最新

我们已经收录了超过 500 万 GitHub 用户，并建立了一个超越关注者数量的排名系统。 这个想法源于一个令人沮丧的现实：GitHub 在发现人才方面做得太差了。你无法回答“谁是柏林最好的 Python 开发者？”或者“谁在 Transformer 模型爆火之前就发现了它们？”这样的问题，除非你自己去抓取所有数据。所以，我们做了。 我们构建了什么： * CodeRank 分数 - 一个综合的声誉信号，涵盖贡献、代码库影响力以及社区影响力 * Tastemaker 分数 - 你是否点赞了那些当时只有 50 个星标，现在却有 5 万个星标的代码库？我们追踪了这一点 * 比较构建器 - 允许用户构建比较图表，以比较开发者、代码库、组织等 * 可分享的个人资料图表 - 分享你的分数，并在你的同事或整个社区面前炫耀 我们发现的一些有趣的事情： * 关注者最多 ≠ 影响力最大。关注者数量和 Tastemaker 分数之间的相关性出人意料地弱。有一整批开发者，他们总能在项目开始流行之前的几周甚至几个月就发现它们，但几乎没有任何公开的关注者。 * GitHub 上的位置数据简直是一场灾难。我们花了大量时间进行标准化，但仍然远未完美。 试试看：[https://coderank.me/](https://coderank.me/) 如果你的个人资料没有分数，登录将触发你的帐户评分。 很好奇 Hacker News 社区对排名方法的看法，很乐意深入探讨任何细节。

我过去在写代码的时候，总是努力寻求专注和集中。虽然进入这种心流状态并不总是那么容易，但我知道这是可以实现的。 现在我经常使用“智能体编程”。蜜月期已经结束，我开始不喜欢它的一些方面。我认为主要的问题在于节奏。 编写一些规范/提示，启动智能体，确认一些非常原子的操作，然后等待10到30秒直到下一个问题/确认。这些非常短的等待时间让我无法进入专注状态。 我感觉我只是在代码的表面徘徊，不像以前那样深入其中。 你也有同样的感觉吗？你找到改变这种状况的方法了吗？

AiNET Factory 创始人 Deepak Jain 将在 NVIDIA GTC 2026 大会上主持两场会议，探讨大规模 AI 工厂的经济性和部署。 加州圣何塞 — 2026 年 3 月 12 日 — AiNET Factory 创始人 Deepak Jain 将在 NVIDIA GTC 2026 大会上主持两场会议，GTC 是由 NVIDIA 组织的全球 AI 大会。 在 GTC 2026 上，Jain 将主持关于当今人工智能面临的最紧迫挑战之一的讨论：为下一代 AI 系统和 AI 工厂提供动力的基础设施。 随着企业部署越来越大的 AI 模型和 AI 原生应用程序，对 AI 基础设施和 GPU 算力的全球需求急剧加速。 据 NVIDIA 称，GTC 是“首屈一指的全球 AI 大会，开发者、研究人员和商业领袖齐聚一堂，共同探索下一波 AI 创新浪潮”。 大会将于 2026 年 3 月 16 日至 19 日在加州圣何塞举行，将举办 1,000 多场会议，探讨加速计算、AI 工厂、模型、基础设施和应用。 Jain 的会议将探讨资本、能源、GPU 基础设施和长期需求如何塑造新兴的 AI 基础设施生态系统。 AiNET Factory 创始人 Deepak Jain 表示：“AI 工厂正迅速成为 AI 经济背后的物理基础设施。下一波 AI 创新浪潮不仅取决于更好的模型，还取决于运行它们所需的大规模 AI 计算基础设施——电力、GPU 和平台。” AI 工厂结合了数据中心基础设施、能源系统、GPU 集群和 AI 软件平台，为快速扩张的全球 AI 经济提供动力。 **会议 1** **AI 算力危机：为什么 GPU 都在等待基础设施** 2026 年 3 月 17 日，星期二 太平洋时间下午 1:00 本次会议探讨了 AI 行业中一个日益增长的悖论：虽然全球对 GPU 的需求持续激增，但 AI 就绪的基础设施正成为扩展 AI 系统的限制因素。 讨论主题包括： * 主要 AI 市场的电力限制 * 供电时间与 GPU 部署时间对比 * 改造现有数据中心以适应 AI 工作负载 * 下一波 AI 计算算力将从何而来 本次会议专为以下人群设计： * AI 创始人 * 基础设施投资者 * GPU 云公司 * 构建 AI 平台的企业 **会议 2** **构建 AI 工厂：让我们谈谈资本、电力、GPU 和回报** 2026 年 3 月 17 日，星期二 太平洋时间下午 2:00 AI 工厂结合了数据中心、能源基础设施和技术平台的元素。 在本次会议上，Jain 将主持关于大规模 AI 基础设施项目经济性的讨论，以及投资者和合作伙伴如何参与下一代 AI 算力。 讨论主题包括： * AI 计算作为基础设施 * 对 GPU 算力的长期需求 * 大型 GPU 集群的融资模式 * AI 工厂、数据中心和能源项目的比较 本次讨论特别适用于： * 私募股权公司 * 风险投资公司 * 基础设施基金 * AI 平台公司 * 战略性企业投资者 **关于 AiNET Factory** AiNET Factory 专注于开发旨在支持下一代 GPU 驱动的 AI 平台和 AI 原生应用程序的 AI 基础设施。 这些设施构成了全球 AI 计算基础设施的骨干，使组织能够训练和部署大规模 AI 模型。 Deepak Jain 是 AiNET Factory 的创始人，该公司专注于开发大规模 AI 基础设施和 AI 工厂平台。 AiNET Factory 开发的 AI 工厂旨在为大规模 AI 平台提供电力、冷却和 GPU 基础设施。 www.ainetfactory.com

我在 Windows 上开发 Blazor Server 应用，但将其部署到 Linux 服务器上（主要是出于成本考虑）。 很多时候，一切在本地运行良好，但在 Linux 上却失败。 很多情况下，这都是因为像区分大小写的路径或文件系统差异之类的问题。 我很好奇其他人是如何处理这种工作流程的。 你们也是在 Windows 上开发，然后部署到 Linux 吗？ 你们遇到了哪些问题？

我正在开发一个专为自主 AI 智能体设计的专用内存平台。 目前，智能体的内存受困于两个平庸的选择：RAG（丢失关系拓扑结构）和图数据库（需要大量的指针追踪，并在繁重的递归推理下性能下降）。 我正在使用向量符号架构（超维计算）构建一个替代方案。通过将事实、序列和树以数学方式绑定到固定大小的高维向量（D=16,384），我们可以将复杂的图遍历压缩成 O(1) 常数时间 SIMD 操作……并以低成本完成一些类似大脑的功能，也就是说，无需 GPU 和 LLM。 该设计正在稳步成熟，并严格分为两部分以尊重机械亲和性： * **数据平面 (Zig)**：纯粹的裸机数学运算。通过 io\_uring 进行 2GB 内存映射 NVMe 瓦片。事实被叠加到无锁的 8 位累加器中，严格对齐到 64 字节的缓存行。查询通过 AVX-512 popcount 指令执行，以线速计算汉明距离。零垃圾回收。 * **控制平面 (Gleam)**：处理并发、路由和用于外部通信的 Linda 风格的元组空间。它管理智能体的“清理”循环和自动分块，且从不阻塞数据平面。 * **桥接器**：一个严格的 C-ABI / NIF 边界，将指针从 BEAM 调度器直接传递到 Zig 引擎。 这里没有花哨的炒作，我也不会对通用人工智能 (AGI) 做出夸张的声明。我拥有大部分规范、内存布局不变性和架构设计。正在开始编码，并取得了良好的进展。 我正在寻找一位热爱底层系统（Zig/Rust/C）或高并发运行时（Erlang）的人来帮助我构建这个平台。这是我的第二个 AI 平台；第一个平台运行良好且正在增长。 如果您有兴趣通过裸机系统工程来解决 LLM 上下文瓶颈问题，我很乐意与您交流：请通过 acowed@pm.me 给我发邮件。 谢谢， 肯德尔

快速分享一下这个概览。为了构建一个类似操作系统神经系统的东西，而不是典型的AI网络堆栈，我们做出了一个架构选择：将语音、界面和系统状态作为独立的、通过共享网格协调的服务——这构成了PearlOS的“骨架”。