科技爱好者周刊（第 414 期）：Jev 决策模型有什么用
内容提要
阮一峰周刊第414期介绍了AI决策模型Jev：它不返回文字，而返回概率浮点数，可处理是非题、选择题和评分题，如语义查找、网页质量打分。西蒙·威利斯批评其是黑箱，担忧被用于简历排名。此外还提到Markdown正成为源码、苹果将推不能摄像的AI摄像头、RSA因数分解创896位新纪录，以及多款工具资源。
延伸解读
Jev 模型：从文字到概率的转变
Jev 模型不返回文字，而是返回一个浮点数表示概率，这使其能直接处理是非题、选择题和评分题。例如，语义查找通过判断段落与搜索词的相关性概率来定位内容；网页质量打分则依据预设标准输出分数。这种量化输出让许多原本难以数字化的问题变得可计算，但同时也意味着决策过程被简化为一个数字，缺乏可解释性。
黑箱风险：效率与透明度的权衡
西蒙·威利斯批评 Jev 是黑箱系统，因为用户只能得到概率值，无法知晓其计算依据。他担忧这种模型被用于简历筛选等场景，将复杂的评估简化为评分，可能导致不公平。这提醒我们，在利用 Jev 提升效率的同时，需警惕其缺乏透明度和可解释性带来的潜在风险，尤其是在涉及重要决策时。
RSA 破解新纪录：个人算力的崛起
一位工程师借助 Claude 模型将 CADO-NFS 移植到 GPU，在 2048 个 GPU 上运行 10 天，成功分解了 896 位的 RSA 密钥，打破了此前 768 位的纪录。这一事件表明，个人现在也能调用大规模算力破解较长密钥，暗示大机构的能力可能更强。因此，当前建议 RSA 密钥至少使用 2048 位以确保安全。
Markdown 作为源码：AI 时代的新实践
文章提出 Markdown 正在变成源码，理由包括其纯文本易于差异比较和审查，AI 能像母语一样读写，且人类无需工具即可编辑。随着 AI 根据 Markdown 提示词生成代码，提示词应与源码一同提交到 /src 目录。事实上，Markdown 已作为 AGENTS.md 文件成为源码的一部分，这要求我们习惯将 Markdown 文档视为源码。
Q&A
Jev 决策模型是什么？它和普通 AI 模型有什么不同？
Jev 是一种决策模型，最大特点是返回一个浮点数表示概率，而不是返回文字。它可以处理是非题、选择题和评分题。
Jev 模型具体能用来做什么？有哪些实际应用例子？
Jev 可以用于语义查找（如浏览器插件将 Ctrl+F 改造成语义查找，通过判断段落与搜索词的相关度）和网页质量打分（根据评分标准自动为网页打分）。
西蒙·威利斯对 Jev 模型有什么批评和担忧？
西蒙·威利斯批评 Jev 是黑箱系统，只返回一个浮点数，不解释数字来源。他担忧有人会用 Jev 给求职者排名，使简历筛选和面试挑选变得过于简单。
为什么说 Markdown 正在变成源码？
因为 Markdown 是纯文本，易于差异比较、搜索和审查；AI 可以像母语一样读写 Markdown；人类无需工具即可阅读和编辑。既然代码由 AI 根据 Markdown 提示词生成，Markdown 提示词就应和源码一起提交到 /src 目录。
苹果将推出的不能摄像的摄像头有什么特别之处？
这款智能家居摄像头不能录制视频，完全依靠 AI 分析周围环境并报告检测到的内容，比如陌生人敲门时只提供文字描述，而不是视频。
RSA 因数分解的新纪录是多少？是如何实现的？
新纪录是 896 位。Anthropic 公司的一位软件工程师在 Claude 模型帮助下，将质因数分解软件库 CADO-NFS 移植到 GPU 运行，在 2048 个 GPU 上运行了 10 天，成功破解了 896 位的 RSA 密钥。
