6 月 28 日 · 今日精选

7 条 · 来源 RSS / X

今天的关键词是「事件分析、工具评测、观点解读」——涵盖HN、X-following等方向的最新动态。

01 Show HN: Adrafinil – keep a lid-closed Mac awake only while agents work

RSS Hacker News · 工具评测

Adrafinil 是一款 macOS 菜单栏应用，仅在 AI 编程代理（如 Claude Code、Codex、Cursor 等）活跃工作时阻止 Mac 进入休眠状态，支持合盖运行时保持唤醒，代理任务完成后自动恢复休眠。该工具通过三层权限分离架构实现，仅 root helper 拥有调用 setSleepBlocked 的权限，其余逻辑均运行在无特权状态。它还提供温度过高自动释放、空闲超时检测等安全保护，并支持 MCP 协议供代理手动控制唤醒时长。

02 @pentagoniac @prateekiiest @iitbombay @FerrettiAgata I won't be in Seoul, but I'll be in Paris for RAISE. A bunch of fol

X · 事件分析

Yann LeCun 在推文中回应了关于行程的询问,表示自己不会前往首尔,而是参加在巴黎举办的 RAISE 会议。他同时提到 Meta AMI Labs 的多名成员将出席首尔的相关活动。这条推文反映了 LeCun 近期的公开活动安排,以及 AMI Labs 团队在国际 AI 会议中的广泛参与。

03 @jaosinhiding @elonmusk The EU spends about $85B a year in foreign aid. The US spent about the same amount in 2024. In 2

X · 事件分析

该推文引用了 Yann LeCun（AI 学者）在 X 平台上发布的数据对比，指出欧盟每年对外援助开支约 850 亿美元，美国 2024 年支出与之相当，但 2025 年被特朗普削减至 290 亿美元。这条推文值得关注，因为它以简洁的数字对比揭示了特朗普政府对美国外援政策的重大调整及其与欧盟立场的分歧。

04 @WallpaperKeith @elonmusk You are an ignorant idiot.

X · 事件分析

该条目记录了知名AI学者Yann LeCun在社交媒体上回复@WallpaperKeith和@elonmusk时，以激烈言辞直接批评对方为“无知的傻瓜”。作为机器学习领域的重要人物，LeCun如此直白的公开攻击性表达较为罕见，反映了围绕Elon Musk相关话题在技术社区内引发的尖锐对立与情绪化讨论。该事件折射出AI领域公共讨论中理性对话空间的萎缩。

05 @signalnoisepub @elonmusk Why don't you write a rebuttal and submit it to the Lancet?

X · 观点解读

Turing Award 得主 Yann LeCun 在推文中建议账号 @signalnoisepub 将反驳文章提交至顶级医学期刊《柳叶刀》(The Lancet)。LeCun 此前引用《柳叶刀》研究指出 USAID 预算削减可能导致数百万额外死亡，并以此质疑 Elon Musk 否认该研究结论的言论。该推文值得关注，因为它展示了学术领袖如何以同行评议的学术渠道来回应公众讨论中的科学争议。

06 @Dr_da_Vinci @elonmusk They do. The EU is spending about $85B in foreign aid. The US was spending about the same until

X · 事件分析

Meta首席AI科学家Yann LeCun在推文中参与了关于欧美外援支出的讨论，指出欧盟每年在外援上花费约850亿美元，而美国此前也有相近投入，但2025年被特朗普削减至290亿美元。该条目提供了欧美外援政策对比的具体数据，值得注意的是LeCun作为科技界领军人物跨界参与政治经济议题讨论。该条推文中与同批次中entry 2（id: 2）高度相似，属同一话题下的重复内容

07 Moving bits to and from memory. Because of parasitic capacitance+resistance of the wires. The bigger the memory, the lon

X · 教程

Yann LeCun 这条推文从硬件底层角度解释了内存层次结构存在的原因：导线寄生电容和电阻使数据传输延迟随存储容量增大而加剧，因此需要将内存分层设计——从寄存器、片上 SRAM、各级缓存到外部 RAM。其根本目的是复用有限的乘加运算单元（硬件多路复用），这是理解 AI 计算效率与硬件架构关系的重要背景知识。