最新

我负责起名和提供建议，剩下的由 LLM 完成。我鼓励 Claude Code 尽情发挥幽默感和讽刺意味。我发现 LLM 在幽默方面表现出色。

我构建这个项目，是为了试验 Ruby 代码在多大程度上可以容忍不确定性，直到它不再具有确定性。这个 gem 引入了可控的随机性，并且可以在运行时定义方法，从而使行为能够动态地产生，而不是预先完全设计好。 目前还处于早期阶段，并且是刻意探索性的，不适用于生产环境。有时候，它感觉像一个创作工具。而另一些时候，你感觉你是在允许你的代码做出你没有明确授权的决定。 我很好奇人们认为这条界限应该在哪里。

找不到支持 gpodder 或 Nextcloud (NextPod) 的 iOS 客户端，所以我自己开发了一个。虽然它是用 Flutter/Dart 构建的，但开发重点是 iOS 和生态系统功能，例如 WatchOS 支持、CarPlay、AirPlay 流媒体等。你可以在 Apple App Store (iOS/iPadOS/macOS) 上以几美元的价格下载它（TestFlight 也可用），或者从代码库自行编译（已在 iOS 和 Linux 上测试，应该也适用于其他平台）。 接下来将添加播客搜索功能，并考虑添加独立账户支持（将播客数据保存在本地，不需要 gpodder 同步）。 它还缺少哪些功能？你希望你的完美播客应用具备哪些功能？你希望你当前的播客应用 <i>不要</i> 做什么？ 更多市场相关细节请访问：<a href="https://asecretcompany.com/yourpods/" rel="nofollow">https://asecretcompany.com/yourpods/</a>

过去几个月，我一直在开发一个新的 Layer 1 区块链，旨在解决我所认为的该领域的基本难题：同时实现强大的隐私性、无限的可扩展性和后量子安全性。 结果就是 NERV：一个默认隐私、水平可扩展的区块链，它用 512 字节的神经状态嵌入取代了默克尔树，并在 Halo2 电路内部进行了验证，并在硬件 enclaves 中进行了证明。 关键技术创新： 神经状态嵌入 使用 Transformer 编码器将分片（shard）的整个状态压缩成一个 512 字节的向量，而不是使用默克尔树。 转移是在这个空间中的同态更新——不需要解压缩。 与 zkEVM 相比，这减少了约 900 倍的包含证明。 盲验证和 TEE 绑定隐私 交易通过一个 5 跳洋葱混合器路由，该混合器在远程证明的 enclaves（SGX/SEV/TrustZone）内运行。链上永远不会显示任何地址、金额或元数据。 动态神经分片 分片根据 LSTM 负载预测器自主地分裂和合并，该预测器通过联邦学习进行更新。 这允许超过 100 万的持续 TPS，没有理论上限。 AI 原生共识 验证者使用蒸馏的 Transformer 预测下一个嵌入哈希。 争议通过 TEE 中的蒙特卡罗模拟解决，实现亚秒级最终确定性。 有用功经济 节点通过贡献梯度来改进网络自身的编码器，从而赚取代币，通过差分隐私的联邦学习——用有用的计算取代 PoW/PoS。 为什么这可能对 HN 有趣： 该系统是完全开源的（MIT/Apache 2.0），所有代码、电路和测试都已公开。 没有预挖矿，没有 VC 分配，没有基金会金库。 计划于 2027 年 10 月进行公平启动。 从创世之初就使用后量子原语（Dilithium-3、ML-KEM、SPHINCS+）构建。 实施正式的隐私保证（包括 ProVerif 模型）。 核心 ZK 电路（LatentLedger）约为 790 万个约束——远小于等效的 zkEVM 证明。 当前状态： 大约 85-90% 的代码已完成，包括核心电路、TEE 证明管道、分片模拟和联邦学习激励。 测试网的目标是在 2026 年第四季度推出。 我在这里分享这些不是为了推广代币，而是为了征求社区的技术反馈、密码学审查和协作，以帮助实现从强大的原型到完全实现、实时、不断发展的私人货币的至关重要的飞跃。 如果您对 ZK、TEE、联邦学习或后量子密码学感兴趣，我很乐意听取您的想法。 链接： 白皮书：[https://github.com/nerv-bit/nerv/blob/main/NERV_Whitepaper_v1.01.pdf](https://github.com/nerv-bit/nerv/blob/main/NERV_Whitepaper_v1.01.pdf) GitHub 仓库：[https://github.com/nerv-bit/nerv](https://github.com/nerv-bit/nerv) 代码和测试：[https://github.com/nerv-bit/nerv/tree/main/NERVCodeV2](https://github.com/nerv-bit/nerv/tree/main/NERVCodeV2) 很乐意回答任何技术问题或讨论设计权衡。