数据爬取、AI证明与开源契约：本周技术圈深度观察

当爬虫学会「礼貌」：3D模型社区的开放与失联

一个自称为「Trellis 2 数据采集」的爬虫在10月中旬用34小时、26,000次请求扫荡了Oven Sunday Lab、SFM Lab和SmartBass三个3D模型社区。它读取了近19,000个项目首页，下载了1,027个完整文件，总计145GB。关键在于它全程使用可识别身份的用户代理，并附带了roblox.com的邮箱和AWS地址，甚至安排了午休和请求速率递减。

这不是偷偷摸摸的抓取，而是一次有组织的数据采集行动。技术动机不难理解：语言模型有万亿级token，而3D领域最大的开放网格数据集Objiverse不到百万级观测，其中还多为未贴图扫描件或CAD导出。真正稀缺的是带骨骼、权重和拓扑的绑定角色模型——而这些恰好是三个社区积累十年的精华。

争议焦点不在「复制」，而在「失联」。研究者发出两封邮件到那个地址，roblox均未回应。一个以真实身份发起请求的人，请求和其背后的机构都没有得到回复。这形成了一个单向阀：数据从社区流向平台模型，而建模者无法下载、检查或运行任何东西。社区评论的诉求很清晰——拿走数据，就公开权重。Objiverse之所以能成为基础，正因为它开放。

Objaverse 是 Allen Institute for AI 于 2022 年发布的大规模 3D 物体数据集，包含约 80 万个由 Objaverse 1.0 从 Sketchfab 等平台抓取的 3D 模型及其元数据，后续 1.0 版本扩展至 80 万以上。它常被视为 3D 视觉领域的“ImageNet 时刻”，因为在此之前公开可用的 3D 网格数据规模小、标注稀薄。但 Objaverse 的模型多为静态扫描件或 CAD 导出，缺少骨骼绑定、蒙皮权重和动作数据，难以直接用于动画或具身智能研究。文章提到“最大开放网格数据集不到百万级观测”即指此类数据集的规模瓶颈，而带骨骼与权重的角色模型在三个社区中以数十年积累的形式存在，正是稀缺性的来源。

数学证明的「公开性」正在被重新定义

本周有三项新发现分别来自数学、计算机科学和物理学。最引人注目的是OpenAI同步宣布的三个成果——调和分析、复杂度理论和量子场论各一项，却采用了三种不同的发布策略。

复杂度组的声明尤其大胆：一个确定性算法，能精确计算任意合取范式公式的可满足解数量，快到足以推翻指数时间假设（ETH）。这个假设是大量下界结果的承重墙。工作组的第一决定是立即发布自然语言证明、Lean形式化验证和GitHub仓库，任何有笔记本电脑的人都能下载并运行验证器。

这与1971年Harlan Mills提出、Brooks在《人月神话》第三章中支持的「首席程序员团队」有异曲同工之处：关键不是谁做，而是结构能被公开检验。相比之下，物理组选择了内部撰写、等待发布。播客中的比喻很精妙：理解像一个发酵菌种，不是你能占有的物质，而是必须递给其他厨房才能存活的群体。

一个被忽视的问题是：两个实验室在数小时内发布类似边界，一个在PDF里，一个在Google Drive里，都没有机器可验证性。而定理本应是最开放的人类产物——它不在乎谁证明、在哪个页面上首发。目前验证仍依赖对两个组织的信任，这是本月可以修复的条件。

当AI开始写代码：Brooks定律还成立吗？

「向已延误的项目增加人力只会让它更晚。」Brooks在1975年基于IBM OS/360的经验写下这句话。50年后，问题变成了：当新加入的是智能体进程时，这条定律还成立吗？

表面上，智能体的入职成本为零，休息时间为零。但Brooks真正衡量的是通信路径——它随参与者数量的平方增长。九个智能体在同一代码库上无编排运行，会以机器速度互相覆盖。顺序任务仍然是顺序的。总得有人定义「完成」、审查输出、捕捉编造和缝合碎片。开销转移了，但并未蒸发。

1971年Mills提出的「首席程序员团队」——一个外科医生写代码，配一个副手、管理员、工具匠、测试员和语言律师——过去受限于每个支持角色都是稀缺的人力。如今这个组织结构变得可构建：一个工程师，加一个工具匠进程、一个测试员进程、一个文档进程。55年前纸上画的团队结构，正在被本月的人们重新发现。但值得警惕的是：模型权重不是有趣的产物，组织图才是。而现在编排模式大多存在于私有脚手架和未共享的配置中。

Brooks 定律出自 Fred Brooks 1975 年的《人月神话》（The Mythical Man-Month），原文表述为“向一个已经延误的软件项目增加人力只会让它更晚”。其核心论据是软件工程中的通信开销：n 个开发者之间需要维护的沟通渠道约为 n(n-1)/2，随人数平方增长，而任务拆分与集成本身也消耗时间。Brooks 还区分了“可分解任务”与“顺序依赖任务”，后者无法通过并行加速。文章将这一框架迁移到 AI 智能体场景，指出智能体虽无入职与休息成本，但编排、审查与定义“完成”的成本仍然存在，因此通信开销并未消失而是转移。

首席程序员团队（Chief Programmer Team） 是 Harlan Mills 于 1971 年提出的软件组织结构，后由 Brooks 在《人月神话》第三章中讨论。其构想是围绕一名首席程序员组建小型专业化团队：首席负责全部核心设计与编码，副手协助并承担部分实现，另有管理员、工具匠、测试员、语言律师和文档编辑等角色，各司其职以减少沟通路径。Mills 在 IBM 内部曾以该模式完成纽约时报剪报系统等项目，证明其可行性。文章指出，过去该模式受限于每个支持角色都是稀缺人力，而 AI 智能体可以低成本扮演工具匠、测试员等角色，使这一 55 年前的纸上结构重新具备可构建性，但编排模式本身仍多存于私有脚手架中。

诊断与理解：从睡眠节律到从零构建推理模型

悉尼团队在澳大利亚抑郁症遗传研究中分析了11,380人，发现四分之一的抑郁症患者符合六条可观察标准：季节性情绪波动、睡眠中点后移、社交时差、晚睡型、允许时睡得长、早晨疲惫。如果疾病是相位错误而非神经递质缺陷，那么调节血清素的药物可能在错误层级上工作。

评论中一针见血：这等于宣布「科学家发现夜猫子，而社会在强迫他们执行破坏性时间表」。病理可能部分存在于朝九晚五的制度中。而诊断所需的数据——季节性、两个睡眠中点、睡眠类型、睡眠时长、早晨疲劳——一部手机加便宜的体动记录仪就能测量。6条标准都能家庭化测量，这让诊断不必依赖实验室。

另一边，Sebastian Raschka发布了8个视频、11小时的「从零构建推理模型」课程，用Python和PyTorch在小型预训练模型上手工实现评估、推理时缩放、可验证奖励的强化学习和蒸馏。预训练被跳过——那是花钱的部分；推理层是花理解的部分。而推理后训练恰恰是现代技术栈中守得最紧的一环：实验室发布架构却扣留配方。现在这个配方被写成可读的PyTorch代码，在开放权重上录制下来。门槛的消失是自愿的。

Debian的诚实拒绝与旧软件的持久契约

Debian开发者Johannes Schauer表示，在能够选择退出自动审查之前，他将停止向NEW队列上传新软件包。NEW是全新源码包进入档案馆前等待人工检查许可证和版权的队列。他的理由精确到可以写成验收标准：如果LLM有bug，我无法修复它——模型是二进制块。这是用Debian自己构建的词汇表达的一个DFSG论点。

解决方案其实清晰：开放权重而非二进制块、温度设为零并固定修订版本以保证输出可复现、公开提示词以便审计、在debian/control中加一个关闭字段。有人用一行话概括了全部：「请勿使用LLM」出现在上传中即抑制审查。那是一个下午的工作量，也许两个。这展示了批评的纪律性——开发者看着管道中的新工具，逐条指明什么才能让它合法。

另一个故事关于持久性。一位开发者寻找能在Windows 11上无模拟层运行的最老图形程序，答案是1992年11月16日链接的CDPlayer.exe——34岁，还能启动、绘制窗口，配上虚拟光驱就能播放音频。而逆转录棋（Reversi）从1985年运行，但只能通过一个重新实现16位层的开源项目。供应商履行了34年的契约，然后停止了。某个在公开环境中工作的人接手继续。持久性不是代码的属性，而是围绕它的承诺的属性。

DFSG（Debian Free Software Guidelines，Debian 自由软件指导方针） 是 Debian 项目判定软件是否属于自由软件的社会契约附件，也是开源定义（OSD）的直接来源。其核心要求包括：可自由再分发、提供源代码、允许修改与派生作品、不得歧视个人或群体、不得歧视使用领域、权利随软件一同传递等。DFSG 的关键在于它要求的是“可修复性”与“可审计性”，而不仅仅是免费获取。文章提到 Schauer 的反对是“用 Debian 自己构建的词汇表达的 DFSG 论点”，正是指 LLM 作为二进制块无法满足源码可修改、行为可复现的要求，因此与 DFSG 精神冲突。

开放与封闭之间的张力

本周的多个故事指向同一个主题：开放不是道德姿态，而是系统能否被检验、被继承、被修复的前提。爬虫带走数据却不公开权重，是单向阀；数学证明被锁在PDF里，验证退化为信任；AI审查工具是二进制块，缺陷无法被修复；Windows旧程序因供应商停止而依赖开源社区续命。

反过来，Objiverse、Lean形式化、可下载的推理模型课程和公开的接口文档，展示了一条不同的路径：拿走后公开，复制后可检验，依赖后能接管。技术圈本周的讨论，表面上是爬虫、数学和模拟器，内核却是同一个问题——你建造的东西，是否允许别人下载、运行和继续？