最新

我们已经索引了超过500万的GitHub用户，并建立了一个超越关注者数量的排名系统。这个想法源于我们的挫败感：GitHub在发现优秀开发者方面非常糟糕。你无法回答“谁是柏林最优秀的Python开发者？”或“谁在变压器模型爆红之前就识别出了它们？”而不自己去抓取所有数据。因此，我们做了这件事。 我们构建的内容包括： - **CodeRank分数**：这是一个综合声誉信号，涵盖了贡献、仓库影响力和社区影响力。 - **Tastemaker分数**：你是否曾给那些现在有5万颗星的仓库点过50颗星？我们会追踪这一点。 - **比较构建器**：允许用户构建比较图形，以比较开发者、仓库、组织等。 - **可分享的个人资料图形**：分享你的分数，向同事或更广泛的社区展示你的成就。 我们发现的一些有趣的事情： - 关注者数量并不等于影响力。关注者数量与Tastemaker分数之间的相关性出乎意料地弱。有一整类开发者能够在项目趋势之前的几周或几个月内找到它们，而几乎没有公开的关注者。 - GitHub上的位置信息非常糟糕。我们花了大量时间进行规范化，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，登录后会触发对你账户的评分。 对HN社区对排名方法论的看法感到好奇，欢迎深入讨论任何相关内容。

我曾经在编写代码时寻求专注和集中。达到这种心流状态并不总是容易，但我知道这是可能的。 现在我经常使用代理编码。蜜月期快结束了，我开始对其中的一些方面感到不满。我认为最大的障碍是节奏。 编写一些规范/提示，启动代理，确认相对简单的操作，然后等待10到30秒才能进行下一个问题/确认。这些非常短暂的等待时间让我无法进入专注状态。 我感觉自己在代码上漂浮，无法像以前那样深入其中。 你有同样的感觉吗？你找到改变这种情况的方法了吗？

Deepak Jain，AiNET Factory的创始人及大规模AI基础设施平台的开发者，将在2026年NVIDIA GTC大会上主持两场会议。这两场会议将重点讨论大规模AI工厂的经济学和部署情况。 加利福尼亚州圣荷西 — 2026年3月12日 — AiNET Factory的创始人Deepak Jain将在由NVIDIA主办的全球AI大会NVIDIA GTC 2026上主持两场会议。 在GTC 2026上，Jain将引导讨论，聚焦于当今人工智能面临的一个最紧迫的挑战：支持下一代AI系统和AI工厂所需的基础设施。 随着企业部署越来越大规模的AI模型和AI原生应用，对AI基础设施和GPU能力的全球需求急剧增加。 根据NVIDIA的说法，GTC是“全球首屈一指的AI大会，开发者、研究人员和商业领袖齐聚一堂，探索下一波AI创新。”大会将于2026年3月16日至19日在加利福尼亚州圣荷西举行，届时将有超过1000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。 “AI工厂正迅速成为AI经济背后的物理基础设施，”AiNET Factory的创始人Deepak Jain表示。“下一波AI创新不仅依赖于更好的模型，还依赖于运行这些模型所需的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，以推动全球AI经济的快速扩展。 **会议1** AI能力危机：为何GPU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行业中日益突出的悖论：尽管全球对GPU的需求持续激增，AI准备基础设施却成为扩展AI系统的限制因素。 讨论主题包括： - 主要AI市场的电力限制 - 电力供应时间与GPU部署时间的对比 - 对现有数据中心进行AI工作负载的改造 - 下一波AI计算能力的来源 本次会议适合： - AI创始人 - 基础设施投资者 - GPU云公司 - 建设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。在本次会议中，Jain将引导讨论大规模AI基础设施项目的经济学，以及投资者和合作伙伴如何参与下一代AI能力。 讨论主题包括： - AI计算作为基础设施 - 对GPU能力的长期需求 - 大型GPU集群的融资模型 - AI工厂、数据中心和能源项目之间的比较 本次讨论特别适合： - 私募股权公司 - 风险投资者 - 基础设施基金 - AI平台公司 - 战略企业投资者 **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原生应用的AI基础设施。这些设施构成了全球AI计算基础设施的支柱，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应用程序，但将其部署到Linux服务器（主要是出于成本考虑）。<p>很多时候，应用程序在本地运行正常，但在Linux上却失败。在许多情况下，问题出在大小写敏感的路径或文件系统差异上。<p>我很好奇其他人是如何处理这种工作流程的。<p>你们也在Windows上开发并部署到Linux吗？遇到了哪些问题？

我正在开发一个专门为自主AI代理设计的内存平台。 目前，代理内存面临两个乏味的选择：RAG（关系拓扑丢失）和图数据库（需要大量指针追踪，并在重度递归推理时性能下降）。 我正在使用向量符号架构（超维计算）构建一种替代方案。通过将事实、序列和树以数学方式绑定成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为O(1)常数时间的SIMD操作……并且以低成本实现一些类脑的功能，也就是说，不依赖于GPU和大型语言模型（LLM）。 设计正在顺利成熟，并严格分为两个部分，以尊重机械同情： • 数据平面（Zig）：纯粹的裸金属数学。通过io_uring实现2GB内存映射的NVMe块。事实被叠加到严格对齐到64字节缓存行的无锁8位累加器中。查询通过AVX-512 popcount指令执行，以线速计算汉明距离。没有垃圾回收。 • 控制平面（Gleam）：处理并发、路由以及用于外部通信的Linda风格元组空间。它管理代理的“清理”循环和自动分块，而不会阻塞数据平面。 • 桥接：一个严格的C-ABI/NIF边界，将指针从BEAM调度器直接传递到Zig的核心部分。 这里没有风险投资的浮夸言辞，我也没有对AGI做出夸大的声明。我已经完成了大部分规格、内存布局不变性和架构设计。现在开始编码，并取得了良好的进展。 我在寻找热爱低级系统（Zig/Rust/C）或高度并发运行时（Erlang）的人来帮助我构建这个平台。这是我第二个AI平台，第一个平台运转良好并在不断增长。 如果你对裸金属系统工程感兴趣，想解决LLM上下文瓶颈，我很乐意交流：请发邮件至acowed@pm.me。 祝好， Kendall