
1115 | 科技速递:从纸上的 BASIC 到智能体遍地
节目备注
从手写机器码到智能体时代:我们聊聊编程方式的变化、AI 工具的成效与风险、大公司的隐私与垄断争议,以及一点点开源与游戏文化。
时间轴
- 00:00:04 开场
- 00:00:41 编程的起点:手写 BASIC 与职位变迁
- 00:04:44 AI 走进个人与团队:小模型、可视化学习与多智能体
- 00:10:49 为智能体打造的基础设施
- 00:13:59 AI 时代的应用与骗局风险
- 00:18:53 巨头争议:循环融资与巨额罚款
- 00:21:42 安全披露、开放与停止维护
- 00:26:14 大模型吞吐与开源文化花絮
- 00:32:22 收尾
相关信息
- How did Woz write the Apple 1 BASIC before building the computer?
- A family tree of software job titles
- Show HN: DeepSeek V3 in ~200 lines of pure Jax
- A visual explanation of reinforcement learning
- Advancing science and engineering with Antigravity's /teamwork
- Show HN: Agweb – a browser for agents that stays out of your way
- Show HN: A terminal-native idle factory game, written in Rust with ratatui
- Lovable apps expose passport details and more than 200K private messages
- LinkedIn, Monster take down over 1000 fake job postings after CBC investigation
- Tech companies are trying to shift the concept of privacy again
- Nvidia deliberately kept GPU prices high through circular financing deals
- Italy fines Meta $887M over Android users' data access
- US IRS free online tax filing open source repo (2025)
- Project Zero will disclose vulnerabilities 90 days after reporting
- PyPI's redesigned project pages with clearer security signals are now live
- Serving GLM-5.3 at 607.8 tok/s across two Nvidia DGX stations with vLLM
- KDE: The documentary [video]
- Monkey Island: all 13 versions side by side
- Formalizing US Tax Code (Using Lean)
本期节目由 Bri 出品。Bri 使用先进的 AI 技术将你在意的资讯转换成适合收听的播客。如需联系,请发邮件至 hi@bri.so。
文字稿
茉莉: 大家好,欢迎收听这一期的节目,我是茉莉。
白桦: 我是白桦。今天这一期,我们想从一件很老的事讲起——老到软件还是用手写出来的年代,然后一路走到智能体工程师这个 2025 年才出现的新头衔。中间会经过多智能体系统、为 AI 造的浏览器、AI 生成应用的裸奔数据、巨头们的循环融资和巨额罚款,还有安全披露新政策。听起来跨度很大,但它们其实都连在同一条线上:人和工具的关系怎么变。
茉莉: 那我们直接开始。白桦,你先说说沃兹尼亚克这件事。
白桦: 这件事本身很简单:Wozniak 写 Apple 1 Integer BASIC 的时候,是在纸上完成的,手工汇编 6502 机器码,没有用任何汇编器,而且是在把电脑造出来之前。也就是说,软件先于硬件存在——那台 Apple 1 是为了跑这套已经写好的 BASIC 才被造出来的。
茉莉: 我第一次看到这个细节的时候,最震撼的是“手工汇编”这四个字。今天任何一个学生写错一行代码,编译器一秒钟报错。他那时候是自己在纸上算机器码,算错了电脑根本不存在,连验证的地方都没有。
白桦: 对,而且这引出一个很有意思的讨论点:一个人、一支笔,就能“写出”一个完整的编程语言实现。这和我们今天的第二部分正好形成对照——一份软件职位家谱,从 1940 年代到今天,一共 104 个头衔。
茉莉: 说说这份家谱。它把软件行业里出现过的职位排成了一棵树,最早可追溯到上世纪四十年代。其中一个特别扎眼的观察是:DevOps、SRE 和平台工程,在这棵树上属于同一个谱系,做的是同一件事,只是隔几年换一个名字。
白桦: 这个观察一出,讨论立刻分成两派。一派觉得很正常,工具和环境变了,职责的细节当然在变,改名反映了真实的技术演进;另一派就相当刻薄了,说这是“简历驱动的架构演进”——工作没变,换个头衔,薪水谈判的筹码就不同了。
茉莉: 我想补充我自己观察到的现象。你去读 SRE 的原始文献,再去读平台工程的宣言,会发现它们解决的核心问题是一回事:让软件的交付和运行变得可靠、可重复。区别主要在于时代背景——SRE 是 Google 那种超大规模下的产物,平台工程是云原生之后内部平台产品化的产物。但底层都是“怎么让开发者不把生产环境搞挂”。
白桦: 不过反对者也有一个我觉得站得住的论点:说“同一件事”容易抹掉真实的差异。SRE 有明确的理论框架,比如错误预算、服务水平目标,这些是硬性的;DevOps 更像一场文化运动,没有可测量的定义;平台工程则更接近产品管理加基础设施。把它们完全等同,对认真做过这几行的人也不公平。
茉莉: 所以这更像一个连续的光谱,而不是“完全一样”或“完全不同”的二选一。
白桦: 对。那接下来就是那个最值得玩味的节点了:这棵树上最新的职位,大约 2025 年出现的,是 AI Agent/Context Engineer——智能体工程师,或者上下文工程师。
茉莉: 这是我的第二个震撼点。把这棵树从头看到尾,你会发现一条规律:每一次底层技术范式转移,都会催生一批新头衔,然后其中一部分存活下来变成主流,另一部分被合并回旧职位。网页设计师变成了前端工程师,数据科学家正在被“AI 工程师”吸收。智能体工程师会是存活下来的那种,还是五年后又改一次名的?我自己是不知道答案的。
白桦: 我觉得这里有一个更本质的问题:如果智能体工程师的本质是“为非确定性系统设计可靠接口”,那这个技能可能是持久存在的,即使头衔本身会被 rename。当年 DevOps 这个词诞生的时候,没人预测到它会演化出 SRE 和平台工程两个分支。
茉莉: 没错。而这条线索刚好把我们送进今天的第二部分——AI 不再只是被写出来的工具,它开始自己写东西了,而且从巨大的模型到只有四个神经元的玩具,中间横跨了整个光谱。
白桦: 那我先把这条说清楚。有人把 DeepSeek V3 的架构重写了一遍,用的是纯 JAX,全部大概 190 行代码,参数量 36.2M——注意,不是 362 亿,是 3620 万——然后直接在一台 MacBook Air 上训练。
茉莉: 为了让不熟悉的听众理解这个重量级,我说一下 DeepSeek V3 本来的样子。它的架构里有几个关键组件:MLA,就是多头潜在注意力;DeepSeekMoE,一种无辅助损失的专家混合 balancing;还有 MTP,多 token 预测。这些是支撑一个超大规模推理模型的核心技术。现在有人把这套东西的核心思想抽出来,用 190 行代码装进一个笔记本就能跑的小模型里。
白桦: 这条在讨论里引起的第一个反应是惊叹——原来这些听起来很高深的架构创新,核心思想其实可以用极少的代码表达。有人认为这本身就是一种非常有价值的知识民主化:你不需要万亿参数的算力,也能真正理解 MLA 到底在做什么。
茉莉: 但反方的声音很快就来了,而且相当有说服力。有人说 190 行复现的是“形”,不是“神”。真实的 DeepSeek V3 依赖的是海量数据、精细的训练技巧、以及围绕这些组件的无数工程细节。你在 MacBook Air 上训练一个 36M 参数的玩具,只能证明架构能跑通,不能证明这些设计在真实规模下依然最优。这两者之间的鸿沟,恰恰是初学者最容易忽略的。
白桦: 我自己比较认同一个中间立场:这种复现的价值不在工程,在认知。它像是一份“架构的解剖图”,让你能看清楚器官之间怎么连接,但它不是一只活体动物。
茉莉: 说得好。而且这个项目还有一层意义:它让“自己动手实现一个大模型”从不可思议变成可行。这在我们讨论下一个项目的时候还会回来——如何让外行理解 AI 到底在干什么。
白桦: 没错,这就引到 Aatish Bhatia 的交互式网站。它可视化的是强化学习:主角是一个只有 4 个神经元的“火花”,在屏幕上学习趋光,大约需要 2000 次试验。你可以看着它从随机乱撞,慢慢演化成有目标地朝光移动。
茉莉: 这个项目的聪明之处在于规模。强化学习的教学通常有两个坑:要么太抽象,公式一摆出来听众就跑了;要么太复杂,用 Atari 游戏做演示,中间过程太慢,看不到学习发生。4 个神经元这个规模卡得刚刚好——小到你能看见每一次权重变化带来的行为变化,大到能演示真正的学习。
白桦: 评论里最打动我的一类反馈是“啊哈时刻”。很多人说他们看懂强化学习的那一瞬间,不是读论文读出来的,而是看着这个小火花在两千次失败里一点点找到光。这种体验式的理解,是任何教程都替代不了的。
茉莉: 但也有一个我还没想通的问题想抛出来:这种“看见学习发生”的直觉,会不会反而给人错误的心智模型?强化学习真实世界里最难的其实是信用分配问题——你走了一百步才拿到奖励,哪一步该记功?这个小火花趋光的任务里,这个核心难题几乎被回避了。观众学到的可能是一种过于顺滑的版本。
白桦: 这是一个很好的未决问题。教育工具的简化,和真实领域的复杂性之间,永远有一道裂缝,而且这道裂缝不会因为工具做得好就自动消失。我们把它留给听众自己思考。
茉莉: 从单个小火花,我们自然跳到另一个极端:Google 的 Antigravity 团队做的 /teamwork 多智能体系统。
白桦: 这个系统报告了在数学、化学、内核和验证几个领域的新结果,同时把工具开放给外部使用。注意“报告”这个词——结果是官方公布的,能不能被独立复现,那是另一回事。
茉莉: 我先说说我对这个消息的第一反应。多智能体系统其实是个很老的想法,至少十几年前学术界就在尝试。过去它反复失败的堆栈,主要卡在通信开销和协作协议这两件事上。所以现在看到 Google 重启这条线,并且拿出具体结果,我首先是好奇而不是怀疑。
白桦: 怀疑派在讨论里也不少。有人直说:单智能体的可靠性和幻觉问题都还没有被解决,直接跳到多智能体,是不是在错误的地基上盖楼?一个智能体产生错误,第二个智能体基于这个错误继续工作,错误会被放大而不是被纠正。
茉莉: 但支持者有一个我觉得很有力的论点,就是任务分布。他们注意到 Google 报告结果的领域,数学、化学、内核开发、形式验证——有一个共同特征:这些是机器可以验证正确性的领域。你写的证明对不对,内核编译过不过,这些问题有客观答案。多智能体系统最怕的是主观评估,而 Google 挑的这几个恰好避开了软肋。这不是巧合,这是策略。
白桦: 说得好。而且“工具开放给外部使用”这一点,我觉得比结果本身更重要。因为多智能体协作真正的瓶颈,可能不是模型能力,而是协作框架本身——任务怎么拆分、结果怎么传递、冲突怎么仲裁。只有让外部开发者真的去用,这些设计问题才会被真实暴露出来。
茉莉: 这一点也刚好是我想说的。一个好的框架,比一个好的演示更能决定技术能不能进入生产。而这就自然引到我们下一部分:专门为智能体打造的基础设施。
白桦: 先说 agweb 报道的 macOS WebKit 浏览器。它专门为编码智能体设计,几个特性都很说明问题:不抢焦点——也就是说智能体在后台开页面,不会打断你正在干的事;提供 playwright-cli 风格的 shell 命令,让智能体可以用命令行方式操作;支持共享配置文件;空闲标签页会被挂起,不占资源。
茉莉: 每一个特性其实都在回答一个具体问题。“不抢焦点”回答的是:人和 AI 同时用一台电脑,怎么不打架?“shell 命令风格”回答的是:智能体的天然接口本来就是命令行,为什么强迫它学图形界面?“共享配置”回答的是:怎么让智能体复用人的登录状态和偏好?“挂起空闲标签页”回答的是:智能体可能同时开几十个标签页,资源怎么管?
白桦: 这个思路背后的一个根本性转变,我认为值得展开。几十年来,浏览器的设计假设是“一个人在前面看着屏幕”。现在智能体不需要看屏幕,它只需要结构和数据。这就意味着下一代浏览器可能需要彻底重新设计——不是给人看,而是给程序读。
茉莉: 我觉得这其实是对浏览器的一种“退化”,而且是好的那种。早期浏览器就是文本传输协议的薄壳,后来我们给里面塞了动画、通知、焦点管理,所有这些都是为人设计的。现在可能要往回走一步:把接口剥到最小,让智能体以最高效率使用。
白桦: 顺着这条线,我们看第二个项目:terminactory。这是一个终端原生的 Rust/ratatui 挂机工厂游戏,直接在 AI 智能体旁边运行,并且通过 Claude Code hooks 接收智能体发来的消息。
茉莉: 这个东西乍一看非常奇怪——你让 AI 智能体一边工作一边玩游戏?但它其实提出了一个很有意思的问题:智能体在工作间隙应该被“关闭”还是被“占据”?
白桦: 我觉得这里还有一层更细的解读。这不是让 AI 玩游戏放松,而是把 AI 的行为可视化成一个终端里的游戏界面。Claude Code hooks 是 Claude Code 的事件机制,允许在外部进程里响应智能体的动作。所以 terminactory 更像是一种“智能体活动监控”的娱乐化表达——你看着工厂里的机器在动,其实是在看智能体在干活。
茉莉: 这就指向一个可能被低估的需求:人类监督智能体的时候,需要某种持续的、低成本的感知界面。现在你开一个 Claude Code 会话,要么盯着滚动的文字流,要么完全不看等它做完。这两种状态都不理想。terminactory 好像在说:也许有一种更自然的中间态。
白桦: 这个中间态的概念我觉得很重要。人监督人靠的是背景感知——你听到同事敲键盘的声音就知道他在工作。智能体目前没有这种“存在感”。 terminactory 用一个游戏填补的,可能就是这个感知空缺。
茉莉: 好,接下来我们进入更沉重的一段。智能体开始大规模生成应用,而结果并不都那么美好。有一份对 Lovable 项目的分析:总共 159,041 个项目里,24,664 个 Supabase 站点在没有认证的情况下暴露了数据,其中包括护照信息和超过 20 万条消息。
白桦: 让我先解释一下这里的技术链条。Lovable 是一个让普通人通过自然语言生成应用的 AI 平台,很多生成的应用背后用 Supabase 做数据库。问题是,如果生成的应用没有正确配置行级安全策略,数据库就是敞开的。这个分析发现,差不多每六个项目里就有一个存在这种裸奔状态,而且暴露的是护照照片这种级别的敏感数据。
茉莉: 这里我想让听众理解一个关键点:这不是黑客攻击。这是用户不知道自己需要安全配置,工具也没有默认把这件事做好,于是数据就那样裸着放在互联网上。整个链条里没有一个“坏人”,但结果是灾难性的。
白桦: 讨论里有一个我觉得特别尖锐的观点:说这暴露的是 AI 编码工具的一个结构性缺陷——它们把“能跑起来”和“能安全上线”混为一谈了。你对着一个 AI 说“帮我做一个报名表单”,它会给你一个能跑的表单,但它不会主动告诉你“我还没给你打开数据库的访问控制”。
茉莉: 但我想替反方说几句。如果去对比传统软件行业,这不算新问题。WordPress 插件、低代码平台、各种 SaaS 工具,多年来一直存在大量配置错误导致的数据泄露。Lovable 只是把这个老问题的规模和速度放大了,因为它降低了创建应用的门槛。真正的新东西不是漏洞本身,而是漏洞出现的速度。
白桦: 这个辩护我接受一半。门槛降低确实带来安全的稀释,但我觉得有一件事是新问题:传统低代码工具至少有一套文档和检查清单,用户知道自己要配置什么。AI 生成工具给用户的是“完成”的错觉——它看起来已经做完了,用户根本不知道还有一步叫做“去 Supabase 打开行级安全”。
茉莉: 这确实是一个新问题。而这种“用户不知道自己在冒险”的逻辑,在我们接下来的两个话题里还会反复出现。
白桦: 先从 CBC 的一项调查说起。他们发现大约 1,500 个发布在 LinkedIn 和 Monster 上的远程“旅行工作”招聘帖子,把求职者引向一个叫 Evolution Travel 的 MLM——也就是传销——并从中收费。现在已经有超过 1,000 个帖子被删除。
茉莉: 这里我觉得有一个技术性的细节值得指出:为什么 MLM 招聘帖会出现在 LinkedIn 这种“专业平台”上?因为 LinkedIn 的品牌本身是一种信任背书。人们对传统广告里的 MLM 有警惕心,但对“LinkedIn 上找到的工作”的信任度要高得多。骗局的杠杆,就是这种平台信任。
白桦: 顺着你这个思路,其实 Lovable 数据泄露和这些招聘帖有同一个底层机制——都是把一个可信的前端,套在一个不安全或不可靠的后端上。用户以为自己在和一个正规平台打交道,实际上接触的是最薄弱的那一层。
茉莉: 这就引到第三块:EFF 发出的警告。他们担心的是 Meta 和 Google 的智能眼镜、Apple Watch 的 Audio Intelligence 功能,还有 Amazon 的 Bee——这些设备把隐私负担转嫁给了旁观者,而旁观者没有退出的选项。
白桦: 智能眼镜那个场景我很熟悉:你戴着眼镜进一个房间,房间里所有人都可能被录音录像,但只有你一个人知道这件事,其他人连选择权都没有。Apple Watch 的 Audio Intelligence 和 Amazon Bee 是类似结构——设备在人身上,数据的边界却在所有人身上。
茉莉: 我想把这三件事放在一起看一个共同的模式,然后听众可以自己判断。三件事的受害者分别是:使用 AI 工具的普通开发者、求职者、公共场合的旁观者。三件事的加害者或者说受益者,分别是:AI 工具平台、招聘平台、设备制造商。这个结构在每一次技术普及的时候都会出现,但以前它出现得慢,社会有时间和它磨合。现在它出现的速度可能比社会适应的速度快。
白桦: 这是一个很好的框架性观察。而这也把我们自然地带到下一部分——当这些结构性的问题大到一定程度,就会出现两种反应:监管出手,或者内部操作被曝光。
茉莉: 先说 WSJ 的报道。Nvidia 在 2026 年年中使用循环融资交易,用来消化台积电的晶圆过剩产能,同时维持 GPU 的高价。另外,黄仁勋因为绯闻辞职了。
白桦: 让我先解释“循环融资”是什么。简单说,就是 Nvidia 给自己的客户提供资金,然后客户用这笔钱买 Nvidia 的 GPU。这个循环表面上看起来是 Nvidia 的营收在增长、客户在扩张,但实际上需求是被自己造出来的。WSJ 的指控是,这种操作被用来吸收台积电的过剩晶圆——也就是说,晶圆的产能问题被 Nvidia 的融资行为掩盖了,同时 GPU 的价格被人为维持在高水平。
茉莉: 这里有一个我认为非常值得琢磨的经济学问题:当一个市场的主导者同时也是这个市场最大的资金来源时,价格信号就失真了。你看不清需求是真实的还是被融资出来的,这个不确定性会波及整个产业链——晶圆厂、数据中心、下游应用开发者,所有人都在基于一个可能被扭曲的信号做决策。
白桦: 这也是为什么我觉得这件事的影响可能会超出 Nvidia 本身。如果报道属实,那被扭曲的不只是一家公司的财报,而是整个 AI 基础设施投资的节奏。
茉莉: 另一个巨头案例是监管直接出手。意大利对 Meta 罚款约 8.87 亿美元,折合欧元是 8.05 亿。理由是 Android 相册访问的问题:Meta 用的是一种应用级照片权限,加上一条通用的警告提示。意大利认为这不构成“知情同意”。
白桦: 让我解释一下这个案例的技术核心。Android 早期有一种照片权限的设计,是一个应用级别的开关——你给了权限,应用就能访问你整个相册。再加上一条概括性的警告文字。意大利的监管机构认为,这种模式下的用户并没有真正理解“我同意了什么”,所以这个“同意”是无效的。
茉莉: 我想强调的是,这个案子的判决书其实回答了一个非常根本的问题:“知情同意”到底需要多少知情?一条概括性警告、一个全有或全无的开关,在法律上够不够格称为同意?意大利给出了否定的答案。这个答案的影响不会止于 Meta,它会成为未来所有数据收集场景的先例。
白桦: 没错,而且这件事和 EFF 的警告放在一起看很有意思。一边是监管说“用户必须真正知情”,另一边是 EFF 说“旁观者根本没机会知情”。两件事都在追问同一个问题:数据时代的“同意”到底是什么意思。
茉莉: 好的,接下来我们进入关于安全披露和透明度的一段。
白桦: 先说 Google Project Zero 的新政策。当前他们还是“Full 90”——发现漏洞后 90 天内完全披露。从 2027 年 2 月起,这个期限缩短到 60 天。从 2028 年 1 月起,进一步缩短到 30 天。同时,补丁的浸泡时间被取消了。
茉莉: 我解释一下“补丁浸泡时间”是什么。以前的流程是:Project Zero 发现漏洞后,给厂商一段时间修复,补丁发布之后还会留一段“浸泡期”,让补丁在真实环境里跑一阵子,确认不会引起新问题,然后才公开漏洞细节。现在浸泡期被取消,意味着补丁一出来,漏洞细节就跟着公开。
白桦: 支持这个收紧的人认为,90 天的期限让太多厂商把安全修复排在优先级末尾——只有披露的威胁临近,他们才动。缩短到 30 天是给整个行业施加压力。而且随着自动化的修复流程越来越成熟,30 天在技术上应该是足够的。
茉莉: 但反对者有另一套算盘。他们说,某些补丁——特别是那些涉及底层固件、加密库或者并发问题的补丁——真的需要更长的时间来验证。取消浸泡期意味着用户要在“没有修复”和“可能被新的 bug 影响之间”做选择。对一些关键基础设施来说,这个窗口期不是理论风险,是真实的暴露。
白桦: 这个讨论里我觉得最有意思的一点是:它没有对错,是两种风险的权衡。一边是“未披露的漏洞被利用”的风险,一边是“匆忙的补丁引入新问题”的风险。Project Zero 选择偏向前者,也就是更看重透明和压力。
茉莉: 这个透明度的主题,在 PyPI 上也有体现。他们的项目页面最近改版上线,加了一个新的 Security 标签,显示项目的 provenance 状态——完整、无或者警告——以及每个文件的 attestation,逐文件的证明。
白桦: 这里我想解释一下 provenance 是什么。简单说,就是这个包是不是真的从它声称的源头——比如项目的官方 CI 流程——构建发布出来的。攻击者经常做的事是绕过源头,直接上传一个看起来一样但被植入恶意代码的版本。有了这个标签,你一眼就能看出这个包的来路是不是干净。
茉莉: 但我想提出一个疑问:这依然是一个“被动的”安全机制。用户需要主动去点开这个 Security 标签才会看到这些信息。对于大规模的供应链攻击来说,主动检查是靠不住的——很多被感染的包是被自动化流程批量安装的,没人看页面。
白桦: 这个疑虑我完全认同,而且我觉得这可能是整个安全工具链条的通病:UI 上的透明度提升,永远只能保护那些主动查看的用户,而最大的攻击面是那些不查看的用户。真正的解决方案可能需要生态系统级的强制——比如安装工具默认拒绝没有 provenance 的包。但那是另一个层面的改变了。
茉莉: 而且透明度还有一个更尴尬的对照面,就是 IRS Direct File 的现状。它的开源仓库已经归档,不再维护。开发在一月份就停止了。而这份代码之所以公开,仅仅是因为联邦法律的要求,不是因为项目方想开源。
白桦: 这个消息给我的冲击比表面看起来更大。因为 Direct File 不是一个小工具,它是一个完全由公共资金支持的、让公民直接向政府免费报税的系统。它开源这件事,曾经被视为政府软件的一个标杆。现在它停摆了,而且连代码公开这件事都不是出于主动。
茉莉: 这里我觉得最值得追问的是:公共服务的“存续”到底依赖什么?代码质量?用户量?还是政策?从 Direct File 的结局看,答案很明显——是政策。用户再多、代码再好,如果政治意愿改变了,项目就会停。
白桦: 这也让我想到一个更普遍的问题:我们对开源的“可持续性”有一种乐观的错觉,好像只要代码公开了、仓库存在了,项目就活着。但实际上,一个没有活跃维护者的归档仓库,和一个死掉的产品,在用户眼里的区别是零。
茉莉: 说得好。接下来我们进入今天最后一段,轻松一点的,也是一些我认为很能说明开源文化特殊性的片段。
白桦: 先说 NVIDIA 的博客,他们展示了 GLM-5.3 的部署:这是一个 753B 参数的 MoE 模型,用 NVFP4 精度,权重大约 464GB。他们用 ConnectX-8 RDMA 把两台 DGX Station 连起来,用 vLLM 以张量并行度 2 的方式运行,峰值速度 607.8 token 每秒。
茉莉: 为了给听众一个直觉,我解释一下这意味着什么。753B 参数的模型,一份权重就 464GB,单台机器的显存根本装不下,所以要把模型切到两台机器上,每台负责一半,这就是张量并行度 2。RDMA 让两台机器之间的通信延迟降到最低,让这个切分是可行的。607.8 token 每秒的峰值速度,说明切分本身的通信开销被控制得很好。
白桦: 这个展示有趣的地方在于硬件定位。DGX Station 是工作站,不是数据中心里的 GPU 服务器。也就是说,这个部署方案展示的是一种“不需要机房”的可能性——用两台工作站级别的设备,你就能跑一个超大模型。这对没有数据中心资源的团队是一种新的想象空间。
茉莉: 不过我要提醒一点,607.8 是峰值速度,实际使用中的持续吞吐会受 KV cache、批处理大小、请求模式等因素影响。博客展示的是最佳情况的快照,不是日常使用的平均值。
白桦: 对,这也是我读一切性能博客时的一条铁律:峰值数字是工程师的成就,不是用户的体验。
茉莉: 说完硬核的,说一个感性的。CultRepo 发布了一部关于 KDE 的纪录片,讲的是这个自由软件桌面社区从 1996 年开始的故事。
白桦: 反响非常正面。很多人说这部片子抓住了开源社区最难被外人理解的东西——它不是一个软件项目,它是一群人几十年如一日的协作史。1996 年是什么概念?那时候 Linux 桌面对大多数人来说还是一个笑话,但这群人坚持下来了。
茉莉: 我觉得纪录片这种形式对开源社区有一种特殊的价值。开源社区最宝贵的资产是文化和历史,但这些东西的载体——IRC 频道、邮件列表、线下的聚会——天然是易逝的。一部纪录片把这些固化下来,是给未来的人留的档案。
白桦: 没错,而且这也是为什么我觉得开源的“开源”其实不只是代码。这些故事、这些人、这种协作方式,本身也应该被开源。纪录片就是在做这件事。
茉莉: 顺着开源文化,我们看下一个:一个网站把《猴岛小英雄》Secret of Monkey Island 的全部 13 个版本并列展示,涵盖 8 个发行版、12 处相同场景的画面,全部用 ScummVM 和 Hatari 截取。
白桦: 这个项目体现了游戏保存文化的一个核心精神:不仅仅是“这个游戏还在不在”,而是“这个游戏的每一个版本、在每一个平台上的样子,能不能被完整地记录和对比”。12 个相同场景在不同版本下的差异,对研究硬件演进、本地化、图形技术的历史都是一手资料。
茉莉: 我想把这个项目和 Direct File 那个话题连起来说一句。一个是被归档的政府软件,一个是被精心保存的 1990 年游戏。前者是公共资金、有法律支持的产物,后者是社区爱好者用业余时间做的事情。哪一个会被更完整地留给后人?我觉得答案很讽刺。
白桦: 这个对比确实扎心。最后一个项目,也是我觉得今天最意外的:Lexifina 用 Lean 形式化了美国税法 Title 26,结果发现 138 个真实的起草缺陷,包括重新发现了已知的和全新的漏洞,其中一个是 SALT 抵扣在联合申报时的一个 quirk。
茉莉: 让我解释一下这件事有多离谱。Title 26 是美国法典里一整部税法,篇幅巨大、条文之间互相引用。把它形式化到 Lean——一个用来做数学定理证明的系统——意味着每一条法律条文都要被翻译成严格的逻辑命题。这个过程会暴露所有人类立法者不会注意的模糊、矛盾和遗漏。138 个缺陷,每一个都是法律文本上的真实瑕疵。
白桦: 这件事让我想到的是:形式化方法一直被认为是计算机科学里的小众工具,用来验证芯片和编译器。把它用到法律上,相当于说“法律文本其实也是一种程序,它有 bug,而且可以用工具找出来”。这个视角本身可能比那 138 个缺陷更有长期价值。
茉莉: 而且那些被发现的漏洞里,有些不是理论上的——SALT 联合申报的 quirk 是一个纳税人可能真的可以利用的路径。也就是说,这个项目的产出不只是学术性的,它可能直接影响真实世界的税务实践。
白桦: 不过这里我想提出一个我认为最重要的未决问题:法律的形式化和代码的形式化有一个根本区别——法律有司法解释和判例来处理模糊性,代码没有。当你把一条法律翻译成 Lean 的时候,你做的每一个解释选择,本身就是在替代未来法官的工作。那这个项目发现的“缺陷”,有多少是真缺陷,有多少是这个翻译过程引入的解释偏差?
茉莉: 这个问题我还没有答案,但我觉得它值得被认真对待。因为如果答案是前者,那这是法律工程的开始;如果是后者,那这是一次有趣的尝试但走错了路。时间会告诉我们。
白桦: 好,那我想做最后一次串联。今天我们从沃兹尼亚克在纸上手写 BASIC 开始,途经了 DeepSeek 的小模型复现、四个神经元的火花、Google 的多智能体、为智能体造的浏览器和终端游戏,然后走进 AI 应用的裸奔、MLM 招聘、隐私的旁观者困境,再到 Nvidia 的循环融资、Meta 的天价罚款,最后是 Project Zero 的披露新规、PyPI 的安全标签、Direct File 的停摆,和 GLM-5.3 的部署、KDE 的纪录片、猴岛的版本对照,以及用 Lean 修法律。
茉莉: 如果非要在这一长串里找一个共同的东西,我觉得是:技术在不断降低“做一件事”的门槛,同时不断抬高“做对这件事”的门槛。写软件从来没有这么容易,写安全的软件也从来没有这么难。立法从来没有这么多人力投入,立法的漏洞也从来没有被这么系统性地暴露过。
白桦: 而那个从 1940 年代延续到今天的职位家谱提醒我们:不管技术怎么变,最终落地的东西总需要人去定义、去命名、去负责。智能体工程师会不会又是改名,我不敢说,但可以肯定的是——下一个头衔,一定比现在的更难。
茉莉: 好,今天节目差不多到这里,也差不多到时间了。茉莉和我——白桦,祝各位收听愉快,我们下期再会。
茉莉: 再会。