这里是 138e8 科技新闻简报站点。每日自动抓取全球科技新闻，生成简报并推送至微信。
本站由 Hugo 静态站点生成器构建，通过 Hermes Agent 自动化运营。
Waymo 在构建辅助其自动驾驶车辆更好地理解现实世界的虚拟系统方面拥有丰富的经验。该公司创建了逼真的 3D 世界，以更好地预测自然灾害和不可预测的极端情况。他们还创造了一个高度专注的虚拟驾驶员模型，用于在一系列模拟场景中测试与自身自动驾驶车辆的性能 […]。 📎 原文：Waymo built a virtual driver to study how humans react to surprises on the road | 来源：The Verge
Meta 公司被欧盟委员会命令，在监管机构完成反垄断调查期间，恢复对来自竞争对手人工智能提供商的聊天机器人（chatbot）在 WhatsApp 上免费使用的权限。 这项于周二宣布的罕见临时措施被认为“为了防止通用人工智能助手市场中出现严重的、不可逆转的损害”，因此是必要的。 这一举措标志着 Meta 在人工智能领域面临的监管压力进一步加剧，同时也可能对 WhatsApp 的未来发展产生深远影响。 📎 原文：WhatsApp ordered to host rival AI assistants for free | 来源：The Verge
RAMageddon 事件促使微软重新审视其 Xbox 主机硬件业务。Xbox CEO Asha Sharma 和 Xbox 战略负责人 Matthew Ball 都透露，微软正在重新评估下一代 Project Helix 主机的计划，并同时探索“彻底不同的”主机业务模式。“我们正在努力重新思考 [… ]” 📎 原文：Xbox exploring ‘radically different’ console business models | 来源：The Verge
阿波罗全球管理公司联合总裁斯科特·克莱曼警告说，随着借贷成本的正常化，“私募股权企业需要开始重新评估估值”。他认为，在过去相对宽松的融资环境下，私募股权企业“略微偏离了轨道”，并且未来将不得不接受更加合理的估值。 📎 原文：Apollo’s Kleinman Says Private Equity Lost Its Way on Deals | 来源：Bloomberg Markets
阿根廷比索出现先抑后扬的下跌趋势，投资者风险意识增强，同时阿根廷首都布宜诺斯艾利斯的政策制定者放宽对该货币的管控，导致其波动性加剧。 📎 原文：Argentine Peso Drops Most Over Eight Weeks Since Midterm Selloff | 来源：Bloomberg Markets
近期比特币大幅下跌，导致其流通供应超过一半进入亏损区域。这表明市场对加密货币的信心正在减弱，投资者可能正在重新评估其投资组合中的风险。虽然长期持有者可能会继续持有，但短期内，价格进一步下跌的可能性仍然存在。 这种趋势也反映了更广泛的市场情绪，即投资者对高波动性资产持谨慎态度。 📎 原文：Bitcoin Selloff Leaves Half of All Supply Trading at a Loss | 来源：Bloomberg Markets
比特币在经历大幅下跌后出现小幅反弹，但这种反弹可能只是暂时的。由于市场结构性问题暴露，比特币价格可能再次下跌。投资者需要警惕，尽管短期内价格有所回升，但潜在的风险依然存在。 市场观察人士认为，比特币的价格波动仍然很大，并且受到多种因素的影响，包括监管政策、宏观经济环境和技术发展等。因此，投资者在进行投资决策时应保持谨慎，并充分了解相关风险。 📎 原文：Bitcoin Finds a Bounce, Not a Bottom | 来源：Bloomberg Markets
中国电动汽车巨头比亚迪宣布，将加速其在欧洲汽车市场的扩张，通过在大陆范围内部署超快速的“Flash Chargers”充电桩。比亚迪已在德国和英国率先安装了第一批新充电桩，并计划到下一年年底前在整个欧洲推广3000个此类充电桩。 📎 原文：BYD to install thousands of 5-minute EV chargers across Europe | 来源：The Verge
本文讨论了从瑞士铁路处采购火车、桥梁或轨道的可能性。由于缺乏具体内容，无法提供更详细的摘要。 📎 原文：Buy a train, bridge or tracks from the Swiss Railway | 来源：Hacker News
这篇文章探讨了大型语言模型 (LLMs) 在超参数优化方面的潜力。传统上，超参数优化依赖于基于搜索、遗传算法等方法，但这些方法在处理复杂模型和大规模数据集时效率较低。LLMs 凭借其强大的学习能力和泛化能力，有望在超参数优化任务中实现更高的效率和更好的性能。文章分析了 LLMs 如何通过学习训练数据的模式来预测最佳超参数，并探讨了这种方法的优势与局限性。此外，文章还讨论了 LLMs 在超参数优化中的应用场景，例如模型训练、资源分配等。 📎 原文：Can LLMs Beat Classical Hyperparameter Optimization Algorithms? | 来源：Hacker News