Hacker News Digest

• Обсуждается использование низкодозового облучения (например, 3 Гр) для лечения остеоартрита как альтернатива системному подавлению иммунитета или замене суставов.
• Участники отмечают, что подобные практики (радоновые ванны) уже давно существуют в некоторых странах (Болгария, Чехия) и имеют традиционное применение.
• Поднимается вопрос о рисках радиации: обсуждаются модели оценки вреда (линейная беспороговая vs. радиационный гормезис) и разница между дозой (Гр) и биологическим эффектом (Зв).
• Высказывается скептицизм относительно традиционных методов без научных доказательств и интереса коммерческих структур к более прибыльным процедурам.
• Упоминаются альтернативные методы лечения, такие как терапия стволовыми клетками, и их доступность в разных странах.

Google планирует объединить Android и ChromeOS в единую операционную систему к 2026 году, чтобы создать более унифицированную платформу для устройств. Основным драйвером этого слияния является развитие искусственного интеллекта, который требует более тесной интеграции между мобильными и десктопными системами. Это позволит улучшить взаимодействие пользователей с ИИ-функциями на разных типах устройств.

Слияние также направлено на упрощение разработки и поддержки, сокращая фрагментацию и повышая безопасность. Ожидается, что новая ОС будет лучше адаптирована для работы с облачными сервисами и машинным обучением, что укрепит позиции Google в конкурентной борьбе с Apple и Microsoft.

• Обеспокоенность ограничением установки "недоверенных" приложений и потерей пользовательского контроля над устройством, что может превратить устройства в инструменты влияния и рекламы.
• Обсуждение технических возможностей обхода ограничений через ADB, F-Droid и виртуализацию, а также потенциальных конфликтов с регуляторами (например, DMA в ЕС).
• Скептицизм относительно успеха Android на планшетах и больших экранах, а также опасения по поводу будущего Chromebookов в образовании.
• Мнения о том, что слияние Android и ChromeOS является логичным шагом, который уже происходит, и что новый OS может быть ориентирован на десктопный опыт.
• Обсуждение потенциальной замены Linux на Fuchsia и использования Android для проникновения на рынок ПК с Windows, чтобы конкурировать с Apple.

• Разработка инструментов для мониторинга здоровья и окружающей среды: обнаружение микропластика в продуктах, отслеживание мигреней, создание приложений для фитнеса и анализа снов.
• Создание платформ для разработчиков и IT-специалистов: новые языки программирования, системы хранения данных, инструменты для генерации PDF и мониторинга серверов.
• Разработка нишевых сервисов для конкретных отраслей: платежные системы для SaaS, ПО для хирургов, управление детскими садами, анализ орбит небесных тел.
• Создание образовательных и развлекательных продуктов: головоломки, игры, карты старых местностей, многоязычные книги для детей, платформы для совместного мышления.
• Запуск и развитие стартапов в области e-commerce и потребительских товаров: крафтовые напитки, умные часы, электронные значки, дизайнерское ПО и инструменты для ресторанов.

Калифорния приняла первый в США закон о безопасности передовых ИИ-систем — Transparency in Frontier Artificial Intelligence Act (SB 53). Закон устанавливает «разумные ограничения» на разработку frontier-моделей, чтобы повысить безопасность и доверие к технологиям, не подавляя инновации. Это продолжение инициатив штата после публикации отчёта рабочей группы экспертов, созванной по инициативе губернатора Ньюсома.

Закон основан на научно обоснованных рекомендациях, включая баланс между прозрачностью и защитой от рисков, например утечек данных. Сенатор Скотт Винер подчеркивает, что Калифорния как мировой лидер в технологиях берёт на себя ответственность за безопасное внедрение ИИ. Штат укрепляет позиции четвёртой экономики мира, одновременно стимулируя инновации и защищая общественные интересы.

• Обсуждение касается нового закона Калифорнии об ИИ, который требует от крупных разработчиков публиковать планы безопасности и отчитываться об инцидентах.
• Участники критикуют закон за размытые определения (например, что считается «моделью ИИ») и неадекватные штрафы за нарушения.
• Высказываются опасения, что закон может привести к цензуре, бюрократии и оттоку ИИ-компаний из Калифорнии.
• Некоторые видят в законе позитивный шаг к большей прозрачности и защите от потенциальных рисков ИИ.
• Закон рассматривается как возможность для коррупции и обогащения государственных подрядчиков через создание «индустрии безопасности ИИ».

Курт Воннегут опубликовал «Бойню номер пять» в 47 лет, после десятилетий неудач: работал продавцом машин, в PR, писал малозаметные романы и воспитывал шестерых детей. Его прорыв произошёл не в молодости, а в зрелом возрасте, что бросает вызов современному культу раннего успеха.

История знает множество примеров поздних достижений: Галилей делал открытия после 40, Томас Пейн написал «Здравый смысл» в том же возрасте. Зрелость даёт не скорость, а глубину — способность видеть связи, накапливать опыт и создавать работы, пронизанные сложностью и иронией, как проза Воннегута. Это напоминание о том, что творческий расцвет может наступить когда угодно.

• Обсуждается тезис о том, что крупные творческие и предпринимательские успехи часто приходят после 40-50 лет, а не в молодости; приводятся примеры (фондатор KFC, Курт Воннегут, Джон Гуденаф, Крэйг Ньюмарк).
• Участники спорят, является ли успех в зрелом возрасте результатом многолетнего опыта и накопленных знаний или же следствием иных факторов, таких как удача и социальные связи.
• Поднимается проблема эйджизма в технологической индустрии и обществе в целом, а также вопрос о том, как социальные условия и одобрение "элит" влияют на возможность достичь успеха.
• Часть дискуссии уходит в полемику вокруг конкретных личностей (например, был ли Воннегут "непотом") и их биографических деталей.
• Отмечается, что ценность и продуктивность людей старшего возраста часто недооценивается, особенно в "техноброских" кругах, в то время как во многих сообществах (например, FOSS) их вклад значим.

Основатель iRobot Родни Брукс призывает не поддаваться ажиотажу вокруг ИИ и робототехники. Он подчёркивает, что реальное внедрение технологий занимает гораздо больше времени, чем предполагают оптимисты, из-за необходимости работать в «грязной» реальной среде, а не в условиях демо. Брукс скептически относится к хайпу вокруг человекоподобных роботов, считая, что люди останутся незаменимыми в ключевых процессах.

Его новая компания Robust.AI разрабатывает умные тележки для складов, которые не заменяют людей, а помогают им. Например, сокращают пешие переходы с 30 000 шагов в день и упрощают навигацию с помощью камер и интуитивных интерфейсов. Ключевой принцип — сохранение человеческого контроля: тележку можно взять за ручку и вручную скорректировать её движение, а система избегает опасных зон вроде лестниц.

• Обсуждаются практические применения роботов: от пылесосов до человекообразных моделей для складов, ценовая доступность и проблемы с надежным захватом объектов.
• Поднимается вопрос о переоценке потенциала ИИ и человекообразных роботов; отмечается, что ценность создает не AGI, а телеуправление и «простой» надежный интеллект.
• Критикуется подход венчурных инвесторов, которые игнорируют проверенных основателей в пользу «модных» идей, а также высказываются сомнения в компетентности многих стартапов в области робототехники.
• Участники спорят о роли демографии и управления в экономическом развитии, сравнивая модели Китая, Индии и Нигерии.
• Отмечается, что мир приспособлен под человеческую форму, что оправдывает разработку человекообразных роботов как универсального решения, несмотря на текущие технические сложности.

Контекст — это конечный ресурс для ИИ-агентов, требующий стратегического управления. В отличие от традиционного промт-инжиниринга, который фокусируется на формулировке инструкций, контекст-инжиниринг охватывает всё содержимое контекстного окна: системные промты, историю сообщений, данные инструментов и внешнюю информацию. Это особенно критично для агентов, работающих в циклах, где объём релевантных данных постоянно растёт, но эффективность модели снижается из-за «контекстного распада» — ухудшения точности recall при увеличении числа токенов.

Архитектурные ограничения трансформеров усугубляют проблему: внимание модели распределяется между всеми токенами, создавая квадратичный рост вычислительной нагрузки. Модели, обученные на коротких последовательностях, хуже справляются с длинным контекстом, даже с техниками вроде интерполяции позиционных энкодингов. Ключевой вывод: контекст нужно тщательно курировать, как稀缺ный ресурс, чтобы сохранять фокус и избегать перегрузки внимания ИИ.

• Обсуждение ограничений и инженерных подходов к работе с малыми окнами контекста (4K у Apple) по сравнению с большими окнами других моделей.
• Критика отсутствия удобных инструментов для визуализации и управления контекстом, а также предложения по улучшению (DSPy, OpenTelemetry, структурированный вывод).
• Стратегии работы с ограниченным контекстом: уточнение задачи и файлов в первом сообщении, создание новых сессий, структурирование вывода через JSON schema.
• Дебаты о том, являются ли эффективные методы инженерного контекста коммерческой тайной, и скептицизм по этому поводу.
• Прогнозы, что удешевление и увеличение контекста LLM могут сделать проблему менее актуальной в долгосрочной перспективе.

Автор использует технологию XDP (Express Data Path) для высокопроизводительной фильтрации сетевых пакетов прямо на уровне сетевого устройства, что позволяет обрабатывать до 26 миллионов запросов в секунду на потребительском оборудовании. XDP работает поверх eBPF — виртуальной машины в ядре Linux, где код компилируется в низкоуровневые инструкции для быстрой проверки пакетов с гарантиями безопасности, например, предотвращения чтения за пределами буфера.

Для идентификации клиентов, особенно скриптовых инструментов вроде curl, применяется TLS-фингерпринтинг по стандарту JA4. Этот метод анализирует параметры TLS-рукопожатия (версии, шифры, расширения), формируя уникальный отпечаток, который можно сопоставить с конкретным ПО. Хотя расчёт хэша SHA256 напрямую в eBPF сложен, сама возможность такой фильтрации на уровне ядра позволяет эффективно блокировать массовые автоматизированные запросы с минимальными затратами ресурсов.

• Обход TLS-отпечатков (JA3/JA4) возможен через случайный подбор шифров в curl или инструменты вроде curl-impersonate
• Многие системы защиты (например, Anubis) сознательно разрешают запросы от curl и Googlebot, чтобы отсеивать только злоумышленников
• Эффективная блокировка требует комбинации методов: отпечатки TLS, IP-адреса, ASN, HTTP-фингерпринтинг и JavaScript-вызовы
• Мотивированные скрейперы используют продвинутые техники: эмуляцию браузера, вращение отпечатков и прокси
• Борьба со скрейпингом — это "гонка вооружений", ведущая к росту затрат для обеих сторон и рискующая навредить открытости интернета

Американская наука больше не предлагает жизнеспособной карьеры. Из-за перепроизводства PhD выпускники годами застревают в постдокторах с зарплатами около $35 000, без гарантий постоянной работы и вынуждены переезжать каждые два года. Даже блестящие кандидаты получают первую постоянную позицию лишь к 35–40 годам, публикуя десятки статей, в то время как их сверстники в юриспруденции или IT уже строят карьеру.

Даже получив tenure, учёные тратят время на борьбу за гранты, а не на исследования, вынуждены работать на чужих идеях и предугадывать критику коллег вместо решения научных проблем. Автор — профессор физики — советует выбрать медицину, право или IT, где талант и трудолюбие принесут стабильность и свободу гораздо раньше.

• Подтверждаются структурные проблемы академической науки: переизбыток PhD, кризис финансирования, низкие шансы на постоянную позицию, высокие нагрузки и бюрократия.
• Навыки, полученные в PhD (анализ данных, системное мышление), востребованы в индустрии, что открывает альтернативные карьерные пути вне академии.
• Многие участники отмечают, что уход в индустрию часто приводит к более стабильной и хорошо оплачиваемой работе по сравнению с академической карьерой.
• Обсуждается кризис идентичности: наука для многих — призвание, но современная система вынуждает выбирать между идеалами и практическими условиями жизни.
• Подчёркивается, что ситуация сильно зависит от страны, области науки и конкретного университета, но в целом за 25 лет проблемы усугубились.

LoRA позволяет эффективно дообучать большие языковые модели, обновляя лишь малую часть параметров через низкоранговые матрицы, что экономит вычислительные ресурсы и память. Эксперименты показывают, что на небольших и средних наборах данных для обучения с учителем и reinforcement learning LoRA достигает той же производительности, что и полное дообучение, при условии корректной настройки.

Ключевые факторы успеха LoRA включают применение ко всем слоям модели (включая MLP и MoE), а не только к attention-слоям, и осторожный подбор размера батча — слишком большие батчи могут ухудшить результаты. Однако при превышении ёмкости адаптера данными или в сценариях, напоминающих предобучение, LoRA проигрывает полному дообучению.

• Многие пользователи изначально путают аббревиатуру LoRA (Low-Rank Adaptation) с технологией беспроводной связи LoRa (Long Range).
• Обсуждается научная статья, ставящая под сомнение эквивалентность эффективности LoRA и полного тонкого обучения (Full Fine-Tuning), и ведется спор о доказательности этого утверждения.
• Поднимается вопрос о практических руководствах по применению LoRA и рекомендациях по оценке необходимого количества параметров для модели.
• Упоминается метод прогрессивного слияния матриц LoRA (progressive merging) как потенциально более эффективный, но не рассмотренный в обсуждаемом материале.
• Затрагивается тема применения LoRA в обучении с подкреплением (RL) и сложности оценки количества информации в данных.