发现循环 — 888 点
杰夫·Dean、桑杰·格哈马特、杜奇·莱和奥里奥尔·维尼亚尔 — 四位在人工智能和分布式系统领域引用率最高的研究人员 — 共同创立了发现循环，这是一家独立的公共利益公司，专注于自动化科学研究和工程实验的整个循环。他们的理念是：并行提出、运行和从大规模实验中学习，从而压缩目前瓶颈科学进步的迭代周期。
他们首先从机器学习研究开始，作为自己的第一个客户，然后逐步扩展。宏大的目标是应对NAE（国家科学院工程院）的挑战 —— 更好的药物、清洁的水、太阳能等。团队的背景无可挑剔，但“自动化所有科学”这样的使命声明在PPT中听起来很棒，但在实践中却需要20年才能实现。真正的考验在于，他们的自动化机器学习循环能否产生真正新颖的见解，而不仅仅是大规模的超参数调整。
这与杰夫·Dean离开谷歌的故事形成了有趣的叙事线索。谷歌据报道是其创始投资者和云合作伙伴，这意味着发现循环将获得基础设施而不必承担公司的运营成本。但“公共利益公司”结构能否长期保持诚信还有待观察。
谷歌DeepMind的人事变动：迪米斯·哈萨比斯担任主席，杰夫·Dean离职 — 807 点
Sundar皮查伊宣布了谷歌DeepMind的重大领导重组。迪米斯·哈萨比斯从DeepMind CEO转为DeepMind主席和Alphabet首席科学家 —— 一个让他能够专注于“塑造AGI未来”的角色，以及他在Isomorphic Labs的工作（药物发现）。科拉伊·卡乌库乔卢，DeepMind的13年老员工和现任CTO，晋升为谷歌DeepMind的高级副总裁。
公告中埋藏的更大新闻：杰夫·Dean在谷歌工作了27年后离职。他和桑杰·格哈马特 —— 两人在Mapreduce、Google文件系统以及谷歌神经网络革命中发挥了关键作用 —— 正在创立一家独立的创业公司。这家公司就是上面提到的发现循环。
时机耐人寻味。谷歌同时声称在人工智能领域取得了进展（Gemini拥有950000000月活跃用户，Gemma模型下载量超过900000000），而其最传奇的工程师却选择离职去创建新的东西。哈萨比斯转为战略“首席科学家”角色，读来要么是前瞻性的重新定位，要么是礼貌地退居幕后。关于“奇点的山脚”这一说法，完全是哈萨比斯的风格 —— 高大上但真诚。科拉伊能否在保持DeepMind研究优势的同时，还能推出具有竞争力的产品，这是个未知数。
马里奥与帕累托相遇 — 737 点
安东尼·梅耶罗维茨开发了一个交互式工具，将帕累托优化应用于马里奥赛车8的构建。核心洞察是：在数十种不同的驾驶员、车身、轮胎和滑翔机中，每种都有不同的速度、加速度、操控性、重量、越野能力和迷你涡轮增压统计 —— 这种组合空间迅速膨胀。大多数选择都是被支配的（在所有维度上都更差），而帕累托的百年概念——效率——干净地消除了它们。
交互式可视化允许您切换统计指标，并实时观察帕累托前沿的更新。这是一款真正有效的多目标优化教学工具 —— 你立刻就能看到为什么库帕总是不是一个好选择，哪些构建物占据了效率前沿。最终的决定仍然取决于你的游戏风格，但帕累托至少保证你不会在性能上留下遗憾。
这是一篇“严肃数学应用于荒谬领域”的帖子，Hacker News喜欢这种类型的内容，原因很简单。这一基本原理 —— 在任何决策空间中，大多数选项都是被支配的，可以被消除而不会损失 —— 适用于从招聘到云架构的一切。马里奥赛车的框架只是让这一切变得生动起来。
犯罪有利，植物学无利 — 589 点
来自犯罪有利，植物学无利的阅读清单 —— 一位自学成才的植物学家的指南，教你从零开始学习植物分类学和识别。作者的声音粗犷、充满激情，且反学术 —— “不要被吓倒。有了互联网，你有24小时的图书馆访问权。利用它。”
核心建议从理解拉丁术语开始，以及为什么林奈的系统尽管有历史包袱，仍然得以延续。通用名称无法扩展 —— “雪松”指的是八种完全不同的植物，而雪松则非常精确。作者对“表演性左翼智者”进行了抨击，这些人攻击分类学本身，作者认为你可以承认林奈的有缺陷的意识形态，同时仍然使用他创建的功能系统。
这在Hacker News上引起了共鸣，因为它本质上是关于在学术领域被封锁的领域进行自学。植物学角度很小众，但这种模式 —— 一个有令人望而生畏的术语的领域，一个充满激情的局外人提供入门途径，机构知识与自学能量之间的张力 —— 清晰地映射到编程、机器学习和其他许多领域。
用100倍便宜的开源模型击败GPT-5.6 Sol的检索能力 — 414 点
Neon和Castform声称，他们使用40亿参数的开源模型，经过Castform的后训练，匹配了GPT-5.6 Sol的检索准确性，而成本仅为后者的100倍。他们的方法是：而不是一次性的嵌入搜索（2022年的范式），他们使用代理检索 —— 模型在循环中计划并执行多次搜索迭代，针对Neon基于Postgres的搜索扩展进行优化查询。
成本论点在表面上是令人信服的：如果一个40亿参数的模型能够通过多跳搜索匹配前沿检索，那么RAG（检索增强生成）管道的经济性将发生根本性变化。但“在检索上匹配”在这里承担了主要的重量 —— 基准上的检索准确性并不等同于端到端任务性能。真正的问题是，当搜索空间不干净时，这种方法是否会优雅地退化。
更广泛的趋势是清晰的：特定任务前沿模型的护城河正在迅速消失。通过领域特定数据的后训练和智能工具的使用，证明比纯粹的模型规模更有效。如果这种趋势持续下去，赢家将从“谁拥有最大的模型”转变为“谁拥有最好的训练数据和工具集成”。
2026年如何制作一款任天堂64游戏 — 406 点
多米尼克·沙布勒斯记录了《Xibalba 64》的制作过程，这是一款狼人传说风格的第一人称射击游戏，通过Modretro的M64克隆在任天堂64上以物理光盘形式发布。这可能是自任天堂64商业生命周期结束以来发布的第二款物理任天堂64游戏。
技术之旅始于2010年沙布勒斯构建的JavaScript游戏引擎Impact，两年后他将其重写为C语言“无理由地” —— 为任天堂64开发。C语言版本（high_impact）具有模块化的平台和渲染后端，使其成为任天堂64开发的可行选择。任天堂64的现实协处理器 —— 具有固定功能的RDP和可编程的RSP —— 要求在避免版权问题的情况下，基于开源的libdragon（与任天堂的专有libultra相比）进行构建。
这篇文章是对受限硬件编程的赞美。任天堂64的独特之处 —— 大端MIPS、RSP的矢量处理、RDP的异步指令集 —— 要求一种现代游戏开发中已弃用的低级理解。有人在2026年发行物理任天堂64光盘是既荒谬又令人钦佩的。
刀锋战士中的标题字幕令人惊叹 — 402 点
迈克尔·洛普（Rands in Repose）撰写了一篇关于刀锋战士字幕的欣赏，触发点是他在研究终端设置中的字体时在飞机上重新观看这部电影。结论是：整个标题序列仅使用了一种字体 —— Goudy Oldstyle，通过大小、粗细和大小写的变体来创造不同的情感层次。
文章从固定宽度的编码字体（如SF Mono、JetBrains Mono等）漫游到刀锋战士，这可能是结构上的缺陷，或者正好是注意力不集中的科技高管的思维方式。核心观察是坚实的：优秀的字体是隐形的，直到你去寻找它们。Goudy Oldstyle在标题字幕中的温暖感创造了一种电影般的亲密感，而一个更“未来感”的字体可能会弄砸。
这完全是情感内容 —— 没有技术深度，没有可操作的见解 —— 但在Hacker News上它很受欢迎，因为字体欣赏是一个每个人都有意见但没有人写得很好的主题。洛普做到了。
生而对抗：为什么业余编程社区抵制LLMs — 388 点
Fogus探讨了为什么业余编程社区 —— 棋盘引擎开发者、OSDev、演示场景、代码高尔夫、语言设计师 —— 对LLM的使用越来越敌对。论点是：在这些社区中，掌握一个困难领域的过程本身就是产品。一个工作的程序只是一个加分项。使用LLM生成输出完全错过了重点。
在这些圈子里，尊重是通过多年分享优雅的代码、展示深厚的专业知识和表现出真正的好奇心来获得的。社区不在乎你的代码是否工作 —— 他们关心的是你为什么和如何工作。LLM实践者突然涌入并提供生成的解决方案，被视为Kool-Aid Man闯入冥想静修。
Fogus增加的细微之处是：即使早期LLM的参与是诚心诚意的，井喷是由缺乏深刻理解的实践者和将LLM视为作弊的恶毒子集所污染的。他将LLM视为“增效工具，而非替代品”的观点是最平衡的 —— 在专家手中，它们是杠杆；在新手手中，它们剥夺了你对技艺的掌握。隐含的对立面是：大多数使用LLM编写代码的人并不在这些社区中，保持技艺的门槛也保护了这种孤立。
人类在批准AI代理命令时错失了三分之一的威胁 — 207 点
亚历克斯·沃特斯分析了他在40000次游戏运行中的数据，这些运行中玩家作为人类在环审查AI编码代理的命令。结果是：平均玩家错失了三分之一的威胁（准确率为66.3%），32.9%的会话以负面分数结束，最常被错过的命令是npm run analyze —— 尽管包含数据泄露载荷，仍被批准了64.7%。
npm run的盲点是真正的发现。该命令本身看起来无害，但它执行的是在package.json中定义的任何脚本 —— 这可能会被注入恶意代码。玩家错过了npm基础攻击52.5%的时间，而其他数据泄露方法则为28.4%。隐藏在熟悉脚本名称后的载荷使成功几率翻倍，即使这些载荷在代理的历史日志中是可见的。
数据还证实了权限疲劳：错过率在会话初期短暂提高后，逐渐攀升。过度阻塞问题同样令人担忧 —— 诸如npm config set registry这样的良性命令被阻塞了59%的时间，这产生了噪音，侵蚀了警惕性。结论是悲观的：命令级批准作为安全模型是根本性的失败，因为用户缺乏对代码库变更的上下文。将一切沙盒化，分离你的凭据，停止假装命令级别的人工审查是一种有意义的安全保障。
今日首页讲述的是人工智能行业的才智再分配的故事。杰夫·Dean和桑杰·格哈马特离开谷歌，创立发现循环，迪米斯·哈萨比斯从操作层面的DeepMind退居幕后，专注于AGI战略 —— 这些都不是小事。构建现代人工智能基础设施的人们正押注于下一章节发生在大科技公司之外的操作机制之外。
与此同时，工具正在变便宜（一个40亿参数的模型在检索上匹配GPT-5.6 Sol），安全模型正在失效（人类无法可靠地审查AI代理命令），而那些重视工艺而非产出的社区正在抵制LLM浪潮。关于“AI作为增效工具”与“AI作为理解替代”的辩论是当前的定义性辩论 —— 无论你是业余的棋盘引擎开发者、DevOps工程师批准代理命令，还是科学家，其实验循环即将被自动化。