定位神秘蜂鸣声的来源

一个用多个联网设备、麦克风和 AI 编码代理来定位神秘间歇性蜂鸣声的自制项目,引发了关于在真实世界里遇到简单问题时,何时值得动用复杂工具的争论。评论者把精巧的声学三角定位方案与低技术含量的方法进行对比,例如拆箱、计时蜂鸣,或使用现成的声学相机;同时还交流了关于难以找到的烟雾报警器和其他会响的设备的各种经历。这场讨论也延伸到对 AI 在软件工作中角色的反思——把规划和实现交给模型,是能增强学习和满足感,还是只会产生肤浅、“省事”的方案。

实物搜索 vs. 技术方案

  • 许多人认为“显而易见”的办法就是把箱子拆开,按部就班地搜索。
  • 也有人为构建一个过度工程化的定位器辩护,认为这只是一个有趣且正当的周末项目。
  • 还有人指出,即使人工搜索更快,技术路线也更有趣,而且可复用于未来的问题。

复杂度与现实中的工作量

  • 评论者把搬箱子讨论成二分搜索:理论上步骤数是 O(log n)。
  • 几个人指出,逐个移动实物会让总工作量变成 O(n),而步行距离还可能把它推得更高。
  • 关于忽略常数项以及重箱子“成本”的玩笑反复出现。

硬件工具与声学相机

  • 人们提到用于定位声音的商用声学相机,指出它们以前很贵,但正在变便宜。
  • 也有人分享了可负担的多麦克风阵列,以及用于漏气检测和类似任务的专用设备的使用经验。

神秘蜂鸣与警报的故事

  • 有多则难以定位的烟雾/一氧化碳探测器、藏在天花板里的设备,以及被误认来源的噪音(例如汽车传感器、邻居)的轶事。
  • 宠物有时会对警报蜂鸣声反应强烈;在一个故事里,一只狗会稳定地提醒并把人引导到快没电的电池。

AI 代理、规划文档与软件实践

  • 讨论是否使用 LLM 生成 “problem.md/plan.md” 文档。
  • 批评者说,AI 目前还不能处理真正的批判性思考,只会生成低价值的规划文档。
  • 支持者则认为,AI 生成的计划加上复核循环有价值,主张它能改善结构并加快个人项目的实现。

学习、难度与满足感

  • 有人觉得把过多推理工作委托给 AI 会消除挣扎,因此也削弱满足感和学习深度。
  • 也有人反驳说,没有 AI,他们根本不会尝试如此雄心勃勃的音频/网络项目;即便如此,他们仍然能通过引导和检查系统学到有用概念。

技术音频/三角定位细节

  • 几个人讨论了声音定位中的到达时间、相位差和互相关,包括使用多个麦克风,甚至耳机的自制方案。
  • 还出现了关于校准、麦克风/扬声器的方向性、房间反射,以及为什么该项目精度比理想情况更差的问题。
  • 建议包括使用网络化、自校准阵列,以及通过拍手或啁啾声来推断设备位置。

其他用途与功能设想

  • 提出的用途包括:追踪床的吱嘎声、胃部声音、教室里“拍手聚光”、定位吵闹的家电、汽车噪音诊断,或识别到底是哪个邻居的警报器在滴滴作响。
  • 有人希望操作系统层面能有类似原理的“到底是哪个标签页/应用在发声?”定位器。