跳到主要内容

Agili 的 Hacker Podcast 2026-08-25

今天的 Hacker Podcast 聚焦 Apple 的 M6 与 M5 Ultra 芯片发布，Mac Studio 和 Mac mini 同步更新。此外还有 Emacs 31.1、SiFive RISC-V 服务器平台、Paul Graham 谈大学与创业，以及一篇用强化学习教 AI 写代码画画的实验报告。

Apple 发布 M6 与 M5 Ultra 芯片

两款芯片定位差异

M6 是 Apple 首款 2 纳米制程芯片，12 核 CPU 包含 2 个超级核、4 个性能核和 6 个能效核。Apple 称其单线程性能为全球最快，多线程比 M5 快最多 1.2 倍。GPU 为 12 核，每个核心内置神经加速器（Neural Accelerator），AI 峰值算力比 M5 高近 30%，比 M1 高 8 倍以上。双 16 核神经引擎（Neural Engine）的峰值算力是上一代的两倍，系统可以自动同时调用两个引擎。M6 支持最高 32GB 统一内存（unified memory），带宽 170GB/s。

M5 Ultra 采用四晶粒（quad-die）架构，用 UltraFusion 互联技术连接两颗双晶粒 M5 Max，互联带宽超过 4.4TB/s。CPU 最高 36 核，GPU 最高 80 核。相比 M3 Ultra，单线程性能最高提升 1.25 倍，GPU 的 AI 峰值算力最高 4.5 倍。统一内存最高 512GB，带宽 1.2TB/s，足以把数百亿参数的大语言模型（LLM）放进本机运行。媒体引擎支持四路 ProRes 编解码和硬件加速 AV1 解码。

本地 AI 是核心卖点

开发者可以用 Core AI、Core ML、Metal 和 Xcode 调用新硬件，在 Mac 上本地运行和微调大模型。Apple Intelligence 功能将在今年秋季随 macOS 27 提供，支持包括简体中文在内的多种语言。

社区反应：M1 用户不着急升级

Hacker News 讨论集中在旧机器是否值得升级。多位用户报告 2020 年的 M1 Air 和 M1 Pro 至今没有明显变慢。有人称自己的 M1 Air 电池最大容量还有 84%，有人用 M1 Pro 录制多轨音频毫无延迟，还有人表示 16 英寸 M1 Pro "打算再用十年"。

有用户提出 macOS 的体验在退步。一位换到 Ryzen AI 9 HX 370 笔记本的用户说，Linux 进步很快，macOS 同期在退步。常见抱怨包括系统设置界面混乱、新机激活对话框过多、窗口排序 bug 多年未修。

性能竞争方面，有评论指出 Intel Panther Lake 和 Qualcomm 芯片已在部分 Windows 笔记本上追上甚至反超 M5 的多核性能和续航，单核仍落后。还有评论补充，Windows 笔记本拔电后 GPU 性能会掉到插电时的 20%-40%，Apple 笔记本在电池供电时没有这种衰减。

新款 Mac Studio 搭载 M5 Max 与 M5 Ultra

配置与价格

Mac Studio 9 月 22 日开售，512GB 内存款要到 10 月下旬。M5 Max 配备 18 核 CPU、最多 40 核 GPU，支持最多 128GB 统一内存，带宽 614GB/s。M5 Ultra 拥有最多 36 核 CPU、80 核 GPU 和 512GB 统一内存，带宽 1.2TB/s，比上一代高 50%。M5 Max 起价 2,499 美元，M5 Ultra 起价 5,499 美元。

有用户统计，苹果新闻稿里 "up to" 出现 46 次，其中一部分指配置选项，另一部分指性能上限，后者通常只代表某个基准测试的最好成绩。还有用户注意到苹果用 "staggering" 形容 512GB 内存，调侃说还没有哪个数字让自己踉跄过。

跑大模型的性能数据

本代产品重心是本地 AI。苹果把神经加速器放进每颗 GPU 核心，加快矩阵乘法。在 LM Studio 中处理 LLM 提示词，M5 Max 比 M1 Max 快 10.7 倍，M5 Ultra 比 M1 Ultra 快 9.8 倍。DNA 测序 basecalling（碱基识别）快 3.5 倍，Foundry Nuke 的 CopyCat 机器学习训练快 15.4 倍，Maxon Redshift 场景渲染快 4.7 倍。M5 Max 还带来第三代硬件加速光线追踪。

多台 Mac Studio 可以通过 Thunderbolt 5 和 RDMA（远程直接内存访问）组成集群共享内存池，用来加载单机放不下的开源权重模型。苹果称四台机器的推理速度是一台的 3 倍。有用户估算，M5 Ultra 跑非量化 DeepSeek V4 Flash 模型，生成速度每秒 50 个 token 以上，接近云端体验。

社区争论：本地 AI 值不值

支持方认为统一内存是 Mac 跑本地 LLM 的核心优势，配置时优先选 Ultra 芯片，因为内存带宽决定推理速度。有用户分享 M3 Ultra 跑 agent 任务只是温热、风扇轻声转，功耗远好于同级 GPU 工作站。

反对方算经济账：一台 256GB 的 Mac Studio 约 1 万美元，够买很多年云端 token。有人说每月 100 美元买不到 24 小时运行的多个 agent 进程。还有人拿 NVIDIA RTX 6000 对比：96GB 显存、1.7TB/s 带宽、1.3 万美元，除内存容量和功耗外，Mac Studio 在计算上不占优势。

有用户回顾内存涨价前的窗口期：512GB 的 M3 Ultra 曾以 1 万美元买到。供应链传闻称明年有 M7 AI 专用芯片，推理性能会有大提升。有用户计划等到性能升级从小步推进时再入手。旁人提醒，本地 LLM 硬件迭代太快，现在买"传家宝"级配置，可能像 2003 年买"传家 GPU"一样迅速过时。

散热与工作形态

长期把顶配 MacBook Pro 合盖接扩展坞使用的用户报告，跑本地 LLM 会过热、电池因高温退化、风扇可闻。换成 Mac Studio 后整天跑 gpt-oss 120b 也没有散热问题。这引出台式机还是笔记本的讨论。有用户计划用 Mac Studio 加轻量级笔记本代替常年插电的 MacBook Pro，配合 Tailscale（基于 WireGuard 的组网工具）随时远程连回工作室。有用户说："如果你在房子任何地方都能工作，那你永远在上班"；另一位接话："或者永远没在上班。"

新款 Mac mini 采用 M6 与 M5 Pro

两个版本与性能提升

Mac mini 提供 M6 和 M5 Pro 两个芯片版本，9 月 22 日发货。M6 版采用 12 核 CPU 和 12 核 GPU，首次在 GPU 核心中加入神经加速器。AI 性能比 M4 版最高快 4 倍，图形性能快 2 倍，CPU 性能快 40%。LM Studio 中运行大语言模型的提示词处理速度比 M4 版快 4.8 倍。M6 版标配 16GB 统一内存，可选 32GB，带宽最高 170GB/s。

M5 Pro 版面向专业工作流，最高 18 核 CPU、20 核 GPU，支持第三代光线追踪，内存最高 64GB，带宽 307GB/s。M5 Pro 版配三个 Thunderbolt 5 接口，可把多台 Mac mini 串联起来本地跑大模型。两款都支持 Wi-Fi 7、蓝牙 6，标配 2.5Gb 以太网，可选 10Gb。

涨价 50% 引发讨论

M6 版起售价 899 美元，教育优惠 799 美元。多位用户指出，M4 版 Mac mini 在 2024 年发布时起售价 599 美元，不到两年同配置涨了 300 美元。有用户说："我 499 美元买的 M4，感觉自己赶上了末班车。" 欧洲售价超过 1000 欧元，心理关口已被打破。也有人为苹果辩护，认为内存芯片行业正经历涨价周期，这是在史上最大内存危机中期。部分用户担心廉价计算时代已经结束。

游戏生态与周边硬件

苹果引用《赛博朋克 2077》作为性能指标让一些用户意外。有 M1 Max 用户说该游戏稳定 60 帧。也有人指出苹果游戏生态的问题：Game Porting Toolkit 不是开源方案，部分游戏 Mac 版必须通过 App Store 购买，Steam 版不含 Mac 端口。2.5Gb 以太网成为标配获得好评，有用户说千兆以太网在 Mac 桌面端出现已经二十多年，早该升级。

教 AI 用代码画画：一个强化学习实验

用代码生成图片，替代提示词

Surya Narreddi 和朋友 Cameron Franz、Alex Wang 的项目用强化学习训练语言模型，让模型通过写代码生成图片。代码是产物，也可编辑，可以比提示词更精细地修改生成结果。训练循环分四步：模型收到提示词，写出完整的 p5.brush JavaScript 脚本；脚本在沙箱化的 Puppeteer 环境中渲染成 PNG；生成结果与两张参考画作对比，由评判模型挑出更好的水彩画；评判结果转换成奖励信号，用 GRPO（一种强化学习优化方法）更新模型。

奖励信号失灵到修复

初始评分标准有九个信号：编译门控、代码长度梯度、HPSv3（人类偏好模型）、由 GPT-5.4 和 Gemini 组成的评审团判断的提示词遵从度，以及四个质量评判（可识别性、美学、技巧、深度）。模型在 0.65 奖励附近停滞，输出千篇一律的一朵扁平剪贴画风格五瓣花。

诊断发现，四个质量评判加上提示词遵从度，彼此相关性高达 0.85 到 0.95，等于把同一件事测了五遍。修复分两步：把绝对评分换成两两对比评判，评判模型处理相对问题比抽象评分更可靠；建立人工评分的参考池，1,664 张生成图逐张评出 love、okay、nope 三档，117 张 love 档作品成为对比池的种子。新评分标准让模型三倍速达到原来的平台，生成的代码从 13,500 token 压缩到 2,000 token 以下。

系统提示词的演化

早期版本包含 400 行 p5.brush API 参考文档，模型写出的代码自信、格式良好，但发明了不存在的 API。作者用 GEPA（针对评分函数进化提示词的优化库）跑 200 次迭代，收敛到严格白名单，只允许八种笔刷方法。第一次三张生成图全部出现可见的木槿花轮廓，正是发生在彻底扔掉 400 行参考文档之后。结论：冗长的参考文档会让模型幻觉 API，简短有主见的白名单更能约束输出。

作者在结尾说，对主观任务做强化学习，就得手工编写奖励函数。太具体，模型只会模仿你评过分的例子；太松，模型什么也学不到。完整技术报告将于 2026 年 6 月发布。

Paul Graham：大学该如何培养创始人

大学该做的两件事

Paul Graham 在文章中回应大学如何培养创始人。他说 YC 合伙人寻找的人很简单：擅长构建东西且有构建习惯的人。创业的难点是产品，要知道做什么并做得出来，这种知识来自计算机科学、机械工程、分子生物学，而不是管理和金融。大学不必新设创业课程，应做好本来就在做的教学。

大学要做的只有两件事：让学生觉得创业有可能，并鼓励他们做自己的项目。Graham 用 YC 申请数据说明认知分布不均：哈佛校友的申请率大约是耶鲁和普林斯顿校友的两倍，学生本身差别不大，差别在于哈佛的创业文化更普遍。榜样不需要是亿万富翁，25 岁、公司估值几亿的年轻创始人更容易让学生产生认同感。

阅读期与万亿美元公司

学生要做自己的项目，有四个原因：这是理解学科最深入的方式；通过一起做项目找到联合创始人；一个习惯于项目的人会觉得创业自然；最好的创业点子来自随意的项目，因为年轻的开发者是技术风向标。

Graham 举了阅读期（reading period，期末考前课程结束后的空闲时间）的例子：微软和 Meta 都在这期间开始。学生都在校园，也没有隔天要交的功课。让最用功的学生摆脱几个星期的作业压力，就产生了两家万亿美元公司。他承认大学会抵制减少课业的做法，因为行政人员习惯用主动措施取得成果。

评论区的分歧

多条评论质疑这个方案的现实性。一位创业者说多数 YC 公司最终死掉，但自己也从失败的创业中学到比商学院更多的东西。有人指出新一代创业需要更多资本和时间投入，AI 基础设施公司不像早年的软件那么简单。还有评论提出另一条路径：先拿学位工作几年，30 多岁再创业，等产品与市场契合后再扩张。

也有人根本反对大学以培养创始人为目标。一位评论者说大学最初是为知识本身而存在，不是为赚钱。还有声音提醒：文章出自风险投资家之手，他的利益是让聪明的年轻人加入创业游戏，而大多数学生会在传统职业中度过一生。

Graham 在附注中回应了 AI 写代码的疑问：学生仍应学计算机科学，因为即使软件由 AI 编写，自己也要有能力检查工程主管的工作。关于商学院，他说商学院是 20 世纪初为大工业公司培养经理人而设的，对创办公司没有帮助。

多莉·帕顿去世，享年 80 岁

从木屋到乡村音乐传奇

美国乡村音乐传奇人物、演员和慈善家多莉·帕顿（Dolly Parton）去世，享年 80 岁。她的外甥布莱恩·西弗在 Instagram 上公布消息。帕顿出生在田纳西州一间一居室木屋里，是 12 个孩子中的老四。她 10 岁上电视，13 岁录制第一张唱片，同年在乡村音乐中心纳什维尔的 Grand Ole Opry 剧场登台，由约翰尼·卡什介绍。

她曾在一天之内写出《Jolene》和《I Will Always Love You》两首名曲，创下 25 首美国乡村单曲榜冠军的纪录。惠特妮·休斯顿翻唱《I Will Always Love You》卖出约 2000 万张，是史上销量最高的女歌手单曲。除音乐外，她还出演了《朝九晚五》《钢木兰》和《宝石》，商业版图包括制片公司 Sandollar 和主题公园 Dollywood。

1.5 亿本书的慈善遗产

最受瞩目的慈善项目是 1995 年启动的 Imagination Library：每个登记的孩子每月会收到一本适龄图书，直到 5 岁，迄今已累计送出超过 1.5 亿本。帕顿解释过："我父亲不识字，我知道那有多致命。" 她说，孩子会在邮件里收到一本印着自己名字的书，"他们会感到特别，开始为自己骄傲"。

HN 社区的家长分享了实际影响：有人的女儿喜欢这些邮件，伦敦一位家长写道"每个月都收到书，现在她是个热情读者"。在田纳西长大的用户回忆，这些书"培养了我的好奇心和想象力"。2020 年，她向范德比尔特大学医学中心捐赠 100 万美元用于新冠研究，为后来的 Moderna 疫苗提供了基础。

社区追忆

HN 评论中，有人将她与约翰尼·卡什并列，提到卡什曾在她 13 岁时介绍她登台。有人推荐播客《Dolly Parton's America》。还有人说她是"美国唯一的世俗圣人，至少自弗雷德·罗杰斯以来"。音乐爱好者提到，把《Jolene》以 33 转播放，更能听出她嗓音的清晰和颤音。正如一位用户所说："我从来不是乡村音乐迷，但一直是多莉的粉丝。"

Bookshelf：用对象存储搭建个人电子书库

没有数据库的电子书服务

Bookshelf 是一个自托管的电子书库，用 TypeScript 编写，以 MIT 许可证发布。它管理你已经拥有的 EPUB 和 PDF，不需要数据库：一个服务端渲染页面完成图书列表、搜索、下载，以及浏览器内的阅读。部署方式有两种：作为 Cloudflare Worker 配合 R2 对象存储，或作为 Node 服务器读取本地目录。作者 Murat Erkin Cicek 在 Hacker News 上解释，他想要尽可能少的基础设施，同时书库随处可以访问。项目没有任何认证，任何拿到 URL 的人都能读取和下载整座书库，读者档案的作用是让室友之间的书签分开。

PDF 阅读器的优化

最近更新的重点是 PDF 阅读器。它通过浏览器端 pdf.js 渲染每一页，利用 HTTP 范围请求，一本 40MB 的书打开时只需要几次 128KB 的读取。500 页的文档打开时滚动条就有正确的高度，只有靠近视口的页面才耗费性能。目录和搜索共用一个抽屉，因为技术类 PDF 的目录可能长达几百条。测试套件新增到 179 个。

社区讨论与替代方案

安全性是突出话题。一位用户强调，把文件放到第三方服务器时，客户端端到端加密是硬性要求：一个意外设为公开的 S3 存储桶装满电子书，在某些司法辖区可能带来法律后果。作者回应会研究客户端端到端加密。

也有用户分享了其他方案。有人用 copyparty 管理书库，支持 OPDS（开放出版分发系统，阅读器用来发现和获取书籍的协议）和 WebDAV（基于 HTTP 的文件管理协议）。有人推荐 BookOrbit，说它一个应用同时处理电子书、有声书和漫画。关于 Calibre，有用户解释它本质是本地单用户软件，不适合放在网络存储上。

SiFive 发布首款服务器平台 BigSky

RVA23 带来开箱即用的 Ubuntu

SiFive 发布首款服务器平台 BigSky SF-2U870：标准 19 英寸 2U 服务器，搭载 32 个 P870-D 核心（2.2 GHz）、256GB DDR5-5600 内存、64 条 PCIe 5.0 通道，支持双宽 GPU（最高 450W）。Chips and Cheese 的评测认为，这个平台"无聊"是件好事，无聊意味着开发人员可以专注于写代码，而不是在固件上浪费时间。相比 SiFive 之前的开发板 HiFive Premier P550，最大的变化是支持 RVA23 标准。RVA23 不仅带来矢量扩展（RVV），还意味着它可以开箱即用地运行 Ubuntu 26.04，该版本要求 RVA23。

文中脚注指出，SiFive 官网对 BigSky 的主频标注不一致，同一页面有的地方写 2.0 GHz，有的写 2.2 GHz。

与 x86 和 Arm 的对比

最接近的是 Intel Xeon 6532P-B（同核数、同主频、同内存子系统），但 BigSky 的优势是更多 PCIe 通道和可能更低的功耗，劣势是没有 SMT2（同步多线程）、没有 3.9 GHz 睿频、核心也较窄。与 AMD EPYC 8325P 相比，BigSky 除了可能更省电外几乎没有规格优势。对比 Ampere Altra，BigSky 在时钟频率、核心宽度和 PCIe Gen 5 上占优，但通道数、内存带宽和 TDP 不如。

RISC-V 生态的进展与短板

HN 评论区有用户认为 RISC-V 进入服务器平台是重要里程碑，开放架构可能打破云数据中心的厂商锁定。但有人质疑，换成 RISC-V 后用户仍然锁定在云厂商上。有用户从超大规模运营商的角度解释：理想情况是开放架构加上 10 多个竞争实现，包括自己设计的芯片。

关于生态标准，有用户指出 RISC-V 还缺少平台级标准的协调机构。Debian 支持 RVA23 是积极信号，但 UEFI、ACPI 这些 PC 平台上理所当然的基础设施仍然缺失。GPU 兼容性也是关注点。Geerling 本人评论说，RISC-V 设计的 PCIe 实现比 arm64 更一致，但驱动仍需要调整，因为大多数驱动假设的是 amd64 环境。

有用户质疑免授权 ISA 在这个市场的价值：RAM、存储和 GPU 的成本远高于 CPU 授权费。但有人反驳说 RISC-V 的价值不是省下授权费，而是消除了进入定制芯片市场的门槛，尤其是对中国来说，摆脱对西方封闭 IP 的依赖是自主可控的关键。

Don't Wordle：反向猜谜的每日单词游戏

反着玩：在六次内避开答案

Don't Wordle 是一款免费每日单词游戏，玩法与 Wordle 类似，但目标完全相反：在六次猜测内避免猜出隐藏单词。每次猜测后，字母会标为绿色（位置正确）、黄色（字母正确但位置不对）或灰色（不在单词中）。玩家必须遵守已获取的线索：绿色字母必须留在原位，黄色字母必须换位置，已知不存在的字母不能再使用。页面顶部实时显示剩余有效单词数，这个数字下降得非常快。

玩家的策略

有玩家分享了自己的实战序列：从 12935 个可能词开始，依次猜 TIZZY、OXBOW、GRUFF、MAMMA，剩余数分别降到 5625、2674、858、195。有玩家尝试用 FUFFY、IMMIX、ZOCCO、QAJAQ、TRATT、KHAPH 这类生僻词来减少信息量。有评论者认为这很好地解释了为什么 Wordle 的困难模式实际上更简单，因为被强制使用已知信息后，留给玩家的操作空间反而变小了。

Cookie 争议与改进建议

网站要求访问者同意大量跟踪 Cookie。有评论指出，页面列出数百个"legitimate interest"合作伙伴，需要逐个取消勾选，没有"全部拒绝"按钮，很多用户因此直接关闭页面。作者本人出现在评论区，说没想到几年前的帖子会登上首页，正在"享受 HN 的怒火"。玩家也提了改进建议，比如增加无撤销模式、提供随机单词的练习模式。还有人对词表不满：它收录了 ALMEH、BEKAH 这类生僻词，却不接受 JORTS 和 WEIRD。

Emacs 31.1 发布：告别 unexec

正式移除 unexec dump

Emacs 31.1 正式移除 unexec dump 机制。编译后的 Emacs 需要把整套标准库加载进内存后才算完整，旧方案在加载完成后把内存段直接 dump 成新二进制，启动时免去重复引导。该机制依赖 glibc 里多个特殊函数，glibc 团队拒绝继续支持后，Emacs 转向可移植 dump（pdumper），把内部结构序列化。约十年前 pdumper 成为默认，旧方案因兼容性保留至今，31.1 里正式移除。有 HN 用户回忆起多用户系统时代教授建议用 vi 的理由：Emacs 启动会抢走其他用户的 CPU。

终端与配置体验改进

兼容终端上的 xterm-mouse-mode 默认开启，终端里可以用鼠标点击菜单。TTY 帧（终端里的 Emacs 窗口）开始支持子帧，Posframe 和 Corfu 这类弹窗在终端里也能用了。配置方面新增 user-lisp 目录功能：把 Lisp 文件放到配置目录下的 user-lisp/ 子目录，Emacs 会自动递归字节编译、扫描 autoload 标记并加入 load-path。启动顺序也做了调整，site-start.el 现在加载于用户 early init 文件之前。

Tree-sitter 安装难题的官方解法

Tree-sitter 语法库的安装终于有了官方解法：Emacs 提供自动安装正确语言语法库的选项，新增 treesit-enabled-modes 简化启用流程。此前安装语法库需要精确匹配 tree-sitter 库和每个语言语法库的 ABI 版本，在 Windows 上尤其痛苦。有 macOS 用户表示安装噩梦即将解除。

编辑方面，C-x C-x 新增选项控制是否激活 region，作者说他为这个行为手动打补丁 15 年。line-spacing 支持行上间距，Emacs 随附 Org 9.8，并新增希腊多声调、Tifinagh 和北美易洛魁语系等输入法。Emacs 自带的旧版 ctags 不再构建安装，官方推荐 Universal Ctags。

播客全文

女：Hello 大家好，欢迎收听 Agili 的 Hacker Podcast，我是莓莓。 男：大家好，我是阿迪。 女：这期内容有点杂，芯片、AI、电子书库，还有多莉·帕顿。先从苹果说起，阿迪，苹果这周发了新芯片？ 男：对，8 月 25 号发了两款，M6 和 M5 Ultra，分别装在新款 Mac mini 和 Mac Studio 上。M6 是苹果第一颗 2 纳米芯片，M5 Ultra 是苹果目前最强的芯片，第一次在 M 系列上用四晶粒设计。 女：四晶粒？就是把四颗芯片拼在一起？ 男：准确说是用 UltraFusion 互联把两颗双晶粒的 M5 Max 连起来，互联带宽超过 4.4TB/s。四颗晶粒协同工作，看起来像一颗统一处理器，CPU 最高 36 核，GPU 最高 80 核，统一内存最高 512GB，带宽 1.2TB/s。苹果芯片工程部门副总裁 Sri Santhanam 说，这两款芯片面向性能和 AI 计算做了大幅升级。 女：M6 那颗听起来也挺能打，它具体是什么配置？ 男：CPU 12 核，2 个超级核、4 个性能核、6 个能效核。苹果说单线程性能是全球最快的，多线程比 M5 快最多 1.2 倍，比 M1 快 2.4 倍。GPU 12 核，每个核心里都放了神经加速器，专门加快矩阵乘法。AI 峰值算力比 M5 高近 30%，比 M1 高 8 倍以上，双 16 核神经引擎的峰值算力是上一代的两倍。图形方面，几何处理率提升 50%，还支持硬件光线追踪和更新的 Dynamic Caching。 女：这些数字对普通用户有感觉吗？我手上这台旧 MacBook 还能再战几年。 男：社区里确实有一堆人在聊旧机器要不要升级。多位用户报告 2020 年的 M1 Air 和 M1 Pro 用到现在没有明显变慢。有人说电池最大容量还有 84%，有人用 M1 Pro 录多轨音频毫无延迟，还有人说自己的 16 英寸 M1 Pro 打算再用十年。 女：这说明 Apple Silicon 的升级周期真的拉长了。 男：是，有人觉得新芯片很强，但 macOS 的体验在退步。有个用户换到了 Ryzen AI 9 HX 370 笔记本，说他在 Apple Store 试过 M5 Pro，性能提升明显，但 Linux 环境让他不愿意回来。他说：“Linux 进步很快，macOS 同期在退步。”系统设置界面混乱、新机激活对话框过多、窗口排序 bug 多年没修，这些抱怨也不少见。 女：不过全新 Mac mini 的价格也涨了不少。 男：涨得挺明显。M6 版起售价 899 美元，教育优惠 799；M5 Pro 版起售 1699 美元。2024 年发布的 M4 版 Mac mini 起售价才 599 美元，教育优惠 499，促销时还出现过 400 美元左右的价格。有用户说：“我 499 美元买的 M4，感觉自己赶上了末班车。”欧洲用户看到超过 1000 欧元的标价，说心理关口已经没了。 女：涨了百分之五十还多。 男：也有人替苹果说话，现在 DRAM 内存价格在涨，有用户说这是“史上最大内存危机中期”，不能指望加量不加价。还有人担心廉价计算时代已经结束，也有人认为产能跟上后会回落。另外这次 Mac mini 有一个受欢迎的升级：2.5Gb 以太网成了标配。有用户说，千兆以太网在 Mac 桌面端出现二十多年了，早该升级。 女：苹果还拿《赛博朋克 2077：终极版》当游戏性能基准，这在他们新闻稿里不多见。 男：游戏这块一直有老问题。M1 Max 用户说这游戏稳定 60 帧，画质很好；但 Game Porting Toolkit 不是开源方案，部分 Mac 版游戏只能通过 App Store 买，Steam 版不含 Mac 端口，要双平台得买两次。 女：那颗最强的 M5 Ultra 呢？除了规格吓人，实际能干什么？ 男：核心卖点是本地 AI。M5 Ultra 的峰值 AI 算力是 M3 Ultra 的 4.3 倍、M1 Ultra 的 9.8 倍，1.2TB/s 的内存带宽可以把数百亿参数的大语言模型整个放进本机运行。苹果给的基准测试包括：LM Studio 里处理 LLM 提示词，M5 Max 比 M1 Max 快 10.7 倍，M5 Ultra 比 M1 Ultra 快 9.8 倍；DaVinci Resolve 的 Magic Mask 快 5.3 倍；DNA 测序碱基识别快 3.5 倍；M5 Ultra 在 Foundry Nuke 的 CopyCat 训练上比 M1 Ultra 快 15.4 倍。 女：这些数字是不是也引来“up to”质疑了？ 男：有人统计了 Mac Studio 的新闻稿，里面“up to”出现 46 次。一部分指配置选项，另一部分指性能上限，后者通常只代表某个基准测试的最好成绩。还有人注意到苹果用“staggering”形容 512GB 内存，开玩笑说还没有哪个数字让自己踉跄过。 女：社区对本地 AI 值不值，吵得厉害吧？ 男：支持方说，统一内存是 Mac 跑本地 LLM 的核心优势，内存带宽决定推理速度，配置时优先选 Ultra 芯片。有人用 M3 Ultra 跑 agent 任务，机身只是温热，风扇轻声转，功耗远好于同级 GPU 工作站。反对方算经济账：一台 256GB 的 Mac Studio 大约 1 万美元，够买很多年云端 token。还有人拿 NVIDIA RTX 6000 来比，96GB 显存、1.7TB/s 带宽、1.3 万美元，除了内存容量和功耗，Mac Studio 在计算上不占优势。 女：内存带宽到底多关键？ 男：有人算过一笔账，M5 Ultra 跑非量化 DeepSeek V4 Flash 模型，prefill 每秒能到 1000 token 以上，生成速度每秒 50 token 以上，接近云端体验。一位用 128GB M1 Ultra 的用户说，自己跑同一个模型生成速度约每秒 20 token，也已经能完成不少实际任务了。另外，多台 Mac Studio 可以通过 Thunderbolt 5 和 RDMA 组成集群共享内存池，装下单机放不下的模型，苹果说四台机器的推理速度是一台的三倍。 女：散热这块 Mac Studio 应该比笔记本强不少。 男：对，这也是它相对笔记本最实在的优势。有个用户长期把顶配 MacBook Pro 合盖接扩展坞跑本地 LLM，会过热、电池高温退化、风扇可闻；换成 Mac Studio 后整天跑 gpt-oss 120b 没有散热问题，也听不到风扇声。另一位用户的 M5 Max MacBook Pro 跑 Gemma 4 27b 能到每秒 100 token，几分钟后开始过热变吵。也有反例，M3 Max 笔记本竖放跑了几小时批处理，风扇转了但没过热。 女：还有人计划用 Mac Studio 加轻量级笔记本，通过 Tailscale 远程连回工作室。 男：对，有人从工作状态角度说，把大机器放在固定角落，比在沙发上抱着笔记本更容易进入工作状态。有个说法被引用挺多：“如果你在房子任何地方都能工作，那你永远在上班。”另一个人接话：“或者永远没在上班。” 女：这句话挺有意思。话说回来，新 Mac 的系统会在今年秋天更新到 macOS 27 Golden Gate，Siri AI 和 Apple Intelligence 都会来，简体中文也在支持语言里。开发者还能用 Core AI、Core ML、Metal 和 Xcode 在本地跑和微调大模型。 男：这次配套的还有一个开源框架 MLX，专门做本地训练和微调。有人已经在等明年的 M7 AI 专用芯片，说等性能升级从“跳跃”变成“小步”再入手。也有人提醒，本地 LLM 硬件迭代太快，现在买“传家宝”级配置，可能像 2003 年买“传家 GPU”一样迅速过时。 女：聊到芯片，这周还有另一件相关的事，SiFive 发布了首款服务器平台 BigSky SF-2U870。 男：对，这是一台标准 19 英寸 2U 服务器，搭载 32 个 P870-D 核心，2.2GHz，256GB DDR5，64 条 PCIe 5.0 通道。文章作者说这台服务器“无聊”是好事，因为开发者可以专注写代码，不用在固件上浪费时间。最大的升级是支持 RVA23 标准，可以开箱即用地跑 Ubuntu 26.04，那个版本的系统就要求 RVA23。 女：RISC-V 的服务器跟 x86 和 ARM 比，处在什么位置？ 男：最接近的对比是 Intel Xeon 6532P-B，同核数同主频同内存子系统，BigSky 的 PCIe 通道更多，功耗可能更低；但没有超线程、没有 3.9GHz 睿频，核心也窄一些。对比 AMD EPYC 8325P，除了可能更省电，规格上几乎没有优势。有人质疑免授权 ISA 在这个市场的价值，因为 RAM、存储和 GPU 的成本远高于 CPU 授权费。反驳的人说，RISC-V 的价值不是省下授权费，是消除了进入定制芯片市场的门槛，像中国这样的市场可以摆脱对西方封闭 IP 的依赖。 女：评论区里对前景的判断是哪一派占上风？ 男：有人觉得这是里程碑，开放架构可能打破云数据中心的厂商锁定。但有人说换到 RISC-V 后照样锁定在 AWS 或 Azure。从超大规模运营商的角度看，x86 只有两家供应商，Arm 受制于单一授权方，理想情况是开放架构加上十多个竞争实现，包括自己设计的芯片。 女：实际部署起来会有什么坑？ 男：GPU 兼容性是大家最担心的。Jeff Geerling 本人出来说，RISC-V 的 PCIe 实现比 arm64 更一致，但驱动仍需要调整，因为大多数驱动假设的是 amd64 环境。有人提醒，当前 GPU 最常用于神经网络训练，依赖链极其脆弱，版本不匹配就会崩溃。还有用户引用自己的经验说，AMD GPU 已经在 RISC-V 上跑了好几年了。 女：说到神经网络训练，苹果芯片的本地算力是在跑别人训练好的模型。这周看到的另一个项目，是直接拿强化学习训练一个语言模型，让模型写代码来生成图片。 男：项目作者是 Surya Narreddi，和朋友 Cameron Franz、Alex Wang 一起做的。训练循环分四步，重复几千次：模型收到提示词，比如“画一朵桃色木槿水彩画”，就写出一段完整的 p5.brush JavaScript 脚本；脚本在沙箱化的 Puppeteer 环境里渲染成 PNG 图片；生成结果跟人工评分池里随机抽的两张参考画对比，由另一个评判模型挑出更好的那张；评判结果转成奖励信号，用 GRPO 更新模型。 女：评判模型怎么评分很关键。 男：他们最初的评分标准有九个信号：编译门控、是否真的用了 p5.brush 的检查、代码长度梯度、HPSv3 人类偏好模型、GPT-5.4 和 Gemini 组成的评审团，加上可识别性、美学、技巧、深度四个质量评判。结果模型在 0.65 奖励附近停滞，输出千篇一律，一朵扁平的剪贴画风格五瓣花。奖励在涨，能力没提升。 女：问题出在哪？ 男：单独看各个子奖励就明白了。四个质量评判加上提示词遵从度，彼此相关性高达 0.85 到 0.95，等于把同一件事测了五遍。代码长度贡献了大概三分之一的总奖励，但到第 30 步就饱和了，之后不再产生梯度。真正有方差变化的 HPSv3 权重只有 0.10。 女：那他们怎么修？ 男：两步。第一步，把绝对评分换成两两对比评判。原来的做法让评判模型给每次输出打 0 到 10 分，分数都压缩在零附近。两两对比问的是另一个问题：展示输出和两张参考画，问“哪张是更好的木槿水彩画”，奖励是它赢得的对比比例。评判模型处理相对问题比抽象打分可靠，动态范围也打开了。第二步，建立人工评分的参考池。1,664 张生成图逐张评出 love、okay、nope 三档，117 张 love 档作品成为对比池的种子。参考池最终有 581 张画，全部是模型输出，因为 p5.brush 是小众艺术家用的工具，找不到足够的人类画作样本。 女：改进之后效果怎么样？ 男：同样的基础模型和训练数据，新评分标准让模型三倍速达到原来的平台，还继续往上走。生成的代码从 13,500 token 压缩到 2,000 token 以下。模型学会了赢的构图不需要冗长的代码。 女：我最喜欢的是“代码本身是产物也可编辑”这个思路。用户不再只能靠提示词从头生成，还能直接改代码调整画面。 男：对。作者在社区里说，这个项目比传统图片生成慢得多，他不认为这是生成图片的更好方式。但它让创作者能把注意力和精力放在提示词、模型、产物三个层面。系统提示词上的一个发现也很有意思：早期版本包含 400 行 p5.brush API 参考文档，模型写代码写得自信、格式良好，但发明了不存在的 API。用 GEPA 跑了两百次迭代后收敛到一个严格白名单，只允许八种笔刷方法，没有 API 文档也没有示例。第一次三张生成图全部出现可见的木槿花轮廓，正是发生在彻底扔掉那 400 行参考文档之后的版本。对应到结论：冗长的 API 文档反而让模型幻觉接口。 女：这个结论对日常用 AI 的人也有点启发。给模型的限制越明确，结果越可控。 男：社区里有做类似方向的人，有人让模型从 Python 代码生成三维体素模型，还有人在做水彩加墨水的室内植物 SVG。也有人想起 2018 年一篇结合强化学习和 GAN 学习笔触的论文，说很怀念那种研究，现代技术终于把它做扎实了。 女：你刚才说“让模型写代码来画出东西”，我突然想到一件事：如果 AI 都能写代码画画了，人类还要不要学编程？ 男：正好这周 Paul Graham 写了篇文章，讲大学该怎么培养创始人，里面就回应了这个问题。他说学生仍然应该学计算机科学，因为就算软件由 AI 编写，你也得有能力检查工程主管的工作。 女：那篇文章的核心主张是什么？ 男：YC 有 20 年筛选创业者的经验。Graham 说，YC 合伙人要找的人很简单：擅长构建东西，而且有构建习惯的人。创业的难点是产品，要知道做什么并做得出来，这种知识来自计算机科学、机械工程、分子生物学，而不是管理和金融。大学不必新设“创业”课程，把本来就在做的教学做好就行。 女：大学具体该做什么？ 男：两件事。第一，让学生觉得创业有可能。第二，鼓励他们做自己的项目。他用 YC 申请数据说明认知分布不均：哈佛校友的申请率大约是耶鲁和普林斯顿校友的两倍，学生本身差别不大，差别在哈佛的创业文化更普遍。榜样不需要是亿万富翁，25 岁、公司估值几亿的年轻创始人更容易让学生产生认同感。 女：做自己的项目为什么这么重要？ 男：他列了四个原因：这是理解学科最深入的方式；通过一起做项目能找到联合创始人，苹果和微软的创始人都是这么认识的；一个习惯做项目的人会觉得创业很自然，没有老师或老板也无所谓；最好的创业点子来自随意的项目，因为年轻开发者是技术风向标。 女：他还举了阅读期的例子。 男：对，微软和 Meta 都是期末考试前那段阅读期里开始的。学生都在校园，也没有隔天要交的功课。让最用功的学生摆脱几个星期的作业压力，就产生了两家万亿美元公司。他承认大学会抵制减少课业，因为行政人员习惯用主动措施取得成果，但有时候留下学生不管更有效。 女：商学院和商业计划竞赛他怎么看？ 男：他说不能教学生如何创业，创业只能在做的过程中学会。商业计划竞赛尤其有害，它让学生以为核心是融资，而不是做出用户喜欢的产品。他还批评“企业家精神”这个词误导人，创业只是其中规则完全不同的微小子集。商学院是 20 世纪初为大工业公司培养经理人设的，像是“工业资本主义的西点军校”，对创办公司没有帮助。 女：社区里对这篇文章吵得挺厉害吧？ 男：有创业者说多数 YC 公司最终会死掉，但自己从失败中学到的比商学院更多，关键在于做出东西并尝试卖掉它。也有人觉得文章过时了，新一代创业需要更多资本和时间投入，AI 基础设施公司不像早年软件那么简单。还有人提出另一条路径：先拿学位工作几年，熟悉行业和营销，30 多岁再创业，自有资金或尽量少融资，等产品与市场契合后再扩张。 女：有没有人根本反对大学以培养创始人为目标？ 男：有。一位评论者说大学最初是为知识本身存在，不是为赚钱。另一位说应建立新机构来培养创业者。还有人提醒，文章出自风险投资家之手，他的利益是让聪明的年轻人加入创业游戏，而大多数学生会在传统职业中度过一生。 女：文章里的理念和现实之间的差距，换个角度看，反而是一些小工具能活下来的空间。我最近看到有人自托管了一个电子书库，叫 Bookshelf，专门管理自己拥有的 EPUB 和 PDF。 男：这个项目作者是 Murat Erkin Cicek，他在 HN 上说，想要的基础设施越少越好：没有数据库、没有额外服务，书库随处能访问。部署上可以用 Cloudflare Worker 配 R2 对象存储，或者 Node 服务器读本地目录。Docker 是最短的路径，两条命令起来，书架出现在 localhost:3000。 女：它怎么处理阅读器？PDF 的渲染是难点。 男：PDF 阅读器最近刚更新过，用浏览器端的 pdf.js 逐页渲染，配合 HTTP 范围请求。一本 40MB 的书打开只需要读几次 128KB 的块。500 页的文档在页面还没绘制前就占好位置，滚动条高度一开始就是对的，只有靠近视口的页面才花性能。缩放不会导致页面清空，因为有离屏 canvas。 女：这本书库有没有安全上的讨论？ 男：这是评论区最突出的话题。有人强调，把文件放第三方服务器时，客户端端到端加密是硬性要求。一个意外设为公开的 S3 存储桶装满电子书，在某些司法辖区可能带来法律后果，服务商还可能自动扫描存储内容。作者回复说会研究端到端加密。这个项目没有任何认证，拿到 URL 的人都能读和下载整座书库，作者在 README 里写得很清楚，读者档案只是为了帮室友的书签分开。 女：自托管社区离不开一个名字，Calibre 那边有替代的声音吗？ 男：很多人补充了自己的方案。有人用 copyparty 管理书库，单个二进制直接跑在普通文件上，支持 OPDS 协议，供 KOReader 集成；也有人推荐 audiobookshelf，说管理有声书很好，但 EPUB 支持一般，阅读进度保存不稳定。Calibre 本身是本地单用户软件，不适合挂网络存储。有用户看了这个项目的依赖数，说了一句：“大约五百个依赖。npm 就是 npm。” 女：独立工具这边，Emacs 31.1 也发布了，算是老编辑器又一次稳健更新。 男：这个版本没有单一核心亮点，但它正式移除了一项延续几十年的底层机制，unexec dump。unexec 是 Emacs 启动流程里的特殊手段：编译出的中间产物只有 C 核心和解释器，需要把整套标准库加载进内存才完整，这个过程要消耗几分钟 CPU。旧方案在加载完成后把内存段直接 dump 成新二进制，启动时免去重复引导。但这依赖 glibc 里多个特殊函数，glibc 团队拒绝继续支持后，Emacs 转向了可移植的 pdumper，把内部结构序列化而不是 1:1 转储内存。 女：终端用户会感受到什么变化？ 男：兼容终端的 xterm-mouse-mode 默认开启了，终端里可以用鼠标点击菜单，Posframe 和 Corfu 这类弹窗在终端里也能用。配置方面新增了 user-lisp 目录，把 Lisp 文件放进去会自动递归字节编译、扫描 autoload 并加入 load-path。有用户说这让他能以轻量方式创建自定义包并延迟加载。 女：Tree-sitter 语法库安装也有官方解法了吧？ 男：对，这个问题解决了一个多年的痛点。以前安装语法库要精确匹配 tree-sitter 库和每个语言语法库的 ABI 版本，在 Windows 上尤其痛苦。现在 Emacs 提供自动安装正确语法库的选项，还新增了 treesit-enabled-modes 简化启用流程。有 macOS 用户说安装噩梦终于要结束了。 女：社区里有什么好玩的讨论吗？ 男：有人翻出 antinews 文档，那是提供降级视角的版本说明，里面调侃说“为应对内存和磁盘容量持续下降，Emacs 30.2 删除了许多功能和文件”。还有人聊到这次终于有了停靠式文件树，也有人在讨论内置补全系统能不能替代 Corfu 和 vertico 这些第三方包。 女：软件老江湖说完，换一个完全相反的小玩意儿，Don't Wordle，一个目标完全反过来的 Wordle 游戏。 男：玩法是反过来的，六次猜测内避免猜出隐藏单词。每次猜测后字母照样标绿色、黄色、灰色，但你必须遵守这些线索：绿色字母留在原位，黄色字母必须换位置，已知不存在的字母不能再用了。页面顶部实时显示剩余有效单词数，它下降得非常快。 女：有多难？ 男：一个玩家贴了自己的序列，从 12,935 个可能词开始，依次猜 TIZZY、OXBOW、GRUFF、MAMMA，剩余数分别降到 5,625、2,674、858、195。另一个说自己最后一回合面对 12 个选项，选中了正确答案。有人感叹如果游戏有 7 步而不是 6 步，几乎每局都会无法完成。 女：它的设计逻辑和 Wordle 有什么不同？ 男：Wordle 里好的猜测会大幅缩小答案范围；在这里，你要尽量不缩小范围，同时还得遵守已有线索。有评论者说这解释了为什么 Wordle 的困难模式实际上更简单——被强制使用已知信息后，玩家的操作空间反而变小了。还有人举了个例子：猜 MAMMA 时如果两个 A 一个标黄一个标灰，说明答案里只有一个 A，之后就不能猜像 ALPHA 这样带两个 A 的词。 女：评论区对网站本身也有意见吧？ 男：不少人抱怨 Cookie 跟踪，页面列了数百个合作伙伴，要逐个取消勾选，没有“全部拒绝”按钮，很多人直接关掉了页面。作者本人出现在评论区，说没想到几年前的帖子会登上首页，正在“享受 HN 的怒火”。玩家还希望有随机单词的练习模式，而不是只有每日挑战。 女：技术话题聊了很多，最后想聊一位经历完全不同的人。多莉·帕顿去世了，享年 80 岁。 男：她外甥在 Instagram 上公布的消息，说：“我想象过这一刻的沉重，但直到现在才真正感受到。这是一种荣幸，夹杂着绝对的骄傲和巨大的悲伤。” 女：帕顿是 20 世纪最伟大的词曲作者之一。她最有名的故事，是某一天内写出了《Jolene》和《I Will Always Love You》两首歌。职业生涯里拿过 25 首美国乡村单曲榜冠军，47 张专辑进入乡村 Top 10，1980 年凭电影《朝九晚五》的同名主题曲登顶流行榜。惠特妮·休斯顿翻唱的《I Will Always Love You》卖出约 2000 万张，是史上销量最高的女歌手单曲。 男：她的出身离这些数字很远。田纳西州一间一居室木屋，12 个孩子里的老四。母亲用碎布做衣服的经历被她写进《Coat of Many Colours》。她 10 岁上电视，13 岁录制第一张唱片，同年在乡村音乐中心纳什维尔的 Grand Ole Opry 剧场登台，是约翰尼·卡什介绍的。1966 年跟卡尔·迪恩结婚，婚姻持续近 60 年，直到迪恩 2025 年去世。她对自己华丽造型的回应也很有名：“要花很多钱才能看起来这么廉价。” 女：她最受瞩目的慈善项目是 Imagination Library，给每个登记的孩子每月寄一本适龄图书，直到 5 岁，累计送出超过 1.5 亿本。她解释过动机：“我父亲不识字，我知道那有多致命。”她更在意的是，孩子收到一本印着自己名字的书时那种“特别”的感觉。 男：社区里不少家长分享了亲身体验。有个伦敦家长说，女儿每个月收到书，现在是个热情读者；一个在田纳西长大的用户回忆，这些书培养了他的好奇心和想象力。有评论说，书籍计划可能比音乐更持久地改变社会。 女：她还做过一件事，2020 年向范德堡大学医学中心捐了 100 万美元用于新冠研究，为后来的 Moderna 疫苗提供了基础。 男：社区里有人说她是“美国唯一的世俗圣人，至少自弗雷德·罗杰斯以来”。音乐迷提到，把《Jolene》用 33 转播放，更能听出她嗓音的清晰和颤音。有位用户写了一句我很喜欢的话：“我从来不是乡村音乐迷，但一直是多莉的粉丝。” 女：这句话适合作为这期节目的结尾。我们每个人不一定熟悉每个话题，但有些东西值得一直关注。 男：对。那这期就到这里。感谢大家收听，欢迎用泛用型播客客户端订阅 Agili 的 Hacker Podcast，我们下期再见。 女：再见各位。

参考链接