● 数据比模型更值钱，国内最大的「端侧」训练数据开源了！600B 预训练+千万级 SFT 核心数据配方公开

📌 一句话摘要 面壁智能开源了 MiniCPM5-1B 背后的核心数据集 UltraData，包含 600B tokens 的 L3 级预训练数据和千万级 SFT 数据，并公开了完整的数据治理方法论，强调在端侧模型竞争中数据质量才是真正的壁垒。 📝 详细摘要 本文深入分析了面壁智能最新开源的 U

● 时薪 15 美元的新工种：把 iPhone 绑在脑门上，替 AI 蒸馏自己

📌 一句话摘要 本文揭示了为训练人形机器人，全球数千名工人以时薪 15 美元的价格，佩戴头戴摄像头录制日常家务动作，将身体知识转化为 AI 训练数据，背后是数据殖民主义与幽灵劳动的显形。 📝 详细摘要 文章深入报道了 AI 行业为训练人形机器人而催生的新型数据采集工作。以 Micro1 为代表的

● 时薪 15 美元的新工种：把 iPhone 绑在脑门上，替 AI 蒸馏自己

📌 一句话摘要 本文揭示了机器人训练数据采集的「幽灵劳动」现象，全球数千名工人以每小时 15 美元的价格，将日常家务动作录制为训练数据，引发对数据殖民主义和默会知识外化的深刻反思。 📝 详细摘要 文章以 Micro1 公司在全球招募工人、佩戴头戴摄像头录制家务视频以训练人形机器人为切入点，深入剖

● Karpathy 观点：AI 模型臃肿源于训练数据质量低下

📌 一句话摘要 转述 Andrej Karpathy 的核心观点：当前前沿 AI 模型参数庞大主因是训练数据质量差，而非技术复杂，并提出了“认知核心+外部记忆”的解决方案。 📝 详细摘要 这条推文精炼地转述了 Andrej Karpathy 关于 AI 模型设计的一个重要论点。他指出，万亿参数模

● π0.6 和 GEN-1 谁代表未来？乾坤未定，但这条底层赛道浮出水面

📌 一句话摘要 本文深入分析了具身智能领域当前面临的核心瓶颈——高质量训练数据的获取与处理，并通过对初创公司「智域基石」的专访，揭示了「数据编译」作为底层基础设施的巨大机遇与实现路径。 📝 详细摘要 文章指出，在具身智能领域，模型性能的提升正从算法驱动转向数据驱动。当前行业普遍面临数据质量低下、

● AI 训练数据中的安全隐患

📌 一句话摘要 Emad 指出，AI 模型的训练数据中天然包含了所有公开代码的漏洞，这解释了它们在安全审计方面的效力。 📝 详细摘要 针对 Anthropic 推出的 Mythos 预览版（该工具在主流系统中发现了数千个高危漏洞），Emad 指出了一个基本的技术现实：由于前沿模型是在几乎所有公开

● 马克·安德森谈 AI 训练中的历史数据应用

📌 一句话摘要 马克·安德森透露了他长期以来对使用历史数据集（1900 年前）训练 LLM 的浓厚兴趣。 📝 详细摘要 针对一个利用 1900 年前语料库进行 LLM 训练的项目，马克·安德森表示他自 2022 年底以来就一直倡导这种方法。这凸显了他通过将训练数据从现代互联网文本扩展到历史数据，

● GitHub 将使用 Free、Pro 和 Pro+ 用户的 Copilot 交互数据来训练 AI 模型

📌 一句话摘要 自 4 月 24 日起，GitHub 将默认使用 Copilot Free、Pro 和 Pro+ 用户的交互数据来训练 AI 模型，此举引发了严重的隐私和伦理担忧。 📝 详细摘要 GitHub 宣布对其 Copilot 数据使用政策进行重大更新，该政策将于 4 月 24 日生效。

● 创意 AI 实验：用于自主系统的 POV 训练数据

📌 一句话摘要 一个展示蚂蚁视角 POV 影像的创意实验，继 EGO-BIRD 项目之后，旨在探索用于自主系统的训练数据。 📝 详细摘要 这条推文介绍了一个涉及蚂蚁视角 POV 影像的创意 AI 实验。该项目建立在 EGO-BIRD 项目的基础上（该项目利用 10 万小时的鸟类 POV 影像来训

● 作者在法庭上的“幸运突破”或将助力针对 Meta 种子下载的集体诉讼

📌 一句话摘要 Meta 正利用最高法院近期关于 ISP 责任的裁决，在涉及使用盗版种子数据进行 AI 训练的诉讼中，为自己免受共同版权侵权指控进行辩护。 📝 详细摘要 本文报道了内容创作者与 Meta 之间关于使用盗版数据进行 AI 模型训练的持续诉讼中的一项重大法律进展。Meta 正试图通过

● SaaS 转向 AI 数据业务

📌 一句话摘要 这句充满讽刺意味的观察指出，SaaS 初创公司正越来越多地转向将 RL 训练数据出售给 AI 实验室，以此作为传统退出路径的替代方案。 📝 详细摘要 这条推文借用了一句名言的变体，评论了当前的 AI 行业趋势。它强调了一种转变：SaaS 公司不再仅仅追求 IPO 或并购等传统退出

● 为什么智力比纯数据更重要

📌 一句话摘要 解释了为什么“真正的智力”优于穷举式的训练数据：智力是知识的乘数，能够实现更高的能力和成本效益。 📝 详细摘要 作为上一条推文的后续，本文探讨了为什么我们应该追求真正的智力，而不是仅仅收集密集的训练数据。作者认为，智力是知识的乘数，使系统能够比仅依赖准备工作的系统更廉价、更有效地

● DoorDash 的“Dasher 任务”：机器人训练数据的催化剂

📌 一句话摘要 Matt Shumer 分析了 DoorDash 新推出的“Dasher 任务”功能，强调了其为机器人技术和 AI 智能体生成海量现实世界训练数据的潜力。 📝 详细摘要 Matt Shumer 评论了 DoorDash 推出的“Dasher 任务”功能，该功能允许 AI 智能体雇

● DoorDash 推出 AI 数据采集应用

📌 一句话摘要 DoorDash 发布了一款新应用，通过付费让用户录制自己做家务的视频，以此获取 AI 训练数据。 📝 详细摘要 DoorDash 通过推出这款激励用户拍摄家务视频的应用，正式涉足 AI 数据采集领域。这凸显了当前对用于训练 AI 模型的真实、以人为中心的视频数据的需求日益增长，

● AI 生成代码质量平庸的根源

📌 一句话摘要 Gergely Orosz 认为，AI 编程输出之所以平庸，是因为公开代码普遍质量一般，且开发者自身缺乏编写高质量代码的能力，而非工具配置问题。 📝 详细摘要 在这条推文中，Gergely Orosz 挑战了“AI 生成代码差主要是因为工具配置不当”这一普遍观点。他指出，由于 A

● Pokémon GO 数据助力下一代配送机器人

📌 一句话摘要 Pokémon GO 玩家在无意中构建了一个包含 300 亿张图像的数据集，Coco Robotics 正利用该数据提升人行道机器人的自动导航能力。 📝 详细摘要 这条推文揭示了游戏化与 AI 基础设施之间令人着迷的交集。它指出，数百万 Pokémon GO 玩家收集的地理空间数

● YC 孵化项目 Asimov 发布全球人体运动数据平台，助力人形机器人研发

📌 一句话摘要 Asimov 提供了一个全栈平台，通过向全球用户支付报酬来记录其日常生活，为训练人形机器人构建海量数据集。 📝 详细摘要 Asimov 正式发布，为人形机器人领域的数据瓶颈提供了独特的解决方案。通过激励全球家庭和企业记录其动作，他们每天能生成数千小时的多样化训练数据。其产品线涵盖