返回首页
最新
嘿，HN，
我一直在开发一个Python库和正式框架，以使代理型人工智能系统更不脆弱。
核心前提是，生物细胞本质上是分布式信息处理器，数十亿年前就解决了“幻觉”（噪声）、“无限循环”（癌症）和“资源耗尽”（缺血）等问题。我并不仅仅把这作为一个松散的隐喻，而是使用了应用范畴理论（具体来说是多项式函子）来严格地将基因调控网络映射到软件代理。
库中实现的关键概念：
* 代谢共代数：我们将令牌预算建模为热力学资源。这使得代理的“停机问题”可判定，通过强制资源状态严格递减（如ATP耗竭），防止失控循环。
* CFFLs（相干前馈循环）：一种用于“二键执行”的拓扑模式，数学上降低了幻觉的概率（假设模型多样性）。
* 伴侣蛋白：部分验证器将模式不匹配视为需要主动修复循环的错误，而不是“未定义”错误。
这是从“提示工程”向“拓扑工程”迈出的早期尝试。
论文（预印本）： [https://github.com/coredipper/operon/blob/main/article/main.pdf](https://github.com/coredipper/operon/blob/main/article/main.pdf)
我特别希望得到关于代谢共代数定义的反馈，以及是否有人之前尝试将Poly应用于生产AI系统。
这里是原帖内容的中文翻译：
我是发帖者。
大多数针对旅行商问题（TSP）的深度学习方法依赖于使用大规模数据集进行预训练。我想看看一个求解器是否能够在特定实例上“即时”学习，而不依赖于其他问题的先验知识。
我构建了一个使用PPO（比例优势策略优化）的求解器，它能够针对每个实例从零开始学习。在单个A100显卡上，它在大约5.6小时内在TSPLIB的d1291实例上达到了1.66%的差距。
核心思想：
我的假设是，尽管最优解主要由“最小边”（最近邻）组成，但实际的困难来自于少数“例外边”，这些边超出了局部范围。
我没有进行预训练，而是基于这些例外边的拓扑/几何结构设计了一种归纳偏置。代理根据微观/宏观结构获得关于哪些边可能有前景的指导，而PPO通过试错来填补空白。
看到强化学习在没有数据集的情况下达到这个水平是很有趣的。我已经开源了代码和一个Colab笔记本，供任何想验证结果或尝试“例外边”假设的人使用。
代码和Colab链接： [https://github.com/jivaprime/TSP_exception-edge](https://github.com/jivaprime/TSP_exception-edge)
欢迎随时询问关于几何先验或PPO实现的任何问题！
最近我遇到了一个问题，连续几天无法在 sms-activate 上充值余额。<p>这并不是一次偶发的故障——支付根本没有成功，而何时能解决这个问题也没有太多信息。对于依赖 SMS 验证服务进行测试、用户引导流程或质量保证的任何人来说，这种依赖失败是相当具有破坏性的。<p>这让我反思了一个我们常常低估的事情：那些“基础设施类”的第三方服务是多么脆弱，尤其是在它们被广泛使用但抽象程度较低的情况下。<p>在过去几个月里，我一直在开发一个名为 SMS-Act 的小型替代方案，最初只是为了降低我自己的运营风险。我的目标并不是在规模上竞争，而是专注于一些我个人关心的原则：
• 明确的范围：仅提供一次性、临时号码（不提供长期租赁）
• 透明的定价（如果验证失败，积分自动退款）
• 为开发者和测试人员提供更简单的用户体验，只需快速获取验证码
• 当出现问题时，减少“黑箱”行为<p>我并没有计划公开谈论这个项目，但最近的停机让我意识到，许多人可能面临同样的问题，并在默默寻找替代方案。<p>我很好奇：
• 你们是如何处理技术栈中的 SMS 验证依赖的？
• 你们是构建内部备用方案，还是在出现问题时直接更换服务提供商？
• 你在使用此类服务时遇到的最大痛点是什么？<p>如果有人感兴趣，我很乐意分享我在构建 SMS-Act 过程中的经验，或者讨论更好的方法来降低这类外部服务的风险。<p>（这里没有强硬推销——我更感兴趣的是其他人如何应对这个问题。）
简单轻便，无需安装，只需解压文件夹即可立即开始PING和测试代理！不必依赖那些可疑的在线检查工具，这些工具限制每次检查50个代理，或者提供夸大的检查结果，并可能使用您输入的代理进行检查。有了自己的测试工具，您无需担心这些问题。
我的联合创始人和我正在构建一个专为边缘机器人和具身系统设计的持久存储引擎。
我们要解决的核心问题是本地数据记录中的可靠性缺口。在我们与自主系统的经验中，最关键的传感器日志往往在机器人失去电源时丢失，因为这些数据仍然停留在操作系统的页面缓存中，等待被刷新。这通常迫使团队依赖昂贵的实时云流媒体，以确保数据安全。
我们构建的引擎通过完全绕过Linux内核缓存，直接将数据流式传输到NVMe，从而解决了这个问题。这种方法为边缘设备解锁了几个关键功能。
首先，它保证每一帧数据在捕获的瞬间就物理持久化到磁盘，写入延迟低于1微秒。其次，它通过防止内核用写缓冲区填满内存，显著增加了可用的RAM容量，使您能够在本地运行更大的模型。最后，它使您能够减少对云的依赖和带宽成本，因为您可以真正信任本地存储在突然断电的情况下依然能够存活。
我们制作了一段简短的视频，实时演示这一点，展示了在突然断电时标准记录器与我们引擎的并排比较。
这对于从事自主车辆、工业机器人或任何边缘应用的工程师来说，尤其有用，因为在崩溃前丢失最后几秒的数据会使调试变得不可能。
如果您遇到这些瓶颈，或者只是想测试我们的声明，请给我们发消息，我们将发送给您可以尝试的二进制文件。