最新

大家好，我编写了这个工具，用于检查 Linux 进程间的信号。

两周前，我在希腊科孚岛度蜜月。在旅途中，我指导了一位 GSoC 实习生，他为我的数组数据库库 Xarray-SQL 提交了一个重要功能。他添加了 `to_dataset()`，这完成了在将数组数据视为表格模型和网格栅格模型之间的双向转换（该项目的基本原理是，任何 N 维数组都可以映射到 2D，其中 N 维数组的正交维度只是表格表示的主键）。在聊天中，我们讨论了，既然这个功能已经存在，我们可以做哪些演示来证明这个数据模型是有效的？ 在热浪期间，我在温暖的海滩上度过了闲暇时光，凉爽的海水给我带来了新的想法。我想到：如果我们利用 Coiled 的地理空间基准讨论来全面概述地理和气候查询呢？所有这些常见的操作是否都暗藏着关系型数据库的本质，只是使用了错误的数据模型？我在海滩上使用 Claude Code，可以确认情况似乎如此：Claude 和我发布了一个基准测试，说明了地理和气候科学中（在 100 TB 范围内）的每一个常见操作实际上都是暗藏的关系型操作：https://github.com/xqlsystems/xarray-sql/blob/main/docs/geospatial.md。 最令人惊讶的是，从这些例子中可以看出，一个核心操作——重网格化（regridding）——仅仅是一个稀疏矩阵-向量乘积。Claude 曾向我指出，在这个数据模型中，矩阵乘法（matmul）只是一个 `SUM(val * val) ... JOIN .. GROUP BY`。这与 einsum 表示法有直接的对应关系，但可以用（可以说是）优雅的 SQL 语法来表达！这个能力似乎超出了其组成部分的总和。 回到爱奥尼亚海凉爽的海水中，我更深入地思考了这一点。我反思道，所有 Coiled 基准测试，归根结底，只是对数值/数组代码中发生的模拟进行后处理。如果我们能在 SQL 中进行矩阵乘法，为什么不能将这些物理计算也推入数据库呢？然后我想到：也许可以，如果 SQL 除了线性代数之外，还能进行微积分！https://bsky.app/profile/al.merose.com/post/3mpbods7wts2y 之后，我基于 JAX 的实现，在 DataFusion 的访问者模式（visitor pattern）之上实现了自动微分（autograd）。在我简化的数组模型中，事实证明我们只关心雅可比矩阵（Jacobian）对角线上的偏导数，这意味着 `grad()`、`jvp` 和 `vjp` 都只是逐行操作！然后我实现了一个来自 coiled 基准测试的常见物理计算，该计算需要梯度。从这里，我意识到如果我能在数据库中进行自动微分，为什么我不能创建一个神经网络？ 回国后，我制作了一些幻灯片，并在 DataFusion 的首次展示会上介绍了这项工作：https://www.youtube.com/watch?t=1511&v=5o-4hL8vGPw&feature=youtu.be。我意识到，在这种综合中，SQL 不一定是一个用于编写神经网络的玩具语言，事实上，由于关系型数据库的基本原理——逻辑层应独立于物理层——它在未来可能非常有吸引力。如果这个属性成立，并且神经网络是一系列关系，我们能否更容易地创建一个 SOTA 分布式系统来进行训练？例如，如果我们有一个全局的、统一的数据流逻辑计划，我们能否更好地在 1000 多个 GPU 上分配工作？ 我和几位科学家及工程师正在 xql.systems 探索这个奇特的“关系型数组”世界（如果您想参与，可以在底部找到 Discord 链接）。

面向智能体工程的 MCP 驱动控制平面。计划在 Claude Desktop 中进行，在 Codex 中实现，并在自定义的分类智能体中进行审查。所有操作均通过 MCP 完成，所有决策均被记录和跟踪，并附有完整的文档。

我开发了 Rekody，一款适用于 macOS 的语音听写工具。市面上有很多类似的工具，但这是我自己的作品。默认情况下，转录在设备上运行，并且它是免费开源的。 它有一个命令行版本和一个 Mac 应用。接下来将支持 Windows。如果您开始使用它，我非常期待您的反馈。

设想一下，如果操作系统、浏览器或数据库都只在封闭的系统内发展，我们今天就不会拥有我们所熟知的互联网。 人工智能需要世界一流的、优秀的科技开放替代方案。 为此，我们一直在忙于构建 Mindshub。一个高质量的、开源的 AI 同事，你可以真正地将其打造成你自己的。我们知道，“够用就好”不是一个选项。你可以在以下链接中查看： https://github.com/mindsdb/mindshub 检查它。修改它。扩展它。分叉它。让它成为你独一无二的。如果你愿意，可以叫它 Claudio :) 选择任何模型，无论是开源还是专有模型。选择并定制适合你工作流程的开源代理。连接你自己的工具。将你的数据保存在你想要的地方。 我们非常期待你的反馈。