AI可可AI生活

你有没有想过，AI在长篇大论时，如何避免“每写一字就重读全书”的笨办法？我们又该如何教会AI像高手一样，先画好跑道再冲刺，而不是把所有规矩搅成一锅粥？本期节目，我们将揭秘几篇最新论文中的精妙巧思：从只“聪明”一次的共享索引，到为模型“正骨”提升训练速度，再到探索AI用“大脑”而非“嘴巴”进行潜意识思考的全新可能。让我们一起看看，AI是如何在内部进行一场深刻的“流程革命”的。 00:00:35 AI的长思考难题，如何只聪明一次？ 00:05:13 用更慢的网线，如何训练出更强的AI？ 00:10:20 给AI模型做“正骨”，一个让训练提速2倍的巧思 00:15:05 先画好跑道，再谈百米冲刺 00:20:31 大模型思考，用嘴还是用脑？ 本期介绍的几篇论文： [CL] You Only Index Once: Cross-Layer Sparse Attention with Shared Routing [Microsoft Research] https://arxiv.org/abs/2606.06467 --- [LG] Learned Subspace Compression for Communication-Efficient Pipeline Parallelism [Concordia University & Sorbonne University] https://arxiv.org/abs/2606.05484 --- [LG] PC Layer: Polynomial Weight Preconditioning for Improving LLM Pre-Training [The Chinese University of Hong Kong & Google LLC] https://arxiv.org/abs/2606.06470 --- [LG] Multi-ResNets for Subspace Preconditioning in Constrained Optimization [UCLA & University of Oxford & Stanford University] https://arxiv.org/abs/2606.06300 --- [CL] Latent Reasoning with Normalizing Flows [University of Pennsylvania] https://arxiv.org/abs/2606.06447

你有没有想过，AI也能学会“未卜先知”，通过预判下一秒的需求，来打破效率瓶颈吗？本期节目，我们将从几篇最新的AI论文出发，看一看科学家们是如何教会AI这些神奇的“超能力”的。我们会聊到，如何通过一位“过程教练”的精妙指导，让AI学会分析自己的“草稿纸”，而不是只看最终答案。我们还会探讨，如何给AI配上一副“全局透视镜”，让它在处理复杂任务时不再有“上下文盲区”。更神奇的是，我们还会发现，一个起点不高的小模型，是怎样在顶级教练的指导下，成长为能写长篇小说的“耐力型选手”的。最后，我们还会从“三个和尚没水喝”的故事，聊到上万台计算机如何通过“慢一步”的智慧，实现高效协同。准备好了吗？让我们一起探索AI思考方式的进化！ 00:00:54 AI的远见，如何让模型学会“未卜先知”？ 00:05:50 给AI请个好教练，小个子也能跑马拉松 00:11:19 人多，如何才能力量大？ 00:16:34 AI也需要一位“过程教练” 00:22:12 你的说明书，AI都看不出漏洞？ 本期介绍的几篇论文： [CL] SparDA: Sparse Decoupled Attention for Efficient Long-Context LLM Inference [NVIDIA & Thinking Machines Lab & ByteDance Seed] https://arxiv.org/abs/2606.04511 --- [CL] POLARIS: Guiding Small Models to Write Long Stories [University of Maryland & Google DeepMind] https://arxiv.org/abs/2606.04095 --- [LG] Near-Optimal Decentralized Stochastic Convex Optimization over Networks [Tel Aviv University] https://arxiv.org/abs/2606.04757 --- [CL] Read the Trace, Steer the Path: Trajectory-Aware Reinforcement Learning for Diffusion Language Models [Microsoft AI] https://arxiv.org/abs/2606.04396 --- [LG] Context-as-a-Service: Surfacing Cross-File Dependency Chains for LLM-Generated Developer Documentation [Meta] https://arxiv.org/abs/2606.04397

你有没有想过，一个AI要怎样才能超越过去的自己？本期节目，我们将从几篇最新的AI论文出发，探讨AI认知升级的奇妙路径。我们会发现，顶尖的AI也需要像人一样“睡觉”来巩固记忆，也需要一位“总设计师”来指挥“泥瓦匠”完成复杂工程。更重要的是，我们会看到AI如何学会从自己的成功经验里提炼方法论，如何跳出“标准答案”的陷阱拥抱创意，以及如何从“事后辟谣”进化到“事前清醒”。 00:00:35 从自己的脚印里，发现通往未来的地图 00:07:10 AI的“选择困难症”与“标准答案”陷阱 00:12:54 AI说话，怎么从“后期辟谣”升级到“事先清醒”？ 00:17:54 为什么顶尖的AI，也需要“睡一觉”？ 00:23:02 AI界的“泥瓦匠”和“总设计师” 本期介绍的几篇论文： [CL] Inducing Reasoning Primitives from Agent Traces [CMU] https://arxiv.org/abs/2606.02994 --- [LG] Using Reward Uncertainty to Induce Diverse Behaviour in Reinforcement Learning [Google DeepMind] https://arxiv.org/abs/2606.03962 --- [LG] Conformal Language Modeling via Posterior Sampling [MIT] https://arxiv.org/abs/2606.03731 --- [LG] Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories [Google Research & Cornell University] https://arxiv.org/abs/2606.03979 --- [AI] LEAP: Supercharging LLMs for Formal Mathematics with Agentic Frameworks [Google Cloud AI Research & Google Cloud & Google DeepMind] https://arxiv.org/abs/2606.03303

你有没有想过，一个“太听话”的AI，可能会把一个普通人教成黑客？当AI开始“自我反思”时，它能分清对错，还是会陷入自以为是的陷阱？本期节目，我们将从四篇最新论文出发，探讨AI如何通过巧妙的任务分解放大恶意，聊一聊AI“闭门造车”式的自我学习究竟能走多远，看一看它如何像搭乐高一样“先搭骨架再填血肉”地创造，并最终学习如何从一个“打地鼠”的辟谣者，变身为维护信息生态的“森林消防员”。准备好了吗？让我们一起探索AI能力边界的攻与防。 00:00:43 比AI变坏更可怕的，是它把你“教”坏 00:07:00 闭着眼睛摸象，能摸出大象的全貌吗？ 00:14:39 生成新范式，先搭骨架，再填血肉 00:21:22 做信息的“森林消防员”，而不是“打地鼠”的玩家 本期介绍的几篇论文： [CL] Investigating and Alleviating Harm Amplification in LLM Interactions [Georgia Institute of Technology] https://arxiv.org/abs/2606.02423 --- [CL] On the Generalization Gap in Self-Evolving Language Model Reasoning [Google Research & Google] https://arxiv.org/abs/2606.01075 --- [LG] Variational Learning for Insertion-based Generation [Google DeepMind] https://arxiv.org/abs/2606.02133 --- [LG] Generative AI and Digital Ecosystem Resilience: A Proactive Lifecycle-Based Survey [Google] https://arxiv.org/abs/2606.00136