Agili 的 Hacker Podcast 今日话题跨了数据压缩、排队论、城市绿化、神经科学、AI 模型比较，甚至还有把网站塞进 Favicon 的巧思和 3800 年前的分数表。这些讨论在 Hacker News 上争得细致，我们把关键信息和观点整理了出来。
Matt Mahoney 在 2012 年发布的《Data Compression Explained》把数据压缩分解为两部分：模型估计每个符号的概率，编码器为高频符号分配较短码字。编码问题已有算术编码等最优解，但建模在一般意义下不可计算——最优建模等价于 Kolmogorov 复杂度，而 Kolmogorov 复杂度无法通过算法得出。所以压缩本质上是一个理解数据、预测数据的 AI 问题。
Mahoney 用大量基准测试（Calgary Corpus、Hutter Prize 等）说明，LZ77、PPM、BWT、上下文混合等算法在压缩率、速度和内存上分布出一条帕累托边界，“没有万能压缩器”。压缩随机数据或者递归压缩本身就是死胡同。社区评论补充说，如今 Fabrice Bellard 等人用神经网络建模已经在压缩率上超过了传统榜单，但神经网络模型体积大、解压内存高，长期归档还缺纠错码。
有评论把大语言模型看成一个有损压缩模型：训练目标正是逼近数据的最短描述，配合算术编码甚至可以做无损文本压缩。但 tokenizer 只面向语言，换成字节级模型（如 ByT5、BLT）理论上能处理任意数据，实用化却被模型体积和版本兼容困住。这条路还远。
人眼三种视锥细胞靠对比强度还原色彩，屏幕用红绿蓝控制这三种细胞，理论上覆盖大部分颜色，唯独青色大量落在 sRGB 三角形之外。LED 照明也恰好遗失这个区间：白光 LED 用蓝芯片加黄色荧光粉，青色掉进了光谱的深谷。
透过叶子看太阳，蓝光被吸收、红光部分被吸收，剩下纯粹的绿；水下光线多次过滤后的青蓝色，能把《蓝色星球》的画面衬得黯淡。孔雀眼斑周围的青色来自羽小枝的薄膜干涉，磨成粉末就成了深棕色；约 500 种鸟的颜色超出 sRGB。
城市绿灯其实是极其饱和的青绿色——NIST 标准有意选了这个色调让色盲也能区分红绿。激光接近单色，绿色激光因此成了科幻电影里代表“高级技术”的符号。作者说，520 纳米附近的颜色因为几何原因最难自然产生，所以绿色激光像是“最人工的颜色”。
一个看似反直觉的排队论结果：在同样的 80% 利用率下，服务器数量越多，请求排队概率越低，平均延迟迅速下降并趋近纯处理时间。5 台服务器时只有 3.6% 的请求需要排队，10 台时进一步降低。这对云服务账本是个好消息。
这个结论依赖 Poisson 到达和指数服务时间。真实流量往往有惊群效应和重尾分布，服务时间更接近对数正态分布，尾部延迟会被拉长。负载均衡器很多是随机分配的无状态模式，并不天然形成中央队列，需要额外参数来近似上述模型。此外请求如果不独立（比如多智能体 LLM 系统），合并的好处会被协调成本反转。
“3-30-300”规则由 Cecil Konijnendijk 提出：每户要能看到至少三棵树，社区树冠覆盖率达到 30%，且距离公园不超过 300 米。一项涵盖 862 个欧洲城市的研究显示，只有约一半居民从窗户能看到三棵树，南欧城市尤其惨淡。
达标区域集中在德国西部小城，整个欧洲只有约三分之一的人生活在这种环境中。全球八大城市中仅新加坡全部通过，热带气候和集中规划是主要原因。多名评论者提到，不同树种、树龄和位置带来的影响差别巨大，“30%”这个数字太粗了。
300 米内公园的指标最容易实现，但超过这个距离公园使用率急剧下降。综合三项全部达标的欧洲人只有 14%。研究者给出的行动指南很直接：刨掉沥青，种树。
作者没有用隐写术藏数据，而是直接把 HTML 编码成 favicon 的 RGB 像素。每像素三字节，前面加 4 字节长度头，生成的 9×9 像素图标看起来像随机噪点。浏览器加载图标后，Canvas API 读出像素，解码成 UTF-8 文本，一个网站就这么“存在”了 favicon 里。
favicon 只承载内容，解码需要的几行 JavaScript 仍然得单独提供。没有这段 bootstrap，它就是一张 PNG。功能上不实用，但作者在意的是测试“图标是一堆字节”这个边界。
评论里有人提出直接用 SVG favicon，标记本身就是文本，fetch 回来即可；还有人提到 PNG 的 tEXt 块可以塞任意数据，但那就没那么好玩了。一个极端的思路是让 index.html 和 favicon.png 指向同一个文件，省去一切额外步骤。
神经科学家 Oswald Steward 在 1982 年发现神经元突触周围存在核糖体，说明蛋白质可以在突触本地合成，而不是只能从细胞体运输。当时没人相信，15 年后才被认真对待，直到 2026 年获得 Kavli 神经科学奖，这个时间跨度本身就说明基础学科验证之难。
记忆依赖特定突触的强度变化，这需要新蛋白质。如果把数千个突触的蛋白都由细胞体统一运输，交通会崩溃。RNA 被提前送到每个突触附近，哪里需要就在哪里开工，这是突触可塑性的核心机制。脆性 X 综合征和阿尔茨海默病的早期表现也都和突触蛋白合成异常有关。
有评论提到扁形虫被砍头后，新长出头部仍保留旧记忆；器官移植受者偶尔出现新偏好，虽然原因可能是药物或心理，但记忆未必是大脑的单极叙事。Steward 则把对话拉回原点：他相信理解大脑能给 AI 带来更多东西，而不是反过来。
GLM-5.2（753B 参数，MIT 许可）在 Artificial Analysis Intelligence Index 上仅比 GPT-5.5 低 4 分，而后者参数量保守估计在 1–2T。纯靠放大规模的智能收益已经明显趋平。
在 AA-Omniscience 基准上，DeepSeek V4 Pro（1.6T 参数）面对无解问题只有 6% 的概率承认不知道，幻觉率高达 94%。GLM-5.2 幻觉率 28%，GPT-5.5 则达 86%。用同一个编程陷阱测试，DeepSeek 花了近 4 分钟和 7.7k token 给出了结构完美的错误答案，GLM-5.2 只用 12 秒就指出了问题本身不成立。学会及时说“做不到”成了区分实用性的关键。
评论中有人透露，自己兼职为 AI 公司编写从不存在过的软件，专门针对模型弱项生成训练数据。Mercor 等服务商每天向签约专家支付 300 万美元，用评判标准驱动强化学习。规模竞赛已经从爬取网络文本变成了重金定制高质量数据。
文章指出，要过滤成人内容，网站只需在响应中加入一个 RTA 头部，浏览器端即可根据家长控制决定是否展示。这个标准已经有十多年，成本近乎零。但政客绕过它，直奔集中化身份验证数据库——既能养活商业验证商，又能铺开全面追踪的框架。
立法者先以儿童保护为名强制成人网站年龄验证，再扩展到社交媒体，最后到达银行、聊天工具和游戏。一套统一身份系统建成后，任何“出格”言论都可能面临罚款或人肉搜索。文章也提到 Web Environment Integrity 和 Secure Boot 等技术有可能被用来限制只允许签名网站访问，连 Tor 也难逃。
社区提供了几种不同思路：让使用第三方身份验证的公司对数据泄露承担毁灭性责任（每泄露一条罚 100 万美元）；干脆把给未成年人联网设备定义为违法，将责任锁定在父母层面；也有人批评原文将互联网比作上膛的枪过于夸张。
CSSQuake 把 Quake 的 3D 渲染交给了 CSS 的 transform 属性，游戏逻辑仍由 TypeScript 完成。在 M1 Pro 的 Safari 上不太流畅，换成 Chrome 或 Firefox 就好很多，有用户跑到了 60 FPS。作者坦言没有做性能优化，因为 CSS 本来就不是游戏引擎。部分机制和原版有出入，比如电梯按钮要靠射击触发，敌人击毙后会飘在空中。项目用了 id Software 的共享版资源，和 cssDOOM 一样在探索 web 标准的极限。
古埃及人表示分数时只能用单位分数（分子为 1 的分数）之和，且同一个单位分数不能用两次。例如 3/5 写成 1/2 + 1/10，而不是一个简单的 3/5。存世最古老的数学文献之一阿姆斯纸草书，主体就是 2/n 的表格。
作者 Mark Dominus 给出的解释是：有了这份表，任何分数都能通过二进制拆分和查表得出。把分子拆成 2 的幂次和，查表翻倍，合并重复项，再用 2/n 表消去重复，整套步骤完全是机械操作。19/20 最终可以化简为 [2,4,5]。所以阿姆斯不需要 3/n 或 4/n 的表，一张 2/n 表就足够。这种思路也和埃及人习惯的二进制乘法一致。
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：今天想聊的话题跨度挺大，从怎么压缩数据、聊到我们眼睛里看不见的颜色，再到城市里到底该种多少树，还有一些特别有趣的把游戏和网站塞进奇怪地方的小实验。阿迪，要不先从一本讲数据压缩的老书开始？我听说它把压缩这事儿直接定义成了人工智能问题。
男：对。Matt Mahoney 在 2012 年写了一本《Data Compression Explained》，他自己也是压缩软件 ZPAQ 的作者。书里有个核心观点特别干脆：所有压缩算法都由两个部分组成——模型和编码器。模型负责猜下一个符号出现的概率，编码器给高频符号分配短码。编码问题其实已经解决了，用算术编码就能逼近香农极限。但建模问题从根本上没办法完美解决，因为最优建模等于要找出数据的最短描述，这对应 Kolmogorov 复杂度，而 Kolmogorov 复杂度在一般意义下是不可计算的。
女：等等，你说的“不可计算”是不是说，就跟让一个人永远猜不到硬币的下一面一样，我们没法用一条通用公式求出绝对最短的压缩结果？
男：就是这个意思。所以 Mahoney 直接把压缩定义为人工智能问题——你得先理解数据，才能预测数据，预测了才能压缩。评论区就有人顺着说，现在的大语言模型，也就是 LLM，训练目标本质上就是找一种接近最优的有损压缩方法。如果再配合算术编码，LLM 甚至能拿来当无损压缩工具，压缩文本。
女：那感觉很像一个超级厉害的速记员，听懂了意思就能用极短的符号记下来，没听懂的就只能原样抄。提到 LLM，我注意到最近好像有个模型刚发布就被禁了，说是跟安全有关？
男：对，美国政府对 Anthropic 的 Claude Fable 5 发布三天后就禁令了，理由是单一越狱方式构成国家安全风险。这是美国头一回用国家安全理由禁止一个 AI 模型。不过技术圈讨论更多的其实是这件事折射出的行业怀疑——大家开始觉得无限制扩大参数和数据规模，收益已经不太明显了。比如有一个开放权重的模型 GLM-5.2，总共 7530 亿参数，活跃的只有 400 亿，它在 Artificial Analysis 的智能指数上只比闭源的 GPT-5.5 低 4 分，比 Fable 5 低 9 分。而那两个闭源模型参数规模保守估计在 1 到 2 万亿之间。
女：这么一看，小的反而不比大的差多少。那更大的问题是，这些模型在遇到自己不会的问题时，表现怎么样？
男：这一点更麻烦。在 AA-Omniscience 这个专门测幻觉的基准里，DeepSeek V4 Pro 有 1.6 万亿参数，幻觉率却高达 94%。也就是说，碰到答不上来的问题，它只有大约 6% 的概率会承认不知道，其余时候都自信地编答案。GLM-5.2 的幻觉率只有 28%，Fable 5 是 48%，GPT-5.5 是 86%。有人举了个具体编程例子，要求设计一个自定义的 asyncio 事件循环策略。这个问题本身有架构性矛盾，单线程根本没法同时等子进程又不阻塞事件循环。DeepSeek V4 Pro 花了将近 4 分钟和 7700 个推理 token，给了一个结构完美的错误答案。GLM-5.2 只用了 12 秒和 799 个 token，直接指出问题不成立。
女：这就好像考试，平时死记硬背最多的学生，遇到一道错题反而会洋洋洒洒写满答题纸，而真正理解知识的学生会举手说题干出错了。现在行业对这种“越大越敢编”的趋势有解释吗？
男：一种可能是训练数据本身的问题。如果模型在训练中被灌输“总得给出答案”，它就会惩罚不确定性。现在很多训练数据已经不是单纯的互联网文本了，有从业者透露，他们会兼职为 AI 公司写一些从未存在过的软件，专门针对模型弱项制造训练数据，这些数据被锁起来只供训练。甚至 Mercor 这样的数据服务商每天要付给签约专家 300 万美元，生成带有评分标准的复杂推理数据。简单说，我们可能正在用更多数据教会模型更会编，而不是更知道自己不知道。
女：这个思路和刚才说的压缩还挺像的——更好的压缩需要真正理解数据，而不能只是死记硬背下一段话。那我们暂时离开算法世界，聊聊真实世界里一种我们常常忽略的“数据解析”：我们眼睛看到的颜色。今天有好几篇文章都在讲，屏幕其实根本显示不了自然界里很多颜色。
男：这要回到我们眼睛的工作原理。视网膜里有三种视锥细胞，它们不负责“看到颜色”，只是各自对不同波长喊叫，大脑再比较三种喊叫声的强弱来还原颜色。屏幕就利用这个机制，用红绿蓝三种原色去刺激这三种细胞，模拟出几乎我们能感知到的所有颜色。但“几乎”这个词留下了一个巨大的缺口，就是青色。sRGB 色域把我们能显示的颜色限制在一个窄小的三角形里，自然界里大量青、绿、蓝色都落在三角形外面。不光是屏幕，连白光 LED 也一样，它用蓝色芯片加黄色荧光粉，青色刚好掉在两个峰的谷底。
女：所以想看到这些屏幕上看不到的颜色，就必须出门？
男：对。文章里提到一个很直接的窗口，就是透过叶子看光。树叶的反射光谱基本还在 sRGB 里面，但透射光谱纯净得多。光线穿过一片叶子后，蓝光被吸收，一部分红光也被吸收，再经过叶子内部多次透射反射，颜色会被“提纯”到绿光峰值附近，那种绿比任何显示器上的绿色都浓。潜水也一样，水优先吸收红光，剩下的蓝绿光经过反复过滤，会呈现出屏幕完全无法表达的饱和青蓝色。有读者说自己去潜水看到的画面，比《蓝色星球》里的镜头还要生动。
女：那鸟类羽毛那种会变色的光泽呢？屏幕就更没戏了吧？
男：那是结构色，屏幕的噩梦。比如孔雀眼斑周围的青色，是靠黑色素薄层间隔排列对光进行物理作用产生的。如果把孔雀羽毛磨成粉，颜色就会消失，只留下深棕色。大约 500 种鸟类拥有超出 sRGB 色域的颜色，其中大概 100 种连 Display-P3 色域都装不下。蝴蝶的虹彩色更复杂，一个纸片蝶标本在不同角度能扫过从绿到蓝的整个区间，你用相机一拍，完全不是那个味道。
女：我忽然想起来，每天上下班路过的绿灯，总觉得那颜色很特别，该不会也是屏幕外的颜色吧？
男：没错，那其实不是绿的，是极其饱和的青绿色。NIST 在标准里特意这么规定，为了让色盲群体也能区分红灯和绿灯。现代 LED 绿灯的光谱几乎就是单色的，而激光的 520 纳米绿更接近理想光谱纯度，这大概就是为什么科幻电影里绿色激光总被用来代表高级技术——它太纯了，自然界真的很难出现。有读者说，亲眼看过 430 纳米的蓝色激光之后，感觉那颜色“在向你尖叫蓝色”，再看屏幕上的纯蓝只有失望。
女：从这种纯人工色彩，转向我们身边应该更多的自然绿——我注意到一个“3-30-300”的绿化标准最近经常被提起。
男：这个标准由 Cecil Konijnendijk 提出，要求每户、每所学校、每间办公室，从窗户能看见至少三棵树，所在社区要有 30% 的树冠覆盖率，离公园不超过 300 米。听起来很简单，但涵盖 862 个欧洲城市的研究发现，只有大概一半的居民能从窗户看到三棵树。南欧情况尤其差，西班牙瓦伦西亚只有十分之一居民达标。30% 树冠覆盖率更难，只有约三分之一的欧洲人满足这个条件，达标的多是德国西部的一些小城。
女：有没有城市能全部做到？
男：在全球八大城市测试里，只有新加坡全部达标。不过评论里也指出，新加坡一部分优势是热带雨林气候，但也跟城市规划和财富投入有关。另外两项全达标的人很少，综合来看，只有 14% 的欧洲人三项都满足，21% 的人一项都不满足。评论区里也有不少人对规则本身存疑，比如有人指出，看到三棵树和心理健康之间的关系可能是相关但不一定是因果——能住在绿树成荫的街区，本身通常也意味着更好的经济条件和更安静的环境。荷兰有个挺好玩的活动叫“拆砖竞赛”，鼓励居民把铺地砖移走种上绿植。芬兰人则说大树的生存需要城市规划配合，而不是一出现风险就砍掉。
女：所以不论标准本身是不是完美，行动方向其实就一句话——刨掉沥青，种树。聊完地面上该多种树，我们稍微把目光收回到屏幕里一棵看不见的“树”：浏览器标签页上的小图标 favicon。有人居然在里面藏了一整个网站？
男：对。这人没走传统的隐写术，而是直接把 favicon 像素当存储空间用。每个像素的 RGB 三个通道各占一个字节，三个字节刚好存一个 UTF-8 字符。他写了一段很短的 HTML 作为 payload，用 TextEncoder 转成字节，前面加 4 个字节的长度头，然后按顺序一个字节写进一个通道。结果 favicon 看起来就是一张随机噪点图。读取的时候，用 Canvas API 把 favicon 画到 canvas 上，逐个像素读出 RGB 值，重建字节数组，解码成 HTML，就还原了一个网站。
女：那浏览器打开这个网站的时候，等于自己从自己的图标里读出了一个网页？
男：对，但要有一个前提：favicon 本身只含网站内容，还需要一小段引导用的 JavaScript 去启动解码，否则它就只是一张含数据的 PNG。所以它不实用，但测试了一个边界——favicon 本来就是个图标，但本质上它只是字节。评论区有人提了更直接的方法，用 SVG 格式的 favicon，标记直接写在 XML 里，用 fetch 取回来解析即可。作者回应说他就是想“让 payload 活在像素数据里”。还有人提到，PNG 格式本身就支持在注释块里塞任意多内容，但那就没那么有趣了。
女：我听说还有人在 favicon 里跑游戏？
男：对，《毁灭战士》Doom 和乒乓球都被塞进去过，因为 favicon 小，有人就专门测试极限。另外读者还提到了 polyglot 技术，也就是一个文件同时是合法的 HTML 和 PNG，连引导 JS 都可以省掉。
女：说起把游戏塞进不可思议的地方，今天还有一个东西叫 CSSQuake，是用 CSS 来渲染 3D 的 Quake。
男：对，游戏逻辑用 TypeScript 写，只有渲染部分用了 CSS 的 3D transform，直接跑在浏览器里。它加载了 Quake 共享版资源，支持 8 张地图和多人模式。但评论区普遍反映，在 Safari 上跑起来不如 1996 年 Pentium-133 的原版流畅，M1 Pro 的 Mac 会卡顿和画面裁剪。换 Chrome 或 Firefox 就好很多，有用户在 M2 的 Chrome 上能跑出 60 帧。作者自己说引擎没做性能优化，毕竟 CSS 本来不是为游戏渲染设计的。还有些小 bug，像电梯按钮必须射击才能激活，原版碰一下就行，击杀的敌人有时会浮在空中。
女：在那个年代，Quake 的优化水平真是惊人。刚才这些都是在有限的“容器”里塞进意想不到的内容，这让我想到一个更古老的存储——3800 年前的阿姆斯纸草书。古埃及人把他们的一套数学“压缩算法”记在上面。
男：这份纸草书是现存最古老的数学文献之一，大部分内容是表格，列出了所有形如 2/n，n 为奇数的分数值。当时的埃及人没有我们现在的分数记法，只能写单位分数，也就是分子为 1 的分数，而且同一个单位分数不能重复出现。比如 3/5 要写成 1/2 加 1/10。要把任意分数表达成这种形式其实挺花心思。如果用贪心法，每次都取小于目标的最大单位分数，像 3/7 就会得到 1/3 加 1/11 加 1/231，但其实最优解是 1/4 加 1/7 加 1/28。
女：那为什么纸草书上只列了 2/n 的表，没有 3/n 或者 5/n？
男：作者给的答案很漂亮：“很可能不需要”。因为有了 2/n 表，任何除法都能通过类似二进制拆解的方法机械地算出来。比如 19/20，先拆成 18/20 加 1/20，18/20 等于 9/10，然后再拆 9/10 成 4/5 加 1/10……再配合查表和合并重复项，就能得到最终的单位分数和。整个过程不需要深入推理，只需要机械查表。这很像埃及人原本就会的二进制乘法，把乘数按 2 的幂次展开，然后翻倍累加。所以这份 2/n 表格，就是古埃及人的核心“解压字典”。
女：这跟我们开头聊的数据压缩突然对上了——很多时候，只需要一张高质量的“基准表”，配合机械操作，就能解决庞大的问题，而不是无限制地堆砌更多的表或更多的参数。
男：确实。今天从压缩聊到 AI 的幻觉，再到眼睛的感知、城市的树，最后落脚到 3800 年前的一张表，其实都在说同一件事：更聪明地建模，而不是更粗暴地堆量。
女：谢谢阿迪，也谢谢各位收听。喜欢我们的节目可以在任何泛用型播客客户端搜索订阅，我们下期再见。
男：再见。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。