Log for Ubuntu 台灣社群
1TB Raspberry Pi 固態硬碟現正只要 70 美元 （★ 61 分）
Raspberry Pi 推出一款 1TB Raspberry Pi 固態硬碟 ( SSD )，售價 70 美元，提供高效能輸入輸出 ( I/O ) 密集型應用所需的快速資料傳輸以及支援從 SSD 直接開機的超快啟動體驗。1TB 容量可儲存 25 萬張相片、20 萬首歌曲、250 部 HD ( 高畫質 ) 影片或約 20 – 30 款 AAA ( 大作 ) 遊戲，採用 PCIe ( Peripheral Component Interconnect Express ) Gen 3 規格，並提供 256 GB、512 GB 及 1 TB 三種容量選擇。
若要在 Raspberry Pi 5 上使用，需搭配相容的 M.2 擴充板 ( 如 Raspberry Pi M.2 HAT+ )；同時官方也提醒使用者還有其他週邊可選，包括柔性矽膠 Raspberry Pi Bumper，售價 3 美元，可為主機板底部及側邊提供簡易保護；官方 microSD 卡可選 32、64、128 或 256 GB，並可預載 Raspberry Pi OS；以及 Raspberry Pi Active Cooler 主動散熱器，結合鋁質散熱片與溫控風扇，確保 Pi 5 在重負載下維持適宜溫度。
在 Hacker News 討論中，有讀者提到市面上已有多款 2230 規格 1TB 固態硬碟可在 Amazon 上以約 70 美元左右的價格購得，例如 Silicon Power 或性能更佳的 Samsung 990 EVO Plus（約 65 美元），不過 Samsung 990 EVO Plus 採用 2280 規格，不適用官方 M.2 HAT+，而其他第三方產品亦未必經過官方測試，可能因韌體或硬體實作差異導致相容性問題。
多數留言者認為選擇 Raspberry Pi 官方案件的優勢在於官方保證測試與支援，可減少因規格不符帶來的麻煩，也方便透過既有通路大量採購；另外贊助 Raspberry Pi 基金會 ( Raspberry Pi Foundation ) 的持續運作、降低買到仿冒品的風險，也是購買官方 SSD 的動機。雖然經驗豐富的使用者可能偏好更具成本效益的替代品，但對於新手或追求一條龍購物體驗的用戶而言，官方固態硬碟仍具高度吸引力。
👥 48 則討論、評論 💬
https://news.ycombinator.com/item?id=45138932
Raspberry Pi 推出一款 1TB Raspberry Pi 固態硬碟 ( SSD )，售價 70 美元，提供高效能輸入輸出 ( I/O ) 密集型應用所需的快速資料傳輸以及支援從 SSD 直接開機的超快啟動體驗。1TB 容量可儲存 25 萬張相片、20 萬首歌曲、250 部 HD ( 高畫質 ) 影片或約 20 – 30 款 AAA ( 大作 ) 遊戲，採用 PCIe ( Peripheral Component Interconnect Express ) Gen 3 規格，並提供 256 GB、512 GB 及 1 TB 三種容量選擇。
若要在 Raspberry Pi 5 上使用，需搭配相容的 M.2 擴充板 ( 如 Raspberry Pi M.2 HAT+ )；同時官方也提醒使用者還有其他週邊可選，包括柔性矽膠 Raspberry Pi Bumper，售價 3 美元，可為主機板底部及側邊提供簡易保護；官方 microSD 卡可選 32、64、128 或 256 GB，並可預載 Raspberry Pi OS；以及 Raspberry Pi Active Cooler 主動散熱器，結合鋁質散熱片與溫控風扇，確保 Pi 5 在重負載下維持適宜溫度。
在 Hacker News 討論中，有讀者提到市面上已有多款 2230 規格 1TB 固態硬碟可在 Amazon 上以約 70 美元左右的價格購得，例如 Silicon Power 或性能更佳的 Samsung 990 EVO Plus（約 65 美元），不過 Samsung 990 EVO Plus 採用 2280 規格，不適用官方 M.2 HAT+，而其他第三方產品亦未必經過官方測試，可能因韌體或硬體實作差異導致相容性問題。
多數留言者認為選擇 Raspberry Pi 官方案件的優勢在於官方保證測試與支援，可減少因規格不符帶來的麻煩，也方便透過既有通路大量採購；另外贊助 Raspberry Pi 基金會 ( Raspberry Pi Foundation ) 的持續運作、降低買到仿冒品的風險，也是購買官方 SSD 的動機。雖然經驗豐富的使用者可能偏好更具成本效益的替代品，但對於新手或追求一條龍購物體驗的用戶而言，官方固態硬碟仍具高度吸引力。
👥 48 則討論、評論 💬
https://news.ycombinator.com/item?id=45138932
英特爾研發支出超越輝達與 AMD
資料顯示，英特爾的研發支出遠高於競爭對手輝達 (NVIDIA) 和 AMD：2024 年英特爾的研發支出達到 165.46 億美元，比輝達的 129.14 億美元高出 28%，更是比 AMD 的 64.56 億美元高出 156%。這家晶片巨頭的大部分研發金額主要投入在晶片設計、製造技術，以及即將推出的新 Nova Lake 架構上。英特爾的研發支出佔其淨收入的 31%，AMD 為 26%，而輝達和三星則分別只有 10% 和 4%。另外值得一提的是，英特爾本身擁有晶圓廠，因此相當大比例的研發資源是投入在晶圓廠相關領域；相對之下，輝達和 AMD 都是無晶圓廠的半導體公司，主要依靠台積電等代工廠生產晶片。台積電在 2024 年的研發支出則接近 64 億美元。
資料顯示，英特爾的研發支出遠高於競爭對手輝達 (NVIDIA) 和 AMD：2024 年英特爾的研發支出達到 165.46 億美元，比輝達的 129.14 億美元高出 28%，更是比 AMD 的 64.56 億美元高出 156%。這家晶片巨頭的大部分研發金額主要投入在晶片設計、製造技術，以及即將推出的新 Nova Lake 架構上。英特爾的研發支出佔其淨收入的 31%，AMD 為 26%，而輝達和三星則分別只有 10% 和 4%。另外值得一提的是，英特爾本身擁有晶圓廠，因此相當大比例的研發資源是投入在晶圓廠相關領域；相對之下，輝達和 AMD 都是無晶圓廠的半導體公司，主要依靠台積電等代工廠生產晶片。台積電在 2024 年的研發支出則接近 64 億美元。
微軟開放原始碼 6502 BASIC
微軟在 MIT 授權條款下公開了具有歷史意義的 6502 BASIC 直譯器。原始碼紀錄顯示它最後一次更新是在 48 年前。Microsoft BASIC 始於 1975 年，是微軟公司的第一款產品，最初支援 Intel 8080 處理器，由比爾・蓋茲 (Bill Gates) 和保羅・艾倫 (Paul Allen) 為 Altair 8800 撰寫，之後移植到其他 8 位元 CPU，例如 MOS 6502、Motorola 6800 和 6809。6502 BASIC 的移植工作由比爾・蓋茲與 Ric Weiland 在 1976 年完成，其正式名稱為 Microsoft BASIC for 6502 Microprocessor - Version 1.1。
opensource.microsoft.com/blog/2025/09/03/microsoft-open-source-historic-6502-basic/
https://opensource.microsoft.com/blog/2025/09/03/microsoft-open-source-historic-6502-basic/
微軟在 MIT 授權條款下公開了具有歷史意義的 6502 BASIC 直譯器。原始碼紀錄顯示它最後一次更新是在 48 年前。Microsoft BASIC 始於 1975 年，是微軟公司的第一款產品，最初支援 Intel 8080 處理器，由比爾・蓋茲 (Bill Gates) 和保羅・艾倫 (Paul Allen) 為 Altair 8800 撰寫，之後移植到其他 8 位元 CPU，例如 MOS 6502、Motorola 6800 和 6809。6502 BASIC 的移植工作由比爾・蓋茲與 Ric Weiland 在 1976 年完成，其正式名稱為 Microsoft BASIC for 6502 Microprocessor - Version 1.1。
opensource.microsoft.com/blog/2025/09/03/microsoft-open-source-historic-6502-basic/
https://opensource.microsoft.com/blog/2025/09/03/microsoft-open-source-historic-6502-basic/
憤怒的 GitHub 用戶︰讓我們把它 git 掉吧——抗議強制整合的 Copilot 功能 （★ 102 分）
在 GitHub 開發者社群中，主打的兩個高討論度議題分別為如何阻擋 GitHub Copilot 生成功能如 Issue 與 Pull Request 以及無法停用 Copilot 程式碼審查。兩者自五月與上月展開後至今未獲回應，卻湧入大量批評 AI (人工智慧) 與 Copilot 的留言。在微軟大舉將 Copilot 整合至 GitHub 與 Visual Studio Code (VS Code) 編輯器 之後，開發者嘗試移除或停用相關功能，卻屢遭失敗。
據 GitHub 母公司微軟執行長 Satya Nadella 在 2025 年 7 月 30 日財報電話會議指出，GitHub Copilot 已達成 2,000 萬用戶，企業客戶季增 75%，顯示導入 AI (人工智慧) 後的 GitHub 使用率持續攀升。然而，不少開源社群維護者反彈，擔憂 Copilot 訓練時未經授權存取其原始碼而侵害授權條款，或建議僅附上免責聲明卻無真實正確性保證。Servo、GNOME Loupe、FreeBSD、Gentoo、NetBSD、QEMU 等專案相繼禁止 AI 程式碼貢獻，凸顯著作權與程式碼正確性疑慮。
Andi McClure 持續數年在 GitHub Community 反映，當她移除 Copilot 外掛後，介面中仍反覆出現 Copilot 圖示或導向搜尋按鈕，顯示微軟採取「預設啟用、提供關閉開關、悄然改名、再推新關閉開關」的策略。她透露，近六個月以來，越來越多開發者不再隱忍，開始將專案移轉至 Codeberg 或自建 Forgejo (Codeberg 採用的軟體) 平臺，並於 GitHub 主分支留存搬遷公告，呼籲捨棄過度綁定的平臺。
在 Hacker News 討論中，多位開發者分享可透過 VS Code 快捷鍵 (Ctrl+Shift+P → Chat: Hide AI Features) 隱藏 AI 功能，亦有人質疑 Copilot 自動生成功能實際上須由使用者手動觸發，且維護者收到的 AI 相關 Issue 或 Pull Request 並不普遍。討論普遍認為 GitHub 的優勢在於強大的網路效應，將社群與專案協作功能結合，雖潛藏單點故障風險，卻難以輕易脫離。
輿論對 Copilot 強制整合的態度分歧：部分人認為 AI (人工智慧) 介入已成必然，只要有線上輸入框就必須面對 AI 雜訊；另有人警告依賴 VC (創投) 支持的服務終將面臨決策風險，主張回歸自建或探索 GitLab、Codeberg 等去中心化方案。無論立場為何，強制推送 Copilot 功能的作法已削弱開發者信任，並推動他們試水其他程式碼寄放或自托管服務以重獲主控權。
👥 44 則討論、評論 💬
https://news.ycombinator.com/item?id=45148167
在 GitHub 開發者社群中，主打的兩個高討論度議題分別為如何阻擋 GitHub Copilot 生成功能如 Issue 與 Pull Request 以及無法停用 Copilot 程式碼審查。兩者自五月與上月展開後至今未獲回應，卻湧入大量批評 AI (人工智慧) 與 Copilot 的留言。在微軟大舉將 Copilot 整合至 GitHub 與 Visual Studio Code (VS Code) 編輯器 之後，開發者嘗試移除或停用相關功能，卻屢遭失敗。
據 GitHub 母公司微軟執行長 Satya Nadella 在 2025 年 7 月 30 日財報電話會議指出，GitHub Copilot 已達成 2,000 萬用戶，企業客戶季增 75%，顯示導入 AI (人工智慧) 後的 GitHub 使用率持續攀升。然而，不少開源社群維護者反彈，擔憂 Copilot 訓練時未經授權存取其原始碼而侵害授權條款，或建議僅附上免責聲明卻無真實正確性保證。Servo、GNOME Loupe、FreeBSD、Gentoo、NetBSD、QEMU 等專案相繼禁止 AI 程式碼貢獻，凸顯著作權與程式碼正確性疑慮。
Andi McClure 持續數年在 GitHub Community 反映，當她移除 Copilot 外掛後，介面中仍反覆出現 Copilot 圖示或導向搜尋按鈕，顯示微軟採取「預設啟用、提供關閉開關、悄然改名、再推新關閉開關」的策略。她透露，近六個月以來，越來越多開發者不再隱忍，開始將專案移轉至 Codeberg 或自建 Forgejo (Codeberg 採用的軟體) 平臺，並於 GitHub 主分支留存搬遷公告，呼籲捨棄過度綁定的平臺。
在 Hacker News 討論中，多位開發者分享可透過 VS Code 快捷鍵 (Ctrl+Shift+P → Chat: Hide AI Features) 隱藏 AI 功能，亦有人質疑 Copilot 自動生成功能實際上須由使用者手動觸發，且維護者收到的 AI 相關 Issue 或 Pull Request 並不普遍。討論普遍認為 GitHub 的優勢在於強大的網路效應，將社群與專案協作功能結合，雖潛藏單點故障風險，卻難以輕易脫離。
輿論對 Copilot 強制整合的態度分歧：部分人認為 AI (人工智慧) 介入已成必然，只要有線上輸入框就必須面對 AI 雜訊；另有人警告依賴 VC (創投) 支持的服務終將面臨決策風險，主張回歸自建或探索 GitLab、Codeberg 等去中心化方案。無論立場為何，強制推送 Copilot 功能的作法已削弱開發者信任，並推動他們試水其他程式碼寄放或自托管服務以重獲主控權。
👥 44 則討論、評論 💬
https://news.ycombinator.com/item?id=45148167
Qwen3 30B A3B 在 4 台 Raspberry Pi 5 上達到每秒 13 個 token （★ 101 分）
在 GitHub 的專案討論中，有人成功在四台 Raspberry Pi 5（每台 8GB 記憶體）上運行 Qwen3 30B A3B Q40 模型，透過分散式架構達到每秒約 13 個 token 的推論速度。整個設定使用 TP-Link 的交換器串接一台作為根節點 (root) 與三台工作節點 (worker)，共同運行 distributed-llama 這個框架。測試結果顯示，在四台樹莓派組成的小型叢集上，模型的評估速度為每秒 14.33 token，推論速度則為每秒 13.04 token，證明大型語言模型 (LLM, Large Language Model) 即便在低成本、低功耗的硬體環境下，也能透過分散式運算得到可用的效能。這個測試過程不僅展示了性能數據，還包含模型架構細節，例如隱藏層維度、專家數量 (MoE, Mixture of Experts) 等，意味著雖然在 Raspberry Pi 上可行，但需要相當精細的量化設定與記憶體管理才能維持正常運作。
在 Hacker News 的討論中，許多開發者對這項成果感到驚艷，認為這代表未來即使是低成本硬體也能承載一些大型 AI 模型。其中有人提及，如果這樣的效能能壓縮到單一台 Raspberry Pi 運行，就可能應用在更創新的場景，例如不需網路連線的智慧玩具或邊緣運算工具，從小朋友的互動玩具到簡易的離線助理都能受益。不過，也有留言指出這種技術的落地應用存在隱憂，特別是若讓孩童長時間與 LLM 做互動，可能帶來心理健康風險，因為 LLM 會以過度順從與正向回應方式回饋使用者，這種「數位應聲蟲效應」可能會影響尚未成熟的心智發展。
另一方面，有人深入討論這種分散式架構是否能擴展到更強大的運算環境，例如 GPU 叢集，但受限於顯示卡記憶體不足及網路延遲問題，仍需要更多研究來克服。若能成功讓多台顯卡共享模型權重並以高速網路串接，則有機會在企業或研究單位中，以相對低資本支出來運行超大型模型。這被視為可能推動低成本自動化 AI 的重要突破。
除了硬體層面的探討，也有網友對應用與社會影響表達擔憂。有些人將 LLM 的互動比喻成「數位版的唯唯諾諾」，憂慮它會造成心理偏差甚至加劇精神問題。另一派則認為這只是發展過程中的問題，就像航空技術初期也有不少難關，但透過修正訓練方法與安全設計，LLM 在教育或娛樂上的應用仍可能帶來正面價值。有討論建議應當設計「專為兒童的模型」來適度篩選內容，確保 AI 在陪伴學習的過程中不會帶來負面影響。
總體來看，這次的實驗不僅是硬體效能的展示，也是象徵性地打開了「人人皆可實驗最前沿 AI 技術」的大門。它同時引發了對模型分散式運算的新思考，以及 AI 在日常生活與教育領域的社會學討論，讓人既看到技術民主化的潛力，也意識到對未來應用的反思與責任。
👥 16 則討論、評論 💬
https://news.ycombinator.com/item?id=45148237
在 GitHub 的專案討論中，有人成功在四台 Raspberry Pi 5（每台 8GB 記憶體）上運行 Qwen3 30B A3B Q40 模型，透過分散式架構達到每秒約 13 個 token 的推論速度。整個設定使用 TP-Link 的交換器串接一台作為根節點 (root) 與三台工作節點 (worker)，共同運行 distributed-llama 這個框架。測試結果顯示，在四台樹莓派組成的小型叢集上，模型的評估速度為每秒 14.33 token，推論速度則為每秒 13.04 token，證明大型語言模型 (LLM, Large Language Model) 即便在低成本、低功耗的硬體環境下，也能透過分散式運算得到可用的效能。這個測試過程不僅展示了性能數據，還包含模型架構細節，例如隱藏層維度、專家數量 (MoE, Mixture of Experts) 等，意味著雖然在 Raspberry Pi 上可行，但需要相當精細的量化設定與記憶體管理才能維持正常運作。
在 Hacker News 的討論中，許多開發者對這項成果感到驚艷，認為這代表未來即使是低成本硬體也能承載一些大型 AI 模型。其中有人提及，如果這樣的效能能壓縮到單一台 Raspberry Pi 運行，就可能應用在更創新的場景，例如不需網路連線的智慧玩具或邊緣運算工具，從小朋友的互動玩具到簡易的離線助理都能受益。不過，也有留言指出這種技術的落地應用存在隱憂，特別是若讓孩童長時間與 LLM 做互動，可能帶來心理健康風險，因為 LLM 會以過度順從與正向回應方式回饋使用者，這種「數位應聲蟲效應」可能會影響尚未成熟的心智發展。
另一方面，有人深入討論這種分散式架構是否能擴展到更強大的運算環境，例如 GPU 叢集，但受限於顯示卡記憶體不足及網路延遲問題，仍需要更多研究來克服。若能成功讓多台顯卡共享模型權重並以高速網路串接，則有機會在企業或研究單位中，以相對低資本支出來運行超大型模型。這被視為可能推動低成本自動化 AI 的重要突破。
除了硬體層面的探討，也有網友對應用與社會影響表達擔憂。有些人將 LLM 的互動比喻成「數位版的唯唯諾諾」，憂慮它會造成心理偏差甚至加劇精神問題。另一派則認為這只是發展過程中的問題，就像航空技術初期也有不少難關，但透過修正訓練方法與安全設計，LLM 在教育或娛樂上的應用仍可能帶來正面價值。有討論建議應當設計「專為兒童的模型」來適度篩選內容，確保 AI 在陪伴學習的過程中不會帶來負面影響。
總體來看，這次的實驗不僅是硬體效能的展示，也是象徵性地打開了「人人皆可實驗最前沿 AI 技術」的大門。它同時引發了對模型分散式運算的新思考，以及 AI 在日常生活與教育領域的社會學討論，讓人既看到技術民主化的潛力，也意識到對未來應用的反思與責任。
👥 16 則討論、評論 💬
https://news.ycombinator.com/item?id=45148237