德勤涉嫌伪造文件以帮助阿布拉莫维奇隐匿财富及逃税

根据 BBC 《全景》（Panorama）与调查新闻局（Bureau of Investigative Journalism）的联合调查，全球最大的会计师事务所德勤（Deloitte）涉嫌协助俄罗斯寡头罗曼·阿布拉莫维奇（Roman Abramovich）通过伪造文件的方式隐匿其巨额财富并逃避税款。

核心指控

调查结果显示，德勤及其曾拥有的企业通过一系列违规手段，操纵了阿布拉莫维奇在塞浦路斯离岸公司的财务记录：

1. 隐匿豪华资产： 为了应对塞浦路斯在2006年实施的透明度法律，德勤塞浦路斯分部涉嫌协助阿布拉莫维奇的关联公司通过“倒填日期”（backdating）的方式，将价值6.72亿美元的资产（包括超级游艇、豪华庄园、私人飞机和直升机）从其塞浦路斯公司的账目中移出，转至英属维尔京群岛（BVI）的公司名下。德勤在明知文件具有误导性的情况下，仍签署了这些账目，导致资产在账面上几乎“凭空消失”。

2. 协助逃避税款： 调查发现，德勤疑似为阿布拉莫维奇的另一家公司（Kravin Investments）设计了逃税方案。该公司在2003年拥有近20亿美元存款并产生巨额利息。通过倒填文件，使其在法律形式上看起来是在为BVI母公司持有资金，从而规避塞浦路斯当局对其利息收入的征税。法律专家称这种行为是“显而易见的”逃税。

3. 隐藏百亿美元财富： 曾由德勤拥有的企业服务公司 MeritServus 涉嫌伪造了第三套记录。通过倒填日期，该公司将 Electus Investments 超过100亿美元的巨额财富伪造成早在2003年就已属于 BVI 公司的资产。这使得当该公司的财务状况向公众披露时，其在塞浦路斯的资产规模看起来仅剩14.5万美元。

各方回应

• 罗曼·阿布拉莫维奇方：其律师否认任何逃税或隐匿财富的行为，并强调阿布拉莫维奇并不参与这些公司的日常运营。律师称，其客户有权合法地依赖专业顾问的建议，且目前没有证据表明其知情或授权了任何文件造假。
• 德勤（Deloitte）：德勤塞浦路斯表示其一直遵守适用法律。针对具体的指控，由于相关文件已超过20年且无法获取，公司表示无法置评。
• 专家观点：
  • 法律专家 Andrew Mitchell KC 指出，这是一种非常直接的逃税行为。
  • 谢菲尔德大学会计学教授 Lord Sikka 指出，通过错误陈述交易日期来误导财务报表是“违反法定职责”且“令人震惊的”行为。
  • 俄罗斯批评人士 Vladimir Milov 认为，西方金融和法律服务机构在为腐败寡头进行“洗白”工作中扮演了重要角色。

背景信息

阿布拉莫维奇曾是英国最著名的俄罗斯寡头，曾是切尔西足球俱乐部的所有者。在2022年俄罗斯全面入侵乌克兰后，他因被视为普京的关联人士而受到英国制裁，并被迫出售俱乐部。目前，他被报道居住在土耳其，而其在泽西岛（Jersey）的54亿英镑资产仍处于冻结状态，相关刑事调查已持续四年。

摘要：Passkeys 是一场陷阱

本文探讨了 Passkey（通行密钥）技术潜在的风险。虽然 Passkey 被宣传为比传统密码更安全、更便捷的替代方案，但作者认为其核心问题在于：用户失去了对登录凭证的最终控制权。

1. FIDO 联盟的利益倾向

Passkey 是由 FIDO 联盟发起的标准。该联盟由大型科技公司、政府、情报机构和银行组成，却缺乏消费者权益保护组织的参与。这意味着该标准的设计可能更多地服务于这些成员的利益（如降低企业的法律责任、便于追踪或增加广告曝光），而非优先考虑用户的自主权。

2. 与 TOTP 的对比

作者将 Passkey 与传统的基于时间的一次性密码（TOTP，即身份验证器应用）进行了对比：

• TOTP 的优势：基于开放标准（RFC 6238），用户可以自由选择任何硬件或软件（甚至可以是旧游戏机）来生成代码，并可以自主决定如何存储和分享种子（Seed）。
• Passkey 的局限：虽然看起来同样便捷，但其标准设计允许服务商逐步限制用户的使用方式。

3. 技术复杂性与命名误导

“Passkey”这一术语掩盖了其内部极大的技术差异。在 WebAuthn 标准下，Passkey 可以具有多种不同的属性组合，例如：

• 可复制性：可复制或不可复制。
• 可转移性：可转移或不可转移。
• 存储方式：基于软件（文件）或基于硬件（利用设备的加密芯片，如 TPM 或 Secure Enclave）。
• 用户验证：是否需要生物识别或 PIN 码，以及是否需要用户在场确认。

这种模糊的命名方式使用户难以理解自己究竟在使用哪种类型的凭证，从而可能在设备损坏或丢失时面临无法找回账户的风险。

4. 核心威胁：远程证明（Remote Attestation）

这是本文认为最危险的技术特性。远程证明允许网站通过硬件加密芯片，验证用户是否使用了“经过批准”的 Passkey 管理器、操作系统或固件。

• 剥夺选择权：如果网站要求使用“经过证明”的 Passkey，那么使用 Linux、定制化操作系统（如 LineageOS）或非官方认可的浏览器可能会被拒绝登录。
• 监控与控制：通过远程证明，大型科技公司或政府可以验证用户的设备环境，从而限制用户运行未经批准的软件（如加密通信工具、广告拦截器或隐私增强插件）。
• 逐步收紧：作者预测，行业会先提供宽松的 Passkey 选择，然后逐渐通过增加限制（如要求必须是硬件支持且经过验证的类型）来收紧控制，最终让用户在不知不觉中失去对数字生活的控制。

5. 结论与建议

作者警告称，Passkey 的普及可能为大规模的软件限制和身份识别提供技术基础。对于重视隐私、希望保留软件选择权以及支持数字主权的用户，建议谨慎使用 Passkey。作为一种更安全且保留用户控制权的替代方案，作者推荐使用物理安全密钥（如 YubiKey），因为它们是自包含的，不会强制要求对整个操作系统进行远程证明。

Nanolathe: 为现代计算机重构的《全面战争》(Total Annihilation) 引擎

Nanolathe 是一个开源引擎，旨在让玩家能够在 Windows、Mac 和 Linux 系统上运行经典游戏《全面战争》(Total Annihilation)。该引擎通过“洁净室研究”（clean-room research）重新实现了游戏逻辑，能够直接加载原版的地图、单位、战役及脚本数据。

核心技术与渲染特性

• 现代化渲染器：Nanolathe 提供了一款现代 GPU 渲染器，相比原版的经典 CPU 渲染器，它显著提升了视觉效果。通过超采样、合成地形（将原版 32×32 瓦片合成 64×64 瓦片）以及增强的植被（草地和树木）细节，为游戏增加了光照、发光效果和更丰富的环境细节。
• 开发语言：引擎使用 Go 语言编写，并采用 MIT 开源协议。

开发进度与游戏模式

项目目前处于公开测试（Public beta）阶段，可能存在漏洞或兼容性问题。目前已实现的功能包括：

• 单人模式：战役（Campaign）、遭遇战（Skirmish）和生存模式（Survival）。
• 多人模式：支持通过游戏代码进行在线联机。遭遇战支持 2 至 10 名玩家，生存模式支持 2 至 3 名玩家。

使用说明与要求

• 浏览器演示版：用户无需安装或拥有游戏文件，即可通过桌面版 Chrome、Edge 或 Safari 浏览器体验包含三个任务的演示版。
• 完整版要求：若要游玩完整游戏，玩家需要使用从 GOG、Steam 或原始 CD 获取的合法游戏文件。演示版由于没有完整的游戏文件，无法参与在线联机。
• 版权说明：Nanolathe 引擎本身遵循 MIT 协议，但原版《全面战争》的艺术资源及其他游戏内容受其各自版权条款保护。该项目为独立开发，与原游戏的所有者无关。

纽约市“一键取消”（Click to Cancel）法规概要

纽约市消费者与工人保护部 (DCWP) 已敲定并准备执行一项全美首创的“一键取消”（Click to Cancel）法规，旨在防止企业通过复杂的流程设置“订阅陷阱”，保护消费者免受取消订阅时的重重阻碍。

执行时间与违规处罚

该法规将于 2026 年 10 月 1 日 正式生效。对于违反规定的企业，DCWP 将处以起步价为 525 美元 的民事罚款，违规企业还可能被要求向消费者退款。

核心规定内容

“一键取消”法规要求企业必须遵守以下标准：

• 条款透明化：企业必须向消费者清晰地解释订阅条款。
• 权利披露：在购买或取消订阅的过程中，企业必须明确披露消费者的相关权利。
• 简化取消流程：企业必须提供简单直接的取消程序，且取消方式应与订阅时的操作方式保持一致（即“订阅有多方便，取消也要有多方便”）。
• 禁止附加费用：企业不得要求消费者通过支付邮寄费用（例如寄回此前获得的免费赠品）来完成订阅取消。

大语言模型（LLM）能力认知差距的扩大

本文指出，人们对大语言模型（LLM）能力的认知正在出现严重的脱节，这种差异呈现出一种“漏斗状”的分布结构：

认知差异的四个层级

1. 几乎无接触层（约 60 亿人，约占人口 75%）：这一庞大群体几乎没有与 LLM 进行过任何接触。
2. 轻度用户层（约 10-20 亿人，约占 20%）：主要使用免费版的 ChatGPT 类产品。他们将 LLM 视为增强版的搜索引擎或写作辅助工具，认为其表现更像是一个“笨拙的聊天机器人”，对技术的理解仍停留在抽象的层面。
3. 专业应用层（约 2,000 万人，约占 0.2%）：主要是数学和编程领域的专业人士。他们通过前沿模型直接体验到生产力的指数级飞跃，能够利用智能体（Agents）在提示词驱动下，将原本需要数周或数月才能完成的复杂项目（如构建、翻译或反编译应用程序）迅速完成。
4. 核心前沿层（约 5,000 人，约占 0.00006%）：拥有前沿系统内部访问权限的极少数人。他们观察到的是成千上万个智能体协作处理超大规模项目（如极速网络攻防、科学发现、数学前沿研究）。在这一层级，AI 的能力进化速度甚至开始超越人类的审查与理解能力。

导致认知差距扩大的三大因素

• 问题规模与雄心的影响：LLM 的影响力随问题的复杂度、规模和视野而缩放。简单的问答难以体现其潜力，只有处理大规模、高难度的难题时，其能力的威力才会显现。
• 能力的“锯齿状”特征（Jaggedness）：LLM 的能力在数字化、可验证且具有高经济价值的领域（如数学和编程）表现尤为突出。这是因为在这些领域，可以通过基于可验证奖励的强化学习（RL）进行优化，从而驱动能力的爆发。
• 访问权限的差异：用户所接触的模型版本（免费版、付费版、内部版）存在显著的技术代差。

总结： 当大众还认为 LLM 只是个笨拙的聊天工具时，极少数专业人士已在经历技术曲线垂直上升带来的震撼。这种认知的巨大鸿沟正在全球范围内同步发生。

以下是提供内容的摘要：

1. 欧洲超市遭遇大规模制冷系统网络攻击

一场“前所未有”的网络攻击破坏了欧洲多家超市的制冷系统。黑客通过控制 Danfoss 制造的制冷控制系统，将法国超市（如 Intermarché、Leclerc 和 Coopérative U）的自动除霜功能设置为持续的 50°C 除霜循环。此次攻击不仅干扰了货物配送，还影响了店内电子价签的定价。此外，荷兰的 Albert Heijn、Etos 和 Gall & Gall 以及比利时的 Delhaize 也受到了不同程度的影响。据初步估计，此次事件造成的经济损失可能达数百万欧元。

2. QGIS 全面禁止 AI 辅助代码贡献

QGIS 项目通过并合并了 QEP428 提案，正式实施“禁止 AI 贡献”政策。该政策取代了此前要求“人工介入”的旧政策，规定严禁在 qgis/qgis 代码库中使用任何大语言模型（LLM）、人工智能或基于智能体（Agent）的工作流进行代码贡献。若发现违规，贡献者的代码将被回滚，并可能面临权利制裁。项目核心贡献者表示，此举是因为之前的政策在实际操作中未能有效执行，且项目已因此失去了一名极具价值的贡献者。项目方计划未来视情况选择性地开放部分 AI 应用场景（如自动补全或翻译）。

3. 阿里巴巴 Qwen 发布 QwenGyre 强化学习框架

阿里巴巴 Qwen 发布了名为 QwenGyre 的在线强化学习（RL）框架，专门用于处理长程（long-horizon）智能体任务。该框架解决了智能体任务运行时间长、交互频繁且消耗大量 Token 的痛点，其核心功能包括：

• 高效 GPU 利用：将 GPU 划分为计算单元，任务完成后可立即释放单元用于训练，同时保持运行任务的状态和缓存。
• Token-in Token-out 机制：记录每个输出段的完整上下文，并将轨迹组织成共享前缀的树状结构，仅扩展选定路径作为训练样本。
• 部分评分（Partial Scoring）：为超时但部分完成的任务提供可用的反馈。
• 性能提升：在 NL2RepoBench 实验中，该框架将任务通过率从 52.5% 提升至 58.5%，且在同等 GPU 预算下，端到端速度比异步模式提高了 1.78 倍。

Google 因在芬兰违规砍伐森林建设数据中心被勒令停工

事件背景

由于未能按规定完成环境影响评估（EIA），Google 在芬兰 Muhos 和 Kajaani 两个数据中心建设项目的施工工作已被勒令暂时停止。这两个项目是 Google 在芬兰北部开展的一项总价值 130 亿欧元的庞大基础设施计划的一部分。

违规细节

调查显示，代表 Google 的 Tuike Finland Oy 公司在未完成环境影响评估的情况下，已在 Muhos 地区砍伐了 330 公顷（约 815 英亩）的森林；在 Kajaani 地区，砍伐面积也接近 200 公顷（约 494 英亩）。芬兰自然保护协会对此表示强烈谴责，称由于这些违规操作，相关建设场地已从森林变成了“沙地”。

监管措施

芬兰许可与监管局（LVV）已发出通知，要求该公司最迟在 10 月 23 日前“立即暂停”任何会显著改变环境的筹备措施（包括砍伐树木、剥离表土及修建现场道路），直到环境影响评估完成。Google 须在下周三前提交书面解释。若不遵守指令，LVV 将考虑采取强制执行程序并处以罚款。

Google 的回应

Google 在声明中表示理解相关担忧，并承认其表现“未能达到自身的高标准”。公司辩称其行为是基于对《森林法》的善意遵循，并已开展自然调查及保护高价值区域的措施。此外，Google 还承诺将推进生物多样性计划，在 Muhos 地区进行 130 公顷的植树造林。

深层原因分析

芬兰自然保护协会指出，此类违规行为可能是一个“系统性问题”。其主要诱因是数据中心市场的过度扩张，导致企业为了赶进度而大幅压缩流程，同时地方政府在应对此类大规模项目时也显得专业知识不足，无法有效监管。

《洋葱报》（The Onion）纸质刊物征集指南

《洋葱报》正在征集特定的纸质刊物。如果您持有相关的历史刊物，可以参考以下指南进行识别并联系官方。

1. 如何识别目标刊物

通过检查刊物封面的卷号（Volume）、期号（Issue）和日期来确认。请注意，识别格式可能有所不同，例如部分特殊刊物可能会使用“22-01”这种缩写形式来代替“Volume 22 Issue 1”。

2. 征集范围

《洋葱报》目前寻求的内容涵盖了从 1988 年至 2013 年间的特定时期，具体包括：

• 全卷征集：第 14 至 19 卷（1988–1991年）、第 47 至 49 卷（2011–2013年）。
• 特定期数征集：包括第 21、22、29、33、39、42、44、45、46 卷中的特定期数（时间跨度从 1992 年至 2010 年）。

3. 提交方式与流程

• 提交途径：有意向的卖家需填写指定的 Google 表单，并尽可能提供详细的信息。
• 后续联系：档案管理员将评估提交的信息。如果您的收藏能够填补官方的档案缺口，且符合其需求，管理员会主动与您联系。

4. 重要注意事项

• 品相要求：所有刊物必须保持良好、清洁且清晰易读的状态。
• 所有权规定：一旦刊物售出，其所有权将归《洋葱报》所有，且不可退还。

https://mortoray.com/why-arent-ai-companies-being-charged-for-hacking/

欧洲大型超市遭遇网络攻击，制冷系统遭破坏

近期，欧洲多家大型超市连锁店遭受网络攻击，导致其制冷控制系统出现严重故障。

攻击细节与影响

据报道，黑客操纵了制冷控制系统，将设备的自动除霜功能设定在 50 摄氏度持续运行。除了导致冷藏温度异常升高外，此次攻击还影响了超市的物流配送系统以及由电子价签控制的店内价格显示。

受影响范围

此次攻击针对的是 Danfoss 制造的制冷控制设备。受影响的法国主要零售商包括：

• Intermarché
• Leclerc
• Coopérative U

官方回应

Coopérative U 主席 Dominique Schelcher 已证实，自周一凌晨起，其连锁网络中多家门店的制冷生产设施已受到网络攻击的影响。Schelcher 将此次事件描述为“极其严重”，并表示技术团队已动员起来进行修复，同时承诺将对此次事件展开深入调查。

Linux 手机能否成为 Android/iOS 双头垄断的替代方案？

本文探讨了 Linux 手机市场的历史瓶颈、技术挑战、当前的技术突破以及未来的商业化路径。

1. 历史背景与现状

在 2020 年 Purism Librem 5 和 PINE64 PinePhone 发布后，Linux 手机市场曾一度出现活跃迹象，但随后陷入停滞。主要原因在于当时的 SoC（系统级芯片）性能不足、缺乏开源驱动、移动界面（如 Phosh、Plasma Mobile）尚不成熟，以及硬件设计复杂度过高。

2. 核心技术挑战：SoC 的困境

Linux 手机面临着芯片选择的矛盾：

• 性能与寿命的矛盾：主流移动 SoC（如高通 Snapdragon）性能强大但生命周期短（通常仅 2-3 年）；而支持 Linux 的工业/IoT SoC 寿命长，但性能弱、能效低且工艺制程落后。
• 硬件复杂性：由于缺乏高度集成的移动 SoC，Linux 手机往往需要使用多个独立芯片（如 Wi-Fi、调制解调器、音频等），导致电路板设计极其复杂、成本高、发热大且功耗高。

3. 技术突破点

文章指出，两个关键的技术演进正在改变游戏规则：

• Rockchip RK3588S：这款芯片提供了足以支撑现代智能手机体验的计算性能。随着 Collabora 等机构在主线 Linux 内核驱动方面的努力，基于 RK3588S 的纯 Linux 手机（运行自由开源驱动）正变得可行。
• Qualcomm IoT 芯片 (Dragonwing)：高通推出的 IoT 系列处理器（如 QCM6490）提供了高性能、长达 10 年以上的软件支持，且高度集成了功能，降低了硬件设计难度。虽然仍需部分私有二进制文件（blobs），但其性能和能效远超以往的 Linux 方案。

4. 软件生态与内核问题

Linux 手机在软件实现上存在两种主要路线，其代价各异：

• 纯 Linux 内核路线：通过主线内核实现，具有极高的软件自由度和长期的安全更新能力，但对硬件设计和驱动开发的要求极高。
• 基于 Android 内核路线 (libhybris)：利用 Android 内核和驱动来获得高性能和能效，但由于 Android 内核生命周期短且依赖供应商更新，会导致手机在使用几年后面临安全风险和软件停滞。

在用户界面方面，Phosh 通过与 GNOME 桌面栈统一，成功降低了维护成本并获得了更广泛的社区支持；Plasma Mobile 和 Lomiri 也在通过与各自桌面生态融合来寻求生存。

5. 三种可能的商业路径

作者总结了未来 Linux 手机的三种可行模式：

1. 高价纯 Linux 手机：使用 RK3588S 等芯片，强调硬件物理开关（Kill Switches）、开源驱动和极高的隐私保护，面向发烧友。
2. 中端 IoT 方案手机：使用高通 Dragonwing 芯片，平衡性能、设计难度与支持周期，是更具商业潜力的路线。
3. 经济型 Android 内核手机：利用现有的移动 SoC 方案，通过 libhybris 运行 Linux，虽生命周期较短，但开发成本最低。

6. 结论与展望

尽管市场仍面临企业经营能力（如 PINE64 的社区关系处理、Purism 的声誉问题）和技术门槛的挑战，但市场需求正在增长。随着全球消费者对隐私保护和反监控的需求增加，以及手机厂商逐渐封锁 Bootloader，Linux 手机若能提供与主流手机相当的易用性，将有望在利基市场中占据一席之地。

PS2 游戏静态重编译至 WebAssembly 项目概述

该项目实现了一种创新的技术，能够将 PlayStation 2 (PS2) 游戏静态重编译为 WebAssembly (Wasm)，从而使其无需传统模拟器即可在浏览器中直接运行。

核心技术原理

该项目并非通过传统的指令解释执行，而是采用了静态重编译的方法：

1. 重编译机制 (eerecomp)：读取游戏的机器码，分析其控制流并将其转换为 C++ 代码。生成的代码保留了 R5900 处理器的特性（如 128 位寄存器、多媒体指令、分支延迟槽等）。通过将跳转指令转换为尾调用，并实现高效的线程切换，使得生成的代码无需为每个客户线程分配独立的栈。
2. 微型 PS2 内核：通过高层模拟实现 EE（Emotion Engine）端的操作系统功能，包括线程、信号量、DMA 控制器中断、垂直同步中断以及连接 CPU 与 I/O 处理器的 SIF 通道。I/O 处理器的 R3000 CPU 通过解释器运行，而其相关的驱动程序和库则由 C++ 重构实现。
3. 向量单元 (VU) 模拟：针对 PS2 关键的 3D 计算，项目将游戏上传的微程序预编译为 SIMD C++ 代码。这些程序在运行过程中，首次遇到的微程序会被即时转换为 WebAssembly 模块。
4. 图形渲染 (WebGPU)：利用 WebGPU 的计算着色器（Compute Shaders）来模拟图形合成器 (GS)。通过将三角形分箱（Binning）并按照 GS 的规则进行光栅化、纹理处理和 Alpha 混合，实现了高性能的渲染。此外，该系统支持比原生更高的分辨率。
5. 音频与视频：通过重新实现 SPU2（支持 48 路 ADPCM 音频）和 IPU（MPEG-2 解码器）来处理音视频流。

性能优化经验

从最初的 3 FPS 提升至接近原生速度（如 Gran Turismo 4 在笔记本集成显卡上可达 50 FPS），开发者总结了以下关键优化点：

• 从软件渲染转向 WebGPU：将 GS 移至 WebGPU 计算着色器并编译向量单元程序是性能飞跃的关键。
• 减少计算调度开销：通过将纹理上传和调色板加载提前，减少了因频繁切换 batch 导致的计算调度次数。
• GPU 缓存机制：在 GPU 上建立 16 MB 的纹理缓存，减少了 WebAssembly 与 GPU 之间的数据传输量。
• 优化浏览器调度：使用 MessageChannel 代替受限的 setTimeout 进行模拟循环调度，并将模拟逻辑放入 Web Worker 中，以确保帧率稳定。

游戏移植流程

用户可以通过提供的脚本将拥有的 ISO 镜像转化为 Web 页面：

• 自动化脚本 (port.sh)：该脚本会运行游戏并进行“无头（headless）”测试。由于静态分析无法识别所有通过指针访问的函数，脚本会记录未发现的地址并将其作为新的入口点进行重复翻译，直到游戏能够完整运行。
• 环境要求：需要 Git、CMake、Python 3、C++20 编译器及 Emscripten SDK。
• 移植效率：以 God of War II 为例，在 8 核笔记本上从 ISO 到网页生成仅需约 3.5 分钟。

运行环境与功能特性

• 浏览器支持：必须支持 WebGPU（如 Windows/macOS 上的 Chrome 和 Edge）。在 Linux 上的 Chrome 需要手动开启相关 Flag。
• 操作方式：支持键盘映射、浏览器 Gamepad API（包括压力感应触发器和振动功能）以及移动端的屏幕控制。
• 存档功能：利用浏览器的本地存储模拟内存卡，并支持导出为 PCSX2 兼容格式的 .ps2 文件，方便在不同浏览器或模拟器间迁移存档。
• 原生运行：项目同时也提供了一个基于 wgpu-native 和 SDL2 的原生运行器，可在桌面环境下运行。

法律声明

该项目仅包含原始代码和第三方库，不包含任何游戏数据。生成的代码属于游戏所有者，用户应仅使用自己拥有的光盘镜像进行本地测试。

浏览器指纹：取代 Cookie 的新型追踪技术

核心概念

随着第三方 Cookie 逐渐被淘汰，**浏览器指纹（Fingerprinting）**已成为追踪用户的新手段。与可以通过清除缓存、更换 IP 或使用隐身模式规避的 Cookie 不同，指纹技术通过收集设备的硬件和软件特征，为用户生成一个持久且独特的标识符。即使更换设备，只要特征组合相似，用户仍会被识别。

商业动机与社会影响

追踪的目的已超越了单纯的精准广告投放。通过收集用户的姓名、活动轨迹及 AI 对话等数据，数据商可以构建极其精准的用户画像。作者指出，这些数据被汇集后，形成的是关于经济、社会和人类心理的“数字分形状态”，这些模式会被出售给最高出价者。在这种模式下，用户不再是独立个体，而是被分析的“数据模式”或商业系统中的一个环节。

Google 的策略演变

文章批评了 Google 在隐私保护方面的“三部曲”策略：

1. 施压阶段：在 Cookie 带来负面公关压力时，公开承诺保护隐私并计划淘汰 Cookie。
2. 分心阶段：推出如“隐私沙盒（Privacy Sandbox）”等替代方案，试图转移公众对追踪技术的注意力。
3. 加速阶段：最终在广告产品中允许使用设备指纹技术，实现了从“抵制追踪”到“利用更先进追踪手段”的转变。

指纹的技术原理

指纹的构建依赖于两个维度的信息：

1. 网络请求数据（较不稳定）：包括 IP 地址、User-Agent（浏览器、操作系统版本）和 Accept-Language（语言设置）。
2. 代码执行环境数据（高度稳定）：通过在用户设备上运行代码，测量难以改变的硬件和软件特征：
   • 硬件：GPU（供应商、驱动、渲染能力）、CPU（行为、线程数）、内存大小、显示器分辨率、刷新率、音频处理特性。
   • 软件：已安装的字体、浏览器扩展、系统信息、时区、日期和数字格式设置。

信息熵（Information Entropy）的应用： 指纹识别类似于“猜猜他是谁”的游戏。通过组合多个独立的特征（例如：使用最新版 Chrome + 法语环境 + 特定型号的 M4 芯片），每个特征都会贡献一定的“信息熵”，显著缩小候选人群体。当特征组合足够复杂时，该特征组合在统计学上几乎是全球唯一的。

防御方案对比

• 浏览器层面的防护：
  • Brave：采用“加噪”（Farbling）技术，通过引入随机噪声使指纹特征变得不一致，从而破坏追踪。
  • Tor 与 Mullvad Browser：采用“标准化”策略，使所有用户的浏览器特征看起来完全一致，从而消除区分度。
  • 其他：Chrome 和 Edge 几乎不提供隐私保护；Safari 和 Firefox 提供一定程度的保护，但仍可能被高级追踪器识别。
• 插件的局限性：虽然有 JShelter 等插件可以拦截 API 调用，但使用插件本身会使用户变得更加“独特”，反而可能增加被识别的风险。作者强调，**引擎级别的保护（浏览器内置功能）**才是最有效的。

技术实现手段总结

文章通过代码示例展示了获取指纹的常见 API：

• OfflineAudioContext：利用音频引擎和 CPU 的微小处理差异。
• WebGL：提取 GPU 的供应商、模型及渲染像素差异。
• Canvas：通过字体渲染和抗锯齿效果的差异提取特征。
• Intl 与 navigator：获取时区、语言、硬件并发数及内存信息。
• crypto.subtle：将上述所有特征通过哈希算法转化为唯一的标识符。

调研机构抨击 Anthropic IPO，称其为“对投资者愚蠢程度的前所未有的测试”

随着人工智能公司 Anthropic 迈向可能达到 2 万亿美元市值的纳斯达克上市之路，独立金融研究机构 New Constructs 发布报告，称其即将进行的 IPO 是“2026 年最荒谬的 IPO”，并认为华尔街正面临“对投资者愚蠢程度的前所未有的测试”。

估值与财务状况差异

New Constructs 将 Anthropic 的估值定为仅 1500 亿美元，远低于其目标市值。报告指出，若要支撑 2 万亿美元的估值，Anthropic 需要录得比全球市值最高的科技公司英伟达（Nvidia）高出两倍的年度利润（英伟达过去四个季度的净利润超过 1900 亿美元）。

根据路透社引用的泄露招股说明书显示：

• 2025 年营收： 46 亿美元。
• 2025 年净亏损： 420 亿美元。

核心商业风险

New Constructs 认为 Anthropic 的商业模式缺乏可行性，理由包括：

1. 运营亏损： 公司面临不断增加的运营亏损。
2. 开源竞争： 随着大量开源模型的出现，封闭式模型在盈利方面将面临巨大挑战。
3. IPO 目的： 报告认为，此次 IPO 的目的并非为公开市场投资者创造财富，而是为公司的华尔街支持者提供流动性。
4. 风险因素： 该机构还提到，Anthropic 声称 AI 可能对人类构成“灾难性或生存风险”的说法，也是投资者应规避该 IPO 的理由之一。

关于 New Constructs 的可靠性

New Constructs 创始人 David Trainer 在华尔街以对 IPO 持悲观态度而闻名。其过往表现具有两面性：

• 成功预测： 曾称 WeWork 为“2019 年最荒谬的 IPO”，随后 WeWork 因财务问题撤回 IPO 并最终申请破产。
• 预测失误： 曾称 DoorDash 为“2020 年最荒谬的 IPO”，但 DoorDash 在上市后市值大幅增长。

Anthropic 的立场与营收预期

尽管面临质疑，Anthropic 的营收数据呈现出极高的增长预期。根据不同渠道的数据：

• Anthropic 声称： 截至 2026 年 7 月，其年化营收运行率已同比增长七倍，达到 650 亿美元。
• 媒体报道： 《纽约时报》指出，该公司有望在 2026 年底实现 1000 亿美元的年化营收。

目前，Anthropic 尚未对相关评论做出回应。

《朝鲜制图师》(Cartographers of North Korea, 2019) 摘要

该研究针对朝鲜地区的 OpenStreetMap (OSM) 数据进行了分析，旨在探讨为该地区地图数据做出贡献的参与者（贡献者）身份。

Zig 语言的类型安全 HTML 模板库：zt

本文介绍了一种名为 zt 的新型 HTML 模板库，专为 Zig 编程语言设计。该库旨在解决在低级语言中进行 Web 开发时，模板引擎在类型安全、性能和安全性方面难以兼顾的问题。

设计背景与需求

作者在尝试使用 Zig 进行 Web 开发时，发现现有的解决方案无法同时满足以下四个核心需求：

1. 类型安全：所有输入必须在编译时进行类型检查，以避免运行时模板错误。
2. 高性能：模板应实现“零分配”（no allocations），不产生中间状态，直接将输出写入 std.Io.Writer。
3. 安全性：具备安全的默认行为，例如默认对所有输入进行 HTML 转义，以防止 XSS 攻击。
4. 开发者体验：语法应接近原生 HTML，而不是难以使用的领域特定语言（DSL）。

受到 Go 语言中 Templ 和 Zig 中 Ziex 的启发，作者开发了 zt。

核心功能与实现机制

• 编译时转译：zt 的模板在执行 zig build 过程中会被解析并转译为标准的 Zig 代码。这意味着模板可以像普通 Zig 代码一样被导入，同时模板也可以导入应用程序的代码。
• 深度类型集成：由于模板最终被转译为 Zig 代码，所有的参数传递都是全类型的。如果模板中引用的字段不存在（如拼写错误）或参数类型不匹配，Zig 编译器会直接报错。编译器提供的错误信息会通过注释指向原始模板的位置，极大地提高了调试效率。
• 高性能输出：生成的代码非常简洁，其核心逻辑是直接向 std.Io.Writer 写入数据。这种方式允许开发者根据需要直接写入 Socket 或缓冲区，且整个过程无需额外的内存分配。
• 内置安全机制：
  • 自动转义：所有动态值（包括文本和属性值）在输出时都会默认进行 HTML 转义。
  • URL 校验：对于 href 或 src 等 URL 属性，库会自动检查是否存在危险的协议。
  • 显式原始输出：如果开发者确实需要输出原始 HTML，必须使用特殊的语法 {!value}，这使得潜在的安全隐患在代码中清晰可见。
  • 语法约束：解析器要求所有 HTML 元素必须正确闭合，防止生成损坏的标记。
• 组件化与布局：支持构建可复用的组件，并利用 @children 语法实现类似于模板继承的布局嵌套功能。模板中的控制流（如 if、for、switch）直接使用标准的 Zig 语法。

当前局限性与展望

目前 zt 仍处于早期阶段，存在一个语法歧义问题：由于块级控制流（如 if 或 for 开头的行）直接使用 plain Zig 语法，如果文本内容恰好以这些关键字开头，会导致解析错误。作者正在考虑引入类似 @if 或 @for 的前缀来消除这种歧义。

zt 目前已在 Dusty（一个基于 htmx 的 Web 应用示例）中得到应用，并欢迎开发者提供反馈。

雪铁龙重启 2CV 品牌，进军电动时代

产品概况 雪铁龙（Citroen）在巴黎车展上展示了一款全新的 2CV 概念车。这是一款旨在应对未来出行挑战的小型电动城市代步车。虽然目前仍处于概念阶段，但雪铁龙计划在 2028 年将其量产版本推向市场，预计售价约为 1.3 万英镑。

设计传承 新车型采用了明显的复古设计风格，旨在致敬 1948 年推出的经典 2CV。其设计元素继承了原版的特征，包括高耸且外扩的轮拱、高大的弧形车顶以及标志性的“眼睛状”大灯，试图通过视觉上的怀旧感唤起消费者的情感共鸣。

竞争策略：利用历史底蕴应对挑战 面对来自中国电动汽车制造商日益激烈的竞争，雪铁龙及其他欧洲汽车品牌正试图通过挖掘品牌遗产来建立差异化优势：

• 复古情结的市场价值：专家指出，复古设计具有双重吸引力：一方面能让年长消费者产生情感连接，另一方面也能吸引青睐复古风格的年轻群体。
• 历史壁垒：行业分析认为，欧洲车企可以将深厚的品牌历史与现代先进的动力技术相结合，这种“历史积淀+新技术”的组合是缺乏品牌历史的中国制造商难以模仿的。
• 行业趋势：这种策略在欧洲车企中已形成趋势，例如雷诺（Renault）通过复兴 5 E-Tech、Renault 4 和 Twingo 等车型来强化品牌，大众（VW）、宝马（BMW/Mini）和菲亚特（Fiat）也曾采取过类似的复古策略。

成功关键 尽管怀旧情结是强大的营销武器，但专家提醒，仅靠情怀不足以确保销量。这款重新设计的 2CV 必须在设计简洁性、价格优势的基础上，具备现代电动车应有的功能性、技术特性及广泛的实用性，才能在激烈的全球市场竞争中站稳脚跟。

https://radar.cloudflare.com/bots/as13238?dateRange=7d#bot-traffic

摘要：Fable 夺走了我的工作

本文作者通过个人的失业经历，探讨了大型语言模型（LLM）对软件工程行业带来的冲击，并对当前 AI 的能力与市场营销之间的差距进行了深度批判。

核心观点总结

1. AI 驱动裁员的本质：成本而非能力

作者指出，自己失去工作并非因为 AI 在技术上优于资深工程师，而是因为 AI 比人力更廉价。对于企业管理层而言，AI 提供的“智能化”足以让他们在等待并购（M&A）的过程中维持业务运转，从而通过削减高薪工程师的成本来优化财务表现。

2. 行业现状与连锁反应

• 大规模裁员： 无论是顶尖的 FAANG 公司还是 DevOps 兴趣小组，裁员现象正变得普遍。
• 能力不对等带来的外包： AI 提升了低成本、低经验劳动力的工作能力，这促使许多公司做出离岸外包（offshoring）的决策，以取代高成本的本土工程师。
• 决策者的误判： 一些企业高管因过度推崇“AI 改变开发模式”的观点，导致了团队的解散或错误的战略转向。

3. 当前 AI 模型的局限性

尽管市场宣传声势浩大，但作者认为当前的 frontier models（前沿模型）在以下两个核心维度上仍无法取代人类：

• 缺乏“品味”（Taste）： AI 无法做出具有战略意义的产品决策。它能根据社交媒体上的反馈机械地实现功能，但无法像有经验的领导者那样判断哪些功能会损害产品的长期定位。
• 缺乏“远见”（Foresight）： AI 难以预见技术决策在长期运营成本、系统复杂性、可访问性及可负担性方面的深远影响。这种缺失导致了大量缺乏质量的“垃圾服务”（slop services）出现。

4. AI 的本质：高效的“复印机”

作者认为，当前的 AI 代理（Agents）更像是“复印机”或“搬运工”。它们在受控环境、有步骤引导的框架下（如代码迁移、行为复制）表现出色，能够将一种语言的代码逻辑准确地移植到另一种语言。然而，这种“智能”本质上是基于模式匹配的机械重复，而非真正的理解。

结论

AI 并没有真正取代人类的智能，但它成功地说服了资本持有者改变资金分配的方式——从投资于高水平的人才转向投资于更廉价的 AI 辅助方案。这种转变正在导致编程的乐趣逐渐消亡，取而代之的是单纯为了交付结果而进行的机械化生产。

将 WiFi 7 路由器转换为 320Msps 软件定义无线电 (SDR) 接收器

该项目旨在将 Gemtek W1700K Wi-Fi 7 路由器改造成一个宽带软件定义接收器。通过利用其内置硬件，该设备能够实现极高带宽的信号捕获与实时可视化。

核心架构与功能

该系统由三个主要部分组成：

1. 射频前端 (MediaTek MT7996)： 负责捕获高达 320 Msps 的 14 位复数 IQ 采样。
2. 处理器 (Airoha AN7581 SoC)： 处理数据并利用 10 GbE 端口进行高速流式传输。
3. 主机端 (Linux Host)： 接收 IQ 流，并通过浏览器提供实时频谱图、瀑布图显示及设备控制界面。

技术规格

• 采样率： 支持 40、80、160 或 320 Msps 的 14 位复数 IQ 采样。在 2.4 GHz 频段，还支持 640/2 采样模式。
• 覆盖频段： 支持 2.4 GHz（使用 MT7976）、5 GHz 和 6 GHz（使用两个 MT7977）。
• 调谐能力： 本地振荡器 (LO) 可以在各频段内进行极高精度的调谐（步进可达 2.98 Hz 或 11.9–14.3 Hz），并支持在流传输过程中快速重调（约 1 毫秒）。
• 前端控制： 提供自动增益控制 (AGC) 或手动 LNA/基带增益调节，具备 20–320 MHz 的模拟滤波器。
• 数据传输： 射频数据通过 DMA 进入 SoC DRAM 的 1 GiB 环形缓冲区，随后通过 10 GbE 端口以 UDP 零拷贝方式发送。在 320 Msps 高采样率下，系统会自动将采样对打包为 28 位以实现无损压缩，从而适配链路带宽。

软件实现

该项目运行完全自定义的固件，不包含任何 MediaTek 原厂代码。

• 固件组件： 包括 ROM 补丁、负责射频管理与流控制的 WM，以及负责数据打包的 WA。固件通过解码 MediaTek 寄存器轨迹实现了从冷启动到校准的全过程。
• 主机端软件栈：
  • w1700k-stream：接收导出数据，通过共享内存提供 IQ 流，并可选地进行采样增益补偿（flattening）。
  • w1700k-spectrum：执行 262,144 点 FFT，通过 Web UI 提供实时频谱和瀑布图。
  • sdr-recv：用于录制 IQ 数据流。

安装与使用注意事项

• 硬件要求： 需要 W1700K 或 W1700K2 路由器、3.3V USB 串口适配器以及连接至主机的 10 GbE 网卡。
• 仅接收模式： 该自定义固件为仅接收模式，禁用了所有发射路径。尽管如此，仍建议在天线接口使用衰减器，以防直接连接敏感仪器。
• 系统变更： 安装过程会替换路由器的原厂操作系统。项目提供了备份和恢复原厂固件的工具。
• 底层风险： 访问未记录的寄存器地址可能会导致 SoC 挂起或射频模块失效。

https://www.inc.com/chloe-rosenberg/a-remote-employee-refused-160-webcam-photos-a-day-her-employer-fired-her/91415963

Doory：开源版 Canva 设计编辑器

Doory 是一个可在浏览器中运行的全功能开源设计编辑器，旨在为用户提供类似于 Canva 的设计体验。用户可以利用它制作海报、社交媒体帖子、故事、幻灯片、邀请函、简历、缩略图和名片等。

核心优势

• 完全免费：没有 Pro 会员计划、没有锁定的模板、没有水印，也没有广告。从背景移除到视频导出，所有功能均对所有用户开放。
• 无需账号即可开始：用户可以即开即用，设计作品会暂时保存在浏览器中。只有在需要将设计同步到云端时才需要创建账号。
• 自主托管：支持通过 Docker Compose 在用户自己的服务器上部署，从而实现对设计数据、上传文件及隐私的完全掌控。

主要功能

1. 编辑与设计工具

• 全能编辑：支持文本（含标题、弯曲文本、文本效果）、形状、线条、箭头、25,000 多个图标、表情、插图及二维码。
• 图层管理：提供完善的图层面板，支持重命名、锁定、隐藏、拖拽排序、分组以及复制/删除操作。
• 布局辅助：具备对齐指南、吸附功能、标尺以及多页设计能力（支持不同页面尺寸）。
• 智能功能：支持在浏览器本地运行的一键背景移除（抠图）。
• 素材集成：支持通过 Unsplash 或 Pexels 密钥搜索库存照片。

2. 动画与多媒体

• 动态效果：内置 27 种入场/出场动画、12 种强调效果和 16 种页面过渡效果，并支持时间轴编辑。
• 音频支持：内置包含 24 个音乐循环和 88 个音效的库（CC0 协议），支持上传音频、语音录制以及修剪和淡入淡出。

3. 协作与演示

• 实时协作：支持通过链接进行查看、评论或编辑（可设置密码），具备实时多人协作光标、钉选评论和版本历史功能。
• 演示模式：提供带有演讲者备注、定时、自动推进、激光笔指示器和双演示者窗口的演示模式。

4. 导出选项

支持多种格式的浏览器端导出：

• 静态/矢量：PNG（支持透明度）、JPG、SVG、PDF（提供带出血位和裁切标记的印刷级 PDF）。
• 动态/视频：MP4、WebM、动画 GIF。

技术架构与部署

技术栈

• 前端：React 19, TypeScript, Vite, Fabric.js, Yjs (用于实时协作), Zustand。
• 后端：Django 5, Django REST Framework, Channels (用于 WebSockets), PostgreSQL。
• 基础设施：Docker Compose, Nginx, 可选的 Redis 和 S3 兼容存储。

部署与配置

用户可以通过简单的 Docker 命令快速部署。由于新安装的站点初始内容为空，系统提供了多种 manage.py 命令来同步模板、字体、图标、图形、背景移除模型以及音频等初始素材。

授权协议

Doory 采用 Attribution Assurance License 授权。用户可以自由使用、修改和重新分发（包括商业用途），但必须注明原作者的署名（Doory by Siam）。

Zod 4.6.6 版本疑似恶意软件攻击分析

提供的代码差异（Diff）显示，Zod 从版本 4.6.5 升级到 4.6.6 的过程中，疑似引入了供应链攻击，通过恶意脚本在安装阶段执行远程代码。

核心变更内容

1. 自动化发布流程变更： GitHub 工作流文件（release.yml）从手动触发发布更改为基于特定路径（packages/zod/package.json 和 packages/mini/package.json）的推送自动触发发布。

2. package.json 配置篡改： 在 zod 和 @zod/mini 的 package.json 文件中，新增了以下内容：

   • 版本号从 4.6.5 提升至 4.6.6。
   • 新增了 preinstall 钩子脚本："preinstall": "node meta.test.mjs"。这意味着每当用户通过 npm/yarn 安装该包时，系统都会自动运行 meta.test.mjs。
   • 将 meta.test.mjs 文件包含在发布的软件包中。

恶意脚本 (meta.test.mjs) 功能分析

该脚本的行为符合典型的恶意软件特征，其执行流程如下：

1. 区块链交互： 脚本硬编码了一个以太坊地址（0xe236330379d0c54aD5b2ef06aC714CEbdd4Ce523）和特定数据。它会尝试连接三个公共以太坊 RPC 节点（llamarpc.com、publicnode.com 和 cloudflare-eth.com）。

2. 动态指令获取： 通过 eth_call 方法从区块链上读取数据。脚本包含一个复杂的解码函数 dec，用于解析从以太坊返回的十六进制数据，从而提取出特定的域名或地址。

3. 远程载荷下载与执行：

   • 下载：脚本利用从区块链获取的地址，访问其下的 /loader 路径获取 JSON 格式的载荷。
   • 写入：载荷包含 payloadName（文件名）和 payloadB64（Base64 编码的内容）。脚本会在操作系统的临时目录（os.tmpdir()）中创建一个随机目录，并将该载荷写入文件。
   • 执行：脚本利用 import("data:text/javascript;base64," + g.s) 语法，直接在内存中通过 Data URI 动态加载并执行从远程获取的 Base64 编码代码。

总结

此次更新通过 preinstall 机制，利用区块链作为指令分发渠道（C2），实现了高度隐蔽的远程代码执行（RCE）。攻击者可以随时通过更改区块链上的状态来控制所有安装该版本 Zod 的客户端环境。

PostgreSQL 性能瓶颈：存储而非数据库本身

本文总结了 Sai Srirampur 在 POSETTE 2026 上的演讲《Postgres Isn’t Slow. Your Storage Is.》。演讲的核心观点是：随着 PostgreSQL 处理的数据量达到数百 GB 或 TB 级别，许多看似与数据库引擎无关的性能问题，其根源往往在于存储性能。

存储瓶颈的典型症状

当工作负载规模扩大时，存储限制通常表现为以下五种症状：

1. 写入速度变慢：涉及大量 UPDATE 和 UPSERT 的摄取流水线处理时间显著增加。
2. 读取延迟不稳定：大部分查询正常，但 P95 延迟出现剧烈波动（从毫秒级跳升至秒级）。
3. VACUUM 滞后：由于 UPDATE/UPSERT 吞吐量大，自动清理（autovacuum）无法跟上进度，导致表膨胀。
4. 检查点（Checkpoint）变慢：检查点操作与实际业务负载争夺 I/O 和 CPU 资源，引发周期性的延迟峰值。
5. 逻辑复制延迟：WAL 解码速度变慢，导致向 Kafka 或 ClickHouse 等系统传输数据时出现积压。

这些问题的本质是：当工作集超出内存和操作系统缓存时，物理 I/O 需求增加；同时，客户端查询与后台维护任务（如 WAL 同步、检查点、VACUUM）在有限的带宽、IOPS 和队列容量上相互竞争。

基准测试：EBS vs. 本地 NVMe

为了验证存储的影响，研究人员对比了在 AWS gp3 EBS（配置为 3,000 IOPS）与本地 NVMe 实例上运行相同 PostgreSQL 工作负载（33 亿行数据）的结果。

测试结果

• 吞吐量：本地 NVMe 的中位事务吞吐量（TPS）为 16,030，而 EBS 仅为 1,734，性能提升了 9.24 倍。
• 延迟：中位事务延迟从 EBS 的 36.9 毫秒降至 NVMe 的 4.0 毫秒。
• 维护效率：在处理 10 GB 的膨胀数据或逻辑复制积压时，NVMe 的完成速度明显优于 EBS。

延迟分析与 CPU 行为

分析表明，EBS 带来的额外延迟主要消耗在**页面读取（Page Reads）**和 WAL fsync 上。

• 等待状态：在 EBS 环境下，大量的数据库后端进程处于 IO:DataFileRead 等待状态。
• CPU 利用率：一个有趣的发现是，NVMe 实例表现出更高的 CPU 利用率（约 9.4 核忙碌），而 EBS 实例仅约 1 核忙碌。这说明 EBS 进程大部分时间在非 CPU 状态下等待存储响应，而 NVMe 允许 CPU 更高效地执行实际的有用工作。

生产环境中的本地 NVMe 架构方案

本地 NVMe 存储虽然极快，但具有易失性（实例生命周期结束数据即丢失）且无法通过 EBS API 进行快照。要在生产环境中使用，必须将“持久性”从单节点转移到集群层面。

建议的生产架构包含以下三个核心要素：

1. 基于法定人数（Quorum-based）的同步复制： 采用带有两个备选节点的同步复制配置（例如 ANY 1 (standby1, standby2)）。这样只要有一个备用节点确认写入即可提交，既保证了可用性（跨可用区部署），又避免了等待最慢节点的延迟。

2. 外部备份与归档： 使用 WAL-G 等工具进行物理基础备份（Base Backup）和连续的 WAL 归档。将备份和 WAL 存储在独立的故障域（如不同的存储服务或区域），以应对节点丢失、数据损坏或灾难性故障。

3. 容量规划： 必须根据所选实例类型的本地 NVMe 容量来规划数据库的存储需求。

总结

对于存储受限的工作负载，**“本地 NVMe + 同步复制 + 独立备份归档”**的模式可以极大地提升性能。通过利用 NVMe 降低 I/O 成本，并结合集群级别的冗余来抵消其易失性风险，企业可以构建既高性能又具备生产级可靠性的 PostgreSQL 系统。

Google 远程代码执行 (RCE) 漏洞总结

漏洞概述

研究人员在 Google 的开发者文档平台（DevSite）中发现了一个严重的远程代码执行 (RCE) 漏洞。通过利用泄露在 Flask 会话 Cookie 中的 OAuth client_secret，攻击者可以伪造合法的签名，并利用 Python pickle 反序列化漏洞在 Google 服务器上执行任意代码。该漏洞最终获得了 90,000 美元的漏洞赏金。

漏洞发现与核心原理

1. 敏感信息泄露

研究人员在分析 Google 的 OAuth 流程时，注意到其使用的 Flask 会话 Cookie 体积异常（约 1200 字节）。由于 Flask 的会话 Cookie 仅进行签名（Signing）而不进行加密（Encryption），研究人员通过解码发现，Cookie 中包含一个经过 zlib 压缩并进行 Base64 编码的 JSON 对象。

2. 关键凭据与签名机制缺陷

在解码后的 JSON 中，研究人员发现了一个使用 pickle 序列化的对象，其中包含明文的 Google OAuth client_id 和 client_secret。 最关键的发现是：该 OAuth client_secret 被直接用作了 Flask 的 SECRET_KEY。这意味着攻击者只要拥有这个 client_secret，就可以在本地离线计算出符合服务器校验逻辑的签名，从而实现对会话内容的完全控制。

漏洞利用链 (Exploit Chain)

攻击者可以通过以下步骤实现 RCE：

1. 构造恶意 Payload：利用 Python pickle 模块的特性，通过实现 __reduce__ 方法，可以将任何可调用的函数及其参数植入 Payload 中。研究人员使用 time.sleep(N) 作为 PoC（概念验证），通过观察服务器响应的延迟来证明代码已成功执行。
2. 伪造 Cookie：利用获取的 client_secret，攻击者模仿 Flask 的签名算法（itsdangerous 库），为包含恶意 pickle 数据的 Payload 生成合法的签名。
3. 触发反序列化：服务器在接收到该 Cookie 后，会先通过 SECRET_KEY 验证签名。由于签名合法，服务器会继续执行 pickle.loads() 对数据进行反序列化，从而触发并执行攻击者植入的恶意代码。

影响范围

由于该漏洞存在于 Google 共享的 DevSite 平台中，其影响范围涵盖了多个重要的开发者站点，包括：

• developers.google.com
• firebase.google.com
• developer.android.com
• source.android.com
• docs.partner.android.com

修复建议

为了阻断该漏洞链，研究人员提出了四项核心修复措施：

1. 轮换凭据：立即更换泄露的 OAuth client_secret 并废弃所有旧会话。
2. 密钥隔离：为每个部署环境提供高熵、独立的 Flask SECRET_KEY，且严禁将其与 OAuth 凭据关联。
3. 服务端化状态管理：将 OAuth 流程等敏感对象存储在服务器端，Cookie 中仅保留一个不透明的引用（Opaque Reference）。
4. 安全序列化：在处理客户端数据时彻底弃用 pickle，改用仅包含数据的格式（如 JSON）并配合严格的模式检查（Schema Check）。

奖励与时间线

• 报告提交：2026 年 8 月 6 日
• 漏洞修复：2026 年 10 月 7 日
• 最终奖金：$90,000（基础奖金 $75,000 加上针对卓越报告质量的 1.2 倍加成）。

法国超市遭遇大规模网络攻击导致冷藏系统瘫痪

事件概述 法国多家大型超市连锁店近日遭遇了一场被描述为“前所未有”的网络攻击。黑客通过远程手段触发了大量门店制冷系统的“强制除霜”功能，导致冰箱温度大幅上升。此次事件造成了大规模的食品变质和浪费，并引发了对食品安全的担忧。

受影响规模与程度

• 受影响品牌： 明确受影响的零售商包括 E. Leclerc、Intermarche（及其 Netto 品牌）和 Cooperative U。此外，Carrefour Market 和 Monoprix 也疑似受到波及，但尚未得到官方证实。
• 门店数量： Intermarche 称至少有 300 家门店受到攻击；Cooperative U 有超过 100 家门店受到影响；E. Leclerc 也确认部分门店的制冷系统运作受到干扰。
• 直接后果： 受影响门店必须丢弃所有变质的生鲜和冷冻产品。据巴黎检察官透露，此次攻击甚至引发了火灾。

技术原因分析 调查显示，攻击的目标是丹麦制造商 Danfoss 提供的制冷控制系统（特别是 AK-SM800 和 AK-SC355 型号）。Danfoss 在声明中指出，大多数受影响的设备属于“老旧”产品（legacy products），这些设备不再接收软件或安全更新，且部分设备使用的固件已过时。该公司此前曾建议超市更换这些型号。

应对措施与后续行动

• 安全机构介入： 法国网络安全机构已识别出该丹麦公司软件中的漏洞，并已联系供应商。
• 协同防范： 法国政府正与欧洲同行开展协作，旨在防止攻击进一步扩散，并试图识别并提醒其他可能涉及该软件系统的法国企业。
• 官方谴责： 欧盟食品和农业专员 Christophe Hansen 对此次攻击表示谴责，并强调在当前环境下，食品安全需要更高层级的关注。

事件摘要：Actions、Pull Requests 及 Issues 服务故障

事件概述 2026 年 10 月 12 日，相关服务（Actions、Pull Requests、Issues、Projects 及通知系统）遭遇性能下降及功能异常。该事件已于当日 20:16 UTC 正式解决。

受影响范围

• Actions：用户在加载 Actions 标签页 UI、使用 Checks API、排队新的 Actions 运行任务时可能遇到问题。
• Issues 与 Projects：包括 Issue 的创建与更新功能受损。
• Pull Requests：通过 REST 和 GraphQL API 发起的 PR 评审请求可能出现异常。
• 通知系统：Web 和电子邮件通知出现显著延迟。

处理过程

1. 调查与初步缓解：事件最初表现为 Actions、Issues 和 Pull Requests 的性能下降。初步缓解措施实施后效果并不完全，导致用户仍面临延迟和错误。
2. 功能恢复：
   • Pull Requests 服务率先恢复正常。
   • 随后，Actions、Issues 和 Projects 的功能故障得到缓解，系统进入稳定性监控阶段。
3. 通知延迟处理：在核心功能缓解后，通知系统因处理积压的通知数据而出现延迟。技术团队实施了针对通知系统的缓解措施，使通知恢复发送，但由于积压量较大，Web 和邮件通知的延迟情况持续了数小时。
4. 最终解决：随着积压任务的处理完成，所有服务恢复正常运行。

后续计划 官方表示将在后续分享详细的根本原因分析（RCA）报告。

如何通过职业生涯实现财富积累：核心策略总结

本文旨在挑战“只有企业家才能获得巨额财富”的传统观念，提出职业人士可以通过将职业生涯作为“引擎”，通过将薪资转化为资产来构建持久的财富。

1. 核心观念：收入 $\neq$ 财富

• 职业是引擎： 职业提供收入、培训、关系和信用，但引擎的价值取决于其产出流向何处。
• 区分概念： 收入是因工作而流入的现金流；财富是扣除消费后，依然留在个人名下并能持续服务的资产。
• 任务目标： 职业人士有两个核心任务：一是提高工作的价值（增加收入），二是保留并投资收入的一部分（积累财富）。

2. 职业发展的进阶策略

为了提升赚钱能力，职业人士应在工作中建立以下能力：

• 从成绩转向结果： 学术成绩仅能帮助进入好公司，但长期的职业地位取决于解决实际问题和交付结果的能力。
• 培养“所有者心态”与“职业资本”： 不要仅仅满足于职位描述，要通过解决复杂问题、跨部门协作和主动承担责任来积累稀缺且有价值的技能（职业资本）。
• 成为重要但不成为瓶颈： 真正的价值在于建立系统、转移知识并使他人变得更有效。如果过度依赖个人信息或流程，反而会限制晋升机会。
• 跨职能协作： 理解组织的整体运作逻辑，学习其他部门的语言和逻辑，从而在更高的管理层级获得认可。
• 产出可量化的证据： 养成记录工作成果的习惯（如收入增长、成本降低、效率提升等），为晋升和薪资谈判提供客观依据。
• 持续学习与战略性跳槽： 学习应以增加实际能力和获取机会为导向。在考虑换工作时，应评估整体机会（包括学习空间、管理质量、品牌价值等），而非仅仅关注薪资增幅。

3. 财富积累的财务法则

职业成就创造收入，而财富积累依赖于资产所有权。

• 转化公式： $\text{收入} - \text{消费} = \text{可用于投资的资本}$。
• 避免生活方式通胀： 警惕随着收入增加而同步增加的消费水平。应有意识地将薪资增幅的一部分用于投资，而非盲目升级生活标准。
• 自动化投资： 通过设置自动储蓄和投资计划，在消费之前将盈余转入资产账户。
• 构建多维资本： 成功的职业人士会协同构建五种资本：技能资本、声誉资本、关系资本、知识资本和财务资本。这些资本相互强化，最终通过财务资本带来选择的自由。

4. 实践总结：五阶段系统

实现从职业到财富的转化可分为五个循环阶段：

1. 良好准入 (Enter Well)： 利用学历、项目和准备工作进入优质学习环境。
2. 追求卓越 (Become Excellent)： 通过快速学习和解决问题建立竞争力。
3. 提升赚钱能力 (Increase Earning Power)： 积累稀缺技能并进行战略性职业移动。
4. 创造盈余 (Create a Surplus)： 控制支出，消除高息债务，保留收入差额。
5. 转化为资产 (Convert to Assets)： 通过持续、多样化的投资，让资本随时间复利增长。

法国多家大型超市遭遇网络攻击，冷链设备失控导致大规模食品损毁

近日，法国多家大型连锁超市遭遇网络攻击，黑客通过控制制冷设备的温控软件，导致冷藏和冷冻柜温度异常升高，造成价值数百万欧元的生鲜及冷冻食品变质。

攻击手段与技术原因

此次攻击针对的是由丹麦工程公司 Danfoss 提供的远程管理软件。黑客通过控制该软件，强行改变了设备的正常运行逻辑——原本超市冷柜在夜间仅进行短暂除霜，但黑客命令设备升温并保持高温。据受影响的超市称，部分设备的温度在夜间升至 50°C (120°F)。

Danfoss 公司表示，受影响的设备多为旧型号，其安全软件已无法通过更新来抵御已识别的安全风险。该公司强调，此前已多次建议企业及时更新支持的系统。

受影响范围与损失

虽然法国全国约有1.5万家超市，但此次攻击的影响范围初步估计涉及约 400家 门店。主要受影响的零售商包括：

• Coopérative U：超过100家超市受到攻击。
• Intermarché 及 Netto：180家门店受损，部分门店为防止攻击蔓延，紧急切断了网络连接。
• Carrefour：其6,000家门店中有80家受影响。
• Monoprix：约5%的门店受到波及。
• E.Leclerc 也在受影响名单之列。

经济与实物损失：

• 损失金额巨大，仅法国阿尔萨斯（Alsace）地区的两家超市就报损失27万欧元，预计全国总损失将达数百万欧元。
• Intermarché 报告称，部分冷柜温度在6小时内维持在50°C，为避免健康风险，超市不得不报废所有受影响的食品。
• 现场情况严重，部分门店员工在早晨抵达时遭遇冷柜散发的阵阵热浪，甚至发生了小规模火灾。

官方调查与反应

• 法律调查：法国检察官办公室已针对此次影响多个主要食品零售连锁店的“大规模网络攻击”展开专门的网络犯罪调查。
• 政策关注：欧盟食品专员 Christophe Hansen 对此表示谴责，并指出“食品武器化”已成为现实，呼吁必须提高各层级的食品安全关注度。
• 企业应对：受影响的超市管理层正与制冷专家合作，努力恢复系统正常运行并重新为货架补货。

《观看之道》第一章摘要

视觉与语言的关系

视觉先于语言。视觉不仅是生理反应，更是确立人类在世界中位置的行为。虽然我们试图用语言解释世界，但语言永远无法完全涵盖视觉体验。我们的观看方式深受已知知识与信仰的影响（例如中世纪对地狱的认知）。观看是一种主动的选择，通过观察，我们将事物纳入自身的视野，并在观察者与被观察者之间建立起一种动态的关系。

图像的本质与“神秘化”

所有图像都是人造的，它们体现了一种特定的观看方式。图像最初是为了重现缺席之物，随后演变为记录“某人如何看待某物”的历史见证。

然而，当艺术品被呈现为“艺术作品”时，人们往往会受到关于美、天才、文明等预设观念的影响。这种现象被称为**“神秘化”（Mystification）**。神秘化过程通过将艺术品与现实生活脱节，掩盖了历史的真相，从而为统治阶级的地位提供追溯性的辩护。

• 案例分析： 在对待弗兰斯·哈尔斯（Frans Hals）作品的评论中，艺术史学家往往通过讨论“和谐”、“构图”等抽象美学词汇，来回避画中蕴含的社会冲突——即一位生活困窘的画家与他所描绘的富裕委托人之间的社会张力。

摄影术对视觉的影响

摄影术的出现彻底改变了人类的观看方式：

1. 打破透视法的中心论： 传统的透视法将单一观察者的眼睛视为世界的中心。而摄影（尤其是电影）展示了视角的相对性与移动性，证明了不存在一个绝对的视觉中心。
2. 改变艺术流派： 这种变化直接影响了现代艺术。印象派关注转瞬即逝的可见性，而立体派则试图表现从多个角度观察到的物体全貌。

机械复制与原作地位的变迁

机械复制技术使图像脱离了其原始的时空语境，导致其意义发生了深刻变化：

• 意义的碎片化： 复制品使图像可以进入千家万户，在不同的生活背景（如电视、书籍、装饰品）中被重新解读，其意义变得多元且具有传播性。
• 原作的“伪宗教化”： 由于复制品剥夺了原作的唯一性，原作的价值不再取决于它“表达了什么”，而转向了它“是什么”（即其稀缺性）。这导致原作被赋予了一种基于市场价值的“伪宗教”崇拜，被视为如同圣物般的稀缺遗物，其研究往往侧重于证明其真实性而非其表达的意义。

艺术的政治性

图像的复制权、所有权以及博物馆的运作方式本质上是政治问题。

• 权力的争夺： 统治阶级利用艺术的权威来巩固现有的社会等级和文化遗产观。
• 历史的主动权： 如果大众被排除在艺术的真实意义之外，被动地接受精英阶层构建的神秘化历史，那么他们就无法在历史中准确地定位自身。

结论是，由于图像语言已变得普遍且易于传播，谁能掌握并使用这种语言，谁就能定义经验并理解历史。因此，艺术的过去已成为一个关乎社会自由与政治权利的议题。

多智能体自我监督 (MASS) 通过集体智能实现递归自我改进

概述

本文介绍了一种名为 MASS (Multi-Agent Self-Supervision) 的框架，旨在实现同质递归自我改进 (Homogeneous Recursive Self-Improvement, RSI)。在处理非验证性任务（即无法通过规则自动验证结果的任务）时，人类专家可能难以提供足够的监督。MASS 通过让同一个语言模型同时担任任务执行者（Optimizee）、工作流优化器（Optimizer）和评估器（Evaluator），将多智能体系统的集体智能蒸馏到模型权重中，从而实现自我进化。

核心机制

MASS 通过两个相互嵌套的循环进行运作：

1. 内环：工作流搜索 (Workflow Search)

此阶段在模型权重固定时进行，目标是寻找最佳的多智能体协作模式。工作流由角色 (Role)、指令 (Instruction)、契约 (Contract) 和跳转 (Hop) 四部分组成。

• 执行 (Execute)：智能体团队按照候选工作流执行任务并生成工作空间。
• 评估 (Evaluate)：评估器对比当前工作空间与当前的“冠军”工作流结果，并给出判断理由。
• 修订 (Revise)：优化器根据评估反馈修改工作流，通过调整信息交换的方式来优化协作。

2. 外环：模型学习 (Weight Update)

此阶段通过将协作经验转化为模型能力来更新参数：

• 运行与排序：使用最优的“冠军”工作流多次运行任务，并利用模型自身的偏好（通过 Bradley–Terry 模型）对生成的结果进行排序。
• 微调 (Fine-tuning)：保留高分轨迹，使用 LoRA 技术对模型进行微调。
• 知识蒸馏：在构造训练样本时会移除工作流文本，促使模型学会从任务描述中自主组织工作，而非依赖外部指令。

主要研究发现

性能提升

• 任务表现：在合成研究任务中，经过两轮 MASS 迭代后，模型相对于基座模型的胜率从 53.9% 提升至 69.9%。
• 基准迁移：在公开基准测试（如 MLR-Bench, DSBench, ScienceAgentBench 等）中，每输出 token 的得分达到了基座模型的 1.2–1.6 倍。

关键观察

1. 角色泛化 (Role Generalization)：仅通过“任务解决”轨迹进行训练，模型在作为“优化器”和“评估器”时的能力也会同步提升，这使得 RSI 循环具有可持续性。
2. 信息流优化 (Information Flow)：随着优化进行，工作流中的任务信息会从“角色”和“指令”向**“契约”和“跳转”**转移。这意味着优化器倾向于通过明确的信息交换规范（契约）和执行顺序（跳转）来优化协作，而非依赖冗长的描述。
3. 高密度学习信号：多智能体轨迹提供的监督信号比单智能体轨迹更有效。研究表明，在达到相同胜率的情况下，多智能体训练所需的监督 token 数更少。
4. 瓶颈识别：RSI 的瓶颈往往在于优化器而非评估器。单纯升级评估器对性能提升有限，而升级优化器能显著加快寻找优秀工作流的速度。

结论与安全启示

MASS 展示了 AI 在缺乏人类监督的环境下，通过自我协作实现持续学习的可能性（即“奥德赛时刻”）。然而，这种同质循环也带来了安全挑战：共同盲点 (Shared Blind Spots)。如果模型在评估中存在系统性错误，这些错误可能会被作为改进信号被吸收，导致模型自我强化缺陷。因此，理解并识别这些盲点，是实现对更强大自主系统有效监管的关键。

针对“氛围感”AI 克隆版 Photoshop 的批判

本文探讨了近期出现的利用人工智能（AI）快速模仿（即“氛围感编程”，vibe coding）成熟商业软件（特别是 Adobe 系列软件）的趋势，并对其技术、经济及行业影响进行了深度批判。

1. “氛围感编程”的本质

作者指出，目前的趋势是开发者利用 AI（如 Claude）通过大量提交 Pull Request 的方式，在极短时间内通过模仿软件的外观和交互逻辑来创建“克隆版”。这种行为本质上是软件领域的“山寨”行为，旨在窃取现有开发者的收入和流量，其性质类似于传统市场中的伪造商品。

2. 技术层面的严重缺陷

尽管这些克隆软件在外观上很像目标产品，但在核心技术层面表现糟糕：

• 底层引擎缺失： 克隆者往往先模仿界面，而非构建核心引擎。例如，其笔刷引擎在处理超过 8K 分辨率的画布时性能会崩溃，无法满足专业摄影或设计需求。
• 基础功能性能低下： 在大型画布上，撤销（Undo）、复制粘贴等基础操作会导致应用程序冻结或极度缓慢。
• 兼容性与标准化问题： 这些项目在文件格式兼容性、无损编辑、色彩配置文件（Color Profile）渲染以及字体支持方面存在严重不足，使软件水平倒退回了缺乏行业标准化的年代。

3. 经济逻辑的谬误

作者认为，这种开发模式在经济上是极不理性的：

• 成本倒挂： 开发者为了维持 AI 模型的运行，在 API Token 上的支出（有时高达数万美元）远超目标软件（如 Adobe 或 Affinity）的订阅成本。
• 误解软件质量： 开发者常以二进制文件体积小来标榜软件“不臃肿”，但专业软件体积大是因为包含了必要的框架、库和媒体资源。真正的质量应取决于内存占用、性能和稳定性。

4. 行业创新与订阅模式的辩护

针对对 Adobe 等公司的攻击，作者提出了以下观点：

• 订阅制的必要性： 现代软件高度依赖云服务、跨设备同步和高强度计算（如 AI 生成式填充）。订阅模式是支撑这些大规模云端计算和持续更新成本的唯一可行方式。
• 商业驱动创新： 商业公司（如 Adobe, Autodesk, Celsys）通过高额研发投入引领行业创新，而开源软件（如 Blender, Krita）往往是在这些技术领先者的带动下跟进。
• 反驳“臃肿论”： 许多针对商业软件的批评源于缺乏编程知识的误解，忽略了复杂功能对软件架构的要求。

5. 结论

作者认为，这种利用 AI 进行低水平模仿的行为不仅无法挑战成熟的商业软件，反而会破坏创新的动力。与其通过“氛围感编程”进行恶性竞争，开发者更应该利用 AI 工具去构建全新的、原创的创意应用。

Pensieve：通过本地索引优化 AI 代理效能

Pensieve 是一款专为开发者设计的本地索引工具，旨在通过为 AI 编程助手（如 Claude Code、Cursor、Codex 等）提供高精准度的上下文，减少工具调用（Tool Calls）次数并降低 Token 使用成本。

核心功能

1. 多维度智能搜索

Pensieve 不仅支持传统的精确匹配，还支持基于含义的语义搜索，使用户能够通过自然语言找到即使未包含特定关键词的代码或文档。

• 搜索范围：涵盖本地文件、文件夹、Git 仓库（包括未提交的更改和工作树）、对话会话（如 Claude Code 会话）以及 Obsidian 库。
• 搜索语法：支持使用引号进行精确匹配、使用减号（-）排除关键词，以及通过 kind:、ext:、in: 等指令进行类型或路径过滤。
• 交互方式：通过快捷键调出搜索面板，支持无需鼠标的快速操作。

2. 为 AI 代理（Agents）提供精准上下文

这是 Pensieve 的核心价值所在。传统的代理通常使用 grep 或读取整个文件来寻找信息，这会导致高昂的 Token 消耗和多次工具调用。

• MCP 协议集成：通过 Model Context Protocol (MCP)，代理可以向 Pensieve 发起查询，Pensieve 会直接返回最相关的代码片段及其所在的行号，而非整个文件。
• 性能表现：根据基准测试，相比仅使用 grep 的方案，Pensieve 能够：
  • 降低成本：Token 成本降低约 18%–30%。
  • 提升速度：响应速度提升约 21%–32%。
  • 提高准确率：找到正确文件的概率提升约 17%。
  • 减少调用：平均每次查询的工具调用次数从 3.4 次降至 2.0 次。

3. 团队知识与所有权管理

利用 git blame 数据，Pensieve 为代码库提供“地图”视图，帮助开发者理解知识分布：

• 所有权识别：识别谁编写了特定区域的代码，并根据当前活跃度加权。
• 领域知识发现：通过主题查询，找出对特定功能最了解的团队成员。
• 识别知识风险（Bus Factor）：自动标记那些由不再活跃的开发者编写的代码区域，提醒团队进行知识交接或文档补全，防止因人员变动导致的知识流失。

隐私与架构设计

• 本地优先（Private by Design）：索引过程、嵌入模型（Embedding Model）和搜索功能完全在本地 Mac 上运行。数据存储在本地 ~/.pensieve 目录下，不会上传至云端。
• 实时索引：Pensieve 会持续监测文件系统的变化，包括未提交的编辑和新的工作树，确保 AI 代理始终基于最新的代码上下文工作。
• 安全性：系统会自动跳过敏感文件，如密码管理器导出的文件、.env 文件、密钥及凭据。
• 灵活的 AI 选择：用户可以自主选择 AI 模型。可以选择内置的本地 Qwen 3.5 9B 模型、通过 LM Studio 连接的本地服务器，或者使用 Claude Code/Codex 等云端模型。

技术规格

• 运行环境：原生支持搭载 Apple Silicon 的 macOS（v14 或更高版本）；在 Linux 和 Intel Mac 上支持后端运行及浏览器可视化。
• 安装与集成：通过命令行脚本安装，并支持通过 pensieve integrate recommended 自动配置主流 AI 代理。
• 开源协议：采用 MIT 开源协议。

https://www.americanscientist.org/article/whatever-became-of-holography

https://www.economist.com/finance-and-economics/2026/10/08/governments-are-mishandling-the-affordability-crisis