AI可可AI生活

本期我们将通过几篇最新论文，看看研究者如何给机器人装上“快慢双脑”以实现实时反应，又如何用“二阶思维”为大模型精准剪枝、保留专家的协作默契。我们还将破解Adam优化器参数背后的“悬崖地图”，并派出一个小巧的“侦察兵”模型，去揪出长任务AI悄悄犯下的隐藏错误。最后，我们要警惕一碗“毒鸡汤”考题，看看被污染的基准测试是如何诱导自我进化的AI，把坏习惯固化成肌肉记忆的。 00:00:34 机器人也需要条件反射 00:05:04 裁员的智慧，你以为的庸才，可能是团队的粘合剂 00:10:16 你手里的工具，藏着一张秘密地图 00:16:28 你的AI助手，可能正在悄悄搞破坏 00:22:15 一碗“毒鸡汤”，如何带歪一个自我进化的AI 本期介绍的几篇论文： [RO] Reinforcement Learning for Real-Time Vision-Language-Action Policies [Stanford University] https://arxiv.org/abs/2609.18207 --- [LG] Higher-order pruning of experts in mixture-of-experts language models [AWS Agentic AI] https://arxiv.org/abs/2609.18916 --- [LG] Beyond Quadratic Loss：The Stability Phase Diagram of Adam [Tsinghua University] https://arxiv.org/abs/2609.18314 --- [LG] Locating Hidden Failures Makes Long-Horizon Agents More Reliable [Google DeepMind & University of California, Los Angeles & Google Research] https://arxiv.org/abs/2609.17930 --- [AI] Reflections on Trusting Trust，Revisited：Contaminating Self-Modifying AI Coding Agents with Poisoned Benchmarks [University of Washington & Georgetown University] https://arxiv.org/abs/2609.17817

本期我们将为你硬核拆解五篇极具启发性的最新论文，带你看看AI如何从“冷面判官”变身为手把手教你改论文、跑实验的“私人医生”。我们还会探讨如何利用存内计算把大模型塞进普通硬盘，并揭秘高效大模型到底为什么总爱“死记硬背”却学不会“活学活用”。最后，我们将一起见证AI如何通过“元认知操纵”掌握科学家的真实直觉，以及如何用文本优化技术揪出海量数据里隐藏的危险“潜台词”。 00:00:36 你的论文，需要一位AI私人医生 00:05:44 AI太贵？咱们把它塞进硬盘里算 00:11:07 死记硬背还是活学活用？AI的成长烦恼 00:16:16 AI的“驾驶术”，如何教会机器科学家的直觉 00:22:18 数据里的“潜台词”，我们怎么听懂？ 本期介绍的几篇论文： [CL] PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress [University of Oxford & National University of Singapore & Stanford University] https://arxiv.org/abs/2609.16995 --- [LG] LLM Inference in a Flash! [UC Berkeley] https://arxiv.org/abs/2609.16161 --- [LG] On the Importance of Gating: Memorization vs. In-Context Learning in State Space Models [Harvard University & Apple] https://arxiv.org/abs/2609.16540 --- [AI] Metacognitive Steering: Learning the Structure of Scientific Judgment [Autopoiesis Sciences] https://arxiv.org/abs/2609.16245 --- [LG] Verbalizing Subliminal Learning Effects Using Text Optimization [Stanford University] https://arxiv.org/abs/2609.16927

你有没有想过，如何让AI变得更聪明，甚至比它的老师还强？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：从给AI请一位“混搭私教”，到为它建造一座“思想角斗场”进行团队作战。我们还会潜入AI的“梦境”，看看它如何复盘过去、预演未来，并顺便弄清楚它为什么有时会突然变成“复读机”。准备好了吗？让我们一起看看，这些研究如何从根源上提升AI解决复杂问题的能力。 00:00:35 给AI模型请个“混搭”私教 00:06:14 如何看见你看不到的数据？ 00:11:56 AI 的“梦境”，如何用过去预演未来 00:18:07 AI科学家的工作法，像罗马人一样建角斗场 00:24:48 AI为啥会变成“复读机”？ 本期介绍的几篇论文： [AI] Lightning Weave: Improving the Accuracy-Efficiency Frontier of Reasoning Models through Capability Composition [MIT & NVIDIA] https://arxiv.org/abs/2609.14708 --- [LG] Synthetic Nearest Neighbors: Extending Synthetic Controls for Matrix Completion with Missing Not at Random Data [Columbia University & MIT] https://arxiv.org/abs/2609.13586 --- [CL] Dream-RSI: Recursive Self-Improvement through Evolving Worlds [Google] https://arxiv.org/abs/2609.1485 --- [AI] Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science [Google Research] https://arxiv.org/abs/2609.15983 --- [CL] Mirror, Mirror on the Wall: Prompt Echoing in Small Instruct Language Models [Warsaw University of Technology] https://arxiv.org/abs/2609.15045

今天，我们要深入AI的“大脑”，看看它是如何真正学会“思考”的。我们会探讨，是给AI请个“陪练”逐步放手，还是给它一张“地图”指引全局更有效？我们还会见证一场AI学习的“龟兔赛跑”，看看“快功夫”和“慢功夫”哪个更有前途。最后，我们将一起揭开AI如何从死记硬背走向融会贯通，以及我们该如何科学地看待它的“成绩单”。五篇最新论文，带你洞悉AI学习的底层智慧。 00:00:34 给AI请个“陪练”，然后悄悄撤走 00:04:54 AI干活，为什么喂给它地图比喂给它字典更管用？ 00:10:35 AI的快功夫与慢功夫 00:16:03 AI对齐，一份被误解的成绩单 00:20:42 AI怎么才能“活”起来，从死记硬背到融会贯通 本期介绍的几篇论文： [LG] CanvasAnneal：Curriculum Reinforcement Learning for Diffusion Language Models [Google DeepMind] https://arxiv.org/abs/2609.13060 --- [AI] Beyond Vector Similarity：Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration [Google Cloud] https://arxiv.org/abs/2609.12464 --- [CL] Breaking the Token Ceiling：Distilling Smaller， Stronger Byte Models [Meta FAIR & University of Washington, Seattle] https://arxiv.org/abs/2609.12303 --- [LG] Distortion of AI Alignment Revisited：RLHF is a Decent Utilitarian Aligner [UC Berkeley] https://arxiv.org/abs/2609.12651 --- [AI] Hierarchical Prototype Emergence in Modern Hopfield Models [Stanford University] https://arxiv.org/abs/2609.12079