Hacker News Digest

• История: от pre-fork до epoll — каждый шаг уменьшал сисколлы, но они всё ещё оставались узким местом.
• io_uring — кольцевые очереди в памяти: сервер пишет команды, ядро асинхронно их выполняет и кладёт результат обратно. При высокой нагрузке strace не покажет ни одного сисколла.
• 1 поток = 1 ядро без разделяемых структур; память берётся только из локального NUMA-узла.
• Память: заранее выделяем фиксированный буфер на соединение — без brk/mmap, без фрагментации.
• kTLS — после рукопожатия шифрование переходит в ядро. Плюсы:
  1. Работает sendfile, данные не копируются в userspace.
  2. Возможно аппаратное ускорение NIC.

• io_uring даёт «zero-syscall» при высокой нагрузке, но требует ручного управления памятью: безопасность не обеспечивается ни borrow checker, ни runtime.
• На большинстве облачных платформ io_uring выключен по умолчанию, поэтому остаётся нишевым.
• Автор статьи сначала чистит код, а потом будет мерить производительность — что вызвало одобрение читателей.
• Обсуждаются альтернативы: epoll, kTLS, DPDK, eBPF, а также споры «один поток на ядро» vs oversubscription.
• Некоторые считают, что сложность io_uring и async Rust — цена за неспособность ОС ускорить syscalls без нарушения обратной совместимости.

Всё коррелировано

В реальных данных почти все переменные связаны между собой, и корреляции не исчезают при росте выборки. Это ставит под сомнение стандартное нулевое гипотезное тестирование: при достаточном объёме данных нулевая гипотеза всегда отвергается, а отказ от отвержения лишь говорит о нехватке данных. Даже направленный эффект подтверждает теорию лишь на 50 % — как случайное угадывание.

Исторические заметки

• 1904 — «Student» (Госсет) замечает, что в биометрии всё связано.
• 1920 — Торндайк формулирует «всё связано со всем».
• 1938–39 — Берксон и Торндайк подтверждают: корреляции не случайны.
• 1950-е — Гуд, Сэвидж, Фишер обсуждают «всё-равно-ложную» нулевую.
• 1960-е — Наннали, Бакан, Мил указывают на бессмысленность p > 0.05.
• 1976 — Лёлин и Николс: в исследовании 850 близнецов 90 % пар переменных коррелированы.
• 1990-е — Мил: «фактор грязи» (crud factor) делает большинство «подтверждений» иллюзорными.
• 2000-е — Уоллер, Килгарриф, Старбак повторяют: «всё коррелировано» в психометрике, лингвистике, экономике.
• 2013–2023 — Гельман, Лин, Киркегорд, Шен, Гордон, Дауни: эмпирические датасеты подтверждают закономерность.

Практические выводы

• Любая теория предсказывает не только наличие, но и размер эффекта; без него подтверждение тривиально.
• «Спарсность» (редкие ненулевые связи) в соцнауках — миф.
• Вместо p-value нужны байесовские оценки и априорные модели размера эффекта.

• Статистическая значимость ≠ практическая важность: p-value лишь показывает, насколько «хорошо» измерена разница, но не её смысл.
• Многие наблюдаемые корреляции — «фоновый шум» данных; без эксперимента или теории они бесполезны.
• Большие N и множественные проверки порождают ложные значимости, особенно если гипотезы формулируются постфактум.
• Критика статьи: смесь верных статистических замечаний с политическими спекуляциями и отсутствием практических рекомендаций.
• Вывод: нужны эффект-размер, каузальные методы и заранее заданные гипотезы, а не охота на p < 0.05.

Почему античиты не работают в Linux

Доля геймеров на Linux растёт благодаря Steam Deck и надоедливым «фичам» Windows. Однако почти все сетевые хиты с античитом не запускаются или не подключаются к серверам: PUBG, Call of Duty, Rust, R6 Siege, EA FC 24, Destiny 2, Valorant, League of Legends и даже FACEIT/ESEA для CS2.

Как работают читы и античиты

Чит либо внешний процесс, читающий/писующий память игры, либо внедрённая DLL. ОС не даёт процессам трогать чужую память благодаря виртуальному адресному пространству: каждая программа «думает», что владеет всей ОЗУ, а процессор и ядро переводят виртуальные адреса в реальные.

Античиты борются с этим двумя путями:

1. Пользовательский режим – сканируют память, читают файлы, ловят подозрительные потоки. Легко обойти, если у чита есть root-доступ.
2. Ядро (kernel) – драйвер внутри ядра Windows имеет полный доступ к железу и памяти, может скрывать свои структуры и блокировать вмешательство. Vanguard, EAC, BattlEye и пр. работают именно так.

Почему это невозможно в Linux

• Linux — открытая система. Любой может собрать своё ядро, поставить патч, изменить ABI.
• Античиту нужен стабильный, неизменяемый и закрытый интерфейс ядра. В Linux этого нет: модуль, собранный под 6.9, не загрузится под 6.10, а пользователь может вообще отключить модульные загрузки.
• Даже если разработчик выпустит проприетарный модуль, сообщество его не примет: безопасность, GPL-лицензия, репутационные риски.
• Попытки «запечатать» Linux (secure boot + immutable образ) противоречат свободе системы и всё равно не гарантируют, что пользователь не пересоберёт ядро без проверок.

Что можно сделать

1. Играть в поддерживаемые игры: Apex, Fortnite, CS2, Elden Ring и др. уже работают через Proton.
2. Двойная загрузка или VFIO-виртуалка – запуск Windows в виртуальной машине с проброской GPU (сложно, но работает).
3. Облачный гейминг – GeForce NOW, Xbox Cloud и т.д.
4. Ждать – пока разработчики не придумают античит, который не требует закрытого ядра (маловероятно).

Вывод: пока Linux остаётся открытой системой, современные kernel-level античиты там жить не смогут.

• Критики считают, что анти-чит на уровне ядра — это по сути rootkit, который подрывает безопасность и конфиденциальность.
• Многие предлагают альтернативы: доверительные сообщества, выделенные игровые машины, серверные проверки или облачные платформы.
• Подчеркивается, что Linux по дизайну даёт пользователю полный контроль, что делает невозможным эффективный, но инвазивный анти-чит.
• Некоторые игроки готовы пожертвовать безопасностью ради «честной» игры, но большинство участников обсуждения считают такой обмен неприемлемым.

Внимание: перед воспроизведением отключите наушники!

Управляй колёсами тележки с телефона

Выбери систему:
Gatekeeper | Rocateq

Gatekeeper

Заблокировать | Разблокировать
(ссылки на .wav)

Rocateq

Заблокировать | Разблокировать
Активировать | Проверка покупки
(ссылки на .mp3)

Как работает

Колёса реагируют на сигнал 7,8 кГц от подземного кабеля. Тот же сигнал можно передать динамиком телефона, воспроизводя подготовленный файл. Держи смартфон рядом с колесом и нажимай «пуск».

Доклад DEFCON 29

• В Нидерландах и соседних странах колёса тележек почти не блокируются; чаще используется система «вставь €1».
• В США, Канаде и Германии блокировки популярны из-за краж бездомными, вандализма и эстетических требований торговых центров.
• Система вызывает побочные эффекты: плоские пятна на колёсах, шум, ложные срабатывания и раздражение покупателей.
• Некоторые хакеры уже экспериментировали с подделкой сигналов, блокируя или разблокируя тележки дистанционно.

Главные выводы

• Зарплаты CEO в «Low-Wage 100» (100 крупнейших компаний S&P 500 с самой низкой медианной зарплатой сотрудников) выросли в 2024 г. до $15,9 млн (+9 % за год и +31 % с 2019 г.).
• Медианная зарплата работников за тот же период выросла всего на 12 %, а с учётом инфляции реально упала.
• Соотношение CEO/сотрудник достиго 1:335; в McDonald’s — 1:1 209.
• За 2019–2024 гг. 100 компаний потратили $341 млрд на выкуп акций, что в 2,6 раза превышает их капвложения.
• Amazon, Walmart, Target, McDonald’s, Starbucks — лидеры по объёму buyback и одновременно по числу работников, получающих господдержку (SNAP, Medicaid).
• 74 % этих компаний вели антисоюзные кампании, 46 % стали объектом трудовых жалоб в NLRB.

Рекомендации

• Налог на «избыточные» buyback (повысить до 4 %).
• Запретить выкуп акций, пока не поднята зарплата до $20/час и не устранены нарушения OSHA.
• Скользящая шкала CEO-pay ratio: чем выше разрыв, тем выше налог.
• Закрыть «плановые» лазейки в правиле 10b5-1, чтобы руководство не продавало акции на пике после buyback.

• Участники обсуждают, как выкуп акций (buybacks) стал легальным способом уменьшить налоги и перераспределить деньги от зарплат к акционерам.
• Утверждается, что гигантские пакеты компенсаций CEO сознательно привязывают руководство к интересам акционеров, а не работников.
• Некоторые считают, что «топ-талант» в низкооплачиваемых отраслях — заменяемый ресурс, поэтому рынок не «самокорректирует» зарплаты вверх.
• Упоминаются Costco и другие контрпримеры, где высокие зарплаты работников совмещаются с успешным бизнесом, но их влияние на рынок пока ограничено.
• Критика buybacks смещается к обсуждению иммиграции: большинство исследований не находят значимого долгосрочного давления иммиграции на зарплаты американцев.

DeepSeek-V3.1 — первый шаг к эпохе агентов

• Гибридный режим: одна модель, два режима — Think (рассуждения) и Non-Think (быстрый ответ).
• Скорость: Think-режим отвечает быстрее, чем DeepSeek-R1-0528.
• Агентские навыки: улучшены работа с инструментами и многошаговые задачи.
  Попробовать: chat.deepseek.com

API

• deepseek-chat → Non-Think, deepseek-reasoner → Think, контекст 128К.
• Поддержка формата Anthropic API и строгого Function Calling (бета).

Инструменты и агенты

• Рост результатов на SWE / Terminal-Bench.
• Эффективнее многошаговые поисковые задачи.

Модель

• База V3.1: дообучена на 840 B токенов для длинного контекста.
• Обновлён токенайзер и шаблон чата.
• Веса открыты: V3.1-Base, V3.1.

Цены

• Новые тарифы с 5 сентября 2025, 16:00 UTC. До этого действуют старые.

• Выпущены GGUF-файлы DeepSeek-V3.1 для локального запуска: ≥250 ГБ RAM+VRAM или медленный off-load на SSD.
• На бенчмарках модель уступает GPT-5/Claude 4/GLM-4.5, но конкурентоспособна среди открытых весов.
• Пользователи жалуются на навязчивое «Of course.» в ответах, повышенные галлюцинации и устаревшие форматы tool-use.
• Цена API: $0,56 вход / $1,68 выход за 1 M токенов — дёшево, но без прежней ночной скидки.
• Китайские СМИ: V3.1 обучена на FP8 для будущих отечественных AI-чипов, что может ударить по позициям NVIDIA.

Требование: раскрывать использование ИИ-инструментов при любом вкладе в проект.

• Что добавляется: в CONTRIBUTING.md новый раздел «AI-Generated Content Disclosure».
• Суть: авторы pull-request’ов и issue обязаны явно указывать, если текст, код, коммиты или дизайн были созданы или существенно изменены при помощи ИИ (ChatGPT, Copilot, Claude и т.д.).
• Формат: достаточно короткой пометки в описании PR/issue или в коммит-сообщении, например:
  AI-assist: code comments and variable naming via GitHub Copilot.
• Цель: сохранить прозрачность, облегчить ревью, защитить проект от лицензионных и качественных рисков.
• Без наказаний: нарушение не влечёт блокировку, но ревьюеры могут запросить уточнение.

• Проблема: LLM не может подписать DCO, а человек не может гарантировать происхождение кода, если он был сгенерирован ИИ.
• Правовые риски: код может быть заимствован из неизвестных источников, что создаёт угрозу нарушения авторских прав.
• Сообщество: многие мейнтейнеры требуют явного раскрытия использования ИИ, чтобы сохранить качество ревью и обучение новичков.
• Практика: проекты вроде Ghostty и Caddy уже маркируют AI-PR метками или текстовыми пометками.
• Противники считают, что важен результат, а не процесс, и предлагают полагаться на ревью кода, а не на дисклеймеры.

Как «борцы за свободную науку» подавляют критику
Сжатая версия личного рассказа Тимоти Нгуена

• Контрарные популяризаторы (Вайнштейн, Хоссенфельдер, Китинг, Джаймунгал) строят имидж защитников «запретных» идей, но сами травят оппонентов.
• Geometric Unity (GU) — «теория всего» Вайнштейна, не имеющая научной ценности; физики игнорируют её, что подаётся как доказательство «подавления».
• Моя рецензия 2021 г. стала первым подробным разбором GU; вместо научного ответа последовали угрозы и попытки «отменить» меня.
• Хроника давления
  1. Вайнштейн требует удалить рецензию, обещает «разобраться лично».
  2. Его окружение (включая Хоссенфельдер) распускает слухи о «подлоге» и «травле» Вайнштейна.
  3. Подкастеры Китинг и Джаймунгал отказываются обсуждать критику GU, опасаясь «разрушить комьюнити».
• Итог: «свободное исследование» превратилось в шоу, где лояльность важнее фактов, а критика объявляется «враждебной».

• Участники обсуждают, как Сабина Хоссенфельдер со временем вышла за рамки своей экспертизы и стала производить более популярный, спорный контент.
• Тимоти Нгуен, напротив, выглядит как пример добросовестного исследователя, который терпеливо добивается научной ясности.
• Эрик Вайнштейн критикуется за уклонение от прямого научного обсуждения и за поведение, напоминающее продажу «змей-в-масле».
• Некоторые подчеркивают, что вся эта публичная драма — скорее интернет-развлечение, чем настоящая наука, которая должна решаться в журналах и на конференциях.
• Есть мнение, что алгоритмы YouTube и экономика внимания подталкивают популяризаторов к всё более провокационным и менее точным заявлениям.

95 % компаний не получают отдачи от $30 млрд, потраченных на генеративный ИИ, — MIT

• Исследование MIT: только 5 % проектов приносят измеримую пользу.
• Причины: нечёткие KPI, отсутствие данных, недостаток навыков персонала.
• Вывод: без стратегии и качественных данных ИИ превращается в дорогую игрушку.

• 5 % проектов приносят деньги, 95 % — нет: основная причина — отсутствие чёткого плана и метрик.
• Реальные экономии уже есть: автоматизация пост-обработки звонков в кол-центрах экономит миллионы.
• Рынок перегрет: многие запускают «AI-инициативы» ради хайпа и финансирования, не ради пользы.
• Компании тратят деньги на консультантов и маркетинг вместо решения конкретных задач.
• Наблюдается спад доверия («Trough of disillusionment»), но технология остаётся ценной как встроенная функция, а не как отдельный продукт.

• Бюджет водной инфраструктуры США скромен: Бюро мелиорации получает 1,1 млрд $ в год, тогда как транспорт и энергетика — по 46 млрд $, а ЖКХ — 60 млрд $.
• Цена воды низкая: счёт за воду ≈ 5 % от счёта за электричество и почти без перебоев.
• Риски растут: юго-запад страдает от многолетней засухи, а дата-центры тратят миллионы галлонов в день на охлаждение.
• Интерес к теме «дефицит воды» в Google стабильно растёт 20 лет.

Как используется вода

• Общий объём: США получают ≈ 4 трлн галлонов пресной воды в сутки.
• Сектора потребления (2015):
  • Тепловая электроэнергетика — 133 млрд гал/день (41 %), в основном охлаждение.
  • Ирригация — 118 млрд (37 %), 80 % приходится на 17 западных штатов.
  • Общественное водоснабжение — 39 млрд (12 %).
  • Промышленность — 14,8 млрд (5 %).
  • Рыбоводство — 12,6 млрд (4 %), вода остаётся в реках.
  • Добыча полезных ископаемых — 3,5 млрд (1 %).
  • Сельское хозяйство (животноводство) — 2 млрд (<1 %).

Динамика за 1950–2015

• Пик в 1980 — 440 млрд гал/день; к 2015 упало до 322 млрд (-27 %).
• Причины снижения: закрытие угольных ТЭС, эффективные системы охлаждения, капельное орошение.
• Ирригация росла до 1980, затем стабилизировалась; добыча сланцевой нефти взлетела с 2005.

• Участники обсуждают, что большая часть бытового расхода воды в США (82 гал/день на человека) уходит на полив газонов, тогда как в Европе показатели в 2–2,5 раза ниже.
• Подчёркивается: вода, «испаряемая» дата-центрами, не исчезает из цикла, но может быть недоступна для немедленного повторного использования, что вызывает споры о приоритетах между ИТ-инфраструктурой и человеческими потребностями.
• Сравнивают экономическую «ценность» воды: $4,5 млрд от хлопка против триллионов, создаваемых технологическим сектором; критики считают такой подход упрощённым.
• Отмечают низкие тарифы на воду в США (≈5 % от счёта за электричество), отсутствие прогрессивных цен и надёжность водоснабжения, хотя в некоторых регионах бывают перебои.
• Упоминают, что старые тепловые электростанции потребляют 41 % воды, но при переходе на современные рециркуляционные системы расходы падают на порядки.