2025-01-28

我們要重新推出 Pebble

Pebble 正在獲得 Google 的支持而復甦，專注於其原有的優勢，如可供開發的特性、長效電池壽命，以及作為手機延伸的功能。這次復興旨在保持 Pebble 的開源特性，並避免強制性的雲端訂閱，吸引駭客和科技愛好者。社群對於 Pebble 的回歸感到興奮，回顧其獨特的功能及對穿戴式技術的影響。

「Google 開放源代碼 Pebble 作業系統」

「Google 已經開源了 Pebble OS，這在粉絲和開發者中引發了對智慧手錶技術潛在新發展的熱情。」「GitHub 上的發佈版本不包含專有元件，例如系統字型和藍牙堆疊，因此無法以目前的形式進行編譯。」此舉被視為 Google 的一個正面舉措，歸因於內部的努力，並被認為是重振 Pebble 智慧手錶生態系統的一步。

運行 DeepSeek R1 Dynamic 1.58-bit

DeepSeek R1 Dynamic 1.58-bit 在使用雙 H100 的情況下實現了 80% 的尺寸縮減，並以每秒 140 個 token 的速度運行，但其速度緩慢和重複問題對其實用性提出了質疑。動態量化有助於提升效能，但對於可及性、成本以及模型訓練成本的疑慮仍然存在，導致人們對其進行審視。「該模型對市場產生了顯著影響，目前正在努力複製其結果，儘管與更大型的模型相比，其性能仍存在爭議。」

「Xuan-Son Nguyen 為 llama.cpp 提交的拉取請求(PR)使用單指令多資料(SIMD)指令來提升 WebAssembly(WASM)的速度，並且 DeekSeek-R1 做出了重要貢獻。」此 PR 包含一個從 API 回應中建立的動態 model_map，消除了對硬編碼版本的需求，展示了外掛開發中的創新。「Simon Willison 的網誌也涵蓋了最近的主題，如開源專案、Anthropic 的 Citations API 和大型語言模型(LLM)專案，顯示出其對尖端技術討論的關注。」

DeepSeek R1 展示了人工智慧在程式編碼中的潛力，透過為 llama.cpp 撰寫 99% 的拉取請求(PR)，展現了人工智慧在軟體開發中日益增長的角色。「像 aider 這樣的工具現在負責生成 70-82% 的新代碼，這表明通過 AI 協助生產力有了顯著提升。」儘管有這些進步，人工智慧在複雜問題解決和與現有代碼庫整合方面仍然需要人類的監督，這表明行業中的工作動態和技能需求正在發生變化。

插圖版 DeepSeek-R1

DeepSeek-R1 是一款新發布的 AI 模型，強調通過結構化的三步訓練過程來增強推理能力：語言建模、監督微調(SFT)和偏好調整。該模型結合了長鏈推理數據、中間推理模型和大規模強化學習(RL)，在推理任務中表現出色，能夠生成思考標記。它採用了專家混合架構，使其能夠高效處理複雜的推理任務，標誌著 AI 模型設計的一個重大進展。

「由於其相較於 GPT 和 Gemini 等模型的性能和成本效益，DeepSeek-R1 正在引發討論，一些用戶指出其存在典型的大型語言模型(LLM)問題。該模型以其低計算需求和開源特性而著稱，可能會顛覆 AI 領域並使 AI 開發更為普及。由一家中國對沖基金開發的 DeepSeek-R1 引發了關於其訓練數據和地緣政治影響的疑問，儘管其編碼能力的評價不一。」

生產中的機器學習(CMU 課程)

「卡內基美隆大學在 2025 年春季提供一門名為“Machine Learning in Production/AI Engineering”的課程，專注於構建、部署和維護機器學習驅動的軟體產品。該課程強調負責任的 AI 實踐和 MLOps(機器學習運營)，涵蓋從原型到生產的整個生命週期。這門課程專為具備資料科學和基本程式設計技能的學生設計，包含講座、實驗室和小組專案，並在 GitHub 上提供資源。」

CMU 的生產環境機器學習課程介紹了實用工具，如 Kafka、Docker、Kubernetes 和 Jenkins，強調 MLOps(機器學習運營)、可解釋性、公平性和監控。它作為機器學習和生產系統之間的橋樑，儘管有些人認為它是入門級的，更專注於工具整合而非精通。對於某些工具的長期相關性以及課程對數據品質的有限重視提出了擔憂，但它被認為是計算機科學學生的一個新進入點。

Open-R1：DeepSeek-R1 的開放複製版本

Open-R1 是一項旨在複製 DeepSeek-R1 的計畫，這是一個類似於 OpenAI 的 o1 的推理模型，專注於透明性和開源合作。該專案旨在使用強化學習(RL)在無人監督的情況下重建目前未公開的 DeepSeek-R1 數據集和訓練流程。 Open-R1 鼓勵社群貢獻，以擴展模型在數學以外的應用，包括程式設計和醫學等領域。

Open-R1 是一項旨在使用開源原則重建 DeepSeek-R1 模型的計畫，儘管它尚未成為一個實際的模型。討論強調了在有限預算下重現 AI 模型的挑戰和潛在好處，以及 AI 對教育的影響和更廣泛的社會意義。這段對話也突顯了對技術進步的興奮，以及開源運動在使人工智慧更易於被更廣泛的受眾接觸中所扮演的角色。

「Rebble 的未來」

討論中強調了對 Pebble 智慧手錶的懷舊情感，這些手錶因其類似電子墨水的螢幕和長效電池壽命而受到讚賞，並質疑為何類似技術未被更廣泛採用。「Rebble 是一個由社群驅動的專案，對於其可能推出的新硬體以及相關智慧手錶專案的開源特性引起了興趣。」提到了像 Watchy 和 PineTime 這樣的替代品，用戶指出在開源智慧手錶領域面臨的軟體挑戰。

阿爾法神話：圈養狼如何誤導了我們

「狼群中的『領頭狼』概念，最初基於圈養研究，但已被推翻；野生狼群的運作更像是家庭單位，而非階層結構。」儘管已被揭穿，「阿爾法」的概念仍然持續存在，這是因為它在競爭激烈的環境中具有吸引力，例如矽谷，以及它與某些社會和心理需求的共鳴。對「阿爾法」神話的持續信仰強調了敘事如何影響我們對社會動態的認知，即使這些敘事是基於錯誤的假設。

Go 1.24 的 go 工具是多年來生態系統中最好的新增功能之一

Go 1.24 引入了一個新的 go tool 指令和 go.mod 中的 tool 指令，增強了 Go 生態系統中專案工具的管理。「此更新解決了 tools.go 模式的問題，例如效能影響和依賴樹膨脹，透過允許更有效的工具管理並減少不必要的依賴項。」雖然 go tool 指令透過快取 go run 的調用來提升效能，但對於工具相依性被視為間接相依的問題仍然存在，這可能導致相依性衝突。

「Go 1.24 中引入的 'go tool' 引發了關於其對依賴管理影響的討論，人們擔心合併工具和專案依賴可能會導致衝突。」批評者提出了替代方案，例如使用單獨的模組檔案或使用像 Nix 這樣的工具來改進版本控制。「支持 Go 語言方法的人認為，這種方法提供了簡單性和有效性，反映了在程式語言中依賴管理的更廣泛挑戰。」

「我信任了一個大型語言模型，現在我已經在這個下午的專案上進行到第 4 天了。」

作者開始了一個名為 Deskthang 的專案，打算使用 Raspberry Pi Pico、LCD 顯示器和 RGB LED 創建一個桌面裝置，同時測試 AI 的能力。像 ChatGPT 和 Claude 這樣的 AI 工具最初提供了協助，但最終導致了一個有缺陷的實作，造成了緩衝區衝突和資料損毀等問題。關鍵的學習經驗包括將 AI 視為工具而非副駕駛、理解摩擦和錯誤在學習中的價值，以及耐心的重要性勝過過度自信。

「大型語言模型(LLMs)對於簡單任務可能有益，但如果在沒有適當監督的情況下依賴其解決複雜問題，可能會延長專案時程。」他們在綜合資訊方面很有效，但可能在專門領域或新知識上遇到困難，這需要使用者具備扎實的基礎和經驗。使用者必須透過提供明確的提示並批判性地審查輸出結果，以有效地發揮大型語言模型的全部潛力。

Nvidia 市值蒸發近 6000 億美元

Nvidia 的市值遭遇歷史性損失，接近 6000 億美元，股價因來自中國 AI 實驗室 DeepSeek 的競爭擔憂而下跌 17%。拋售潮影響了美國更廣泛的科技產業，導致像戴爾和甲骨文這樣的公司股價下跌，並促使納斯達克指數下跌3.1%。 DeepSeek 的新 AI 模型使用 Nvidia 的 H800 晶片開發，這加劇了競爭的擔憂，影響了 Nvidia 的股票，儘管之前有所增長，並使執行長黃仁勳的淨資產減少了 210 億美元。

Nvidia 的市值經歷了近 6000 億美元的顯著下跌，這引發了關於該公司估值及其是否被高估的辯論。儘管市場反應，Nvidia 的 GPU 仍然在與 AI 相關的任務中扮演著關鍵角色，強調了它們在科技產業中的重要性。媒體在不考慮通膨的情況下專注於大額財務損失可能會產生誤導，但即使在大型企業中，Nvidia 的下滑仍然值得注意。

Janus Pro 1B 在 WebGPU 上 100% 本地運行於瀏覽器中

Janus Pro 1B 是一款在瀏覽器中使用 WebGPU 本地運行的模型，展示了在瀏覽器環境中執行 AI 模型的能力。儘管其參數數量較少，限制了其功能，但該模型可以在低端 GPU 上運行，突顯了其可及性。雖然圖像生成結果不穩定，但能夠在瀏覽器中本地運行此類模型是一項重要的技術進步，儘管目前尚不支援行動裝置。

「柏克萊研究人員僅花費 30 美元複製 DeepSeek R1 的核心技術：一個小改造」

「柏克萊的研究人員成功地以僅 30 美元的成本複製了 DeepSeek R1 的核心技術，專注於如玩 Countdown 遊戲等特定任務。」這項創新涉及使用強化學習，一種機器學習方法，代理通過與環境互動來學習，以增強推理模型，儘管其應用僅限於具有可驗證解決方案的領域。討論強調了人工智慧自我改進的潛力及其對未來人工智慧發展的影響，儘管文章的標題具有誤導性且缺乏適當的來源連結而受到批評。