AI Trains AI：一次公开实验如何校准自我改进的故事
yage.ai
文章介绍了一个名为 ai-trains-ai 的公开实验，该实验探索了AI如何通过自我改进来加速模型研发的循环。实验设计了一个两层学习结构：内层小模型进行后训练，外层智能体根据训练结果（奖励）来调整自己生成训练方案。实验结果表明，外层智能体先学会了如何提交可执行的训练方案，随后才开始改变基础模型和训练配置的选择。研究强调，这种自我改进在预设的环境内是局部的闭环，需要明确奖励的定义和行为变化来判断其通用研究品味。
Meta的AI训练策略：内部员工数据赋能
Best Partners TV
本文探讨了Meta利用内部高素质员工的数据（如编码和计算机操作记录）来训练AI模型，以获取行业竞争优势的策略。演讲者同时也回应了员工对设备追踪的关切，强调该数据用于模型训练而非个人监控，并指出在AI激烈竞争中平衡透明度与战略保密性的挑战。
当数据保护变成定价功能：SaaS 行业 AI
数据策略的三代演化
yage.ai
随着大模型普及，SaaS行业AI数据策略演变为三代：从早期的“土地掠夺”式全量训练，到“默认收集+隐藏退出”的正常化，演进至当前的“分层定价（tier-gating）”。企业开始将“数据不用于AI训练”从基础合规义务转化为企业级产品的溢价功能。这一趋势不仅造成了数据政策碎片化，更增加了中小企业的合规成本与数据主权风险，迫使采购者在企业级服务评估时，必须将AI数据政策视为核心定价维度。