AI可可AI生活 - 节目列表

我们总觉得AI的发展就是更大、更强、更耗电，但今天我们要聊点不一样的。本期节目，我们将看到科学家们如何用一系列“四两拨千斤”的巧思，解决AI发展中的大难题。我们会聊到，如何向我们自己的眼睛“偷师”给AI一个天生好骨架，如何让AI自己给自己出题实现永动式学习，甚至如何通过一个被遗忘的“开关”和打上“过程分”，让训练事半功倍。这些最新论文的洞见，不仅关乎技术，更是一堂堂关于如何聪明解决问题的思维课。 00:00:38 AI瘦身指南：向你的眼睛“偷”个师 00:05:32 AI的终极自学法：如何自己给自己出题？ 00:10:35 AI训练场上的“鬼打墙”：一个被遗忘的开关如何解决大问题 00:15:36 AI写作的“两难”：如何让机器既懂“感觉”又懂“规矩”？ 00:20:28 AI也需要“过程分”：从“废料”里炼金 本期介绍的几篇论文： [LG] Topographical sparse mapping: A neuro-inspired sparse training framework for deep learning models [University of Surrey] https://www.sciencedirect.com/science/article/pii/S0925231225024129 --- [CL] SPICE: Self-Play In Corpus Environments Improves Reasoning [FAIR at Meta] https://arxiv.org/abs/2510.24684 --- [LG] Defeating the Training-Inference Mismatch via FP16 [Sea AI Lab] https://arxiv.org/abs/2510.26788 --- [LG] CANDI: Hybrid Discrete-Continuous Diffusion Models [Purdue University & Google DeepMind] https://arxiv.org/abs/2510.22510 --- [CL] Repurposing Synthetic Data for Fine-grained Search Agent Supervision [Alibaba Group] https://arxiv.org/abs/2510.24694

你有没有想过，AI在开口说话前，心里在想什么？本期节目，我们就来当一回AI的“读心师”和“行为设计师”。我们会聊聊，如何一句话让AI“闭嘴”省下千万电费；怎么让一群普通AI协作起来超越天才；甚至，如何引导它进行自我审视，吐露“内心独白”。准备好了吗？让我们一起潜入AI的奇妙心智。 00:00:29 AI开口的第一个瞬间，藏着省钱的秘密 00:05:32 AI界的“大众点评”：如何让三个臭皮匠，炼成一个诸葛亮？ 00:12:42 换个姿势搞AI，能耗降低一万倍？ 00:18:26 AI的“神来之笔”，原来可以被设计 00:23:44 AI的“内心戏”：当我们让它审视自己时，会发生什么？ 本期介绍的几篇论文： [CL] Do Stop Me Now: Detecting Boilerplate Responses with a Single Iteration [JFrog] https://arxiv.org/abs/2510.22679 --- [CL] Fortytwo: Swarm Inference with Peer-Ranked Consensus [Fortytwo] https://arxiv.org/abs/2510.24801 --- [LG] An efficient probabilistic hardware architecture for diffusion-like models [Extropic Corporation] https://arxiv.org/abs/2510.23972 --- [CL] Evaluating In Silico Creativity: An Expert Review of AI Chess Compositions [Google DeepMind & University of Oxford] https://arxiv.org/abs/2510.23772 --- [CL] Large Language Models Report Subjective Experience Under Self-Referential Processing [AE Studio] https://arxiv.org/abs/2510.24797

这一期，我们不谈AI的“体型”，只聊它的“智商”。最新的几篇论文告诉我们，让AI变聪明的关键，可能不是堆数据，而是教它如何像项目经理一样组织思考，像学霸一样按课程表学习。我们还会发现，AI的记忆可能不是死记硬背，而是在脑中绘制地图，甚至需要一位“贴身教练”来指导它成长。准备好，一起窥探AI更聪明的大脑是如何炼成的！ 00:00:31 AI也懂分工了？聪明人是怎样“外包”思考的 00:06:49 想让AI变聪明？先送它去上数学课 00:11:55 AI世界的“复古”潮流：被冷落的武功秘籍，为何突然又香了？ 00:17:31 如何把学霸“掰开揉碎”，喂给一个普通模型？ 00:23:54 AI的记忆之谜：它是在死记硬背，还是在脑中画地图？ 本期介绍的几篇论文： [LG] The Era of Agentic Organization: Learning to Organize with Language Models [Microsoft Research] https://arxiv.org/abs/2510.26658 --- [CL] Reasoning Curriculum: Bootstrapping Broad LLM Reasoning from Math [Salesforce AI Research & University of California, Los Angeles] https://arxiv.org/abs/2510.26143 --- [LG] Encoder-Decoder or Decoder-Only? Revisiting Encoder-Decoder Large Language Model [Google DeepMind] https://arxiv.org/abs/2510.26622 --- [CL] Supervised Reinforcement Learning: From Expert Trajectories to Step-wise Reasoning [Google Cloud AI Research] https://arxiv.org/abs/2510.25992 --- [LG] Deep sequence models tend to memorize geometrically; it is unclear why [Google Research & CMU] https://arxiv.org/abs/2510.26745

本期节目，我们将一起深入AI的大脑，看看它究竟是如何思考的。我们会发现，AI不仅会修炼“内功心法”，以小博大；还会上演复杂的“内心戏”，让我们难辨其思考的真伪。我们还会揭开它通用的“学习公式”，看看聪明的AI为何会掉入“聪明陷阱”，以及它最终如何学会替我们高效地“试错”。 00:00:32 AI的“内功心法”：让小模型拥有大智慧的秘密 00:05:52 AI的“内心戏”：你看到的思考过程，有多少是“演”的？ 00:10:49 AI的“聪明陷阱”：为什么懂得多，反而容易犯错？ 00:16:26 揭秘AI的“学习公式”：原来万变不离其宗 00:21:32 让AI替你“试错”，我们能省下多少力气？ [CL] Scaling Latent Reasoning via Looped Language Models [ByteDance Seed] https://arxiv.org/abs/2510.25741 --- [LG] Can Aha Moments Be Fake? Identifying True and Decorative Thinking Steps in Chain-of-Thought [Northeastern University & UC Berkeley] https://arxiv.org/abs/2510.24941 --- [CL] Are Language Models Efficient Reasoners? A Perspective from Logic Programming [ETH Zürich & EPFL] https://arxiv.org/abs/2510.25626 --- [CL] Language Model Behavioral Phases are Consistent Across Architecture, Training Data, and Scale [MIT & UCSD] https://arxiv.org/abs/2510.24963 --- [LG] GPTOpt: Towards Efficient LLM-Based Black-Box Optimization [MIT] https://arxiv.org/abs/2510.25404

AI解决问题，一定要更强更快吗？今天我们换个角度，看看AI如何学得更“巧”。我们将探讨，如何让AI从一个“全能设计师”变成一支“专业施工队”，甚至学会从你选择时的犹豫中读懂你的心思。我们还会发现，AI制药不再是闭门造车，而被赋予了空间直觉；而处理音频的AI，也终于懂得直接从MP3里学习，不再做“返工”的傻事。准备好，让我们一起进入AI的“巧思”世界！ 00:00:36 AI制药的新玩法：如何把每个原子放到正确的位置？ 00:06:12 让AI当好“施工队”，而不是“总设计师” 00:11:42 自动驾驶的新思路：扔掉老师，你也能当状元？ 00:17:20 AI读心术：你选得有多快，它学得有多好 00:22:34 AI新范式：为什么你的MP3比原始音频更“聪明”？ 本期介绍的几篇论文： [LG] Pearl: A Foundation Model for Placing Every Atom in the Right Location [Genesis Molecular AI] https://arxiv.org/abs/2510.24670 --- [LG] TDFlow: Agentic Workflows for Test Driven Software Engineering [CMU & UC San Diego] https://arxiv.org/abs/2510.23761 --- [RO] ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [Fudan University & NVIDIA] https://arxiv.org/abs/2510.24108 --- [LG] Preference Learning with Response Time: Robust Losses and Guarantees [Stanford University] https://arxiv.org/abs/2505.22820 --- [LG] Transformers from Compressed Representations [King Abdullah University of Science and Technology] https://arxiv.org/abs/2510.23665

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

要让AI真正变聪明，是该为它发明一套统一江湖的“世界语”，还是该教会它如何在“大脑袋”和“长思考”间做出明智的权衡？又或者，我们得先帮它建立健康的“信息食谱”，避免陷入“脑子瓦特”的陷阱，并治愈它那藏着世界性偏见的好奇心？甚至，最新论文告诉我们，通往更高智能的钥匙，竟然是先让AI学会如何当一个会犯错的“差生”。本期节目，我们将通过五篇最新论文，共同探索AI智能背后那些你意想不到的深层逻辑。 00:00:39 AI的“世界语”：一套统一江湖的武功秘籍 00:06:11 AI的“垃圾食品”陷阱：为什么顶尖模型也会“脑子瓦特”？ 00:10:58 AI变聪明，靠脑子大还是想得久？ 00:17:18 AI的“好奇心”，藏着一个世界性的偏见 00:22:56 为什么最聪明的AI，要先学会当个“差生”？ 本期介绍的几篇论文： [LG] Tensor Logic: The Language of AI [University of Washington] https://arxiv.org/abs/2510.12269 --- [CL] LLMs Can Get "Brain Rot"! [Texas A&M University & University of Texas at Austin & Purdue University] https://arxiv.org/abs/2510.13928 --- [LG] Not All Bits Are Equal: Scale-Dependent Memory Optimization Strategies for Reasoning Models [KRAFTON & University of Wisconsin–Madison] https://arxiv.org/abs/2510.10964 --- [CL] The Curious Case of Curiosity across Human Cultures and LLMs [University of Michigan] https://arxiv.org/abs/2510.12943 --- [LG] Learning to Make MISTAKEs: Modeling Incorrect Student Thinking And Key Errors [MIT CSAIL] https://arxiv.org/abs/2510.11502

你有没有想过，让AI变聪明，或许并不需要更强的算力，而是需要一种更巧妙的引导方式？本期，我们将一起探索几篇最新论文带来的奇妙洞见：我们会发现，一点点“计算噪声”竟能让AI学得更好；我们甚至能像做CT扫描一样，亲眼“看见”AI思考的几何轨迹；并学习如何像教育孩子一样，教会AI在探索与专注间找到完美平衡，甚至不花一分钱，就解锁它的隐藏潜能。 00:00:36 不花钱升级你的AI？换个提问方式就行 00:05:39 AI育儿经：如何教机器学会“恰到好处”的探索 00:11:50 训练AI，加点“噪声”效果更好？ 00:16:47 AI的“心流”：看见思考的轨迹 00:22:19 如何让聪明的AI，学会更聪明地做事？ 本期介绍的几篇论文： [LG] Reasoning with Sampling: Your Base Model is Smarter Than You Think [Harvard University] https://arxiv.org/abs/2510.14901 --- [LG] Agentic Entropy-Balanced Policy Optimization [Kuaishou Technology & Renmin University of China] https://arxiv.org/abs/2510.14545 --- [LG] QeRL: Beyond Efficiency -- Quantization-enhanced Reinforcement Learning for LLMs [NVIDIA & MIT] https://arxiv.org/abs/2510.11696 --- [LG] The Geometry of Reasoning: Flowing Logics in Representation Space [Duke University] https://arxiv.org/abs/2510.09782 --- [CL] Demystifying Reinforcement Learning in Agentic Reasoning [National University of Singapore & Princeton University & University of Illinois at Urbana-Champaign] https://arxiv.org/abs/2510.11701

你有没有想过，我们衡量AI的标准可能从一开始就有点偏？今天，我们将一起颠覆几个常识：我们会发现，模型的潜力不在于考高分，而在于它的“想象力”有多丰富；训练巨型模型的省钱秘笈，可能就藏在一个简单的根号里；而要让AI生成完美的视频，最好的方法竟是让它组建一个内部“评审团”给自己挑错。更神奇的是，想让AI真正懂你，关键或许不是问“二选一”，而是“三选一”。准备好了吗？让我们一起探索这些最新论文中，那些反直觉又充满智慧的AI新思路。 00:00:41 AI训练的内功心法：为什么“好学生”不一定是“优等生”？ 00:07:18 炼大模型省钱秘笈：一个根号引发的蝴蝶效应 00:12:05 让AI自己挑毛病，视频才能越做越好 00:17:25 想真正懂我？别问二选一，试试三选一 00:21:57 给AI装个“健康码”：识别未知攻击的新思路 本期介绍的几篇论文： [LG] The Coverage Principle: How Pre-training Enables Post-Training [Microsoft Research & MIT & UIUC] https://arxiv.org/abs/2510.15020 --- [LG] Robust Layerwise Scaling Rules by Proper Weight Decay Tuning [MIT & UCLA] https://arxiv.org/abs/2510.15262 --- [CV] VISTA: A Test-Time Self-Improving Video Generation Agent [Google] https://arxiv.org/abs/2510.15831 --- [LG] Learning Correlated Reward Models: Statistical Barriers and Opportunities [MIT EECS] https://arxiv.org/abs/2510.15839 --- [CV] Learning to Detect Unknown Jailbreak Attacks in Large Vision-Language Models [Renmin University of China & Alibaba Group] https://arxiv.org/abs/2510.15430