AI可可AI生活 - 节目列表

你有没有想过，AI的大脑里到底是什么样？今天我们就来一次深度探险，看看最新论文如何为我们绘制出AI的“乐高说明书”，又如何让它兼顾深思熟虑与脱口而出。我们还会把AI送上喜剧舞台，一探它那难以共情的奇特笑点，甚至把它放进一个虚拟“空间站”，看它能否成为真正的科学家。最后，我们会聊一个大趋势：AI正在悄悄地从遥远的云端，搬到你我的身边。 00:00:31 AI的“乐高”说明书 00:06:17 让AI既能深思熟虑，又能脱口而出 00:11:07 AI的笑点，为什么我们Get不到？ 00:15:29 AI科学家，告别流水线 00:21:19 AI大变局：从云端到你身边 本期介绍的几篇论文： [LG] Weight-sparse transformers have interpretable circuits [OpenAI] https://cdn.openai.com/pdf/41df8f28-d4ef-43e9-aed2-823f9393e470/circuit-sparsity-paper.pdf --- [CL] TiDAR: Think in Diffusion, Talk in Autoregression [NVIDIA] https://arxiv.org/abs/2511.08923 --- [CL] Assessing the Capabilities of LLMs in Humor: A Multi-dimensional Analysis of Oogiri Generation and Evaluation [Hitotsubashi University] https://arxiv.org/abs/2511.09133 --- [LG] The Station: An Open-World Environment for AI-Driven Discovery [Dualverse AI] https://arxiv.org/abs/2511.06309 --- [LG] Intelligence per Watt: Measuring Intelligence Efficiency of Local AI [Stanford University] https://arxiv.org/abs/2511.07885

如何让AI更聪明、更可靠？这期节目，我们将颠覆你的好几个固有认知。我们会发现，让小模型拥有大师风范的最佳方式，竟是引入一场“鉴赏家”参与的博弈；而AI最好的记忆方法，有时反而是那个最“笨”的。接着，我们将探讨如何用一张“考试大纲”驯服AI，又如何给它内置一个“苏格拉底”进行自我纠错。最后，我们还会揭秘，AI是如何从仅仅“听到”音乐，进化到能够“听懂”音乐背后的高级情感与故事的。 00:00:37 让你的小模型，拥有宗师风范 00:05:09 为什么说，最笨的方法，是AI最好的记忆方法？ 00:10:30 AI的“考试大纲”：我们如何让它更听话？ 00:15:54 如何让AI少犯错？给它一个内置的“苏格拉底” 00:21:06 从“好听”到“高级”：AI如何学会聊音乐？ 本期介绍的几篇论文： [CL] Black-Box On-Policy Distillation of Large Language Models [Microsoft Research] https://arxiv.org/abs/2511.10643 --- [CL] Convomem Benchmark: Why Your First 150 Conversations Don't Need RAG [Salesforce AI Research] https://arxiv.org/abs/2511.10523 --- [CL] Rubric-Based Benchmarking and Reinforcement Learning for Advancing LLM Instruction Following [Meta Superintelligence Labs & Princeton University] https://arxiv.org/abs/2511.10507 --- [CL] SSR: Socratic Self-Refine for Large Language Model Reasoning [Salesforce AI Research] https://arxiv.org/abs/2511.10621 --- [AS] Music Flamingo: Scaling Music Understanding in Audio Language Models [NVIDIA & University of Maryland] https://arxiv.org/abs/2511.10289

你有没有想过，让AI更强大，除了把它做得更大，还有哪些更聪明的办法？今天我们就来聊聊几篇最新的论文，它们不约而同地指向了“思维品质”的提升。我们将看到AI如何学会像人一样看“大局”，如何用“人海战术”的群体智慧实现零失误，甚至如何拥有一个可以推演未来的“虚拟世界”。我们还会探讨，如何通过给AI的思维“剪枝”，以及鼓励“多样性”，让它变得既聪明又不无聊。 00:00:34 让AI学会“看大局”，会发生什么？ 00:05:38 “笨蛋”的胜利：当AI学会了“人海战术” 00:10:57 如何给AI一个可以推演未来的世界？ 00:16:21 为什么AI越来越像个只会复读的“乖孩子”？ 00:21:23 给AI的思维“剪枝”，让它想得又快又好 本文介绍的几篇论文： [LG] Aligning machine and human visual representations across abstraction levels [University of Maryland] https://arxiv.org/abs/2505.11080 --- [LG] Solving a Million-Step LLM Task with Zero Errors [Cognizant AI Lab] https://arxiv.org/abs/2511.09030 --- [CV] PAN: A World Model for General, Interactable, and Long-Horizon World Simulation [Mohamed bin Zayed University of Artificial Intelligence] https://arxiv.org/abs/2511.09057 --- [CL] Diverse Preference Learning for Capabilities and Alignment [MIT CSAIL] https://arxiv.org/abs/2511.08594 --- [CL] Chopping Trees: Semantic Similarity Based Dynamic Pruning for Tree-of-Thought Reasoning [Algoverse AI Research] https://arxiv.org/abs/2511.08595

今天我们来聊一个特别有意思的话题：AI的“内心世界”。我们总惊叹于AI的强大，但它在学习时，究竟是大刀阔斧地改造自己，还是在悄悄地“偷懒”走捷径？当AI开始模仿人类的身体，甚至尝试像科学家一样思考，它离真正的创造还有多远？更重要的是，我们如何才能听到AI的“真心话”，而不是精心编排的场面话？今天，我们就从五篇最新论文出发，一起探寻AI大脑深处的秘密。 00:00:36 AI训练的“第一性原理”：大道至简 00:06:38 机器人告别“笨拙”的秘密武器 00:11:49 AI进化的秘密：为什么最聪明的学习，看起来最“懒”？ 00:18:46 AI的“真心话”，能教出来吗？ 00:22:51 AI当“科学家”，靠的是两位“老师” 本期介绍的几篇论文： [LG] LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [Brown University & New York University] https://arxiv.org/abs/2511.08544 --- [RO] SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [Nvidia] https://arxiv.org/abs/2511.07820 --- [LG] The Path Not Taken: RLVR Provably Learns Off the Principals [Meta AI & The University of Texas at Austin] https://arxiv.org/abs/2511.08567 --- [CL] Training Language Models to Explain Their Own Computations [Transluce & MIT CSAIL] https://arxiv.org/abs/2511.08579 --- [CL] AlphaResearch: Accelerating New Algorithm Discovery with Language Models [Tsinghua University & New York University & Yale University] https://arxiv.org/abs/2511.08522

今天我们不只聊AI能做什么，而是要深入它的“内心”，看看它是如何思考和学习的。我们将一起探索，AI如何在信息不足的“战争迷雾”中做出超人决策，又如何像滚雪球一样自我进化，解决超长难题。我们还会看到，AI如何被“逼”着建立起真正的内心世界，甚至它的训练过程，竟然能用中学物理的理想气体定律来解释！准备好了吗？让我们一起揭开这些聪明策略的神秘面纱，看看AI如何实现从“死记硬背”到“融会贯通”，从“慢工细活”到“快马绣花”的华丽变身。 00:00:39 信息不足，如何做出“超人”决策？ 00:06:35 AI如何学会“举一反三”？ 00:12:54 AI的“顿悟”：如何让机器不只记忆，更懂世界 00:17:08 AI炼丹炉里的理想气体 00:22:22 AI训练的“既要又要”：如何让快马也能绣花？ 本期介绍的几篇论文： [LG] Superhuman AI for Stratego Using Self-Play Reinforcement Learning and Test-Time Search [CMU & NYU Tandon School of Engineering & Stanford University] https://arxiv.org/abs/2511.07312 --- [LG] Transformers Provably Learn Chain-of-Thought Reasoning with Length Generalization [University of Pennsylvania & CMU] https://arxiv.org/abs/2511.07378 --- [LG] Next-Latent Prediction Transformers Learn Compact World Models [Microsoft Research] https://arxiv.org/abs/2511.05963 --- [LG] Can Training Dynamics of Scale-Invariant Neural Networks Be Explained by the Thermodynamics of an Ideal Gas? [Constructor University & Mila] https://arxiv.org/abs/2511.07308 --- [LG] TNT: Improving Chunkwise Training for Test-Time Memorization [Google Research & University of Southern California] https://arxiv.org/abs/2511.07343

本期节目，我们将一起钻进AI的大脑，看看最新的研究如何让它学会像老司机一样“一心二用”，同时又为何会像疲惫的保安，被一大堆“废话”轻松绕过安全防线。我们不仅要揭开大模型“过度自信”的真相，给它装上一个能随时切换快慢的“油门”，最后，再分享一个反常识的省钱妙招：如何用盖小平房的成本，最终建成一栋摩天大楼。准备好，我们马上出发！ 00:00:32 让AI学会“一心二用”，有多难？ 00:05:50 AI安全的阿喀琉斯之踵：当“废话”也能成为武器 00:09:59 大模型，你到底有多自信？ 00:15:26 AI的油门：快与好，我全都要 00:20:18 训练AI，一个反常识的省钱妙招 本期介绍的几篇论文： [LG] Real-Time Reasoning Agents in Evolving Environments [Tsinghua University & Shanghai Jiao Tong University & Georgia Institute of Technology] https://arxiv.org/abs/2511.04898 --- [LG] Jailbreaking in the Haystack [CMU] https://arxiv.org/abs/2511.04707 --- [CL] Trained on Tokens, Calibrated on Concepts: The Emergence of Semantic Calibration in LLMs [Apple] https://arxiv.org/abs/2511.04869 --- [LG] Attention and Compression is all you need for Controllably Efficient Language Models [New York University] https://arxiv.org/abs/2511.05313 --- [LG] Deep Progressive Training: scaling up depth capacity of zero/one-layer models [Meta FAIR] https://arxiv.org/abs/2511.04981

今天，我们将一起探索如何让AI更强大也更“像人”：比如，让AI的记忆不再是短暂的，而是像组织一样层层沉淀；让两个聪明的AI合作不再犯傻，甚至通过“自我反思”拥有稳定的性格。更有趣的是，我们还会看到，教AI谱曲就像教它一门外语，而训练它不出错的最好方法，竟是给它找个专门“抬杠”的对手。让我们马上进入今天的前沿探索之旅！ 00:00:32 AI的记忆黑洞：为什么我们看到的深度学习只是冰山一角 00:06:40 两个聪明的AI，为何凑在一起就犯傻？ 00:12:05 让AI学会“谱曲”，只需教它一门新外语 00:17:17 打造有“个性”的AI助手 00:23:36 如何训练一个更聪明的AI？给它找个“抬杠”的对手 本文介绍的几篇论文： [LG] Nested Learning: The Illusion of Deep Learning Architectures [Google Research] https://abehrouz.github.io/files/NL.pdf --- [LG] The Collaboration Gap [Microsoft Research & EPFL] https://arxiv.org/abs/2511.02687 --- [AS] MIDI-LLM: Adapting Large Language Models for Text-to-MIDI Music Generation [MIT] https://arxiv.org/abs/2511.03942 --- [CL] Open Character Training: Shaping the Persona of AI Assistants through Constitutional AI [University of Cambridge & MATS & Allen Institute for AI & Anthropic] https://arxiv.org/abs/2511.01689 --- [LG] RLAC: Reinforcement Learning with Adversarial Critic for Free-Form Generation Tasks [Shanghai Jiao Tong University & UC Berkeley] https://arxiv.org/abs/2511.01758

这期我们聊聊AI的“新职业”，看它如何化身科学家自主探索，甚至成为发明解题方法的数学家。但这种聪明是真的吗？我们会用奥数级的难题刨根问底，看看AI究竟是“知道答案”还是“懂得证明”。最后，我们把AI程序员扔进残酷的“职场”，看看当高质量数据不再管够、当任务需要长期迭代时，它离真正的职场高手，还差了点什么关键的“班味儿”。 00:00:30 你的下一位同事，可能是个AI科学家 00:06:54 你的下一位数学家，何必是人类？ 00:12:56 你的聪明，是真的聪明吗？ 00:18:12 AI学习的内卷：当好数据不够用了怎么办？ 00:24:52 为什么AI程序员离职场高手，还差一个“班味儿”？ 本期介绍的几篇论文： [AI] Kosmos: An AI Scientist for Autonomous Discovery [Edison Scientific Inc.] https://arxiv.org/abs/2511.02824 --- [AI] Mathematical exploration and discovery at scale [University of California, Berkeley & Google DeepMind & Carnegie Mellon University & University of California, Los Angeles] https://arxiv.org/abs/2511.02864 --- [CL] Towards Robust Mathematical Reasoning [Google DeepMind] https://arxiv.org/abs/2511.01846 --- [LG] Diffusion Language Models are Super Data Learners [National University of Singapore & Sea AI Lab] https://arxiv.org/abs/2511.03276 --- [LG] CodeClash: Benchmarking Goal-Oriented Software Engineering [Stanford University & Princeton University & Cornell University] https://arxiv.org/abs/2511.00839

如果AI学会了“偷懒”和“作弊”，我们是该高兴还是该担心？今天，我们就来聊聊AI正在觉醒的几种“新智慧”：它不仅开始用“看图”的方式读完一整本书，还学会了像我们一样把精力花在刀刃上。我们还会探讨，如何用一把“尺子”去精确测量它的能力短板，以及它如何像武林高手一样，通过“左右互搏”实现自我进化。准备好了吗？让我们一起揭开这些最新论文背后，AI正在发生的深刻变革。 00:00:34 给AI一双眼，让它读完一整本书 00:06:06 给AI一把尺子，量量它离我们有多远？ 00:11:37 AI的左右互搏：如何不花钱，让AI自己把自己逼成高手？ 00:17:05 AI的“精力管理”智慧 00:21:55 AI学会了“耍滑头”，我们该怎么办？ 本期介绍的几篇论文： [CL] Glyph: Scaling Context Windows via Visual-Text Compression [Tsinghua University & Zhipu AI] https://arxiv.org/abs/2510.17800 --- [CL] A Definition of AGI [Center for AI Safety & University of California, Berkeley & Morph Labs] https://arxiv.org/abs/2510.18212 --- [CL] Search Self-play: Pushing the Frontier of Agent Capability without Supervision [Quark LLM Team, Alibaba Group] https://arxiv.org/abs/2510.18821 --- [CV] Accelerating Vision Transformers with Adaptive Patch Sizes [CMU & KAIST] https://arxiv.org/abs/2510.18091 --- [CL] ImpossibleBench: Measuring LLMs' Propensity of Exploiting Test Cases [CMU & Anthropic] https://arxiv.org/abs/2510.20270

今天，我们来聊一次AI的“认知升级”，它已经不满足于简单地听从指令了。当AI开始自己“进化”出新算法，我们该如何绘制它创造的知识地图？当AI的考试不再是答题，而是“活下去”，我们又该如何成为一名能随时修正航向的“舵手”，甚至看懂它藏在心中的“锦囊妙计”？本期节目，就让我们通过几篇最新论文，一窥AI智能的未来形态。 00:00:32 AI进化论：让算法自己发现算法 00:05:38 科学研究的GPS：如何看透一个陌生领域？ 00:11:13 AI 的下一场考试，考的是「活下去」的能力 00:16:22 别让AI瞎跑，你得学会当个好舵手 00:20:52 给AI一个“锦囊”，它就能变得更聪明？ 本期介绍的几篇论文： [LG] Discovering state-of-the-art reinforcement learning algorithms [Google DeepMind] https://www.nature.com/articles/s41586-025-09761-x --- [CL] Real Deep Research for AI, Robotics and Beyond [UC San Diego & NVIDIA] https://arxiv.org/abs/2510.20809 --- [LG] Fluidity Index: Next-Generation Super-intelligence Benchmarks [QueueLab] https://arxiv.org/abs/2510.20636 --- [CL] Enterprise Deep Research: Steerable Multi-Agent Deep Research for Enterprise Analytics [Salesforce AI Research] https://arxiv.org/abs/2510.17797 --- [LG] The Free Transformer [FAIR at Meta] https://arxiv.org/abs/2510.17558

今天，我们将一起探索AI那些不为人知的“内心世界”和“隐藏技能”。我们将揭示AI如何“感知”到那些它放弃了的“平行世界”，又如何区分自己是“真的不懂”还是“问题太复杂”。同时，我们还会看看它如何通过“开卷考试”和在“梦境健身房”里训练，突破我们想象的效率极限。这些最新论文，正在颠覆我们对AI效率、智能甚至“坦诚”的传统认知。 00:00:34 AI加速生成：快与好的两难，如何破局？ 00:07:26 AI的“遗忘”与“再利用”：一份被浪费的宝藏 00:12:42 AI的“内心戏”：它知道自己放弃了什么吗？ 00:18:00 AI的专属健身房：让它在梦里学会真本事 00:23:35 AI的“我不知道”，你真的读懂了吗？ 本期介绍的几篇论文： [LG] Optimal Inference Schedules for Masked Diffusion Models [Harvard & UW] https://arxiv.org/abs/2511.04647 --- [CL] Reusing Pre-Training Data at Test Time is a Compute Multiplier [Apple & Stanford] https://arxiv.org/abs/2511.04234 --- [CL] Are language models aware of the road not taken? Token-level uncertainty and hidden state dynamics [Stanford University & Goodfire & NTT Research] https://arxiv.org/abs/2511.04527 --- [LG] Scaling Agent Learning via Experience Synthesis [Meta Superintelligence Labs] https://arxiv.org/abs/2511.03773 --- [LG] The Illusion of Certainty: Uncertainty quantification for LLMs fails under ambiguity [Technical University of Munich] https://arxiv.org/abs/2511.04418

本期节目，我们将一起探索几个让AI更聪明的“反常识”妙招，全是来自最新论文的硬核洞察。我们会发现，为什么有时候“躺平”学习的AI反而会考砸，而主动扔掉海量数据却能让模型更强。我们还会聊聊，如何通过给AI的大脑做个“剪枝”手术来激发创造力，或者请个“陪练”帮它领悟世界的规律。最后，你将看到，只需几个简单的“二选一”，就能让AI“秒懂”你的独特品味。 00:00:35 AI训练的迷思：躺得平，就一定学得好吗？ 00:05:52 喂养AI的新姿势：为什么聪明人要主动扔掉一部分数据？ 00:12:31 AI绘画：是天才画手，还是像素级的复印机？ 00:18:54 给AI请个“陪练”，为什么能让它更聪明？ 00:24:25 让AI“秒懂”你的心思，需要几步？ 本期介绍的几篇论文： [LG] Flat Minima and Generalization: Insights from Stochastic Convex Optimization [Tel Aviv University] https://arxiv.org/abs/2511.03548 --- [LG] Why Less is More (Sometimes): A Theory of Data Curation [Concordia University & FAIR at Meta] https://arxiv.org/abs/2511.03492 --- [LG] Provable Separations between Memorization and Generalization in Diffusion Models [Northwestern University & Georgia Institute of Technology] https://arxiv.org/abs/2511.03202 --- [CV] Generative Hints [Stanford University & California Institute of Technology] https://arxiv.org/abs/2511.02933 --- [LG] Inference-Time Personalized Alignment with a Few User Preference Queries [MPI-SWS & Visa & CMU] https://arxiv.org/abs/2511.02966