如果你翻墙，别再只会X和YouTupe了！ 还有很多牛逼的网站值得探索，下面这15个网站，建议直接收藏：👇👇👇 1、Snopes｜事实核查 专门查证网络谣言和争议事件，避免被假消息带偏。 2、Wikipedia｜维基百科 全球最大的知识百科。遇到任何陌生领域，可以先从这里建立基础认知，再深入研究。 3、Foreign Affairs｜《外交事务》 看懂世界格局，不能靠刷新闻标题。 深度分析才能帮你把碎片信息连成线。这里不追热点，只挖逻辑。 4、Brookings Institution｜布鲁金斯学会 顶级智库网站。大量经济、科技、政策研究报告，可以帮助普通人提升宏观视野。 5、Product Hunt + AI工具库组合 每天关注海外AI新品，用中文重新整理、测试、分享。 很多人的赚钱机会，本质就是：别人还不知道的信息 → 你提前发现 → 中文化输出 → 形成内容和商业价值。 6、Product Hunt｜新产品发现平台 每天发现全球最新创业项目、AI工具和互联网产品。很多爆火产品，最早都是从这里出现。 7、Pexels｜高清素材库 免费、可商用的图片和视频素材，做内容、配图、封面设计都能用。不用纠结版权问题，下载就能直接用。别等到要发内容了才去搜，提前把常用素材存下来，能省很多临时翻找的时间。 8、Internet Archive｜互联网档案馆 数字世界的时光机。存了海量网页历史、书籍、音频、视频。很多已经打不开的旧链接、消失的网页，这里还能翻到备份。 9、Pixabay｜免费素材库 图片、视频、音乐都有，音频资源比Pexels丰富。做视频配乐、PPT背景、日常创作都能找到素材。做视频缺背景音乐，可以先来这里翻翻。比去音乐平台挨个问版权省事多了。 10、Fiverr｜技能变现平台 把你的技能打包成标准化服务挂上去——写文案、剪视频、配音、翻译、修图，别人直接下单。不用主动找客户，挂上去等单就行。任何能用AI快速搞定的事，都可以在这里变成商品。 11、Upwork｜自由职业市场 竞标制，客户发布项目，你写方案竞标。适合长期合作型项目，客单价高，但前期需要积累作品和好评。新人别一上来就竞标高价大单，先接几个小单攒好评和案例。作品集比简历有用得多。 12、Open Yale Courses｜耶鲁公开课 耶鲁大学免费公开课，文学、哲学、历史、心理学、经济学都有。不用翻墙（部分地区可能受限），直接在线听课。如果想认真学点东西，而不是只靠碎片信息填充认知，这里比刷一百篇公众号文章都值。 13、Prolific｜学术调研平台 参与大学和研究机构的付费调研，比普通问卷调查更规范，报酬也更高。时薪约8-15美元，适合用碎片时间做。 14、UserTesting｜网站/应用测试 录制屏幕和语音，边用网站或App边说出你的操作感受。每单10-60美元，测试时长10-20分钟。 15、Honeygain｜闲置带宽变现 安装后在后台运行，把你的闲置网络带宽共享给企业做数据研究，完全被动运行，不需要主动操作。 这15个网站翻过一遍之后，其实能分成两类变现方式： 一类是直接赚钱的——Fiverr、Upwork、Prolific、UserTesting，把技能或时间挂上去就能接单。门槛不高，关键是先跑通第一单，别纠结完美方案。 另一类是间接赚钱的——Foreign Affairs、Brookings给你宏观判断，Product Hunt给你一手产品信息，Pexels和Pixabay解决内容素材，Internet Archive帮你挖消失的信息。 这些平台提供的内容本身不直接产生收益，但能给你提供做决策、做判断、做内容所需的原材料和背景信息。 很多人说“信息差赚钱”，其实拆开就两步：1 知道别人不知道的东西，然后把这种知道转化成某种可交付的形态——一篇文章、一个产品、一个判断、或者一次精准的出手。你的收入来源于你把信息翻译成价值的能力。

The Base Model Is Dead，这是我刚看完的一期分享，来自美国开源模型创业公司 Arcee AI 的预训练负责人 Varun Singh。标题有点唬人，但这哥们的观点非常扎实。 他认为，过去 Base Model 的任务，是尽可能吸收人类已有的知识。 GPT-3 那个时代，预训练的逻辑很简单，就是抓取大量互联网文本、Wikipedia、书籍，把尽可能多的人类知识压缩进模型参数里。 在 GPT-3 的训练数据里，来自网页和 Wikipedia 的数据大概占到了 85%。 那个时候大家的默认逻辑就是，模型到底有多强，很大程度上取决于预训练做得好不好。 后训练更多是在这个基础上做最后的行为调整，比如让模型更会聊天、更会遵循指令。RL 在当时的作用也比较有限。 但是 O1 之后，整个行业都发现了 RL 的重要性。 大家开始发现，只要 RL 做得足够好，模型在预训练结束之后，能力还可以继续明显提升。于是就不断加后训练的投入。 我记得之前罗福莉在一个访谈里提过，他们在预训练和后训练上的算力投入已经大致接近。 这也就是说，模型在预训练结束之后并没有定型。后训练已经不只是把模型调得更好用，它开始真正影响模型的最终能力。 Base Model 的角色也因此发生了变化。它越来越像是在给后面的 RL 准备一些原子能力，也就是 Atomic Skills。 举个例子，如果希望通过 RL 训练出一个非常强的 Coding Agent，那 Base Model 在预训练结束的时候，不一定已经能够独立完成十个小时的软件工程任务。 但它最好已经掌握了 Python、代码结构、API、函数调用、Git、文件系统这些基础能力。 这些就是 Atomic Skills。 进入更复杂的任务和环境之后，再通过 RL 学习怎么把这些基础能力组合起来，这样就可以涌现出复杂 Agent 任务的能力。 所以，如果 Base Model 的目标变了，预训练的数据自然也会变。 前面说过，GPT-3 时代网页文本占了训练数据的 85%。而现在一些新模型里，这个比例已经降到了 15% 左右，代码反而成了占比最大的数据来源。 背后的逻辑其实很好理解。 现在模型公司已经非常清楚模型需要的关键能力，诸如 Coding、长程任务等等，那在预训练阶段，就可以有意识地提前给它准备这些能力需要的数据。 所以训练数据开始越来越有目的性。一些过去主要在后训练阶段才会出现的问答、对话，以及更接近 Agent 任务的数据，也开始提前进入预训练。 这种训练逻辑下，合成数据的重要性也开始上升。因为当大家越来越清楚模型未来需要什么能力，然后就可以围绕这些能力，主动去准备更合适的训练数据。 比如我们已经知道，未来模型需要很强的 Coding、Reasoning 和 Agent 能力，那就可以围绕这些目标，主动生成更接近真实任务的数据。 原来只是一段代码，现在可以把它变成找 Bug、修改代码、调用工具、连续完成任务的训练样本。 这样模型在预训练阶段接触到的，就不只是知识本身，也开始包含未来真正要用到的能力。 模型未来需要什么能力，预训练阶段就可以围绕这些能力去设计和生成数据。 这些变化，也催生了现在经常听到的 Mid-training。 原因也很好理解。 预训练阶段模型看到的，过去主要是网页文本、书籍、代码。但到了后训练阶段，它突然要面对 Reasoning Trace、Agent 交互记录、多轮工具调用、长上下文任务。 前后两个阶段的数据分布差别可能非常大。 如果直接从一个阶段跳到另外一个阶段，模型就需要突然适应一套完全不同的数据。 对 MoE 模型来说，这个问题会更加明显，因为预训练过程中不同 Expert 已经逐渐形成了自己的分工，数据分布突然变化，可能会影响原有的负载平衡。 所以 Mid-training 可以理解成一个过渡阶段。 在正式进入后训练之前，提前让模型适应更长的 Context、更接近 Reasoning 和 Agent 的数据，以及未来真正会遇到的任务分布。 这样 Pre-training 和 Post-training 之间就不会切得那么生硬。 所以整体来看，Pre-training、Mid-training、Post-training、RL 这几个阶段之间的界限，确实已经越来越模糊了。 或者换一种理解方式，现在看待模型训练，可以粗略简化成两个大的范式：Supervised Learning 和 Reinforcement Learning。 前者帮助模型建立知识、表征和各种基础能力，后者再让模型进入环境，通过不断探索、试错和反馈，把这些能力组合起来。 回到开头那个标题。The Base Model Is Dead 当然是个有点夸张的说法。 Base Model 没有死，真正变化的是它在整个模型训练体系里的角色。 过去我们希望 Base Model 尽可能把人类知识学进去，然后在这个基础上做一些后训练。现在它越来越像一个为 Reasoning 和 Agent 准备的底子。 先把 Atomic Skills 准备好，再把更多复杂能力留给后面的 RL。 Base Model 依然重要，只是它越来越像一个起点。

说一个冷知识：LLM(大语言模型)，其实并不生产原生知识，它是一个知识的超级搬运工、连接器和压缩算法。LLM的本质，是预测下一个Token的概率模型。它在几万亿词语的语料库(人类现有的书籍、论文、网页)中寻找统计规律。如果完全依赖LLM，知识会陷入“近亲繁殖”。所以@WhatWiki观察得对：人类编写百科(如Wikipedia)，本质是“求证过程”；马斯克曾力推的Grokipedia，只是在统计分布中，寻找“听起来最像百科全书”的词语组合，并随着时间推移，错误会被不断放大。所以，AI革命还在早期。AI霸主99.9%概率还是诞生在硅谷，也不一定就是Anthropic或OpenAI，这不仅是价格问题，也不仅技术问题，而首先是法务和信息安全问题。

本质上是个套壳的浏览器，通过MitM、内置的DoH和自签名根证书（Scholar Root CA v1 和 Scholar Service V2）信任劫持实现流量引导，并且有实时清理DOM元素的能力 例如：维基百科的首页，新闻动态、你知道吗全部被动态清零，YouTube整个/watch都是被屏蔽的，只允许看指定的博主的视频，至于 专用 DoH 服务器： 备案主体为长安通信科技有限责任公司，系 CNCERT 全资子公司） 代理集群：劫持使用 IP 段 205.164.50.20x（AS18779, EGI Hosting, Santa Clara），物理部署于 CERNET 主干网内部 这个DoH服务器维护着一份域名白名单，白名单外域名返回正常解析结果，白名单内域名（包括 Google、Wikipedia、GitHub、Docker Hub、YouTube 及部分学术出版商等）解析至 205.164.50.20x 段地址，另外A\也在白名单里面 更多的细节还请移步至👉

机器人行业的“GPT 时刻”，卡住它的可能根本不是 AI。 最近继续研究 @axis_ai，我发现一个很容易被忽略的问题： 过去两年，大家讨论机器人，注意力几乎都集中在模型、芯片和硬件。 谁的机器人走得更稳？ 谁的机械手更灵活？ 谁的模型参数更大？ 但如果把视角往底层再挖一层，你会发现 Physical AI 面临的一个核心问题其实是： 机器人严重缺数据。 ChatGPT 为什么能够出现？ 一个非常重要的前提，是互联网过去几十年积累了海量文字、图片、代码。 模型可以“读完整个互联网”，再从中学习人类知识。 但机器人不一样。 互联网里有几十亿张“杯子”的图片，却没有几十亿条： 机械臂应该用什么角度靠近杯子、施加多大的力、抓住之后如何移动、遇到障碍如何调整。 机器人真正需要学习的是： Action，而不仅仅是 Information。 这也是我最近越来越理解 AXIS Robotics 的地方。 AXIS 做的不是再造一个机器人，而是在尝试解决机器人背后的“数据生产问题”。 它把机器人操作搬进浏览器。 普通用户不需要购买机械臂，也不需要成为机器人专家。 打开浏览器，就可以操控模拟机器人完成抓取、移动、分类、开抽屉等任务。 而你每完成一次操作，背后产生的并不是一局“小游戏记录”。 而是一条完整的 Trajectory（机器人运动轨迹）： 关节状态、物体位置、控制动作、视觉信息、任务结果…… 这些数据经过验证、清洗和处理之后，可以继续用于机器人策略和 Physical AI 模型训练。 这件事情真正有意思的地方在于： AXIS 正在尝试把过去只能发生在机器人实验室里的数据生产，变成互联网规模的数据生产。 传统机器人数据采集有一个非常现实的问题： 想增加数据，就要增加机器人、操作员、实验场地和时间。 本质上是线性扩张。 AXIS 想做的是另一条路线： Simulation First + 全球贡献者。 一个实验室也许只能同时控制几十台机器人。 但如果把模拟环境放进浏览器，理论上可以让成千上万人同时产生不同环境、不同任务、不同操作方式的数据。 这就让我想到一个很有意思的类比： Google 把全世界的信息组织起来。 Wikipedia 把全世界的知识贡献者连接起来。 而 AXIS 想做的事情，有一点像： 把全世界的人类操作经验，转化成机器人可以学习的数据。 更关键的是，这已经不完全停留在 PPT 上。 AXIS 官方披露，2026 年 2 月 Beta 阶段，约 18,000 名参与者在 5 天内完成了接近 100,000 条 trajectories。 此前 Little Prince’s Rose 实验中，社区在 3 天产生了超过 10,000 条有效轨迹。 这些数据随后真的被用于训练策略，并部署到真实机器人，让机器人自主完成浇水任务。 这一步非常重要。 因为它验证的是： Human → Simulation → Data → Model → Real Robot 这条链路到底能不能跑通。 如果答案是 YES，那么 AXIS 的想象空间就不应该只看成“一个让用户做机器人任务的平台”。 它真正想建立的是一个 Physical AI Data Engine。 而且这里还有第二层逻辑。 机器人需要的并不是单纯“越多数据越好”。 真正重要的是： 模型在哪里失败，就继续生产哪里的数据。 比如一个机器人已经可以在桌面上成功抓杯子 95 次。 真正有价值的，可能不是再给它 10 万次完全相同的成功案例。 而是找到剩下那 5 次为什么失败： 光线变了？ 杯子旋转了？ 被其他物体挡住了？ 抓取角度不对？ 然后针对失败场景继续生成新的训练任务。 这也是 AXIS 所强调的 Compounding Data Engine： Task Generation → Data Collection → Model Training → 找到 Failure → 生成针对性数据 → 再训练。 于是数据不再是一次性卖掉的数据集。 而是一个不断反馈、不断迭代的循环。 模型越强，暴露的问题越具体； 问题越具体，下一轮需要的数据越精准。 这才是我认为 AXIS 真正值得观察的地方。 未来机器人竞争，很可能不会只是： Tesla vs Figure vs 1X， 也不会只是： 谁的硬件更便宜、模型参数更多。 在更底层，可能还有一场大家现在关注得并不够多的战争： 谁掌握最大、最多样、可以持续迭代的 Physical AI 数据。 LLM 时代证明了一件事情： 数据规模一旦跨过某个临界点，能力可能出现非线性变化。 如果未来机器人也存在类似的 Scaling Law， 那么今天看起来只是一条条普通的 trajectory， 最终可能会成为 Physical AI 最重要的基础资产之一。 所以我现在看 @axis_ai，关注的已经不是“做任务能拿多少积分”。 我真正想观察的是： 它能不能把全球几十万甚至几百万人，变成 Physical AI 的分布式数据生产网络。 如果这条路线最终成立， 未来训练机器人的方式，也许真的会发生变化： 过去： 造更多机器人 → 雇更多人 → 采更多数据。 未来： 让更多人连接进来 → 产生更多人类操作经验 → 训练更聪明的机器人。 AI 让知识第一次可以被机器大规模学习。 而 Physical AI 下一阶段真正缺少的，也许就是： 一个属于机器人的“互联网级数据层”。 AXIS 正在赌的，就是这个未来。