今天我们要聊一个根本问题：聪明的AI到底是什么样？是像一位能极速压缩思考时间的解题大师，还是一个能在想象的沙盒里自我进化的机器人？我们还会一起探究，为什么AI时而是无所不知的学霸，时而又是死记硬背的书呆子，甚至还会一本正经地胡说八道。最后，你会发现，让AI变得更懂你的终极秘诀，可能恰恰是先教会它如何“装傻”提问。让我们跟随几篇最新论文，一起解剖AI的思考内核。 00:00:36 AI变聪明的秘密：不是知道更多，而是想得更快 00:06:29 给机器人一个“沙盒”，让它在想象中进化 00:12:37 为什么AI既是学霸，又是书呆子？ 00:17:19 AI的“发挥失常”：一个问题，两种症状 00:23:35 如何让机器更懂你？答案是：先让它学会“装傻” 本期介绍的几篇论文： [LG] AI Agents as Universal Task Solvers: It’s All About Time [AWS Agentic AI] https://arxiv.org/abs/2510.12066 --- [RO] Ctrl-World: A Controllable Generative World Model for Robot Manipulation [Stanford University & Tsinghua University] https://arxiv.org/abs/2510.10125 --- [LG] LLM Knowledge is Brittle: Truthfulness Representations Rely on Superficial Resemblance [FAIR at Meta & University of Zurich] https://arxiv.org/abs/2510.11905 --- [CL] Generation Space Size: Understanding and Calibrating Open-Endedness of LLM Generations [Stanford University] https://arxiv.org/abs/2510.12699 --- [LG] Asking Clarifying Questions for Preference Elicitation With Large Language Models [Google] https://arxiv.org/abs/2510.12015

工具越强，焦虑越深。当Sora能一语成片，Claude能瞬间代码，我们仿佛手握神兵，却又为何心生恐慌？ “有了这么好的AI，如果我还赚不到钱，我就是个废物。”——这句话，是否也曾像幽灵一样在你脑中盘旋？ 本期节目，我将带你跳出这个“工具越强，自我审判越重”的怪圈。我们将从加州淘金热的历史，聊到今天AI时代的生存法则；从相机的普及，看懂创造力的稀缺性转移。 你将听到： * 为什么AI降低的是“执行门槛”，却提高了“认知门槛”？ * 从“淘金者”到“卖水人”，你的价值定位在哪里？ * 概率思维如何帮你从AI生成的100个选项中，找到那1%的黄金机会？ 别让最好的工具，成为最重的枷锁。你的审美、品味和同理心，才是AI无法估值的核心资产。 收听本期节目，告别赚钱焦虑，找到你在AI时代的真实价值坐标。

想知道为什么教机器人玩最“笨”的玩具，反而能让它学会抓取任何东西吗？本期节目，我们将一起探索如何将神秘的AI“炼金术”变成一门严谨的科学，看看怎样让AI大神学会“说人话”并带得动AI小白，并最终揭示，那些五花八门的调教秘籍背后，其实藏着同一个简单的目标。让我们马上进入今天的前沿速递！ 00:00:28 AI大模型调教指南：从玄学到科学 00:05:39 返璞归真：最笨的方法，可能就是最好的方法 00:11:25 想让机器人变聪明？先教它玩“笨”玩具 00:16:41 如何让AI大神，带得动AI小白？ 00:00 大模型调教秘籍：条条大路通罗马？ 本期介绍的几篇论文： [LG] The Art of Scaling Reinforcement Learning Compute for LLMs [Meta & UT Austin & UC Berkeley] https://arxiv.org/abs/2510.13786 --- [RO] VLA-0: Building State-of-the-Art VLAs with Zero Modification [NVIDIA] https://arxiv.org/abs/2510.13054 --- [RO] Learning to Grasp Anything by Playing with Random Toys [UC Berkeley] https://arxiv.org/abs/2510.12866 --- [LG] Tandem Training for Language Models [Microsoft & EPFL & University of Toronto] https://arxiv.org/abs/2510.13551 --- [LG] What is the objective of reasoning with reinforcement learning? [University of Pennsylvania & UC Berkeley] https://arxiv.org/abs/2510.13651

你有没有想过，除了喂给它更多数据，还有哪些更精妙的法门能让AI变得更聪明？本期我们要聊的几篇最新论文，就揭示了AI的“成长秘籍”：它们把训练AI的视角从“下山”升级为“发射火箭”，为它设计了从通识到专业的“大学课程”，还教会了它预测“未来摘要”的远见，以及在关键时刻“喘口气”慢思考的智慧。今天，就让我们一起看看，这些研究是如何重塑AI的“学习方法论”的。 00:00:33 训练AI，你以为是爬山，其实是开火箭？ 00:05:56 AI成长秘籍：多上一门“专业课” 00:11:26 AI模型的终极瘦身术：如何让大象既轻盈又聪明？ 00:16:53 AI的远见：不只关心下一个词 00:21:10 AI的“沉思时刻”：快与慢的智慧 本期介绍的几篇论文： [LG] Optimal Control Theoretic Neural Optimizer: From Backpropagation to Dynamic Programming [Meta & Georgia Institute of Technology & Apple] https://arxiv.org/abs/2510.14168 --- [CL] Midtraining Bridges Pretraining and Posttraining Distributions [CMU] https://arxiv.org/abs/2510.14865 --- [LG] BitNet Distillation [Microsoft Research] https://arxiv.org/abs/2510.13998 --- [LG] Beyond Multi-Token Prediction: Pretraining LLMs with Future Summaries [FAIR at Meta & CMU] https://arxiv.org/abs/2510.14751 --- [CL] Catch Your Breath: Adaptive Computation for Self-Paced Sequence Production [Google DeepMind] https://arxiv.org/abs/2510.13879