2025 01 29 HackerNews

2025-01-29 Hacker News Top Stories #

Pebble 智能手表的创始人 Eric Migicovsky 宣布，他们正在努力将 Pebble 重新带回市场。

谷歌宣布开源Pebble智能手表的源代码，包括整个Pebble操作系统，提供了标准的智能手表功能。

DeepSeek R1 是一个开源的 AI 模型，具有较小的蒸馏版本，并且分享了其训练方法。

机器学习在生产中是一门课程，旨在教导学生如何将机器学习模型应用于实际生产环境中。

Open-R1 是一个开源的 DeepSeek-R1 模型复现项目，旨在重现 DeepSeek-R1 模型的数据和训练流程。

Rebble 团队宣布了几个重大发展，这将影响 Rebble 的未来，包括转变为非营利组织和开源 PebbleOS。

阿尔法神话：圈养狼如何误导了我们，这篇文章探讨了基于圈养狼行为建立的“阿尔法狼”概念如何影响人类对权力和领导力的理解。

Boom XB-1 飞机成功突破音障，实现了超音速飞行，但仍然面临着许多挑战，包括经济可行性和监管障碍。

We’re bringing Pebble back #

https://repebble.com/

Pebble 智能手表的创始人 Eric Migicovsky 宣布，他们正在努力将 Pebble 重新带回市场。八年前，Pebble 是一款非常受欢迎的智能手表，以其简单的功能、长电池寿命和独特的设计而闻名。尽管其他公司也尝试过制造类似的智能手表，但仍然没有一款能够取代 Pebble 的地位。

Eric Migicovsky 表示，他已经尝试过几乎所有其他智能手表，但仍然每天佩戴他的 Pebble 手表，因为其他手表无法匹配 Pebble 的功能和电池寿命。他希望有人能够制造出一款真正的 Pebble 替代品，但到目前为止，还没有一家公司能够做到这一点。因此，他决定亲自接手这个项目，带领一个小团队制造一款新的 Pebble 智能手表。

新的 Pebble 智能手表将运行开源的 PebbleOS 操作系统，这意味着任何人都可以下载、修改和改进这款操作系统。PebbleOS 的源代码已经在 GitHub 上公开，任何人都可以使用它来制造自己的智能手表或其他设备。Eric Migicovsky 表示，这个项目得到了 Google 的支持，Google 曾经收购了 Fitbit 公司，而 Fitbit 公司之前曾经收购了 Pebble 公司。

PebbleOS 的开源意味着任何人都可以使用它来制造自己的智能手表或其他设备。用户可以在现有的 Pebble 手表上运行 PebbleOS，也可以在其他设备上模拟它。Eric Migicovsky 希望能够吸引更多的人加入这个项目，一起将 Pebble 重新带回市场。他表示，如果足够多的人对这款新手表感兴趣，他们将开始制造它。

Pebble 智能手表最初是在 2012 年通过 Kickstarter 众筹平台发布的，之后卖出了超过 200 万台。该公司的知识产权后来被 Fitbit 收购，但现在，Pebble 的创始人希望能够将这款智能手表重新带回市场，继续为用户提供简单、功能强大、电池寿命长的智能手表。

HN 热度 2562 points | 评论 658 comments | 作者：erohead | 1 day ago #

https://news.ycombinator.com/item?id=42845091

Pebble 是一个很好的智能手表，很多人对其设计和功能表示赞赏
Pebble 的关闭是一个遗憾，很多人对其关闭表示惋惜
Google 关闭了很多项目，包括 Google Reader，很多人对此表示不满
Pebble 的开发团队和社区对其回归表示感谢和支持
Weathergraph 是一个很好的天气应用，最初在 Pebble 上发布，后来移植到其他平台
许多人对 RSS 和博客的黄金时代表示怀念，认为现在的社交媒体无法取代它们
有人认为 Google Reader 的关闭是因为人们转向了社交媒体，但也有人认为这是 Google 自身的战略转变
Fediverse 被认为是一个类似于 Google Reader 的社交网络，具有去中心化和开放的特点
有人认为 Google Reader 的关闭是一个损失，但也有人认为它可以避免被商业化和锁定用户

Google open-sources the Pebble OS #

https://opensource.googleblog.com/2025/01/see-code-that-powered-pebble-smartwatches.html

本文介绍了谷歌开源项目的最新动态，特别是关于 Pebble 智能手表的源代码公开。Pebble 智能手表最初通过 Kickstarter 众筹平台获得了巨大的成功，之后的 Pebble Time 也是 Kickstarter 上最成功的项目之一。尽管 Pebble 公司在 2016 年停止运营，但其智能手表仍然拥有大量忠实的用户和开发者。

谷歌宣布公开 Pebble 智能手表的源代码，这是为了支持那些仍在维护 Pebble 手表功能的志愿者们。公开的源代码包括整个 Pebble 操作系统，提供了标准的智能手表功能，如通知、媒体控制、健身追踪以及支持自定义应用和表盘。该系统基于 FreeRTOS，包含多个模块，包括内存管理、图形和时间管理，以及一个框架用于加载和运行用 C 语言和 JavaScript 编写的自定义应用。

然而，需要注意的是，公开的源代码中有一些专有代码被移除，特别是芯片支持和蓝牙协议栈的代码。这意味着公开的代码虽然包含了构建系统文件，但无法直接编译和链接。谷歌希望通过公开 Pebble 的源代码，能够帮助 Rebble 项目的志愿者们继续支持和维护 Pebble 手表的功能。

此外，文章还提到了谷歌开源项目的其他动态，包括 Google Summer of Code 2024 的最新进展和其他开源项目的介绍。这些项目展示了谷歌在开源领域的贡献和支持，鼓励更多的开发者参与开源社区，推动技术的进步和创新。

HN 热度 1213 points | 评论 194 comments | 作者：hexxeh | 1 day ago #

https://news.ycombinator.com/item?id=42845070

谢谢 Google 开源了 Pebble OS，很多人对此表示感激
有人计划将 Pebble 带回市场，并且已经有了相应的计划和网站
一些人对 Pebble 的回归表示兴奋，认为这将是一个很好的选择
有人提到 PineTime 可以作为 Pebble 的替代品，但仍然有一些不足之处
部分人对 Pebble 的开源表示支持，认为这将带来更多的可能性
有人建议设计一个类似传统手表的 Pebble，但使用电子墨水屏
一些人对 Pebble Time Round 的设计表示赞赏，认为它很漂亮
有人提到 Pebble 的电池更换和防水性是一个问题
部分人认为 Pebble 的 LCD 显示屏不如其他智能手表的显示效果
有人希望 Pebble 可以完全使用电子墨水屏，并且带有背光功能
一些人表示虽然喜欢 Pebble，但已经习惯使用其他智能手表，如 Apple Watch
有人发现 Pebble 的网站会根据用户的选择跳转到其他智能手表的网站，如 Apple Watch 或 Pixel Watch

Promising results from DeepSeek R1 for code #

https://simonwillison.net/2025/Jan/27/llamacpp-pr/

本文介绍了一个名为 DeepSeek R1 的 AI 模型的应用。作者提到，DeepSeek R1 可以帮助优化代码，特别是在 WebAssembly（WASM）方面。作者分享了一个 PR（Pull Request）示例，展示了如何使用 DeepSeek R1 优化 WASM 代码，实现了 2 倍的速度提升。

作者还分享了他们与 DeepSeek R1 的交互过程，展示了如何使用该模型重写代码。他们提到，DeepSeek R1 可以帮助解决复杂的问题，例如如何映射本地模型 ID 到实际的 Groq 模型名称。作者认为，DeepSeek R1 的思维过程非常有趣，展示了该模型如何逐步解决问题。

此外，作者还提到了其他相关话题，例如开源代码、Anthropic 的新 Citations API、LLM 和 Datasette 项目的视频演示等。这些话题都与 AI 和编程相关，展示了作者对这些领域的兴趣和关注。

总的来说，本文介绍了 DeepSeek R1 的应用和优点，展示了该模型在代码优化和问题解决方面的能力。同时，也提到了其他相关话题，展现了作者对 AI 和编程领域的广泛兴趣。

HN 热度 691 points | 评论 498 comments | 作者：k__ | 9 hours ago #

https://news.ycombinator.com/item?id=42852866

有人指出，西方模型存在审查和偏见问题
有人认为，讨论中国模型的审查制度是无意义的，西方模型也存在类似问题
一些人认为，模型的审查制度是为了维护国家利益和社会稳定
有人指出，审查制度会限制模型的发展和创新
人们对言论自由和审查制度的关系持不同意见
有人认为，企业应该遵守当地法律和规定，即使这些规定存在争议

Run DeepSeek R1 Dynamic 1.58-bit #

https://unsloth.ai/blog/deepseekr1-dynamic

DeepSeek R1 是一个近期引起关注的开源模型，它的性能与 OpenAI 的 O1 推理模型相媲美。最近，研究人员成功地将 DeepSeek R1 的 671B 参数模型压缩到 131GB，减少了 80% 的大小，同时保持了良好的功能。这种压缩是通过研究 DeepSeek R1 的架构，并选择性地对某些层进行量化（如 4bit），而其他层（如 MoE 层）则使用 1.5bit 进行量化实现的。

研究人员发现，如果简单地将所有层量化为低位（如 1.5bit），模型将产生无限循环和无意义的输出。因此，他们开发了一种动态量化方法，可以根据层的重要性选择合适的量化位数。这种方法可以有效地减少模型的大小，同时保持其性能。他们将量化后的模型上传到 Hugging Face 平台，供其他研究人员使用。

为了测试量化模型的性能，研究人员使用了一个 Flappy Bird 游戏生成任务。他们发现，动态量化的 1.58bit 模型可以生成有效的输出，而简单量化的模型则会产生无意义的输出。他们还发现，量化位数的选择对模型的性能有很大影响，1.58bit 的模型比 2.06bit 的模型表现更好。

研究人员还分析了 DeepSeek R1 的架构，发现前三层是全连接层，而后面的层是 MoE 层。他们发现，MoE 层使用了共享的专家，并且这些层的权重占模型总权重的很小一部分。因此，他们可以将这些层的权重量化为低位（如 1.5bit），从而减少模型的大小。

此外，研究人员还讨论了 chat 模板的问题，发现原来的 chat 模板使用了错误的 token 映射。他们提供了正确的 token 映射，并建议用户在使用模型时注意这一问题。总的来说，研究人员的工作为 DeepSeek R1 模型的压缩和优化提供了新的思路和方法，有助于提高模型的性能和效率。

HN 热度 667 points | 评论 296 comments | 作者：noch | 15 hours ago #

https://news.ycombinator.com/item?id=42850222

1.58 位的动态量化模型在双 H100 上运行速度快，但对于大多数人来说，实际使用中速度可能仍然较慢。
量化模型可能会出现重复问题，但使用动态量化和调整参数可以解决这个问题。
动态量化方法是将模型的某些部分以较低的精度进行量化，从而减小模型大小和计算资源需求。
低温参数（如 0.2）可以有效地抑制量化模型生成错误的 token。
选择合适的温度和 min_p 参数可以显著提高量化模型的性能。
量化模型的实际使用取决于具体的应用场景和硬件条件。
新的硬件设备（如 AMD Strix Halo APU）可能会提供更好的性价比和性能。
量化模型的评估需要考虑多种因素，包括模型的精度、速度和硬件条件。

The Illustrated DeepSeek-R1 #

https://newsletter.languagemodels.co/p/the-illustrated-deepseek-r1

DeepSeek-R1 是最新的 AI 进展，它是一个开源的模型，具有较小的蒸馏版本，并且分享了其训练方法。该模型的训练过程分为三个步骤：语言建模、监督微调和偏好微调。DeepSeek-R1 的训练过程与其他 LLMs 相似，但它在解决数学和推理问题方面表现出色，因为它可以花更多时间处理问题。

DeepSeek-R1 的训练过程中，有三个特殊的方面：长链推理的 SFT 数据、一个临时的高质量推理 LLM，以及使用大规模强化学习创建推理模型。长链推理的 SFT 数据是指大量的长链推理示例，这些示例很难获得并且很昂贵。临时的高质量推理 LLM 是一个专门用于推理的模型，它可以生成 SFT 推理数据。

大规模强化学习是 DeepSeek-R1 训练过程中的一个重要步骤。它包括两个阶段：R1-Zero 和 R1。R1-Zero 是一个可以在没有标记的 SFT 训练集的情况下，通过强化学习训练的模型。它可以在推理任务中表现出色，并且可以与其他模型竞争。R1-Zero 的训练过程中，使用了自动验证的方法来检查模型的输出，这样可以在没有人类干预的情况下，生成大量的训练数据。

DeepSeek-R1 的训练过程中，还使用了一个名为 R1-Zero 的模型来生成 SFT 推理数据。R1-Zero 模型可以通过强化学习训练，生成高质量的推理数据。然后，使用这些数据来训练 DeepSeek-R1 模型，使其在推理任务中表现出色。DeepSeek-R1 模型的训练过程中，还使用了偏好微调的方法来改善其在非推理任务中的表现。

总的来说，DeepSeek-R1 是一个高质量的 LLM 模型，它在推理任务中表现出色。其训练过程中，使用了大规模强化学习和自动验证的方法来生成高质量的训练数据。DeepSeek-R1 模型的训练过程中，还使用了偏好微调的方法来改善其在非推理任务中的表现。

HN 热度 488 points | 评论 109 comments | 作者：amrrs | 1 day ago #

https://news.ycombinator.com/item?id=42845488

DeepSeek R1 的表现并不令人印象深刻，其“思考”过程充满了常见的语言模型的缺陷。
DeepSeek R1 的性能与最新的 GPT 模型相比具有竞争力，但其计算资源仅为后者的 1/50，并且是免费的，这是巨大的新闻。
有人认为 DeepSeek R1 的发布是某个基金的短期行为，目的是为了获得投资收益。
DeepSeek R1 在某些测试中并不如 O1-Pro，尤其是在编码任务上。
有人认为 DeepSeek R1 的发布是对当前 AI 研究格局的颠覆，证明了不需要巨大的资金和资源就可以取得创新成果。
DeepSeek R1 的开源和免费使用使其在成本方面具有优势，尤其是与 Chat GPT 的付费订阅相比。
有人担心 DeepSeek R1 的训练数据和开发者的动机可能存在问题，尤其是考虑到其在中国的开发背景。
DeepSeek R1 的发布被视为“开源”模型对抗闭源模型的胜利，可能会促进 AI 研究的发展和多样化。

Machine Learning in Production (CMU Course) #

https://mlip-cmu.github.io/s2025/

这篇文章介绍了卡内基梅隆大学（CMU）的一门课程，名为“机器学习在生产中”（Machine Learning in Production），课程编号为 17-445/17-645/17-745，也被称为“人工智能工程”（AI Engineering），课程编号为 11-695。该课程旨在教导学生如何将机器学习模型应用于实际生产环境中，包括如何设计、部署、测试和维护机器学习系统。

课程内容涵盖了机器学习系统的整个生命周期，从模型训练到部署和维护。课程将涵盖如何设计系统以应对模型可能出现的错误，如何确保系统的安全性和可靠性，以及如何测试和调试机器学习系统。课程还将讨论如何将机器学习模型应用于实际生产环境中，包括如何处理大数据、如何设计用户界面以及如何确保系统的可扩展性。

课程的学习目标包括分析机器学习系统的设计 tradeoff，计划和实现生产级别的机器学习系统，设计容错和可扩展的数据基础设施，确保机器学习管道的质量，构建可测试和监控的系统，以及考虑系统级别的要求，如安全性、隐私性和公平性。课程还将涵盖生产级别的基础设施工具，如 Apache Kafka、Jenkins、Prometheus 和 Grafana。

课程将通过讲座、实验和项目等形式进行教学。实验将在星期五进行，项目将重点于构建、部署、评估和维护一个推荐系统。课程将开放给所有满足先修条件的本科和研究生学生，春季学期将在星期一和星期三下午 2:00-3:20 进行讲座。

HN 热度 445 points | 评论 35 comments | 作者：azhenley | 22 hours ago #

https://news.ycombinator.com/item?id=42847834

该课程的材料是实用的，涵盖了 Kafka、Docker、Kubernetes 和 Jenkins 等行业标准工具，关注 MLOps 是很好的。
该课程可能太基础了，很多内容可以通过教程自学，深层次的挑战没有得到足够的关注。
Jenkins 等工具可能不是最现代的选择，应该介绍 GitHub Actions 或 ArgoCD 等更现代的 CI/CD 工具。
把所有工具联系起来并使其工作是很难的，课程的难度适合中级或高级本科生。
数据质量和数据清洗是实际工作中非常重要的内容，应该给予足够的重视。
机器学习集群基础设施的建设需要考虑存储、网络和调度等问题。
有些工具和技术可能会被取代，应该关注更现代和更前沿的技术。
该课程的材料和内容对于非学生也可以跟随学习和使用。

Open-R1: an open reproduction of DeepSeek-R1 #

https://huggingface.co/blog/open-r1

本文介绍了 Open-R1 项目，该项目旨在重现 DeepSeek-R1 模型的数据和训练流程。DeepSeek-R1 是一种推理模型，能够解决数学、编码和逻辑问题。该模型的训练流程包括使用强化学习来教导基础语言模型如何推理，而无需人类监督。Open-R1 项目的目标是重现 DeepSeek-R1 模型的训练流程，并使其开源，以便研究人员和开发者能够使用和改进该模型。

DeepSeek-R1 模型的训练流程包括两个阶段：第一阶段是使用强化学习来训练模型，第二阶段是使用人类偏好和可验证的奖励来改进模型的输出。Open-R1 项目计划重现这些阶段，并使其开源。该项目的第一步是复制 R1-Distill 模型，这涉及从 DeepSeek-R1 模型中提取一个高质量的推理数据集。第二步是复制纯强化学习流程，这涉及创建新的、large-scale 数据集用于数学、推理和编码。第三步是展示如何从基础模型到 SFT（监督微调）到 RL（强化学习）通过多阶段训练。

Open-R1 项目的目标不仅是重现 DeepSeek-R1 模型，还包括分享研究成果和经验，以便其他研究人员和开发者能够使用和改进该模型。该项目计划在 Hugging Face 平台上分享模型和数据集，并在 GitHub 上分享代码。同时，项目作者也鼓励其他人参与该项目，贡献代码和讨论，以便共同推进该项目的发展。通过 Open-R1 项目，研究人员和开发者可以更好地理解强化学习在推理模型中的应用，并开发出更好的推理模型。

HN 热度 380 points | 评论 224 comments | 作者：jonbaer | 17 hours ago #

https://news.ycombinator.com/item?id=42849536

Open-R1 是一个开源的 DeepSeek-R1 模型复现项目
许多人对该项目的潜力和可能带来的影响感到兴奋和好奇
有人认为 AI 技术的发展速度和影响力远超过去的任何技术革命
也有人对 AI 技术的实际应用和价值持怀疑态度，认为其可能对社会和经济产生负面影响
有人认为 ChatGPT 等 AI 模型在学习和研究方面有很大的帮助和潜力
但也有人担心过度依赖 AI 技术会导致人们失去批判性思维和独立思考的能力
有人认为 AI 技术的发展将带来新的就业机会和社会变革，但也可能加剧现有的社会不平等问题
也有人对 AI 技术的安全性和伦理问题感到担忧，认为需要加强监管和规范
有人认为 AI 技术的发展是人类历史上的一个重要转折点，将对未来社会和人类文明产生深远影响

The future of Rebble #

https://rebble.io/2025/01/27/the-future-of-rebble.html

Rebble 团队宣布了几个重大发展，这将影响 Rebble 的未来。首先，Google 宣布开源 PebbleOS，这是一个巨大的消息，对 Rebble 来说是一个加速器，帮助他们生产新的硬件。之前，Rebble 团队一直在开发自己的替代固件 RebbleOS，但进展缓慢。现在，拥有原版 PebbleOS 源代码后，他们可以加速开发新的固件。

Rebble 团队还宣布，他们将转变为一个非营利组织，以确保社区的长期发展和 Rebble 的所有权。这个组织将致力于教育人们关于用户尊重技术的重要性，使用 Pebble 作为嵌入式系统的教学平台，保存 Pebble 平台的历史，并开发开源软件。这个转变将使 Rebble 更加透明和社区驱动。

另外，Rebble 团队宣布了他们的第二个黑客马拉松活动，邀请开发者加入并为 RebbleOS 和其他应用程序做出贡献。这个活动将于 3 月 1 日至 8 日举行，届时开发者可以一起工作和交流。Rebble 团队还获得了 Snowy 的源代码，Snowy 是 Pebble 上的一个流行助手，计划在黑客马拉松活动中升级它。

总的来说，Rebble 团队的这些公告标志着他们的未来发展方向更加明确和积极。他们致力于开源社区驱动的智能手表，并将继续开发和改进 RebbleOS 和其他应用程序。这些发展将使 Rebble 更加强大和用户友好，社区也将在其中发挥重要作用。

HN 热度 375 points | 评论 26 comments | 作者：will0 | 1 day ago #

https://news.ycombinator.com/item?id=42845017

Pebble 的屏幕是 LCD 屏幕，而不是 e-ink 屏幕
Pebble 的屏幕被称为 “e-paper” 屏幕，但与 e-ink 屏幕不同
Basis Peak 是一款具有 e-ink 屏幕和长续航能力的健康追踪手表
Pebble 的续航能力和屏幕是其被喜爱的原因之一
Rebble 是一个开源项目，旨在保持 Pebble 手表的生命力
RePebble 是一个新的项目，由 Pebble 的原创始人 Eric 发起，与 Rebble 无关
Rebble 有可能会制作自己的硬件，但计划尚未确定
RePebble 的开源和社区所有权状况尚不明确
有人尝试使用基于 ESP-32 的 e-ink 智能手表，这些手表是开源的和可定制的
Watchy 是一种开源的 e-ink 智能手表，支持 Arduino IDE 和 Micropython

The Alpha Myth: How captive wolves led us astray #

https://anthonydavidadams.substack.com/p/the-alpha-myth-how-captive-wolves

这篇文章《阿尔法神话：圈养狼如何误导了我们》由安东尼・大卫・亚当斯撰写，探讨了基于圈养狼行为建立的 “阿尔法狼” 概念如何影响人类对权力和领导力的理解。文章主要分为几个部分：

** 阿尔法狼的误解 **：文章开始回顾了 1947 年瑞士巴塞尔动物园的动物行为学家鲁道夫・申克尔的研究，他在圈养环境中观察到了狼群之间的攻击性支配行为和严格等级制度。这些观察结果后由生物学家 L・大卫・梅奇在 1970 年的著作《狼：一种濒危物种的生态与行为》中进一步推广，导致 “阿尔法狼” 概念在科学和大众文化中深入人心。
** 自然环境中的狼行为 **：梅奇后来的研究揭示了在明尼苏达州的自然栖息地中，狼群的行为与圈养环境截然不同。狼群不是通过攻击维持等级，而是通过经验丰富的父母的教导和保护建立家庭单位。领导地位并不是通过支配获得，而是通过关怀和教导赢得。
** 对人类文化的影响 **：尽管梅奇后来认识到阿尔法狼” 理论的缺陷，但这个概念已经深植于人类文化中，影响了从商业领导到约会建议等各个方面。这种基于圈养行为的领导观念使得人们在职场和社交中表现出过度的攻击性和支配欲，形成了所谓的 “圈养男性综合症”。
** 硅谷文化的例子 **：文章提到硅谷的 “快速行事，打破常规” 的文化，强调在这种环境中，主导性行为往往被视为更重要的特质，而导致了员工的疲惫和不满。根据 Blind 的调查，57% 的科技员工报告感到精疲力竭，这一现象与圈养狼的行为表现相似。
** 传统男性规范的危害 **：研究表明，强烈认同传统 “阿尔法” 男性规范的男性更可能遭受抑郁和焦虑，较少寻求帮助，且在关系满意度和亲密友谊方面存在困难。这些被视为力量的特质实际上可能导致深刻的弱点。
** 希望与新领导方式 **：文章提出了一种 “野生领导” 理念，强调合作与关怀的重要性。以巴塔哥尼亚公司为例，其创始人伊冯・乔伊纳德拒绝传统的阿尔法 CEO 模式，建立了一个扁平化的结构，鼓励员工追求个人热情和生活平衡。
** 未来的道路 **：为了超越 “阿尔法男性” 神话，需要重新设计导致圈养行为的结构，从教育男孩到公司管理方式，创造一种依赖连接而非竞争的男性气质。文章最后强调，真正的领导力来自于保护和促进群体的生存与繁荣，而非单纯的支配。

总的来说，文章呼吁人们反思传统的权力和领导观念，从自然界中寻找真正的领导力灵感，而非依赖被圈养的狼所反映的失衡行为。

HN 热度 374 points | 评论 339 comments | 作者：ada1981 | 1 day ago #

https://news.ycombinator.com/item?id=42844619

“alpha male” 的概念是基于对狼行为的误解，实际上是人类社会中的一种心理需求和认知扭曲。
这种概念会让人陷入对外界认可的依赖，无法真正做到自我肯定和自我发展。
实际上，真正的强大和自信来自于内心，而不是通过外在的表现和他人的认可。
“alpha male” 的概念会让人忽视真正的自我发展和个人成长，转而关注外在的形象和地位。
这种概念也会导致人们陷入比较和竞争的陷阱，忽视真正的价值和意义。
实际上，古代斯多葛主义的理念更为健康和有价值，强调个人内在的力量和自我控制。
“alpha male” 的概念也会被用来掩盖自己的不安全感和恐惧，通过外在的表现来弥补内心的空虚。
人们应该关注自己的内在成长和自我发展，而不是陷入外在的比较和竞争中。
实际上，尊重个体权利和自由的社会更有利于个人成长和发展，而不是僵化的等级制度。

Boom XB-1 First Supersonic Flight [video] #

https://www.youtube.com/watch?v=-qisIViAHwI

Boom Supersonic 公司的 XB-1 飞机成功突破音障，实现了超音速飞行。该飞机的试飞过程被实时直播，观众可以从追逐飞机的视角看到 XB-1 突破音障的过程。Boom Supersonic 公司的首席飞行测试工程师 Nick Sheryka 对试飞过程进行了详细的解释。

XB-1 飞机的设计目的是为了实现超音速飞行，其速度可以达到音速的 2.2 倍。该飞机的试飞过程被认为是航空业的一大突破，可能会改变未来飞机的设计和飞行方式。

HN 热度 330 points | 评论 254 comments | 作者：rayhaanj | 8 hours ago #

https://news.ycombinator.com/item?id=42853633

Boom 实现了首次超音速飞行，但仍然面临着许多挑战，包括经济可行性和监管障碍
超音速飞行的噪音问题和引擎选择仍然是未解决的问题
即使实现了超音速飞行，也不一定能带来盈利，航空业的竞争和成本控制是关键因素
监管环境和公众对噪音的接受度是超音速飞行的重要障碍
美国的监管环境和公众对噪音的敏感度使得超音速飞行面临更大的挑战
技术进步和创新是解决超音速飞行问题的关键，但仍需要时间和投资
超音速飞行的潜在市场和商业模式仍然需要进一步探索和验证
航空业的历史经验表明，超音速飞行的发展需要长期的努力和坚持