Authors Guild 诉 OpenAI 及 Microsoft 案：新披露文件揭示非法版权使用与取代人类作者的意图

核心指控

在 Authors Guild v. OpenAI 诉讼案中，新披露的法律文件显示，OpenAI 和 Microsoft 的高管及员工在明知其行为可能损害作者、出版商及美国文化的情况下，仍蓄意违反法律，利用盗版书籍训练 AI 模型。原告方认为，OpenAI 的 GPT 模型对写作和出版行业构成了“生存威胁”。

主要披露细节

• 预见并计划取代人类作者 OpenAI 政策总监 Jack Clark 曾表示，AI 的发展将逐渐创造出替代人类劳动的系统，并明确指出这会导致人类失业。他甚至提到，即便艺术家对这些行为表示担忧，公司也可能会选择无视并继续发布产品。

• 试图“自动补全”知名作家的作品 OpenAI 员工 Tarun Gogineni 的研究任务之一是让 GPT 模型能够“完成”如乔治·R·R·马丁（George R.R. Martin）的《冰与火之歌》系列。他将作者对数据集被窃取及失去工作的抗议视为“可以接受的经济动荡”，并预言机器将为机器创造“垃圾内容”，导致“读者的死亡”。

• 明知使用盗版资源（LibGen） 文件指出，Microsoft 早在 2019 年 4 月就已知晓 OpenAI 使用 LibGen（一个“可疑的俄罗斯网站”）进行模型训练。OpenAI 的研究人员表示，他们当时担忧的并非法律问题，而是使用盗版数据在公众舆论（如 Hacker News）中产生负面影响（Optics）。

• 试图销毁证据 为了掩盖痕迹，OpenAI 在 2022 年夏季发起了一项名为“Project Clear”的行动，旨在从其系统和存储空间中删除 LibGen 相关文件。

诉讼背景

该案由 Authors Guild 及包括 John Grisham、George R.R. Martin、Jodi Picoult 等多位知名作家共同发起。该案件目前属于曼哈顿的多地诉讼（Multidistrict Litigation）的一部分，预计将在 2027 年初举行听证会。

关于旧金山巨人队比赛走红视频真相的说明

这篇文章由在旧金山巨人队（San Francisco Giants）比赛期间走红的母亲 Erika 撰写，旨在回应网络对她丈夫 Ramses 的广泛误解与抨击。

事件背景与误读

在一段广泛传播的视频中，解说员注意到 Erika 在球场内一手抱着婴儿，另一手拿着大量食物，而丈夫 Ramses 则坐在座位上。解说员以此开玩笑，称 Erika 为“年度最佳妈妈”，并暗示 Ramses 在家庭分工中缺乏参与。这一片段迅速走红，导致数百万观众对两人的婚姻关系产生负面猜测，许多网友指责 Ramses 是不负责任的丈夫，甚至向其发送威胁信息。

视频背后的真实情况

Erika 澄清了视频中并未展现的互动细节：

• 主动的选择：Erika 当晚选择独自携带婴儿和食物，是因为她想利用婴儿背带的体温为女儿保暖，并方便在途中更换尿布。
• 丈夫的协助：Ramses 实际上提供了很多帮助，包括主动为妻子清理座位、询问用餐需求，甚至主动提出要喂妻子吃东西。Erika 拒绝了协助，是因为她想把食物放在腿上以防弄脏。
• 情感状态：视频未能捕捉到 Ramses 当晚的情绪背景。他当时正处于失去一位多年好友的深度悲痛中，这场比赛本是 Erika 提议带他来放松并缅怀好友的。

婚姻关系的真实面貌

Erika 强调，网络上的判断完全忽略了他们长久以来的合作关系。她描述 Ramses 是一个极其负责的父亲和丈夫：

• 共同育儿：两人在照顾孩子、应对医疗预约等方面高度协作。
• 困难时期的支持：在 Erika 遭遇失业、怀孕并发症以及产后抑郁期间，Ramses 承担了主要的经济压力和家庭责任，确保了家庭的稳定，并支持 Erika 进行心理康复。

对网络行为的反思

Erika 对此次事件引发的后果表达了忧虑：

• 网络暴力：由于片段的断章取义，Ramses 遭到了严重的言语攻击，包括死亡威胁。
• 对解说员的反思：她指出，尽管解说员可能并无恶意，但他们的玩笑成为了公众对该家庭进行恶意揣测和嘲讽的导火索。
• 呼吁理性判断：Erika 呼吁公众在面对社交媒体片段时，应秉持“给予疑点利益（benefit of the doubt）”的原则，不要仅凭几秒钟的画面就对一个人的生活和人格下定论。她提醒人们，屏幕背后的人拥有复杂的真实生活，而不仅仅是片段中的角色。

Meta 封锁巴西总统卢拉的 Facebook 页面及竞选广告

在距离选举仅剩两周的关键时期，Meta 公司封锁了巴西总统卢拉（Lula）的 Facebook 页面及其相关的竞选广告。

Neovim 变更撤销文件格式导致数据丢失问题

本文讨论了计算机科学家 David Chisnall 分享的一个关于 Neovim 的使用案例，该案例揭示了软件在处理用户数据时可能存在的风险。

事件背景：Vim 的持久化撤销功能

在 Vim 中，“持久化撤销”（persistent undo）是一项极其重要的功能。它允许用户在关闭文件、重启电脑甚至在数月后重新打开文件时，依然能够通过撤销命令找回之前的修改记录。对于需要频繁编辑大量文档的研究人员和开发者来说，这一功能在找回误删内容或回溯代码逻辑时具有不可替代的价值。

Neovim 的问题

Neovim 是 Vim 的一个分支（fork）。Chisnall 在尝试使用 Neovim 时发现，原有的撤销历史无法工作。经查发现，Neovim 更改了撤销文件的存储格式，但其处理方式并非升级旧文件或使用不同的文件名，而是直接检测到现有的 Vim 撤销文件并将其删除，随后替换为 Vim 无法读取的新格式。这种行为直接导致了用户历史撤销数据的丢失。

开发者的回应与用户信任危机

当 Chisnall 就此问题提出反馈时，得到的答复是：由于持久化撤销的格式尚不稳定，用户不应依赖该功能来保证数据的持久性。

Chisnall 认为，这种态度表明开发者缺乏对用户数据的“注意义务”（duty of care）。他指出，将由于格式变更而导致用户数据被程序主动删除的行为视为“功能不稳定”而非“错误”，这严重损害了用户对软件的信任。

拉斯金定律（Raskin's Laws）

文章通过此案例引入了 Jef Raskin 在其著作《人性化界面》（The Humane Interface）中提出的三项原则，旨在强调软件设计应遵循的伦理与功能标准：

1. 第一定律：计算机不应损害用户的工作，也不应因不作为而允许用户的工作受到损害。
2. 第二定律：计算机不应浪费用户的时间，或要求用户进行不必要的额外工作。
3. 第三定律：一个界面如果是人性化的，应当能够响应人类的需求并体恤人类的弱点。

该案例通过 Neovim 的行为，直观地展示了违反“第一定律”如何会导致用户对工具的依赖感和安全感崩塌。

Reladraw 项目简介

Reladraw 是一种文本驱动的绘图语言，其核心特性是允许用户通过描述相对位置来决定图表元素的布局，从而在保持绘图表达力的同时，避免手动调整坐标的低效。

核心设计理念

Reladraw 旨在填补现有绘图工具之间的空白：

• 对比自动布局工具（如 Mermaid, Graphviz, D2）： 这些工具通过声明节点和连接后自动计算位置，难以实现特定的、高度定制化的视觉布局。
• 对比手动绘图工具（如 draw.io, Excalidraw）： 这些工具需要通过点击和拖拽进行绝对定位，对于人类用户和 AI 智能体（Agent）来说，手动计算坐标或编辑冗长的 XML 源码都非常低效。

Reladraw 处于两者之间，用户通过简单的相对方位指令（如 below, right of, level with）来控制布局，既能享受文本驱动的便捷，又能实现精确的视觉表达。

主要功能与语法特性

用户可以通过编写 .reladraw 文本文件来定义节点及其关系。

• 节点定义： 可以定义父子层级关系（如 node app.ui）。
• 位置描述： 使用方位词定义元素关系，例如：
  • below [node]（在某节点下方）
  • right of [node]（在某节点右侧）
  • level with [node]（与某节点齐平）
• 连线控制： 可以指定连线的起始和结束方位（如 from: right to: left）。
• 输出格式： 支持将文本描述渲染为 SVG 图像。

技术实现与安装

• 技术栈： 解析器、布局引擎和 SVG 渲染器均使用 TypeScript 编写，且没有任何运行时依赖。
• 安装方式：
  • 通过 NPM 全局安装：npm install -g reladraw。
  • 使用命令行工具（CLI）将文件转换为 SVG：reladraw diagram.reladraw -o diagram.svg。
• AI 智能体集成： 支持通过 npx skills add 命令为 Claude Code、Cursor、Copilot 等 AI 智能体安装“技能”，使其能够理解并使用 Reladraw 编写图表。

项目状态

• 当前版本： 0.11.1（处于早期开发阶段）。
• 稳定性： 语法尚未稳定，可能会随版本更新而变化。
• 开源协议： 采用 Apache-2.0 协议。

也门面积数据错误溯源调查

本文通过对也门面积数据的深入调查，揭示了国际权威机构和百科全书在描述也门国土面积时存在长期且严重的错误。

核心矛盾

目前，谷歌（Google）和维基百科（Wikipedia）普遍引用的也门面积为 555,000 平方公里。然而，作者通过在 Google Maps 上手动绘制边界并计算得出，实际面积仅约为 456,000 平方公里。即便是在 CIA 世界概况（World Factbook）、世界银行和联合国等相对权威的数据库中，也门面积也被记录为约 527,968 平方公里，这与实际面积仍有显著偏差。

错误成因分析

通过追溯历史数据，作者发现也门统一后的总面积错误，实际上是由南北也门两个互不相关的历史性数据错误累加而成的：

1. 北也门（North Yemen）的数据错误：

   • 错误数值： 长期以来，文献记载北也门面积约为 195,000 平方公里。
   • 真相： 经过调查发现，这个数字实际上源自 1904 年奥斯曼帝国“也门省”（Yemeni Vilayet） 的面积。由于北也门在独立后的实际面积远小于该省，但地理书籍在近百年间机械地重复使用这一过时数据，导致其面积被严重高估。

2. 南也门（South Yemen）的数据错误：

   • 错误数值： 约 332,000 平方公里。
   • 真相： 这一错误始于 1976 年的一份世界银行报告。该报告在统计南也门行政区划面积时，由于疏忽将“Thamud”地区（属于第五省的一部分）进行了重复计算，导致数据虚高。随后，包括 CIA 和联合国在内的机构在更新数据时，直接采纳了这一错误统计结果。

结论

也门统一后的总面积是基于两个被夸大的错误数据（北也门基于旧帝国版图，南也门基于统计重复计算）进行的简单相加。由于国际地理统计机构在长达数十年的时间里缺乏严谨的事实核查，这一错误的地理数据成为了全球范围内的“常识”，进而导致了也门人口密度、领土排名等一系列衍生统计数据的连锁错误。

Slop UI 的 10 个特征总结

“Slop UI” 指的是由 AI 生成的、缺乏设计愿景且看起来廉价、平庸或无意义的用户界面。这类界面虽然可能具备一定的视觉冲击力（即所谓的“氛围感编码”/ vibe-coded），但往往缺乏实际的功能逻辑和深度设计。

以下是识别 Slop UI 的 10 个主要特征：

1. 过度使用渐变 (Gradients Everywhere) 渐变色在按钮、背景等几乎所有元素上过度堆砌，且 AI 生成的界面往往表现出对紫色系渐变的偏好。

2. 色彩混乱 (Rainbow Vomit) 色彩搭配缺乏逻辑，不遵循设计中的 70-30-10 原则（即主色、辅助色与强调色的比例），导致屏幕充满互不协调的颜色。

3. 无效的脉冲徽章 (Pulsing Badges) 界面中常出现无意义的动态脉冲徽章，例如显示“已激活”状态。这类信息往往是冗余的，因为如果状态不活跃，用户通常已被登出。

4. “指甲”卡片设计 (Finger Nail Cards) 这是一种被大型语言模型（LLM）过度使用的通用 UI 卡片设计模式，因其极高的重复率而显得缺乏创意。

5. 表情符号泛滥 (Emoji Slop) 在不恰当或过多的地方大量使用表情符号。

6. 对齐问题 (Misaligned Stuff) 非标准元素（如 SVG、ASCII 艺术或非方框元素）在界面中经常出现对齐偏差。

7. 单一的字体选择 (Font Selection) 字体选择极其单一，通常仅限于 Inter 或 JetBrains Mono。此外，界面中还可能出现类似代码注释的符号（如 //），即便是在非技术语境下。

8. 因对话上下文产生的冗余文本 (Redundant Text) UI 中包含了大量从用户提示词（Prompt）中直接转化而来的、对用户毫无价值的信息（例如：“使用 Neovim 编写”或“统一校园，统一应用”等描述）。

9. 过度使用毛玻璃效果 (Glassmorphism) 设计语言往往局限于毛玻璃效果或极其单一的粗犷主义（Brutalism）风格，缺乏多样性和针对性的设计思考。

10. 泛滥的口号与无意义的炒作 (Generic Taglines & Unnecessary Hype) 界面充斥着大量营销词汇，如 “Elevate”（提升）、“Seamless”（无缝）、“Next-Generation”（下一代）、“Empower”（赋能）等。它倾向于将每个功能页面都设计得像营销落地页，而非实用的工具界面。

结论 Slop UI 的核心问题在于设计者（或 AI）仅追求表面的“氛围感”，而忽略了设计的逻辑性、实用性以及投入真正的设计思考。

DeepSeek Elastic Compute (DSec) 总结

DeepSeek Elastic Compute (DSec) 是一个专为大规模大语言模型（LLM）智能体（Agent）训练与评估设计的生产级弹性沙盒平台。针对智能体工作负载中常见的爆发式沙盒需求、异构的隔离要求、长期的状态保持以及海量镜像分发等挑战，DSec 提供了一种比单一沙盒运行时更具弹性的执行方案。

核心功能与架构

• 统一 SDK 与多样化后端：DSec 通过统一的 SDK 暴露了多种沙盒后端，包括 FnCall、容器（Container）、微型虚拟机（microVM）以及全虚拟机（full-VM），以满足不同级别的隔离与功能需求。
• 环境管理与分层构建：平台负责在集群范围内协调环境的放置与生命周期管理，并利用独立版本化的分层技术来组合构建环境。
• 高效存储与分发：利用集群范围内的分布式文件系统 Fire-Flyer File System (3FS)，实现镜像数据的按需加载，从而降低环境搭建和镜像分发的开销。
• 高密度资源调度：通过结合内存共享、内存回收机制以及 CPU 调度技术，DSec 实现了高密度的环境执行能力。

与强化学习（RL）的协同设计

DSec 在设计上与强化学习框架进行了深度耦合，以优化训练效率：

• 执行解耦：将有状态的 Rollout（采样）执行过程与可抢占的 GPU 训练过程解耦。
• 资源与状态平衡：通过协调沙盒生命周期与训练进程，DSec 能够在回收闲置资源的同时，有效保护 Rollout 的状态。
• 安全性提升：该设计有助于缓解智能体因错误行为（如“奖励黑客”/reward hacking）而产生的问题。

规模与性能表现

DSec 在生产环境中展现了极高的扩展性：

• 部署规模：单个生产单元覆盖约 160 个节点。
• 处理能力：每日服务约 300 万个沙盒。
• 并发性能：支持超过 38 万个并发沙盒，且沙盒创建速度超过每秒 5,000 个。
• 效率优势：实验与部署经验表明，DSec 显著提高了内存效率，并在高密度超额分配（overcommit）的情况下，仍能保持对延迟敏感的任务性能。

总结：如果停止互助，我们将变成什么？

本文通过分享一封读者的来信，探讨了在线技术社区（如 Stack Overflow）在技术支持之外所承载的人文价值，并对比了其与大语言模型（LLM）的本质区别。

核心经历：战争中的求学之路

来信作者 D 分享了他在 2013 年服役于美国空军期间的艰难经历。当时，他在菲律宾赞博昂加围城战（Zamboanga Siege）期间，一边执行军事任务，一边通过远程教育完成大学学业。在战争、流离失所和极端压力下，D 试图在恶劣的环境中坚持学业，并在编程学习遇到困难时寻求帮助。然而，他的亲友在面对其求助时，大多采取忽视或要求其“自力更生”的态度。

Stack Overflow 的情感价值

在 D 最为困顿的时刻，是 Stack Overflow 上的陌生人提供了关键的指引。这些帮助并非出于任何利益驱动，仅是出于助人之心。对于 D 而言，这种互动的影响远超技术解答本身：

• 归属感与存在感：陌生人的时间投入让 D 感受到自己是被关怀的，这种连接感让他觉得自己是某个集体的一部分。
• 社区纽带：通过解决问题并帮助他人，D 在社区中找到了意义感。

LLM 与人类社区的本质差异

文章对比了 LLM 与人类社区在解决问题时的不同维度：

• 答案 vs. 关怀：LLM 虽然能提供技术上的正确答案，但它无法提供“有人在乎我”的情感支撑。
• 社区的“空心化”：作者表达了对人类驱动型社区逐渐被 LLM 取代的忧虑。他认为，如果在线社区只剩下提供答案的机器而失去了人与人之间的互动，这种现象就像是“失去了重力”，会让网络空间变得空洞。

结论与启示

文章最后提出，LLM 的出现应当成为一种提醒，促使人们更加努力地去培养人与人之间的关系，并构建属于用户而非大企业的在线社区。在这些社区中，人们通过停下来互相帮助来学习，这种互助行为是维持人类社会连接与成长的重要基石。

日本收紧外国人永久居留权规则及其社会影响

日本政府正准备收紧针对外国人的永久居留权申请规则，此举引发了长期居住在日外国人的担忧，并反映出日本社会在劳动力需求与移民政策之间的矛盾。

永久居留权新规

根据计划于10月1日起分阶段实施的新规，申请永久居留权的人员将面临更严格的标准：

• 经济能力：申请人的家庭年收入须超过日本平均水平（该规定将追溯至今年4月提交的申请）。
• 语言能力：申请人需证明具备日语能力。
• 养老准备：申请人需证明拥有相当于30年养老金发放额的储蓄。

日本出入国在留管理厅表示，这些变化旨在确保外国人能够“独立生活”，并实现“稳定的生活，避免成为社会负担”。

政治与社会背景

日本目前的移民政策正呈现出“选择性与有条件性”的趋势，这与国内政治向右转的动向一致：

• 政治转向：保守派政客及右翼政党（如参政党）倾向于采取更强硬的立场，强调应对由于外来人口增加可能带来的“社会摩擦”，并对不同文化背景的人员持谨慎态度。
• 民意变化：东京大学社会科学研究所的调查显示，日本民众反对接受更多外国人的比例已从2024年的35.6%上升至56.3%。
• 人口矛盾：日本正面临严重的劳动力短缺和人口萎缩问题。截至2025年底，外国居民人数达到创纪录的412万（约占总人口的3%），而日本国民人数在2025年至2026年间减少了超过90万。

专家观点与居民反馈

• 专家分析：明海大学经济学教授萩原里沙（Risa Hagiwara）指出，尽管日本需要外国劳动力来缓解短缺，但大幅提高长期定居门槛可能会降低日本对潜在外国劳动力的吸引力。她认为，日本正处于十字路口，不仅要考虑需要多少劳动力，更要思考希望建立什么样的多元社会。
• 居民担忧：许多长期居住在日本的专业人士表示焦虑。有人因为担心申请被拒，已开始寻找日本以外的工作机会；也有人面临必须在保留原国籍与放弃国籍入籍日本之间做出艰难抉择的困境。此外，部分外籍居民也反映，近年来在网络和现实生活中感受到了更明显的歧视情绪。

Intel 8087 FPTAN 指令算法逆向工程总结

Intel 8087 是一款经典的浮点协处理器，其 FPTAN（计算正切值）指令通过结合 CORDIC 算法和有理多项式逼近（Padé approximant），实现了高精度与高性能的平衡。

核心算法原理

1. CORDIC 算法

CORDIC（坐标旋转数字计算机）是一种通过简单的移位和加减运算来计算三角函数的算法。它将目标角度分解为一系列预先计算好的特殊角度 $\arctan(2^{-n})$。通过对向量进行一系列旋转，可以快速逼近目标值，且不需要复杂的乘法或除法硬件。

2. 有理多项式逼近 (Padé Approximant)

单纯依靠 CORDIC 算法，要达到 64 位精度需要执行 64 次迭代，效率极低。8087 的策略是：先用 16 步 CORDIC 迭代处理大部分角度，对于剩下的极小剩余角度，使用有理函数公式 $\frac{3x}{3-x^2}$ 进行逼近。这种方法比泰勒级数更适合切函数，因为有理函数可以模拟函数在趋于无穷大时的特性。

FPTAN 的三个执行阶段

算法通过微码（Microcode）控制，分为以下三个关键步骤：

1. 伪除法 (Pseudo-division)： 将输入角度与预设的 CORDIC 特殊角度进行比较。如果特殊角度小于当前剩余角度，则减去该角度并记录一个“1”，否则记录“0”。这些决策位被存入一个 16 位的移位寄存器中，用于后续指导旋转。

2. 有理逼近 (Rational Approximation)： 针对第一阶段留下的极小剩余角度，计算其切线值。为了避免当时硬件执行除法的高昂代价，8087 不直接计算商，而是将公式的分子作为 $Y$ 坐标，分母作为 $X$ 坐标，作为下一步旋转的初始向量。

3. 伪乘法 (Pseudo-multiplication)： 根据第一阶段记录的决策位，对初始向量应用旋转方程。为了减少舍入误差，旋转过程采用逆序执行（即从小角度到大角度）。每一次旋转仅涉及移位、加法或减法运算。

硬件实现与微码细节

• 数据格式：8087 内部使用 80 位“临时实数”（Temporary Real）格式，包含 1 位符号位、15 位指数位和 64 位尾数位。
• 结果输出：FPTAN 指令并不直接返回切线值，而是返回部分切线（Partial Tangent），即坐标值 $X$（分母）和 $Y$（分子）。这种设计允许程序员根据需求决定何时进行除法，从而优化性能。
• 优化手段：
  • 微码通过使用隐式指数进行整数运算，最大限度地利用了 64 位尾数的精度。
  • 使用了特殊的常量 ROM 和指数 ROM。
  • 在计算有理逼近时，使用了 Booth 算法进行快速平方运算。
• 性能分布：FPTAN 指令通常需要约 450 个时钟周期。其中，伪乘法耗时最长（约 47%），伪除法次之（约 33%），有理逼近约占 15%，其余为开销。

结论

8087 的 FPTAN 算法体现了在硬件资源受限时代，通过巧妙结合不同数学模型（CORDIC 与 Padé）来兼顾计算速度与精度的工程智慧。随着现代处理器通过并行指令（SIMD）和高速乘法电路转向纯多项式逼近，这种专门的 CORDIC 硬件结构已逐渐退出了历史舞台。