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

你有没有想过，最聪明的AI不仅要会解题，更要懂得如何省钱、如何团队协作、甚至如何避免“摸鱼”吗？本期节目，我们将一口气解读几篇最新论文，看看AI如何通过精细的“拆解”来降本增效，如何组建“AI教练天团”实现自我进化，又是如何学会“察言观色”，从一个笨拙的工具，变身为高情商的队友。准备好了吗？让我们一起揭开AI“人情世故”的秘密。 00:00:32 为什么你的AI服务又贵又慢？答案藏在一个“拆”字里 00:05:48 AI当教练，一句话教会AI当车神 00:11:58 AI学会了“省钱”，这对我们有什么启发？ 00:17:43 AI也会摸-鱼？一个团队的智慧，是怎么被“猪队友”拖垮的 00:23:55 如何让你的AI助理，从“笨蛋”变“高情商”？ 本期介绍的几篇论文： [LG] From Models to Operators: Rethinking Autoscaling Granularity for Large Generative Models [Rice University & Microsoft Research] https://arxiv.org/abs/2511.02248 --- [LG] Automated Reward Design for Gran Turismo [University of Montreal & Turing Inc. & Sony AI] https://arxiv.org/abs/2511.02094 --- [LG] Re-FORC: Adaptive Reward Prediction for Efficient Chain-of-Thought Reasoning [AWS Agentic AI] https://arxiv.org/abs/2511.02130 --- [LG] Unlocking the Power of Multi-Agent LLM for Reasoning: From Lazy Agents to Deliberation [The Pennsylvania State University & Harvard University & Michigan State University] https://arxiv.org/abs/2511.02303 --- [LG] Training Proactive and Personalized LLM Agents [CMU] https://arxiv.org/abs/2511.02208

你真的了解那个天天与你对话的AI吗？这一期，我们来当一回“AI读心师”，带你换个全新的视角看AI。我们会潜入AI思考的“时间之河”，揭示它那颗会悄悄“变心”的内在。更重要的是，我们将看到几篇最新论文，是如何教会AI聪明地“抄近道”、真正地“辨因果”，并最终找到那个任你怎么问都不会动摇的“坚固答案”的。 00:00:30 AI的“时间盲区”：我们看懂它的方式，可能一开始就错了 00:05:35 那个天天陪你聊天的AI，正在悄悄“变心” 00:11:23 高手过招：如何聪明地“抄近道”？ 00:16:33 想用AI解决数据难题？你得先学会给它“立规矩” 00:23:46 换个姿势再问一遍：如何找到最可靠的答案？ 本期介绍的几篇论文： [LG] Priors in Time: Missing Inductive Biases for Language Model Interpretability [Goodfire AI & Harvard University] https://arxiv.org/abs/2511.01836 --- [CL] Accumulating Context Changes the Beliefs of Language Models [CMU & Princeton University] https://arxiv.org/abs/2511.01805 --- [RO] SLAP: Shortcut Learning for Abstract Planning [Princeton University & CMU] https://arxiv.org/abs/2511.01107 --- [LG] A Technical Exploration of Causal Inference with Hybrid LLM Synthetic Data [UC Berkeley] https://arxiv.org/abs/2511.00318 --- [CL] Self-Harmony: Learning to Harmonize Self-Supervision and Self-Play in Test-Time Reinforcement Learning [The University of Tokyo & RIKEN Center for Advanced Intelligence Project] https://arxiv.org/abs/2511.01191

你有没有想过，当AI不再只是一个反应飞快的万事通，而是开始学会“举一反三”，甚至拥有自己的“原则”和“工作流程”时，会发生什么？这一期，我们将看到AI如何自己“开公司”搞科研，又如何建立“中央厨房”模式，用一份力气解决一百个问题。我们还会探讨，如何训练AI坚守原则“不忘初心”，以及它如何模仿人类顶尖专家，像一位真正的科学家那样思考。准备好，让我们一起探寻AI智能正在发生的深刻变革。 00:00:38 AI的“一叶知秋”：模型需要读多长的书，才能举一反三？ 00:05:47 AI的“自我修养”：如何让它学会“不忘初心”？ 00:10:36 AI的尽头，是开公司？ 00:14:53 AI的“中央厨房”模式 00:20:24 AI当专家，这次可能真不是吹牛 本期介绍的几篇论文： [LG] Quantitative Bounds for Length Generalization in Transformers [NEC Labs America & Princeton University & UC Berkeley] https://arxiv.org/abs/2510.27015 --- [LG] Consistency Training Helps Stop Sycophancy and Jailbreaks [Google] https://arxiv.org/abs/2510.27062 --- [LG] The Denario project: Deep knowledge AI agents for scientific discovery [Flatiron Institute & University of Cambridge & Universitat Autonoma de Barcelona] https://arxiv.org/abs/2510.26887 --- [LG] Panprediction: Optimal Predictions for Any Downstream Task and Loss [CMU & UC Berkeley & Columbia University] https://arxiv.org/abs/2510.27638 --- [LG] Glia: A Human-Inspired AI for Automated Systems Design and Optimization [MIT CSAIL] https://arxiv.org/abs/2510.27176

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