Hacker News Digest

Письмо от руки активирует больше областей мозга, чем набор на клавиатуре, поскольку требует постоянной координации мелкой моторики — от движения пальцев до всего плеча — при формировании букв, пробелов и знаков препинания. Каждое движение — это маленькая задача: как соединить буквы, где поставить точку над «i» или как пересечь «t», — и всё это происходит в реальном времени вместе с абстрактной обработкой мыслей. Это глубже вовлекает когнитивные процессы, улучшая запоминание и понимание.

Наблюдаемый тренд в образовании — возвращение к экзаменам на бумаге — выявил кризис навыков рукописного письма у новых поколений. Многие студенты не умеют писать разборчиво, а преподаватели сталкиваются с трудностями при чтении их работ. Сам Нил Стивенсон, перешедший на перо и бумагу 25 лет назад, написал рукопись «Цикла Барокко» высотой 42 дюйма — пример того, как этот метод может поддерживать масштабные творческие проекты. Рукописный текст становится не просто способом записи, а инструментом мышления.

Рукописное письмо улучшает запоминание и концентрацию за счёт замедления мышления и глубины обработки информации — это подтверждают @qiller, @mimo84, @fny, @aledevv, @postalcoder и другие, включая опыт при ADHD (@mindfulbun, @jlarcombe) и усвоении сложных концепций в программировании, музыке, философии и академической среде (@ssttoo, @aledevv, @otterpro). Однако его превосходство над цифровыми инструментами оспаривается: повышенная активация мозга не означает лучший результат — аналогично, письмо на камне или кодирование на самокате требуют больше усилий, но не эффективнее. Важнее — использовать инструмент, а не накапливать его: @dhosek предупреждает против приверженности к дорогим блокнотам без применения. Практические рекомендации: — Для левшей — быстросохнущие ручки (uni-ball Jetstream, @fxde); — При усталости руки — гелевые или роллеры с низким сопротивлением (@BeetleB, @u1hcw9nx); — Для стирания ошибок и снижения напряжения — карандаши с мягким стержнем (@Anduia, @entropicdrifter); — Для активного чтения — пометки на полях, сгибание страниц (@postalcoder); — Для цифрового вывода — iPad с Apple Pencil (@dabinat); — Для сохранения записей — Kindle Scribe (@codazoda); — Для организации — бумажные блокноты с магнитами вместо клипс (@thenobsta); — Для мотивации — красивые инструменты (Lamy Studio, Leuchtturm 1917, @thequux).

Веб‑интерфейс позволяет исследовать черную дыру в трёх визуальных режимах: обычный экран, дополненную реальность, открываемую в Chrome на Android, и полностью погружающий виртуальный мир, требующий шлем виртуальной реальности. В каждом режиме отображается искажённый свет, вращающийся аккреционный поток и камера, а пользователь может менять угол обзора, вращать сцену касанием и переключать между режимами. Режим «Камера» показывает всё‑поглощающее искажение, а режим «AR» позволяет увидеть её в привычном окружении. Переключение происходит мгновенно, а интерфейс подсвечивает доступные опции, включая включение статистики и настройку экспозиции. Также можно менять яркость, контраст и масштаб отображения, а также сохранять выбранные настройки для последующего использования.

Настройки включают параметры вращения, угла наклона диска, лог‑армидные величины амплитуды, периода, скорости света и частоты излучения. Пользователь может включать статистику, регулировать экспозицию, масштабировать сцену и выбирать тип линзирования. Особенно заметны переключатель «slow light», позволяющий замедлить движение света, и возможность задавать период в единицах r₀/c, что меняет форму аккреционного диска. Есть также настройка axial width / r и trans width, влияющие на ширину и толщину потока, и параметр spin χ, определяющий угол наклона оси вращения.

Обсуждается физическая точность моделирования черной дыры: несоответствия в цвете аккреционного диска и эффектах Доплера, упрощения в симуляции. Некоторые пользователи испытывают дискомфорт из-за необычных визуальных эффектов и масштаба. Отмечены проблемы с отображением в дополненной реальности на отдельных устройствах. Пользователи делятся опытом использования симуляций и предлагают улучшать доступность и понимание астрофизических концепций через визуализации.

Крупнейшие американские технологические компании — Alphabet, Microsoft, Amazon, Meta и Oracle — скрывают около 1,65 трлн долларов долга за пределами балансов, вдвое превышая официально заявленные обязательства. Meta одна несёт около 420 млрд долларов скрытого долга, используя специальные финансовые структуры — дочерние компании, не отражающиеся в отчётах. Такой приём напоминает схемы Enron, чьё банкротство в 2001 году стало следствием аналогичного скрытия долгов.

Эксперты предупреждают, что подобная бухгалтерия — не просто тренд, а признак хрупкости: компании строят гигантские дата-центры на заемные средства, а их прибыли не успевают за инвестициями. Рост долга сопровождается выпуском новых акций, что размывает капитал и подрывает доверие инвесторов. Если спрос на ИИ не оправдает ожиданий, а дата-центры окажутся недоиспользуемыми, финансовая система может рухнуть. Ближайшие отчёты о прибыли за второй квартал станут ключевым тестом: покажут, насколько реальны заявления о «бесконечном росте» или это просто иллюзия, поддерживаемая сложной бухгалтерией.

Тред обсуждает риск скрытого долга крупных технологических компаний: он может искажать оценку активов и провоцировать финансовый крах. Участники расходятся во мнениях — одни считают долг допустимым, так как компании способны его погасить, другие видят в нём угрозу стабильности. Все согласны, что скрытый долг опасен. Рекомендуется осторожно инвестировать в такие компании и внимательно анализировать финансовые отчеты.

OpenAI и Anthropic, несмотря на конкуренцию, объединились в призыве к регулированию китайских открытых моделей ИИ, опасаясь, что их доступность угрожает безопасности и национальной безопасности США. Они аргументируют это тем, что открытые веса невозможно отозвать или обновить, что делает их уязвимыми к злоупотреблениям — позиция, которую сторонники открытого исходного кода считают как раз их главным преимуществом: отсутствием централизованного контроля.

При этом критики видят в этом попытку монополистов — включая OpenAI и Anthropic — закрепить своё доминирование под видом безопасности. OpenAI, несмотря на собственную открытую модель, выступает против «дистилляции» моделей, что США классифицируют как кражу интеллектуальной собственности. Разногласия проявились и в законодательстве: Anthropic поддержала жёсткий закон с обязательными независимыми проверками и штрафами, а OpenAI — более мягкий вариант. В ближайшие недели администрация США планирует рассмотреть стандарты для китайских моделей, а Сам Альтман готовится к встрече с законодателями.

Многие считают, что OpenAI и Anthropic маскируют попытки сохранить монополию под предлогом безопасности, а открытые модели — будущее ИИ, и их регулирование лишь тормозит инновации. Советуют компаниям сосредоточиться на развитии технологий, а не на подавлении конкуренции.

В предстоящем созыве 2026 года официально предложено полностью запретить любые проекты, связанные с криптовалютами, чтобы исключить их из официального программного пакета. Обсуждение собрало семь участников: Gusted, camopants, Johnny, -k, nekogirl, exidot и johnoestmannmusic. В задаче, размещённой в системе Codeberg, нет описания, но в ней указаны метки «No reviewers», «No milestone», «No assignees», «No due date» и «No dependencies», что подчёркивает отсутствие готовой оценки, планируемого срока и ответственных. Ссылка на задачу приводится как Codeberg/org!1254, а в ней перечислены участники с их аватарами, что делает процесс полностью открытым и прозрачным.

Один из участников инициировал удаление ветки «gusted/2026-assembly-cryptocurrency», предупредив, что такой шаг является окончательным и неотменяемым в большинстве случаев. При удалении ветка может существовать лишь короткое время в кэше, после чего исчезнет полностью, что делает отмену невозможной. Удаление фиксируется как постоянное действие, и восстановление ветки обычно невозможно, поэтому участники должны быть уверены в необходимости такого решения. По данным обсуждения, семь участников поддержали инициативу, а отсутствие ревьюеров подчёркивает отсутствие готовой проверки. Это усиливает аргументы в пользу полного запрета. Таким образом, проект будет полностью исключён из официального списка.

Пользователи считают запрет криптовалютных проектов на Codeberg неправильным решением, видя в нём цензуру, которая может подорвать репутацию платформы и привести к дальнейшим ограничениям. Другие оправдывают его необходимостью обеспечения безопасности и целостности платформы. Рекомендуется использовать альтернативы — Gitea или Forgejo.

Скорбь охватывает сообщество No Agenda Show: Джон Си. Дворак, один из самых узнаваемых голосов в мире технологических комментариев, муж, отец, скончался в возрасте 74 лет. Официальный аккаунт шоу опубликовал траурное сообщение, в котором подчеркнули, что он был не только ведущим, но и автором множества статей, подкастов и интервью, где разоблачал современные технологии с иронией и глубиной, а его мнения формировали целый поколение слушателей, делая шоу одним из самых влиятельных в сфере IT.

В публикации, размещённой на платформе X, подчеркнули, что Дворак был создателем и постоянным голосом No Agenda Show, где он совместно с соавторами обсуждал последние новости, критиковал индустрию и предлагал альтернативные подходы, а его стиль, отличавшийся резкой иронией и глубоким анализом, стал эталоном для журналистики информационных технологий. Сообщение привлекло более 30 тысяч просмотров, собрало тысячи симпатий и репостов, а аудитория выразила соболезнования, отметив, что его наследие будет жить в будущих выпусках, в интервью с лидерами отрасли и в бесконечных цитатах, которые продолжают вдохновлять новых аналитиков и разработчиков. Многие подписчики также отметили, что его уроки останутся актуальными для будущих поколений.

Джон Си. Дворак — влиятельный журналист и писатель в индустрии технологий, известный честным, критическим и провокационным стилем. Его колонки и подкасты пользовались большой популярностью. Многие коллеги, читатели и слушатели выражают соболезнования, отмечая его влияние, независимость и глубокое наследие, которое останется в памяти надолго.

SIMD — это возможность выполнять одну операцию над несколькими элементами данных одновременно: вместо сравнения одного байта процессор может сравнить четыре, восемь или даже более за один такт. Это особенно выгодно, когда в коде встречаются «тяжёлые» циклы, сканирующие массивы, строки или байтовые последовательности, а обработка происходит сотни‑миллионов раз. В таком случае локальное ускорение пропорционально ширине вектора, а писать такой код можно без прибегания к ассемблеру. Таким образом, даже простая замена обычного for‑цикла на обработку блоками по 4‑8 элементов даёт ощутимый прирост, и эту идею может понять любой разработчик.

В большинстве случаев SIMD‑код строится по одной схеме: сначала широковещательно задают константы, затем перебирают данные порциями вектора, выполняют над ними одну инструкцию, после чего сводят векторный результат в скаляр и завершают обработку оставшихся элементов. Эта пятишаговая последовательность повторяется в разных задачах — от подсчёта совпадений до трансформации изображений — и позволяет писать код так же просто, как обычный цикл, лишь добавляя несколько специфичных функций. Поэтому любой разработчик, увиделший «тяжёлый» проход по массиву, может сразу представить, как заменить его на обработку вектором, не углубляясь в ассемблер и получая ускорение.

Современные компиляторы часто автоматически векторизуют код, поэтому ручная оптимизация SIMD не всегда необходима. Тем не менее, понимание ограничений и возможностей SIMD важно для оценки производительности. Рекомендуется сначала оптимизировать структуры данных и шаблоны доступа — это может дать больший эффект, чем SIMD. Для упрощения использования SIMD предпочтительны высокоуровневые библиотеки, такие как pandas или polars. SIMD оправдывает себя при обработке больших объёмов данных, но не всегда приносит выигрыш, особенно при автоматической векторизации.

В статье доказано, что множество X⊂ℂ⁵, определяемое уравнениями a²e−abd+cb²=1 и ad+bc=1, полиномиально изоморфно трехмерному пространству A³. Обратные отображения Φ(a,y,z)=(a,1+ay,1−3ay/2+ay², y/2−az+3ay²/2−ay³z, -2z+4y²-4ayz+3ay³-2a²yz) и Ψ(a,b,c,d,e)=(y=2bd−ae, z=2d²+ce+6bd²+3bce-9e/2) записаны полностью и проверены как обратные; при a=0 ни в одном из формул не появляется деления, а все выражения остаются полиномами, поэтому скрытых ограничений нет.

Составляя композицию Φ∘F, где F(a,b,c,d,e)=(ac,ad+bc,ae+bd,be) и отбрасывая вторую координату, получаем полиномиальное отображение G(z₁,z₂,z₃) с постоянным Якобианом, равным −2. Это отображение раскладывается как B∘G∘A, где A(z₁,z₂,z₃)=(z₁,z₂,-½z₃) и B(u₁,u₂,u₃)=(u₃,2u₂,2u₁); при том detA=‑½, detB=‑4, detDG=‑1, их произведение дает -2, что совпадает с Якобианом исходного преобразования. Таким образом, изначальная карта полностью восстанавливается через простые линейные нормализации, а её постоянный Якобиан подтверждает полиномиальность и биективность.

Эти результаты иллюстрируют, что любой элемент X можно представить в виде (a,y,z), а обратные формулы гарантируют, что отображение полностью полиномиально и определено во всех точках. Константа Якобиан -2 подтверждает, что карта сохраняет объём с одинаковым знаком, что характерно для автоморфизмов полиномиальных (в частности аффинных) пространств. Таким образом, полученный пример служит конкретным подтверждением того, что описанная в статье конструкция восстанавливает исходную карту без потерь.

Тред дополняет статью опытом использования языковых моделей в математических исследованиях, подчеркивая их способность понимать и генерировать сложные концепции, а также ограничения и потенциал применения. Эксперты согласны: модели полезны, но их эффективность зависит от качества вопросов. Для максимальной отдачи следует задавать открытые вопросы — начинающиеся с «что» или «почему» — а не требующие прямых ответов. Некоторые сомневаются, что модели действительно понимают математику, а не просто генерируют текст на основе статистики. Они могут помогать математикам преодолевать границы между областями и находить новые связи между концепциями. Для получения качественных результатов важно понимать, как работают модели и как правильно формулировать вопросы.

Gigatoken — ускоритель токенизации, способный обрабатывать текст со скоростью гигабайт в секунду, в десятки и даже тысячи раз быстрее, чем стандартные реализации от HuggingFace и tiktoken. Он поставляется как drop‑in‑замена, поддерживает почти все популярные токенизаторы и может использоваться либо в режиме совместимости с HF‑токенизаторами, либо через собственный быстрый API, где данные читаются напрямую нативным Rust‑кодом. Установка простая — pip install gigatoken.

В тестах на наборе OWT‑train (≈12 GB) на процессоре AMD EPYC 9565 с 144 ядрами показана пропускная способность около 24 GB/s для GPT‑2, что в 989 раз превышает HF‑токенизатор, а для Llama 3 и Qwen 3 — около 22 GB/s, что подтверждает стабильность производительности от 3 GB/s до 24 GB/s на разных моделях. В статье указана рекомендация по цитированию в формате @software{roed2026gigatoken,...}, а также отмечено, что «AI Use Disclosure» показывает, что большую часть кода писали вручную, а AI использовалась лишь в финальном рефакторинге. Планируется ускорить передачу данных из Python и добавить поддержку WordPiece и SentencePiece, однако пока что Windows остаётся мало протестированным.

Токенизация может быть узким местом при обработке больших объёмов текста: @marcelroed отметил это в предобработке экспериментов, @SnowflakeOnIce — что у него токенизация занимала более 10% времени выполнения, @scottcha — что быстрая токенизация критична для AI-платформы в реальном времени (маршрутизация, лимитирование запросов). Даже 0,1% времени, как оценил @pipsterwo, при масштабировании даёт значительную нагрузку. @hansvm считает, что 1000-кратное ускорение, даже для подкомпонентов, открывает новые возможности. Тред также рассматривает потенциальные применения и ограничения Gigatoken, сравнивая его с другими решениями.

Исследователи проверили, занимаются ли крупные ИИ‑лаборатории pelicanmaxxing, используя знаменитый тест с пеликаном на велосипеде. В семь моделей (GPT‑5.6 Terra, Claude Sonnet 5, Gemini 3.5 Flash, Grok 4.5, Qwen 3.7‑Max, GLM‑5.2, DeepSeek V4 Pro) сгенерировали по три варианта 48 комбинаций животного и транспорта, получив 1008 SVG‑картинок. После рендеринга каждую картинку оценил GPT‑5.6 Luna по шкале 1‑5 за животное, транспорт и целостность действия, а Gemini 3.1 Flash‑Lite зафиксировал распознанные элементы. Было лишь 11 повторов из‑за некорректных SVG.

Анализ не выявил значимых отличий: пеликаны не рисуются лучше остальных животных, велосипеды – лучше остальных транспортов, а конкретная ячейка пеликан‑велосипед не превосходит ожиданий, кроме небольшого, незначительного прироста у GLM‑5.2. При этом все 21 изображения пеликана на велосипеде направлены вправо, что характерно и для других комбинаций. Кроме того, в среднем оценки по животным и транспорту распределялись почти одинаково, а лишь в 21 из 21 случаев пеликан смотрел вправо, что не выглядит подозрительным. Автор не смог точно указать, кто из лабораторий мог использовать такой подход, но данные не подтверждают массовое pelicanmaxxing.

Тест с пеликаном на велосипеде вызывает споры: одни считают его эффективным для оценки ИИ, другие — слишком узким и легко обходимым, особенно после оптимизации моделей под генерацию SVG-изображений в целом. Для более надёжной оценки нужны разнообразные и сложные тесты, устойчивые к таким обходам.