一周热榜

本文正式定义了当前人工通用智能（AGI）所面临的结构性壁垒——而非技术性壁垒。 它表明，无论是扩展规模、强化学习，还是递归优化，都无法突破三个深层的认识论和形式约束： 1. 语义闭合——一个人工智能系统无法生成超出其内部框架所需意义的输出。 2. 框架创新的不可计算性——新的认知结构无法从现有结构内部计算得出。 3. 开放世界中的统计崩溃——在具有重尾不确定性的环境中，概率推理会崩溃。 这些并不是当今模型的局限性，而是算法认知本身固有的结构性边界——数学的、逻辑的、认识论的。 但这并不是对人工智能的否定。这是对必须面对的边界条件的清晰定义——并且，可能需要围绕其进行设计。 如果AGI在这道壁垒前失败，机会并不会结束——而是刚刚开始。 对于任何认真对待认知的人来说，这才是真正的前沿。 完整论文： [https://philpapers.org/rec/SCHTAB-13](https://philpapers.org/rec/SCHTAB-13) 欢迎批评、挑战或反驳。

支付是在线业务中的一个问题，尽管有不少投诉，Stripe迅速成为主要的支付系统。Marc Louvion发布ByeDispute后，我对Stripe未能覆盖这一问题感到好奇，因此深入研究了信用卡欺诈和Stripe的运作方式。 确实，Stripe Radar存在并覆盖了一些欺诈案例，但并不能涵盖所有情况，尽管有此功能，仍然有关于账户被标记的投诉，或者欺诈检测算法的修改导致所有进来的交易都被阻止，且没有任何停止的可能。此外，还有虚假注册、试用/退款循环、数据抓取或促销代码滥用等问题。 企业级工具显得过于复杂，而自助解决方案又消耗了开发时间。因此，我在想是否可以开发一个更通用的产品，能够检查每个用户的单次试用、检测一次性邮箱和数据抓取、进行行为机器人检查、预防促销/推荐滥用以及识别退款/退单模式……这可能会更有趣。在标记时，用户可以看到原因，并且解决方案可以随时停用。也许还可以建立一个社区，提供关于欺诈支付或争议的共同黑名单。此外，还可以提供一个仪表板来跟踪所有这些信息。 这样的产品会有帮助，还是只是增加噪音？我很好奇其他人是否也曾为此开发自己的系统。

嗨，HN， 我一直相信，优秀的产品是通过持续的用户反馈构建而成的。但当我尝试使用像 Canny 这样的工具时，遇到了两个主要问题： * 它们功能过于繁杂，我并不需要所有这些功能 * 每月 99 美元的费用对于小团队或独立开发者来说实在太贵了 因此，我决定构建一个更简单的工具。 这是一个一体化的反馈平台，帮助您收集、整理和处理用户反馈——没有复杂性和高成本。 它包括： * 反馈板（公开或私密） * 标签、类别和状态 * 路线图和变更日志 * 状态更新，以便与用户保持沟通 我为那些希望保持足够结构以专注于工作的团队而构建了这个工具，而不想被繁琐的流程所拖累。 期待您的反馈，也很乐意回答任何问题。