本文以創用 CC 姓名標示-非商業性-相同方式分享 4.0 國際授權釋出讀者您好
如果讀者對於如何開發一個作業系統有興趣，可以從 os-tutorial 這個專案開始了解如何從頭打造作業系統。透過循序漸進的解說，每天只要花費幾分鐘的時間，就可以了解作業系統的開發方式，歡迎有興趣的讀者前往了解。
🔹Kyanos
Kyanos 是一款網路流量捕捉與分析工具，提供彈性過濾、深度分析和輕量設計。支援依據執行程式、容器或協議內容過濾，自動解密 SSL 流量，一行指令即可快速定位問題來源。
🔹RGFW
RGFW 是一個輕量的繪圖程式庫，開發者只需要一個標頭檔案，就可以在眾多平台開發繪製圖形的跨平台程式。
🔹DSPy
DSPy 是一個用於以程式設計取代提示語法的語言模型框架，支援模組化 AI 系統構建，提供提示語法和權重的最佳化工具，並與多種 LLM 平台無縫整合，適合開發高效、可擴充的 AI 系統。
🔸生成式 AI 的真相
這篇文章探討了生成式 AI 技術的現狀，指出這項技術可能已經遇到瓶頸。生成式 AI 依賴的 transformer 模型效能提升有限，主要是因為訓練數據不足，且模型的運作方式容易出現「幻覺」問題。這些技術限制讓生成式 AI 難以應用在需要高可靠度的領域，例如醫療、法律和財務等。
文章也討論了生成式 AI 產業的財務問題。OpenAI、Anthropic 和微軟等企業每年虧損數十億美元，而生成式 AI 的商業產品（如微軟的 Copilot）市場接受度有限，企業客戶的實際採用率非常低。此外，NVIDIA 的新一代 GPU Blackwell 也遇到了散熱設計問題，可能會影響生產進度，進而延誤企業的數據中心部署計畫。整體來看，生成式 AI 的商業模式面臨高成本、低收入的困境。
最後，文章指出，媒體和企業對生成式 AI 的誇大敘事助長了市場的過度期待。生成式 AI 雖然被標榜為「技術革命」，但目前還沒有出現能夠真正改變產業的產品。企業過度依賴「算力與數據量的提升」來推動技術進步，但這一模式已經難以持續。文章預測，隨著資金流入減少和資本支出過高，AI 泡沫可能即將破裂，企業將面臨裁員、投資緊縮和市場調整的挑戰，這也可能對整個科技產業產生連鎖反應。
🔸開發者的直覺
這篇由 Jimmy Miller 撰寫的文章，介紹了 Peter Naur 的論文《軟體開發中的直覺》。這篇論文的重點在於，軟體開發的關鍵不在於遵循各種方法和流程，而是依賴開發者的「直覺」和他們與環境的互動。這篇論文最早發表於「語意在軟體開發中的角色」的研討會，Peter Naur 提出的觀點與傳統強調方法和流程的理論不同，甚至被認為是在批評 Edsger Dijkstra 等學者的看法。
在文章中，Jimmy Miller 解釋了 Peter Naur 對「直覺」的理解。Peter Naur 認為，直覺不是什麼神秘的天賦，而是人們在不經過深思熟慮的情況下，依靠經驗和慣性行動做出的反應。這種直覺隨著經驗的累積會不斷進化，像學開車一樣，最初可能很難，但熟練後就能自然而然地駕駛。Peter Naur 指出，這種直覺在軟體開發中扮演著重要角色，因為開發者在編寫和修改程式碼時，經常依靠直覺去理解和判斷，而不是完全依賴固定的方法或流程。
最後，Jimmy Miller 強調了 Peter Naur 的核心觀點：沒有一種方法能完全取代開發者的直覺。即使是類型系統、測試驅動開發（TDD）或敏捷開發這些常見的流程和方法，也無法取代開發者的直覺，因為這些方法的使用本身也需要開發者去理解和靈活應用。Peter Naur 的觀點提醒開發者，開發過程不應過度依賴所謂的「最佳典範」或標準化流程，而應該關注開發者的認知過程，並重視他們在實際工作中依賴的直覺。Jimmy Miller 也建議讀者親自閱讀這篇論文，因為這些見解可能會讓開發者對軟體開發的方法和過程有全新的看法。
以上就是本期的內容，喜歡的話請給❤️，分享或轉寄本電子報給有興趣的朋友。如果您有想要介紹的開源專案，也請來信與我們分享，或是在 X (前 Twitter) 留言給我們，感謝！