Hacker News 每日播报：从“动态规划”的词源考究到谷歌 Gemini 斩获国际奥数金牌，再看如何将你的 MacBook 触控板变身电子秤。

在算法学习中，“动态规划”（Dynamic Programming）这个术语常常让初学者感到困惑。许多人自然地将这里的“编程”理解为编写代码，但一篇深入词源的博客文章为我们揭示了其背后的真实含义。

文章指出，要理解“动态规划”，关键在于理解“编程”一词在20世纪50年代的原始含义。当时，“编程”更多地指代“为控制、管理或行政目的而进行的规划”，类似于我们今天所说的“电视节目编排”（TV programming），而非“计算机编程”。例如，土木工程师会说他们在“编程”一栋新办公楼，意思是规划建造过程中的每一个子步骤及其顺序和时间线。

这个概念可以完美映射到动态规划的解题思路上。以斐波那契数列为例，计算 fibonacci(10) 的“程序”，就是规划好计算 fib(2) 到 fib(10) 的顺序。每一步都依赖于前一步的结果，并且为了效率，你会将中间结果（如 fib(8)）存储起来，避免重复计算。这正是动态规划的核心思想：将一个大问题分解为一系列相互关联的子问题，并规划好解决它们的顺序。

这个术语的诞生还有一个有趣的历史背景。其创造者理查德·贝尔曼（Richard Bellman）当时在美国兰德公司工作，正值冷战时期，他的上司——美国国防部长——对“研究”一词极度反感。为了保护自己的数学研究项目不被砍掉，贝尔曼需要一个听起来更“实用”、不那么“学术”的名字。他选择了“编程”（programming），因为它带有“规划”和“决策”的意味；而“动态”（dynamic）一词则传达了问题“多阶段、随时间变化”的特性，听起来积极向上且不易被攻击。于是，“动态规划”这个名字便诞生了，它既巧妙地描述了算法的精髓，又成功地绕开了当时的政治雷区。

理解术语背后的历史和原始含义，不仅能消除学习中的困惑，也让我们看到计算机科学发展初期那些充满智慧和趣味的片段。这种对词源的探讨，对于理解其他令人费解的计算机术语，如“闭包”（closure）或“单子”（monad），同样具有启发意义。

对于喜欢可视化和网络监控的 Linux 用户来说，一个名为 connmap 的桌面小工具带来了不小的惊喜。它能实时地在世界地图上，将你当前的网络连接（无论是 TCP 还是 UDP）以闪烁点的形式展示出来，让你直观地看到数据流向了世界的哪些角落。

这个用 C 语言编写的小工具，利用 X11 和 Cairo 图形库绘制地图，通过 iproute2 获取网络连接信息，并结合 MaxMind 的 GeoLite2 数据库进行 IP 地址的地理位置解析。它不仅是一个有趣的桌面装饰，也具备一定的实用价值。

从一个角度看，connmap 满足了技术爱好者的好奇心，提供了一种直观有趣的方式来“看见”自己的网络活动。这对于网络调试或初步的安全监控（例如，发现意外的连接目的地）或许能提供一些线索。它让人回想起早期 Linux 桌面那种充满极客精神、一切皆可定制和可视化的时代。

当然，这种可视化也引发了关于准确性和隐私的思考。IP 地理位置定位本身就存在误差，尤其在 VPN 和代理服务普及的今天，地图上的点可能并非连接对端的真实物理位置。它更多的是一个“大致指示”，而非精确的追踪工具。虽然 connmap 是一个本地运行的工具，不向外发送数据，但这种将网络活动具象化的能力，也提醒用户在公共场合使用时需注意潜在的隐私暴露风险。

目前，该项目主要支持 IPv4，社区也期待着未来能加入对 IPv6 的支持，以及更丰富的连接信息展示，让这个小工具变得更加强大。

在处理海量事件时，我们应该如何记录日志？一篇题为《Log by Time, not by Count》的文章提出了一个简洁而深刻的观点：我们应该根据固定的时间间隔来记录日志，而不是每处理一定数量的事件就记录一次。

传统的“按数量”记录（例如，每处理1000个事件记录一次）存在一个明显缺陷：在开发环境和生产环境下，由于负载不同，日志的输出频率会天差地别，导致日志要么泛滥成灾，要么稀疏到无法判断系统是否仍在正常工作。

而“按时间”记录（例如，每秒记录一次自上次记录以来处理的事件总数）则能确保日志输出速率的一致性。无论系统负载如何变化，你都能以一个可预测的频率获得系统的状态快照。这种方法巧妙地平衡了日志过多（影响性能、增加成本）和日志过少（失去可观测性）之间的矛盾。

当然，这并非绝对的规则。在某些特定场景下，例如需要精确追踪每N个事件发生后的状态变化，或调试特定的批处理任务时，按数量记录可能更为直观。一个更成熟的策略或许是根据场景混合使用，或者在日志中同时包含处理速度（events/second）、错误率等更丰富的指标，让日志信息更具洞察力。这篇文章提醒我们，即使是日志记录这样基础的功能，也蕴含着优化的空间，一个简单的策略调整就能对系统的健壮性和可观测性产生深远影响。

我们通常想象中世纪国王的生活是奢华与权力，但一篇文章《中世纪国王的日常生活》揭示了他们作为国家最高管理者，其日常远非安逸，而更像是一位压力巨大的现代企业 CEO。

国王的一天从黎明前的祈祷开始，随即投入到无休止的政务中。他们需要处理臣民的请愿、裁决法律纠纷、主持御前会议、管理国家财政与皇家领地、制定军事战略，还要接待外国使节、参与各种仪式。在那个没有即时通讯的年代，他们依赖信使和口头汇报来获取信息，每一个决策都基于不完整的信息，并可能影响成千上万人的命运。

将国王的角色与现代 CEO 进行类比，会发现许多惊人的相似之处：

这篇文章提供了一个独特的历史视角，让我们得以从古代的治理模式中汲取关于管理、决策和领导力的智慧，并反思现代技术对我们工作与生活方式的深远影响。

如何让 AI 代理（Agent）更聪明？自主渗透测试公司 XBOW 分享了一种名为“模型合金”（Model Alloys）的简单而有效的方法，成功将其漏洞检测代理的成功率从25%提升到了55%。

他们的 AI 代理在解决渗透测试任务时，需要像解谜一样，在广阔的搜索空间中找到并组合多个“灵光一闪”的想法。XBOW 发现，不同的 LLM（如 Anthropic 的 Sonnet 和 Google 的 Gemini）在解决问题时各有千秋。于是，他们提出了一个创新方案：在同一个对话线程中，交替调用不同的 LLM。

具体来说，代理的第一轮思考可能由 Sonnet 完成，当它将执行结果反馈后，第二轮的决策可能就无缝切换到由 Gemini 来完成。Gemini 会看到 Sonnet 的输出，并将其作为自己的历史对话继续思考。这种方法让不同的模型有机会在同一个任务中贡献各自独特的“思维方式”和优势。

实验结果表明，这种“合金”代理的表现优于任何单一模型，且模型之间的差异越大，合金效果越好。这种方法本质上是集成学习（Ensemble Learning）的一种巧妙变体，它将不同模型的“思维过程”串联起来，而不是并行运行后投票，从而在不增加总调用次数的情况下，有效提升了解决复杂问题的能力。

当然，这种方法也引发了一些技术上的思考，例如，不同模型在同一个上下文中交替，是否会因“思维模式”的差异导致逻辑不连贯？以及如何优化模型切换的策略？尽管如此，“模型合金”为构建更强大、更鲁棒的 AI 代理提供了一个引人注目的新范式。

一场关于数字隐私与国家安全的博弈似乎迎来了转折。据报道，英国政府在美国的压力下，正在重新考虑其要求苹果公司为其云存储系统提供“后门”的强硬立场。

此前，英国内政部依据其《调查权力法案》，要求苹果公司提供访问其最安全加密云存储系统的能力，这在技术上等同于要求建立一个后门。英国政府声称此举对于打击恐怖主义和儿童虐待等严重犯罪至关重要。作为回应，苹果公司不仅坚决拒绝，还将该服务从英国撤出，并联合 Meta 旗下的 WhatsApp 提起了法律诉讼。

事件的关键转折点在于来自美国的强大压力。包括美国副总统在内的高层官员认为，英国此举不仅可能侵犯美国公民的隐私，还会阻碍两国在人工智能、数据共享等关键科技领域的合作。这种来自盟友的明确反对，使得英国政府陷入了进退两难的境地。

在技术社区，普遍的共识是加密后门从根本上是不可行的。一个为“好人”设计的后门，同样可以被“坏人”利用，一旦加密体系被削弱，所有用户的隐私和数据安全都将面临巨大风险。苹果在此事上的坚定立场，被广泛视为对用户隐私和数字自由的捍卫。

这场风波凸显了在全球化的数字时代，单一国家的安全政策与全球技术标准之间的紧张关系。虽然英国的退让对隐私倡导者来说是一个积极信号，但也预示着政府对数据访问权的追求不会停止，类似的博弈仍将继续。

大金空调以其卓越的机械性能著称，但其官方 Wi-Fi 模块却因过度依赖云端、响应缓慢而备受诟病。为了解决这一痛点，一个名为 ESP32-Faikin 的开源项目应运而生，它为大金空调用户提供了一个完美的本地化、无云端控制解决方案。

该项目基于廉价而强大的 ESP32 芯片，通过逆向工程破解了大金空调的内部通信协议，实现了以下核心功能：

ESP32-Faikin 是一个典型的“解决痛点”的开源项目，它顺应了智能家居领域“去云化”、追求本地优先的趋势，为用户重新夺回了对自己设备的完全控制权。

人工智能在逻辑推理领域取得了又一重大突破。Google DeepMind 宣布，其先进的 Gemini 模型，在结合了名为“Deep Think”的增强推理模式后，在国际数学奥林匹克竞赛（IMO）中达到了金牌水平。

IMO 是全球难度最高、最负盛名的中学生数学竞赛。在最新的测试中，Gemini 模型在4.5小时的比赛时间内，完美解决了六道题中的五道，获得了35分的高分，正式达到了金牌认证标准。

这一成就的里程碑意义在于：

这一突破预示着 AI 将成为数学家、科学家和工程师的强大工具，有潜力加速人类知识的边界探索。当然，这也引发了新的思考：当 AI 在高难度逻辑推理上超越人类时，我们该如何重新定义人类的创造力，以及如何变革我们的教育和研究方式。

AMD 在其最新的 RDNA 4 架构 GPU 中，对矩阵核心（Matrix Cores）进行了重大升级，旨在大幅提升 AI 和高性能计算中的核心操作——通用矩阵乘法（GEMM）的性能。

一篇来自 AMD GPUOpen 的技术文章详细介绍了这些新特性。RDNA 4 的矩阵核心在 FP16、BF16 和 I8 等关键数据类型的计算能力上实现了翻倍甚至四倍的理论性能提升。为了实现这一飞跃，AMD 引入了新的 Wave Matrix Multiply Accumulate (WMMA) 指令。

一个关键的变化是，RDNA 4 的 WMMA 操作与上一代 RDNA 3 并不向后兼容，开发者需要使用为新架构设计的特定内联函数（intrinsics）来释放其全部潜力。新架构简化了数据在寄存器中的布局，尤其是在处理链式矩阵乘法时，减少了数据在线程之间交换的复杂性，理论上能让开发者的编程工作更加直观。

这篇文章不仅解释了技术原理，还提供了 HIP kernel 的代码示例，展示了如何利用新的内联函数实现矩阵乘法，并构建一个简单的多层感知机（MLP）推理。

对于开发者而言，最关心的问题无疑是这些理论性能提升在 PyTorch、TensorFlow 等主流 AI 框架的实际应用中能兑现多少，以及 AMD 的 HIP 软件生态能否提供与 NVIDIA CUDA 相媲美的开发体验。RDNA 4 矩阵核心的成功，将很大程度上取决于其在真实世界中的性能表现和生态系统的支持广度。

一个名为 TrackWeight 的开源项目，向我们展示了“黑客精神”的极致创意：它能将你的 MacBook 触控板变成一个简易的数字秤。

这个项目的实现原理，是利用了现代 MacBook 中 Force Touch 触控板内置的压力传感器。通过一个第三方库，TrackWeight 能够访问到 macOS 通常不对外开放的底层触控板压力数据。开发者在校准时惊奇地发现，这些底层数据竟然已经是以“克”为单位的，这大大简化了开发过程。

要使用这个有趣的工具，你需要一台配备 Force Touch 触控板的较新 MacBook，并为了访问底层数据而禁用 App Sandbox。使用时，你需要将一个手指保持在触控板上以激活压力感应，然后将待测物体放在触控板的另一区域。

尽管开发者明确表示这是一款实验性和教育性的应用，不应用于精确测量，但它无疑是一个绝佳的例子，展示了如何通过挖掘硬件的隐藏功能，创造出意想不到的有趣应用。这也引发了人们对于硬件功能再利用以及此类操作潜在安全性的思考。

相关链接：

• “Dynamic programming” is not referring to “computer programming”
• Show HN: X11 desktop widget that shows location of your network peers on a map
• Log by time, not by count
• The daily life of a medieval king
• Agents built from alloys
• UK backing down on Apple encryption backdoor after pressure from US
• ESP32-Faikin: ESP32 based module to control Daikin aircon units
• Gemini with Deep Think achieves gold-medal standard at the IMO
• Using the Matrix Cores of AMD RDNA 4 architecture GPUs
• TrackWeight: Turn your MacBook's trackpad into a digital weighing scale