2025年10月，媒体报道了一种新兴职业：通过录制家务视频为机器人训练提供数据。参与者每小时可赚取最高150美元（约合1000元人民币）。这些视频被Encord、Micro1、Scale AI等数据服务商高价收购，用于训练人形机器人。目前，机器人行业面临数据短缺问题，因缺乏现成互联网数据集，必须依赖真实世界或合成数据进行训练。真实数据质量高但成本昂贵，合成数据则通过虚拟环境生成，兼顾规模与成本。多家AI公司正加速布局，如Scale AI已生成超10万小时训练影像。然而，优质数据仍供不应求，某初创公司甚至在Craigslist上以10-20美元时薪征集家务视频。业内人士指出，当前最大数据集仅约5000小时，远未满足需求。

广东省政府10月21日发布《广东省人工智能赋能制造业高质量发展行动方案（2025—2027年）》，支持深圳、东莞建设国家级人工智能应用中试基地，推动工业模型中试验证等工作；同时支持广州、深圳建设具身智能训练场体系，提供数据训练和验证支撑。方案提出建设人工智能开源社区与生态中心，鼓励企业基于开源大模型开发工业模型，并培育省级制造业数字化转型促进中心，提供一站式服务。此外，还将推动人工智能赋能中心、大模型中心等平台建设，助力制造业高质量发展。

2025年10月，OpenAI研究副总裁Jerry Tworek在播客中首次详解GPT-5的思考机制，称其更像o3.1的迭代。他指出，强化学习（RL）与预训练结合是实现通用人工智能（AGI）的关键，并强调模型推理过程类似人类思考，需平衡思考时长与用户体验。OpenAI通过o1到o3的演进，逐步提升模型能力，如工具使用和复杂任务解决。Jerry还分享了加入OpenAI的经历及公司独特的工作结构，融合自上而下与自下而上的模式推动高效创新。此外，他对DeepSeek的GRPO算法表示认可，认为其推动了美国RL研究的发展。未来，OpenAI将继续优化RL与预训练结合路径，探索更自主、更智能的AI模型。

10月18日，Meta为Facebook推出AI拼贴与照片编辑功能，可扫描用户相册生成创意内容，如拼贴、视频回顾和风格化重绘。但用户分享AI生成作品后，相关内容将被用于AI模型训练，引发隐私争议。Meta表示，仅当用户启用功能并分享时，素材才会被使用，未分享内容不会涉及训练。同时，Meta提醒不希望照片被用于训练的用户应避免启用该功能。从今年12月起，Meta还计划利用AI聊天记录优化内容与广告推荐，且用户无法选择退出，进一步引发外界对隐私政策的担忧。

2025年10月17日，维基媒体基金会警告称，AI技术导致维基百科人类访问量显著下降，过去几个月页面浏览量同比减少8%。运营方表示，生成式AI聊天机器人和搜索引擎通过总结内容分流了流量，威胁到平台的长期可持续发展。维基媒体基金会高级总监Marshall Miller指出，虽然AI模型普遍依赖维基百科数据进行训练，但访问量下降可能削弱志愿者贡献和内容更新速度，同时影响个人捐赠支持。他呼吁用户支持人工整理的知识，强调查看原始来源和传播可信信息的重要性，以应对AI对信息获取方式的深远影响。

正文：2025年10月，腾讯发布一种超低成本AI训练方法——无训练组相对策略优化（Training-Free GRPO）。该方法无需调整模型参数，仅通过提示词学习简短经验即可显著提升性能。实验表明，在数学推理和网页搜索任务中，使用DeepSeek-V3.1-Terminus模型的Training-Free GRPO效果显著优于传统微调方案，成本从70000元降至120元。例如，在AIME24和AIME25测试中，模型得分分别提升至82.7%和73.3%，工具调用效率也显著提高。此外，在WebWalkerQA基准测试中，其Pass@1得分达67.8%，较基线提升明显。

2025年10月14日，苹果公司再次陷入版权纠纷，两名神经科学家苏珊娜·马丁内斯-康德与斯蒂芬·麦克尼克提起集体诉讼，指控苹果在训练AI模型时未经授权使用他们的受版权保护作品。据称，苹果通过“影子图书馆”和“网络爬虫软件”获取盗版内容，包括两位教授的两本著作。这并非苹果首次因类似问题被起诉，一个月前也曾因使用盗版书籍训练AI遭到指控。根据美国版权法，若被判故意侵权，苹果可能需为每部作品支付最高15万美元赔偿金。

真正的AI竞争力，藏在大模型“后训练”这一步 当全球目光聚焦基座模型的参数竞赛时，一场更深刻的变革正在发生——后训练（Post-Training）。产业共识是：后训练不再是简单的优化，而是AI落地的关键步骤。企业需将通用模型转化为理解业务、具备领域知识并能执行复杂策略的“专属智能引擎”。 后训练技术...

标题：对话Kimi付强：模型应与人类共同演化，追逐AGI需突破传统思维 在今年AI创造者嘉年华上，硅星人创始人骆轶航与月之暗面（Kimi）技术副总裁付强围绕Kimi的K2模型及其对AGI的探索展开了一场深度对话。 预训练为何重要？ 骆轶航提到，Kimi从去年开始重新聚焦预训练，直到今年6月发...

2025年9月，明星AI创企Thinking Machines发布第二篇研究论文《Modular Manifolds》，提出通过约束神经网络各层/模块在统一框架下优化以提升训练稳定性与效率。论文由Jeremy Bernstein独立撰写，核心概念是将权重参数约束在Stiefel流形上，避免数值不稳定问题，并设计了适用于多模块的‘模块化流形’方法。小规模实验显示，新算法在准确率和权重稳定性上优于AdamW，但运行时间稍长。公司首篇论文于9月10日发布，主题为克服大语言模型推理中的不确定性。Thinking Machines估值已达840亿人民币，清华姚班校友陈丹琦及其团队也参与相关研究，近期发布了关于可验证奖励强化学习的新作。公司研究成果加速涌现，其首个产品备受期待。