最新

我们正在基于 Go 构建一个开源语言层，专为 COBOL 风格的工作负载设计： * 原生十进制运算（COBOL 精度） * 记录结构和 copybook 兼容性 * 批处理作业和事务编排作为一级结构 * 顺序/索引文件 I/O 内置于运行时 * 通过 Go 编译以实现速度、并发性和云部署能力 可以把它想象成 COBOL 的 Kotlin，或者对大型机工程师来说很熟悉的“Go 上的 COBOL”，对现代开发者来说功能强大。 目前测试结果： * NIST COBOL-85 验证：总分 77.61%（305/393 个测试） * NC（核心 COBOL）：97.89%（93/95） * SM（语句）：100%（13/13） * RL（相对 I/O）：100%（26/26） * IF（内部函数）：100%（45/45） * IC（CALL）：96%（24/25） * 合规性测试：100% 通过 * 验收测试：100% 通过

这是一个重要的问题，需要我们对技术发展保持前瞻性思考，并关注科技界内外法律与治理的走向。我个人认为，我们正明显地走向一个不可避免的“政府”，即大型科技公司与政府本身的融合。 新罕布什尔州就业保障局（NHES）推出了“AI裁决助手”来处理失业救济申请，旨在简化事实收集并加快福利发放流程。该系统通过对话界面与申请人互动，收集关于他们离职的详细信息。 最近的截图，见：https://imgur.com/a/34FtrCC，来自公开的实时门户网站（adjudication.assistant.nhuis.nh.gov），证实该系统“由Gemini提供支持”（由谷歌提供）。这代表了将商业、面向公众的大型语言模型（LLM）直接整合到核心州级政府行政职能中的首批案例之一（据我所知）。 虽然其既定目标是提高效率，但这种实施具有重要的技术和治理影响： ``` 核心逻辑外包： ``` 州政府不再仅仅将云提供商用于基础设施（IaaS）或软件（SaaS），而是将裁决逻辑的一部分外包给了谷歌的第三方AI模型（MaaS - 模型即服务）。将公民的案件总结给人工审核员的初始过程，正在由Gemini中的一个商业、闭源系统处理。 ``` 数据主权和安全： ``` 该系统处理大量敏感的个人身份信息（PII）。现在，数据流扩展到州政府控制的服务器之外，延伸到谷歌的API端点。这引发了关于数据处理、包含PII的API调用保留策略，以及这些数据是否可用于训练未来模型等关键问题。攻击面从州政府运营的网站组件扩展到商业LLM的复杂安全环境。 ``` 问责制和“黑盒”： ``` NHES的常见问题解答确认，最终决定由人工裁决员做出。然而，这种人机结合的方式是基于AI生成的摘要。如果Gemini模型生成的有缺陷或有偏见的摘要导致福利被错误地拒绝，那么对于任何处于这种境地的人来说，问责链现在变得不明确，因为这仍处于早期阶段。 ``` 供应商锁定： ``` 通过围绕特定的专有模型构建工作流程，州政府创造了显著的依赖性。未来迁移到不同的模型提供商或“内部解决方案”（旧方法）将需要大量的技术工作和再培训，从而赋予供应商可观的长期影响力。 在新罕布什尔州测试的这个新系统，是大型科技公司与州政府直接融合的一个案例研究。它突出了在使用强大、预先存在的模型所带来的即时效率提升，与依赖性、安全性和公共问责制相关的长期风险之间的权衡。 [来源]: Route Fifty关于现代化推动的文章：https://www.route-fifty.com/artificial-intelligence/2025/03/new-hampshires-benefits-program-embraces-ai-amid-modernization-push/403448/

一个在线工具，让用户能够在模拟草坪上放置洒水器，并查看关于其覆盖范围、效率和未覆盖区域的统计数据。用户可以根据个性化场景设置不同尺寸的洒水器和布局。