寻行业之脉
接真实之需

Norton Commander 发展史

回顾 DOS 时代经典文件管理器 Norton Commander 的起源与演进，从 John Socha 1984 年开发的 VDOS 到成为东欧事实上的 DOS 标准界面，并衍生出跨平台的正统文件管理器（OFM）家族。

AI设计病毒：斯坦福研究者的初步探索

斯坦福博士生Samuel King用生成式AI模型提出微型病毒的遗传蓝图，这是AI设计生命形式的初步尝试，虽非完整人造生命，但指向AI生成生命的可能性，值得关注其生物安全与伦理影响。

1982年论文预判AI编程未来

这是1982年Wasserman与Gutz关于编程未来的经典论文，回顾了早期对AI辅助软件开发、程序自动化的设想。值得关注是因为它提供了理解当今AI编程工具演进的历史视角，可对照当年预测与LLM代码生成现状。

The First Candid

用PyTorch实现0/1背包问题

介绍如何用PyTorch张量运算与自动微分求解经典0/1背包问题，展示深度学习框架在组合优化上的通用性，为算法工程师提供跨领域工具复用思路。

Nine-Inch Snails

蒙特卡洛模拟方法

蒙特卡洛模拟是一类基于随机采样求解数值问题的基础方法，广泛用于概率估计、优化与物理仿真。它是长期有效的基础理论，值得作为工程与科研中的通用工具参考。

Tesla Roadster

My old job feels distant now

Google at APS 2024

Google 量子 AI 团队在 2024 年美国物理学会三月会议上展示其量子计算研究，包括 50 多场报告、展台活动，以及 QEC 可视化工具 Crumble 和容错算法资源估算库 Qualtran 等开源项目。

MELON: Reconstructing 3D objects from images with unknown poses

Google Research 提出 MELON，一种无需相机位姿估计、预训练或复杂训练流程的 NeRF 方法，可从 4-6 张无位姿图像中同时推断物体中心相机位姿并重建 3D 物体，解决了位姿与重建互为前提的"鸡生蛋"难题及伪对称导致的局部最优问题。

Sliced Wasserstein Sketches with Error Certificates

该论文研究一维概率测度在二次 Wasserstein 距离下的最优自由权重 M 原子量化，并通过切片扩展到高维，用 L 个共享投影得到 O(LM) 比较时间的草图。核心贡献是将平方距离误差精确分解为残差与划分失配项，给出可计算误差证书；最优草图在有限矩条件下达到 O(M^{-1}) 误差。实验显示其大幅降低存储并保持分类性能，可作为紧凑池化层端到端学习。

Vertical Sliced Wasserstein Distances for Meta-Measures

论文提出垂直切片 Wasserstein 距离（VSW），用于比较观测本身即为概率测度的元测度（P(P(Ω))）。它用连续测试函数投影内层测度，再用一维 Wasserstein 距离比较，避免高维最优传输的高昂开销，并证明其为有效度量、可度量弱收敛且具维度无关的统计收敛性，还给出粒子梯度用于元测度的梯度传输。

Learning Topology-Aware Representations for Mechanics-Relevant TPMS Metamaterials

该论文提出拓扑感知表示学习框架，将持续同调融入DMAE骨干网络，显式编码TPMS机械超材料的全局结构连通性。通过持续引导掩码和辅助同调解码器，在家族分类、力学性能分类、无监督聚类和回归任务上均取得提升，聚类性能最高提升51.5%，为复杂三维力学超材料的表示学习提供了有效的拓扑归纳偏置。

Causal Syntax Circuits in CodeLMs: Budget and Probe Decide What Looks Localised

Spectral Indistinguishability and Learning-Curve Identifiability in Quadratic Networks

该论文研究中心化二次网络的谱摘要与标量学习曲线可辨识性，构造了具有相同高斯边缘分布和谱测度的输入密度，证明其损失曲线仍可区分，并给出样本复杂度与可辨识性条件。属理论性成果，为理解神经网络训练动力学与可辨识性提供数学基础。

Feature Elicitation for SAE Steering of Deceptive Behaviour in Small LLMs

SHIP: Structured and Hierarchical Insight with Privacy

SHIP 提出将差分隐私洞察形式化为可复用的分析查询表示，通过自动映射查询属性、构建分层混合分类体系并发布 DP 合成表，解决隐私保护下洞察效用难以评估比较的问题。实验显示其在问答性能与结构保真度上优于现有基线，为隐私数据分析提供统一评估基准。