对方应招。
  3. 用评估函数计算终局位置分数。
  4. 选择使己方评估分数最大化的走法。
• 缺点：计算慢（三步搜索需约10^9次评估）、棋力弱（固定深度，不考虑局面稳定性）。

类型B策略（改进方法）

• 选择性搜索：只考察强制性变化（如将军、吃子、威胁），忽略无价值分支。
• 动态深度：搜索直至局面“相对安静”（无立即战术威胁），而非固定步数。
• 着法优先级：优先计算强制性着法（将军、吃子、攻击），其次为发展性着法，最后为一般走法。

5. 程序实现要点

• 将棋局操作分解为子程序：
  • T0：执行走子，更新棋盘状态。
  • T1-T6：生成各棋子（兵、马、象、车、后、王）的合法走法列表。
  • T7：生成所有合法走法。
  • T8：计算评估函数。
  • T9：主程序，执行极小化极大搜索。
• 内存需求估计：三步深度约需3000比特存储。

6. 机器与人类的优劣对比

• 机器优势：
  • 计算速度快且准确。
  • 不会疲劳、情绪化或疏忽。
• 人类优势：
  • 直觉、想象力与学习能力。
  • 能识别典型局面与组合模式。

7. 未来改进方向

• 引入开局库（存储标准开局）。
• 通过调整评估系数改变“棋风”（如更重视战术或局面）。
• 研究自我改进程序（如通过对局结果优化评估参数）。

三、结论

本文奠定了计算机下棋的理论基础，提出了一套可实现的程序框架，强调了选择性搜索与评估函数的核心作用，并预见了机器与人类智能的互补性。尽管受限于当时计算机的性能，但其思想对后续人工智能发展影响深远。

“开放清洗”现象：企业为何伪装开源

• 何谓“开放清洗”：指企业或组织将其产品、服务或流程宣传为“开放”，但实际上并未遵循透明、信息可获取、参与和知识共享的开源精神。这是一种模仿“漂绿”的欺骗性行为，该术语于2009年由学者Michelle Thorne提出。

• 典型案例与普遍性：Meta公司称其大型语言模型Llama 3为开源，但其许可证因包含诉讼和品牌等限制性条款，不符合开源倡议组织（OSI）的《开源定义》。这并非个例。一项针对45个自称开源的文本及文生图模型的研究发现，只有少数（如AllenAI的OLMo）是真正开源的，而谷歌、Meta和微软等公司的知名模型大多不符合标准。

• 企业进行“开放清洗”的动机：

  • 提升形象：借助开源概念的积极声誉来改善公司形象，吸引重视透明和开放的消费者。
  • 规避监管：欧盟《人工智能法案》对“开源”模型有特殊豁免。企业试图将模型归类为开源，以避免更严格的监管要求、降低合规成本或规避数据集中的版权等问题。

• 开源定义的重要性与威胁：

  • 法律与商业基础：明确的开源定义（如OSI制定的）为企业、开发者和律师所信任，广泛用于采购合同，提供了法律确定性和保护。
  • 开发自由：真正的开源赋予开发者自由使用和共享代码的能力。如果开源定义被模糊或滥用，开发者将面临法律审查负担，公司可能因责任不清而不敢公开代码，最终导致创新受阻、安全漏洞修复和维护变得更加困难。

• 结论：并非所有大公司都在伪装，例如IBM的Granite 3.0 LLM在Apache 2许可证下就是真正开源的。然而，“开放清洗”行为会污染法律、商业和开发环境，最终损害包括实施这种短视策略的公司在内的所有人，因为人工智能等领域的发展从根本上依赖于开源生态。

Load81：面向儿童的SDL-Based Lua编程环境

项目简介

Load81是一个受Codea启发的图形化Lua编程环境，旨在帮助儿童学习编程。它提供了一个集成的Commodore 64风格编辑器和一个友好的图形化运行环境，使学习者能够专注于编程。项目名称源于Commodore家用电脑的加载命令 LOAD "*",8,1，以此致敬Commodore创始人Jack Tramiel。

目标与特点

• 主要动机：作者及其子女喜爱使用iPad上的Codea，但家中没有iPad，因此创建了此环境，使孩子能使用实体键盘进行更便捷的编程学习。
• 设计理念：提供一个友好的、受限的编程环境，内嵌简单编辑器。程序员可以在“编辑”和“运行”模式之间通过按ESC键切换。
• 兼容性：其坐标系统和基础绘图函数API与Codea兼容，熟悉Codea的用户可以快速上手。但项目并非追求完全兼容Codea（例如不支持stroke）。

技术实现

• 语言与库：使用ANSI C编写，依赖SDL、SDL_gfx和SDL_image库。
• 平台支持：原生支持Mac OS X和Linux，移植到Windows预计不难。

编程接口

绘图函数

• fill(r, g, b, alpha): 设置绘图颜色。
• background(r, g, b): 设置整个画布的背景色。
• rect(x, y, width, height): 从左下角(x,y)绘制矩形。
• ellipse(x, y, width, height): 以(x,y)为中心绘制椭圆。
• line(x1, y1, x2, y2): 绘制从(x1,y1)到(x2,y2)的直线。
• text(x, y, string): 使用位图字体在(x,y)处打印文本。
• triangle(x1, y1, x2, y2, x3, y3): 绘制由三个顶点定义的三角形。
• getpixel(x, y): 获取指定像素的RGB值。
• sprite(file, x, y, [rotation], [antialiasing]): 在指定坐标绘制精灵图，支持旋转（角度）和抗锯齿选项。

控制函数

• setFPS(fps): 设置帧率，默认为30 FPS。

输入事件处理

• 键盘事件：
  • keyboard.pressed['a']: 检查特定键（如'a'）是否被按下。
  • keyboard.state: 事件类型，值为 "down" (按下), "up" (释放) 或 "none"。
  • keyboard.key: 当keyboard.state不为"none"时，此字段记录对应的键名。
• 鼠标事件：
  • mouse.x, mouse.y: 获取当前鼠标坐标。
  • mouse.pressed['1']: 检查鼠标按钮（如'1'代表左键）是否被按下。

使用与示例

启动Load81后，按ESC键可在编辑器模式和运行模式间切换。项目examples文件夹中包含了一些小程序示例，如asteroids.lua。

许可与致谢

• 许可证：由Salvatore Sanfilippo编写，采用BSD两条款许可证发布。
• 致谢：项目献给Commodore的创始人Jack Tramiel。

由于提供的内容仅为《金融时报》文章《How 'Factorio' seduced Silicon Valley and me》的付费墙及订阅页面信息，无法获取文章正文，因此无法生成关于文章内容的准确摘要。若能提供完整文章内容，将可为您进行总结。

Google工程师在TC39标准会议上提出一项提案，建议将JavaScript拆分为两种语言：由运行时引擎实现的核心语言“JS0”，以及依赖工具编译到JS0的更高级变体“JSSugar”。该提案由Google、Mozilla、Apple等多方参与拟定。

提案认为，新语言特性对用户的影响多为负面：几乎总是降低安全性，对性能的影响为中性或负面，稳定性有时也会下降，而应用特性的改善仅限于使用了新功能的开发者。JavaScript虚拟机（VM）因追求速度已极为复杂，这影响了安全性，且当新特性未被广泛采用时尤其令人遗憾（例如Symbol.species和BigInt）。

提案主张，基础技术应保持简单，因为安全漏洞和运行时复杂性会影响数十亿用户，而复杂特性带来的好处仅限于部分开发者和应用。未来的新语法特性将纳入JSSugar，而JS0仅包含API和能力特性。符合标准的引擎只需支持JS0，工具实现者则需支持JSSugar，这会促使工具开发者更深度地参与标准制定。

该提案已引发争议。有开发者反对给予现有JavaScript工具官方地位，希望减少对这些工具的依赖；另有开发者感叹“Vanilla JS将终结”。尽管优先考虑安全性、性能和稳定性受到普遍认同，但使JavaScript依赖中间工具的做法并不受欢迎。

Mdx：执行 Markdown 代码块的 Go 工具

Mdx 是一个 Go 语言编写的工具，用于直接执行 Markdown 文件中定义的代码块。它将 Markdown 文档转化为可执行的命令集合。

核心功能

• 执行代码块：解析 Markdown 文件中的代码块（如 sh 块）并运行。
• 传递参数：支持向代码块内传递参数。
• 定义依赖：可在代码块间定义执行依赖。
• Shebang 支持：代码块内可包含 shebang（如 #!/bin/bash）。
• 自动扫描：自动解析当前工作目录下所有 .md 文件中的可执行命令。
• 命令列表：通过 -list 或 -l 参数列出所有可用命令。

安装与使用

• 二进制安装：从发布页面下载适用于操作系统的预编译二进制文件。
• 源码编译：
  1. 确保系统已安装 Go。
  2. 克隆仓库：git clone https://github.com/dim0x69/mdx
  3. 编译并安装：go build 后执行 go install。
• 示例用法：给定一个包含 sh 代码块的 Markdown 文件，运行 mdx simple_echo 即可执行对应代码块。

项目灵感

该项目思路来源于 Makedown 工具。

根据Cox Automotive的销售数据，特斯拉的Cybertruck在美国电动汽车市场表现突出。2024年第三季度，特斯拉售出近17,000辆Cybertruck，使其成为美国第三大畅销电动汽车，仅次于特斯拉的Model 3和Model Y。截至2024年，Cybertruck已售出超过28,000辆，超过了福特F-150 Lightning、Rivian R1T和雪佛兰Silverado EV等竞争对手。

尽管Cybertruck面临设计争议、负面评论和已知问题，但其销售数字令人意外。与1980年代破产前的DeLorean相比，Cybertruck的销量已大幅领先，后者仅生产了约9,000辆。

近期美国电动汽车市场整体表现积极，部分受租赁激励推动，但Cybertruck不可租赁，售价约10万美元，因此其销售并非主要依赖激励措施。分析师此前预计特斯拉2024年将售出约48,500辆Cybertruck，而特斯拉需在第四季度再售出约20,000辆才能达到该目标，这一目标有望实现。

该研究旨在通过高分辨率死后人脑7特斯拉MRI，发现与阿尔茨海默病（AD）神经病理学及神经退变相关的特异性结构模式。研究建立并利用了一个独特的死后全半球MRI数据集，旨在将基于金标准组织病理学检查得出的神经病理学标记，与基于结构MRI得出的形态学测量结果相关联。

研究提出并应用了一套计算图像分析方法和流程，以对高分辨率死后MRI进行一致性分析。具体包括：针对疾病人群，开发了一个快速、稳健且自动化的、基于体素的组织分割及基于表面的脑解剖分区流程，用于处理0.3毫米³分辨率的7特斯拉T2加权死后全脑半球MRI。此外，通过构建人群级别的死后离体MRI模板，在公共坐标系内进行了基于体素和基于表面的逐点统计研究，从而通过连接分别源自MRI和组织病理学的形态学与病理学测量值，帮助发现疾病特异性的神经退变模式。研究还提出了一个框架，用于将同一受试者的死后MRI与相应的生前MRI进行配对对齐，这为死后与生前MRI之间的信息交换提供了可能。这项工作展示了一项独特的分析，即比较配对的死后与生前MRI样本中的形态学与病理学关系。

研究结果表明，与3特斯拉生前MRI的相应测量值相比，高分辨率死后7特斯拉MRI得出的局部萎缩测量值，对阿尔茨海默病中的tau病理和神经元丢失更为敏感。

本研究支撑了数篇已发表的论文，这些论文分别介绍了用于死后MRI的自动化深度学习分割方法、基于表面的分区与顶点分析技术，以及一种高效的体积图像配准框架。研究得到了美国国立卫生研究院多项基金的支持。

运算放大器不稳定性深度解析

本文深入探讨了运算放大器（运放）在负反馈配置下产生不稳定性（如振铃、持续振荡）的根本原因，旨在提供比传统复数传递函数或“噪声增益”术语更直观的解释。

运放核心原理

运放本质上是一个高开环增益（A_OL）的差分放大器，其理想输出公式为：V_out = V_mid + (V_in+ - V_in-) * A_OL。未加反馈时，它相当于一个电压比较器。真实运放的 A_OL 随频率升高而下降，其开环响应在单位增益频率以上会滚降。

反馈环路与增益概念

负反馈环路迫使运放工作在线性区，实现稳定输出。以最简单的电压跟随器为例：

• 输出直接连接到反相输入端（V_in-）。
• 稳态时，V_in+ 与 V_in- 之间存在一个极小的电压差（误差信号），该误差被巨大的 A_OL 放大后产生所需的输出。
• 因此，V_out ≈ V_in+，但并非完全相等。

关键区分：信号增益 vs. 反馈环路增益

• 信号增益：由外部电阻配置，决定了输入到输出的电压放大倍数。
• 反馈环路增益：决定了反馈环路本身的“放大能力”。对于标准非反相放大器，环路增益 ≈ A_OL / 信号增益。
• 重要结论：较低的信号增益配置意味着更高的环路增益。这解释了为什么低增益电路有时更易出现不稳定性，因为环路增益高，反馈路径上的微小误差会被显著放大。

不稳定性的根源：延迟与相移

系统要发生持续振荡，需满足两个条件：

1. 在某个频率点，反馈信号存在约180°的相移（延迟）。
2. 在该频率点，环路增益大于或等于1。

主要相移来源：

• 运放内部：真实运放内部电路存在固有相移。为保证稳定性，设计者通过限制带宽来确保在增益降至1之前有足够的相位裕度（通常至少45°）。
• 外部寄生参数：在反馈环路中（尤其是到地）添加并联电容是最常见的不稳定诱因。电容与运放输出电阻构成RC电路，引入额外的相移（最大可达90°）。即使这个相移小于180°，若与运放内部相移叠加，总相移可能达到180°，从而破坏稳定性。

实际影响与稳定化措施

• 高信号增益：提高信号增益可以降低环路增益，有助于改善稳定性。
• 最小化寄生电容：尽量减少反馈环路中的寄生电容。
• 使用旁路电容：在反馈电阻上并联一个小电容，可以在高频下为反馈信号提供低阻抗路径，降低高频环路增益。
• 选择合适的运放：在高频或低增益应用中，选用相位裕度更大的运放。

总之，运放的不稳定性源于反馈环路中因频率相关相移（来自运放内部和外部电容）与足够的环路增益相结合，导致负反馈在特定频率下转变为正反馈。理解信号增益与环路增益的区别，以及相移的影响，是分析与设计稳定运放电路的关键。

产品概述

Loops 是联邦宇宙（Fediverse）新推出的 TikTok（短视频）竞品。该应用由 Pixelfed（联邦版 Instagram）的开发者 Daniel Supernault 开发，并将作为 Pixelfed 项目的一部分运行。目前 Loops 处于早期阶段，已开放注册，但尚未开源，也未完成与 ActivityPub 协议的集成。完成集成后，它将正式融入拥有超 1160 万用户的联邦宇宙开放社交生态。

核心功能与特性

• 基础互动：面向 13 岁及以上用户，支持关注、点赞、评论和分享短视频。
• 跨平台互通：借助 ActivityPub 协议，Mastodon 和 Pixelfed 等其他联邦平台的远程用户能够关注 Loops 账号，并在其主页信息流中观看视频及进行互动。
• 信任评分系统：引入信任评分机制。低信任分数用户的视频需排队审核，高信任分数用户可立即发布。该评分还用于隐藏问题评论和添加内容警告。
• 待推出功能：个人资料分享以及 Loops 用户反向关注其他联邦平台用户的功能仍在计划中。

隐私、版权与资金模式

• 隐私与版权保护：承诺不向第三方广告商出售或提供用户数据，不使用用户内容训练 AI 模型，且不获取上传内容的版权，用户保留内容的完全所有权。
• 资金模式：不依赖投资者，主要通过 Patreon、Open Collective 和 Liberapay 接受用户捐赠，并正在落实一项可维持一年开发的资助。

平台支持与当前进展

• 客户端支持：Android 用户将获提供可侧载的 APK 文件；iOS 应用初期将通过 Apple 的 TestFlight 平台进行测试；Web 端界面将在后期推出。
• 当前进展：注册通道已开放，测试用户将收到邮件通知以开始使用。创始人目前正在收集社区对服务条款和隐私政策的反馈，并公开招募版主。

SimpleText是一个基于Cloudflare Workers和KV存储的极简博客引擎，旨在通过极简的设置和写作流程，实现一个无干扰、免费的纯文本博客。它利用Cloudflare边缘网络直接托管博客内容。

核心原理与设置：

1. 基础设施：需要一个Cloudflare账户（免费计划即可），并创建一个Worker和一个KV存储空间。
2. 配置绑定：在Worker的设置中，将KV存储绑定到Worker，绑定名称必须为 PAGES。
3. 部署代码：将项目的 worker.js 代码内容覆盖粘贴到Worker编辑器中，并修改顶部的 baseUrl（基础URL）、blogTitle（博客标题）和 blogDescription（博客描述）变量。保存并部署Worker。

添加博客文章： 通过向KV存储中添加键值对（KV Pairs）来发布文章。

• 键（Key）格式：必须遵循约定格式 yyyy-MM-dd~blog-title（例如 2024-10-26~My-First-Entry）。系统会通过波浪号（~）拆分并提取日期，同时将标题中的短横线（-）替换为空格。不遵循此格式将导致错误。
• 值（Value）内容：值可以是任何有效的HTML内容。需要注意，系统不会对内容进行安全过滤（sanitisation），因此需谨慎处理，避免安全风险。

示例项目： 文中提供了一个基于该引擎搭建的博客示例链接：https://simpletext.bananaortaco.fun/。

文章总结：“谨慎面对艰难之事”

两种传统建议的局限性

文章开篇指出两种常见的矛盾建议：

1. 坚持突破：认为必须直面困难才能取得进步。
2. 听从直觉：认为身体或内心感到不安时应立即退出。

作者认为这两种建议都过于简单化，各有利弊：

• 坚持突破有时能带来成果（如完成项目），但盲目坚持可能导致问题（如在苏丹工作时未及时求助）。
• 直觉有时能提供保护，但也可能过度规避风险（如不愿社交或发表作品）。

“边缘”概念：挑战与安全的平衡点

作者引入 “我的边缘”（my edge） 这一概念，作为上述两者的中间路径：

• 定义：处于舒适区之外但不致造成伤害的挑战区域，是“困难”与“可实现”之间的平衡点。
• 特点：
  • 动态变化：根据情境、身体状态、情绪等因素浮动。
  • 情境依赖：不同场景下边缘位置不同（如徒步、社交聚会、亲密对话）。
  • 促进成长：帮助人在挑战中“伸展”而不“断裂”，实现渐进式进步。

实际应用示例

1. 徒步：在健康状态下，边缘可能是尝试更快完成路线；若身体不适，边缘则是完成徒步本身。
2. 社交场合：
   • 在陌生人聚会中，边缘可能是主动自我介绍。
   • 在熟悉的朋友聚会中，边缘可能拓展为深入交流、关注全场等多重目标。
3. 情感暴露：分享个人敏感话题（如成瘾经历）时，需评估当下的安全感与信任度，决定是否值得冒险。

• 作者以自身为例：过去谈论酒精成瘾需谨慎评估边缘，如今该话题已远离边缘，可较自如地表达。

“橡皮筋”比喻与实践方法

• 橡皮筋效应：保持边缘意识让人能“伸展”后“回弹”，既促进成长又避免过度消耗。
• 实践步骤：
  1. 在不适时暂停，深呼吸，自我觉察当下的边缘位置。
  2. 决定是否向边缘靠近或后退。
  3. 事后反思过程，注意可能出现的“脆弱性宿醉”（vulnerability hangover）。

结论与应用

作者强调，定期练习“边缘觉察”能帮助人在自我挑战中保持平衡，并提到该概念源于真实关系实践（Authentic Relating）。最后，作者以自身写作为例，说明即使感到尴尬，也尝试将“请求读者点赞”作为自己的实践边缘。

开源倡议组织（OSI）历时近两年筹备的开源人工智能（AI）定义（OSAID）版本1.0计划于10月28日发布，其董事会将于10月27日就此进行投票。然而，该定义草案因其对“开源”的界定标准较低而引发了开源社区内多位知名人士的强烈担忧，被认为可能削弱数十年来为促使厂商遵循原始《开源定义》（OSD）所做的努力。

定义背景与挑战

OSI指出，当前许多自称“开源”的大型语言模型（LLM）及其他AI工具实质上附带了违反OSD的限制。为应对这一问题，OSI于2023年6月宣布启动开源AI定义的制定工作，并通过多次线上及线下会议征集社区意见。定义一个真正的开源AI系统面临巨大挑战，因为AI系统不仅包含运行模型所需的代码，还涉及模型架构、训练代码、模型参数、训练方法、数据标注流程、支持库以及训练数据本身。

OSAID草案核心内容

当前草案采纳了经合组织（OECD）对AI系统的定义。根据草案，一个符合开源标准的AI系统需在OSI批准的许可下提供以下要素：用于训练和运行系统的源代码、模型参数（如权重或配置设置），以及“足够详细的训练数据信息，以便专业人士能够构建一个实质上等同的系统”。关键点在于，草案不要求公开训练数据本身，仅要求提供关于数据的详细信息。OSI认为，虽然训练数据对于理解系统偏见有价值，但它并非修改现有AI系统的“首选形式”，数据中的见解和关联已被系统学习。

社区的批评与反对

许多社区成员批评该定义未达到保障软件自由的四个基本条件（使用、研究、修改、分享）。他们认为，不包含训练数据，OSAID实质上仅保证了使用和分发AI系统的能力，而限制了深入的修改与创新。例如：

• julia ferraioli 指出，在没有数据的情况下，只能进行迁移学习和微调等有限操作。
• Tom Callaway 强烈主张开放数据应作为必要条件，认为尽管厂商有正当理由（如数据价值、法律问题）不公开数据，但允许数据可选的定义将贬低“开源”在所有其他语境中的含义。
• 自由软件基金会（FSF） 正在制定自由机器学习应用的标准，并坚持认为若要称为“自由”，所有训练数据及相关处理脚本都必须尊重用户的四项自由。FSF同时区分了非自由与不道德：在某些情况下（如使用个人医疗数据训练的模型），使用非自由的机器学习应用在伦理上可能是可接受的。
• 软件自由保守协会（SFC） 发布了针对LLM辅助编程的“愿景声明”，强调理想的系统应完全由自由开源软件构建，且仅用于创建自由开源软件，其过程避免了对已部署的专有问题产品的变相认可。

OSI的回应与辩护

OSI执行主任Stefano Maffulli反驳了“降低标准”的批评。他表示，OSAID是通过公开进程，广泛吸纳全球AI构建者、用户、部署者、内容创作者、工会、伦理学家、律师等多方意见后综合得出的。他认为，OSD并不能简单直接地适用于AI项目，而OSAID提供了用户通过许可和所需组件列表来有意义地协作、创新甚至分支AI系统的权利和工具。OSI声称已从实际AI专家那里学到了许多新知识，并未妥协其原则。

前景与影响

分析人士如RedMonk的Stephen O'Grady指出，“开源”这一术语是为严格定义的资产而创，将其扩展到复杂得多的新AI领域面临挑战。他认为OSI的路径是实用主义的，但需要大量解释，且可能不如原始OSD那样清晰直接。他建议OSI本应从零开始创造新定义，而非尝试重塑旧定义。

尽管存在争议，OSI董事会很可能将按计划推进OSAID 1.0版本的发布。该定义最终将如何被接受、会带来何种行业影响，目前尚不确定。