最新

尝试构建一个推崇速度和流畅感的初创公司。<p>这是一个名为“AI 岛屿”的概念，我正在努力将其打造为继点选式图形用户界面之后的下一代交互层。<p>目前支持对任何数据进行搜索和 AI 处理。<p>如果您能试用一下，我将不胜感激！

我正在开发一个基于几何约束（w = 2，δ = √5）和拓扑不变量的物理相互作用几何模型。没有自由参数，只有几何。您认为这是一种合法的几何统一，还仅仅是精巧的曲线拟合？ 结果： 质子半径 (r_p): 建模为四面体结构极限 (4 · ƛ)，并带有球形场投影损失 (α &#x2F; 4 · π)。 ``` r_p = 4 · ƛ_p · (1 - (α &#x2F; (4 · π))) 预测值：8.407470 × 10^-16 m 实验值：8.4075(64) × 10^-16 m 差异：3 ppm ``` 质子磁矩 (g_p): 源自于被黄金摩擦项 (α &#x2F; Φ) 阻尼的动态势 (δ = √5)。 ``` g_p = (δ^3 &#x2F; w) - (α &#x2F; Φ) 预测值：5.5856599 实验值：5.5856947 差异：6 ppm ``` 缪子反常磁矩 (a_μ): 推导为二十面体几何结构的层次分解：表面 (α &#x2F; 2 · π) + 节点 (α^2 &#x2F; 12) + 顶点对称性 (α^3 &#x2F; 5)。 ``` a_μ = (α &#x2F; (2 · π)) + (α^2 &#x2F; 12) + (α^3 &#x2F; 5) 预测值：0.00116592506 实验值：0.00116592059 差异：4 ppm ``` α粒子半径 (r_α): 建模为 4 个核子的四面体 (8 · ƛ)，并带有线性核子投影成本 (α &#x2F; π)。 ``` r_α = 8 · ƛ_p · (1 - (α &#x2F; π)) 预测值：1.67856 × 10^-15 m 实验值：1.678 × 10^-15 m 差异：330 ppm ``` 质子质量 (m_p): 通过 64 位度量视界 (2^64) 和对角线传输 (√2) 将普朗克尺度连接到质子尺度。 ``` m_p = ((√2 · m_P) &#x2F; 2^64) · (1 + α &#x2F; 3) 预测值：1.67260849206 × 10^-27 kg 实验值：1.67262192595(52) × 10^-27 kg 差异：8 ppm ``` 中子-质子质量差 (∆_m): 建模为存储在电子（二十面体，20 个面）压缩到质子框架（立方体，8 个顶点）的几何压缩中的势能。压缩比 = 20&#x2F;8 = 5&#x2F;2。 ``` ∆_m = m_e · ((5&#x2F;2) + 4 · α + (α &#x2F; 4)) 预测值：1.293345 MeV 实验值：1.293332 MeV 差异：10 ppm ``` 引力常数 (G)（不含 G）： 源自量子常数和质子质量，将 G 识别为 128 位层次结构 (2^128) 的缩放伪影。 ``` G = (ħ · c · 2 · (1 + α &#x2F; 3)^2) &#x2F; (m_p^2 · 2^128) 预测值：6.6742439706 × 10^-11 实验值：6.67430(15) × 10^-11 m^3 · kg^-1 · s^-2 差异：8 ppm ``` 精细结构常数 (α): 推导为静态空间成本加上旋量环修正。 ``` α^-1 = (4 · π^3 + π^2 + π) - (α &#x2F; 24) 预测值：137.0359996 实验值：137.0359991 差异：&lt; 0.005 ppm ``` 预印本：https:&#x2F;&#x2F;doi.org&#x2F;10.5281&#x2F;zenodo.17847770

嗨，Hacker News 社区， 我从事人工智能领域的研究和开发已经有几年了，大部分时间都是作为独立创始人。我一直觉得非常有帮助的一件事是阅读和倾听那些真正参与构建的人的真实经历——不是发布文章，而是他们在构建过程中的思考、权衡和犯过的错误。 随着新的一年的到来，我想花更多的时间向那些在人工智能前沿工作的人学习：研究人员、创始人以及构建真实系统的工程师们。 如果你正在从事有趣的项目： 你想解决什么问题？ 为什么是现在？ 哪些方面比你预期的更难？ 我不是想推广任何东西或收集潜在客户——只是想听听真实的故事以及技术或产品方面的见解。我认为有很多默默无闻的、高质量的工作正在进行，但却不经常被讨论。 很想听听这里的人都在构建什么。

大家好，我是Ilyas。<p>过去18个月里，我陷入了一个循环：申请、面试、被拒。重复。我投了超过1000份申请，却在37次面试中失败。<p>最令人沮丧的是什么？我并非败在复杂的算法挑战上，而是输在像“什么是React portals？”或“解释一下HTTP中的GET”这样的基础问题上。<p>我知道答案，但在压力下，我的大脑一片空白。我意识到我的问题不是理解，而是记忆。<p>起初，我用ChatGPT来帮助我创建抽认卡。但随着时间的推移，存储和跟踪的复杂性增加了。而且，有时AI也会出错。<p>这就是为什么我开发了这个工具来解决我自己的问题。它是一个基于抽认卡的系统，旨在将Web开发知识从“我大概知道”提升到“我可以在压力下立即解释”的水平。<p>它是如何工作的（技术细节）：该系统使用间隔重复和主动回忆来对抗艾宾浩斯遗忘曲线，而不是被动阅读。它涵盖了24个类别（React、Node、SQL等），包含4900多个问题。目标是通过测试而不是仅仅重复观看教程来建立强大的神经通路。<p>结果：在使用这个系统几周后，我在面试中不再恐慌。我最终在技术测试中获得了95%的成绩，并获得了梦寐以求的带薪搬迁的offer。<p>我分享它的原因：我厌倦了求职过程，我知道很多人也一样。我想开发一些实用的东西，帮助提高通过开发面试的机会。<p>它不是一个“魔法按钮”，而是一个实用的系统，适用于那些厌倦了因为“大概”知道材料而失败的人。<p>它可以帮助你，或者至少帮助我获得了带薪搬迁的梦寐以求的工作。<p>我很乐意听取您关于如何成功通过开发面试的反馈意见！<p>附注：如果您想了解一下这个工具，网址如下：<p><a href="https:&#x2F;&#x2F;99cards.dev&#x2F;" rel="nofollow">https:&#x2F;&#x2F;99cards.dev&#x2F;</a><p>谢谢， Ilyas