AI可可AI生活 - 节目列表

你是否想过，AI不仅能找到一把优化万物的“万能扳手”，还能从“垃圾”数据中炼出真金？这一期，我们将一同见证AI如何跳出“训练好人”的思维陷阱，用“好制度”保障安全，甚至学会谦虚地向人类专家请教。让我们一起探索这些最新论文背后，令人拍案叫绝的智慧！00:00:27 找到那把能优化万物的“万能扳手”00:06:04 AI训练的秘密，为什么“垃圾”也能变黄金？00:11:16 从AI安全，看“好制度”如何战胜“好人00:16:03 如何用“笨”问题，精准定位一个“看不见”的目标？00:24:06 AI也懂谦虚？让机器学会“请教”的智慧本期介绍的几篇论文：[CL] optimize_anything: A Universal API for Optimizing any Text Parameter [UC Berkeley] https://arxiv.org/abs/2605.19633 ---[LG] A Bitter Lesson for Data Filtering [Stanford University] https://arxiv.org/abs/2605.19407 ---[AI] Agent Security is a Systems Problem [Google & University of California San Diego] https://arxiv.org/abs/2605.18991 ---[LG] Optimal Reconstruction from Linear Queries [Technion – Israel Institute of Technology] https://arxiv.org/abs/2605.19625 ---[LG] Density-Ratio Losses for Post-Hoc Learning to Defer [KTH & Google Research] https://arxiv.org/abs/2605.19557 在小宇宙查看该单集文稿

你有没有想过，你用的AI可能藏着一个无法抹去的“行为指纹”？我们又该如何分辨它是在“假装努力”，还是真的在高效思考？本期节目，我们将从几篇最新论文出发，聊聊如何让AI作画学会“高手画骨”，如何让AI拥有“经济适用房”般的超高性价比内存，甚至，如何把它的线性思维，彻底变成并行模式。准备好了吗？让我们一起探索AI世界的深层智慧。00:00:32 你的AI，有没有一个隐藏的“小动作”？00:06:34 AI的“经济适用房”，怎么让它记性又好又省钱？00:12:22 AI作画新思路，高手画骨，庸手填肉00:17:36 AI大模型，怎样把一根长长的竹竿，掰成一捆筷子？00:23:07 你的AI在“假装努力”吗？本期介绍的几篇论文：[LG] Asking Back: Interaction-Layer Antidistillation Watermarks [University of California, Los Angeles & Lawrence Berkeley National Laboratory] https://arxiv.org/abs/2605.16462 ---[LG] OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization [Together AI] https://arxiv.org/abs/2605.17757 ---[LG] Dual-Rate Diffusion: Accelerating diffusion models with an interleaved heavy-light network[Google DeepMind Amsterdam & University of Amsterdam] https://arxiv.org/abs/2605.18190 ---[LG] SNLP: Layer-Parallel Inference via Structured Newton Corrections [Red Hat AI Innovation] https://arxiv.org/abs/2605.17842 ---[CL] Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models [University of Illinois Chicago] https://arxiv.org/abs/2605.17672 在小宇宙查看该单集文稿

你有没有想过，AI画画是不是也需要打草稿？面对一个“马虎”的AI，我们除了让它变聪明，还能不能帮它“划重点”？本期节目，我们将一口气解锁五篇最新论文里的智慧：看AI如何用“笨功夫”画出惊艳作品，如何从“作弊”中学到创造力，甚至如何用“供应链”思维组建一个高效的AI团队。准备好，我们一起看看AI是如何学会更聪明地工作的。00:00:32 AI画画的“笨功夫”00:05:58 人工智能的“马虎”病，我们找到了一个药方00:10:45 让AI设计个东西，它居然学会了“作弊”？00:17:04 AI搞团队建设，为什么总像拉一个草台班子？00:23:00 AI大模型的美食家难题，如何调配完美的学习菜单？本期介绍的几篇论文：[CV] One Pass Is Not Enough: Recursive Latent Refinement for Generative Models [Simon Fraser University] https://arxiv.org/abs/2605.15309 ---[CV] Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding [Google DeepMind] https://arxiv.org/abs/2605.15342 ---[CL] Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search [Google Research] https://arxiv.org/abs/2605.16191 ---[LG] AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs [CMU] https://arxiv.org/abs/2605.15565 ---[CL] Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time [New York University & CMU] https://arxiv.org/abs/2605.15220 在小宇宙查看该单集文稿

你有没有想过，最聪明的AI，可能也需要最“笨”的办法？本期我们要聊聊，为什么简单的“Ctrl+F”有时能打败高级算法，AI又如何学会“摊销”智慧来走捷关，甚至从古老的物理学中悟出了修炼“内功”的心法。我们还会看到，AI如何像搭积木一样逐层过滤、化繁为简，并通过“反复琢磨”最终获得顿悟。准备好，一起窥探AI思考的“内功”心法吧！00:00:30 AI大模型，越高级，越需要“笨”办法？00:07:32 AI求解大师，重复计算是美德，还是偷懒才是？00:13:46 AI的终极思考，当模型学会了“悟”00:20:13 AI的超能力，把难题变简单的“过滤器”00:25:12 AI的“内功”心法，一种来自物理学的古老智慧本期介绍的几篇论文：[CL] Is Grep All You Need? How Agent Harnesses Reshape Agentic Search [PricewaterhouseCoopers] https://arxiv.org/abs/2605.15184 ---[LG] Local Inverse Geometry Can Be Amortized [A L. Kachhadiya] https://arxiv.org/abs/2605.13068 ---[LG] Solve the Loop: Attractor Models for Language and Reasoning [University of Southern California] https://arxiv.org/abs/2605.12466 ---[LG] Deep Learning as Neural Low-Degree Filtering: A Spectral Theory of Hierarchical Feature Learning [EPFL] https://arxiv.org/abs/2605.13612 ---[LG] Spontaneous symmetry breaking and Goldstone modes for deep information propagation [University of Amsterdam & Harvard University & Tsinghua University] https://arxiv.org/abs/2605.14685 在小宇宙查看该单集文稿

你有没有想过，如何才能既给一个天才足够的自由，又不让他彻底“跑偏”？怎样才能把好莱坞的特效团队，压缩进我们自己的电脑？最新的一系列论文，就在用代码回答这些充满哲思的问题。这一期，我们将看到AI如何从“翻译腔”进化到“原生思考”，如何从“看着像”进化到像素级的“一模一样”，甚至，我们将一起见证，一个普通的AI如何被一步步调教成解题思路长达十几万字的“奥数金牌选手”。准备好了吗？让我们一起潜入AI智慧的深海。00:00:36 给天才松绑，好过把他变成庸才00:06:57 把好莱坞的特效团队，装进你的电脑00:12:40 别再搭积木了，请直接“思考”00:18:13 AI造物，如何从“看着像”到“一模一样”？00:23:27 如何把一个普通AI，调教成奥数金牌选手？本期介绍的几篇论文：[LG] Sub-JEPA: Subspace Gaussian Regularization for Stable End-to-End World Models [Shanghai University] https://arxiv.org/abs/2605.09241 ---[CV] SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer [NVIDIA] https://arxiv.org/abs/2605.15178 ---[CV] SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture [sensenova] https://arxiv.org/abs/2605.12500 ---[CV] Pixal3D: Pixel-Aligned 3D Generation from Images [Tsinghua University & Tencent ARC Lab] https://arxiv.org/abs/2605.10922 ---[CL] Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling [Shanghai AI Laboratory] https://arxiv.org/abs/2605.13301 在小宇宙查看该单集文稿

你有没有想过，AI如何像我们一样，在反复试错后找到“刚刚好”的平衡点？这一期，我们就从几篇最新的AI论文出发，聊聊AI的“智慧进化”：看它如何学会给自己配备一个“后悔调节器”来动态调整策略，如何通过带“复盘笔记”的刻意练习，从沟通“小白”进化成“流程大师”，以及如何像拼乐高一样，用聪明的设计给自己“瘦身”，最终实现速度与质量的完美飞跃。00:00:31 做对选择，你需要一个“后悔调节器”00:05:28 AI 进化论，如何让一个聪明的“员工”，听懂“人话”？00:11:15 面对海量选择，我们如何做出“刚刚好”的聪明决策？00:19:09 AI作画提速的秘密，多看一步，不止平均00:24:26 神经网络的大瘦身，为什么聪明的设计胜过蛮力计算？本期介绍的几篇论文：[LG] Efficient Online Conformal Selection with Limited Feedback[Google Research & Duke University]https://arxiv.org/abs/2605.14953 ---[LG] Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience[Google Research]https://arxiv.org/abs/2605.14443 ---[LG] Stochastic Matching via Local Sparsification[Google Research]https://arxiv.org/abs/2605.14195 ---[LG] Covariance-aware sampling for Diffusion Models[Google]https://arxiv.org/abs/2605.13910 ---[LG] Compositional Sparsity as an Inductive Bias for Neural Architecture Design[University College London]https://arxiv.org/abs/2605.14764 在小宇宙查看该单集文稿

你有没有想过，AI写文章不靠“串珠子”，而是像雕塑家一样从混沌中“凿”出杰作？为什么把两个最先进的技术组合，反而会得到一个最差的结果？本期节目，我们将一起探讨几篇最新论文，看看AI如何像一个聪明的团队，在网上冲浪却不“学坏”；如何在与人类“上有政策，下有对策”的博弈中保持学习能力；以及它如何像一个决策守门员，把宝贵的精力只花在最值得的探索上。00:00:32 AI写作新思路，像雕塑家一样“凿”出好文章00:05:19 AI的“阅读”困境，该读字，还是读字母？00:11:41 你的“最强大脑”，差的不是智商，而是搜索方法00:17:05 AI时代的“上有政策，下有对策”00:22:37 决策的“守门员”，如何把精力花在刀刃上本期介绍的几篇论文：[CL] ELF: Embedded Language Flows [MIT] https://arxiv.org/abs/2605.10938 ---[LG] The Efficiency Gap in Byte Modeling [Google DeepMind] https://arxiv.org/abs/2605.12928 ---[CL] Context Training with Active Information Seeking [Google DeepMind] https://arxiv.org/abs/2605.13050 ---[LG] Strategic PAC Learnability via Geometric Definability [Technion – Israel Institute of Technology] https://arxiv.org/abs/2605.13426 ---[LG] Delightful Exploration [Google DeepMind] https://arxiv.org/abs/2605.13287 在小宇宙查看该单集文稿

这一期，我们来聊聊几个特别有意思的“AI悖论”：想让AI团队更强，是该招“通才”还是“专才”？AI写下的思考步骤，究竟是真实的内心独白，还是为了让你满意的“事后表演”？而教一个AI“学生”，是让他抄答案更有效，还是抄解题思路更靠谱？几篇最新的论文，给了我们一些出乎意料的答案。00:00:27 人多力量大，还是术业有专攻？00:07:33 AI的“胎记”，我们如何给机器生成的内容盖个章？00:12:46 AI训练的快慢之争，一个两全其美的方案00:18:35 你的AI队友，是在真思考还是在“演”给你看？00:23:52 让AI“小号”变聪明的秘密，抄答案还是抄思路？本期介绍的几篇论文：[LG] Slicing and Dicing: Configuring Optimal Mixtures of Experts [University of Washington & New York University] https://arxiv.org/abs/2605.11689 ---[LG] TextSeal: A Localized LLM Watermark for Provenance & Distillation Protection [Meta Superintelligence Labs] https://arxiv.org/abs/2605.12456 ---[LG] Learning, Fast and Slow: Towards LLMs That Adapt Continually [UC Berkeley & Mila] https://arxiv.org/abs/2605.12484 ---[LG] When Reasoning Traces Become Performative: Step-Level Evidence that Chain-of-Thought Is an Imperfect Oversight Channel [CMU & Fujitsu Research of America Inc] https://arxiv.org/abs/2605.11746 ---[CL] A Study on Hidden Layer Distillation for Large Language Model Pre-Training [Google DeepMind] https://arxiv.org/abs/2605.11513 在小宇宙查看该单集文稿

你有没有想过，AI也会有“选择困难症”吗？或者，怎么才能给AI请个既省钱又能干的“陪练”？这一期，我们就来聊聊几篇有趣的最新论文，看看科学家们是如何教会AI像高手一样反思、像侦探一样倾听“沉默的投票”，甚至用中学物理知识，给AI装上一双“3D眼睛”的。准备好了吗？让我们一起出发！00:00:29 鸡娃不如“陪练”，AI训练的降本增效新思路00:05:53 AI的学霸秘籍，如何像高手一样思考和进化00:12:12 AI的阅读术，如何既快又好地啃下海量信息？00:18:24 AI的“过分自信”，原来是种“选择困难症”00:23:39 让AI拥有“立体视觉”的省钱妙计本期介绍的几篇论文：[LG] CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization [Google Research] https://arxiv.org/abs/2605.08873 ---[CL] RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [Google Cloud AI Research] https://arxiv.org/abs/2605.10899 ---[CL] Scratchpad Patching: Decoupling Compute from Patch Size in Byte-Level Language Models [Google DeepMind] https://arxiv.org/abs/2605.09630 ---[CL] The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods [Google] https://arxiv.org/abs/2605.09739 ---[LG] RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings [Seoul National University & Google Research] https://arxiv.org/abs/2605.10706 在小宇宙查看该单集文稿

今天我们要聊点特别有意思的话题：AI是怎么“思考”和“成长”的？我们会从几篇最新的论文出发，看看AI如何学会聪明地“花钱”，如何在学习中分清“英雄”与“集体”；然后，我们会揭秘它那套先打“草稿”再复核的高效工作法。最后，我们会用一把全新的“尺子”去度量它成长的极限，并给它做一份“智商测试”，看看这个“天才”到底偏科有多严重。准备好了吗？让我们一起潜入AI的大脑深处。00:00:33 如何打造一个“更划算”的虚拟世界？00:06:10 大模型的“缩放法则”里，藏着什么秘密？00:13:40 快与慢，AI世界里的“草稿式”工作法00:19:55 你的数据值多少钱？一个新尺子，看透AI的增长极限00:26:42 AI的“智商”报告，一个偏科天才的养成本期介绍的几篇论文：[LG] On Training in Imagination [Weizmann Institute of Science & New York University & Columbia University] https://arxiv.org/abs/2605.06732 ---[LG] Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer [Harvard University] https://arxiv.org/abs/2605.07870 ---[CL] Fast Byte Latent Transformer [FAIR at Meta] https://arxiv.org/abs/2605.08044 ---[LG] On the Invariance and Generality of Neural Scaling Laws [Johns Hopkins University & MIT] https://arxiv.org/abs/2605.07546 ---[AI] Uneven Evolution of Cognition Across Generations of Generative AI Models [Google DeepMind & Google Research] https://arxiv.org/abs/2605.06815 在小宇宙查看该单集文稿

你有没有想过，一个真正聪明的AI，应该具备哪些超越“有问必答”的能力？本期节目，我们将通过几篇最新的AI论文，一探究竟。我们将看到，AI如何从一个被动的知识库，进化成一个懂得“追问”的医生，以及一个会“打腹稿”的作家。我们还会揭示，AI如何学会把“登天”的难题拆解成“上楼”和“坐电梯”，又是如何通过一个“记忆外挂”实现过目不忘的。准备好了吗？让我们一起刷新对AI“思考能力”的认知！00:00:34 AI看病，真正厉害的不是“诊断”而是“追问”00:06:35 把“登天”的难题，拆解成“上楼”和“坐电梯”00:11:52 AI开口说话，非得“一句接一句”吗？00:16:47 面对海量数据，我们如何看清那只“看不见的手”？00:23:46 AI的“记忆外挂”，如何让它过目不忘？本期介绍的几篇论文：[AI] SymptomAI: Towards a Conversational AI Agent for Everyday Symptom Assessment [Google Research] https://arxiv.org/abs/2605.04012 ---[LG] Conditional Diffusion Sampling [University of Cambridge & University of Granada & University of British Columbia] https://arxiv.org/abs/2605.04013 ---[CL] Continuous Latent Diffusion Language Model [Bytedance Seed] https://arxiv.org/abs/2605.06548 ---[LG] High-Dimensional Statistics: Reflections on Progress and Open Problems [Columbia University & Harvard University & CMU] https://arxiv.org/abs/2605.05076 ---[CL] TIDE: Every Layer Knows the Token Beneath the Context [Apple] https://arxiv.org/abs/2605.06216 在小宇宙查看该单集文稿

你有没有想过，最简单的数学平均值，竟然能打败最复杂的压缩算法？或者，在教AI“做什么”之前，我们其实可以先给它“喂”一套完整的思想和人设？本期节目，我们将从四篇最新的AI论文出发，一起探寻如何让AI自己长出可拆分的“乐高模块”，以及如何像一位顶级名师那样，把奖励精准地“夸”到AI的灵光一闪之处。00:00:29 你的记忆能被压缩多少，藏在一个几何定律里00:06:42 训练AI，从“喂”指令到“喂”思想00:11:47 AI减肥记，如何让一个大模型只带“脑子”出门？00:17:54 AI也需要“夸到点子上”？本期介绍的几篇论文：[LG] The Geometry of Consolidation A Bharadwaj Vangara, A Gopinath https://github.com/niashwin/geometry-of-consolidation/blob/main/paper/arxiv/main.pdf ---[AI] Model Spec Midtraining: Improving How Alignment Training Generalizes C Li, S Price, S Marks, J Kutasov https://arxiv.org/abs/2605.02087 ---[CL] EMO: Pretraining Mixture of Experts for Emergent Modularity R Wang, A Bhagia, S Min https://arxiv.org/abs/2605.06663 ---[LG] DGPO: Distribution Guided Policy Optimization for Fine Grained Credit Assignment H Jin, R Zhu, Z Du, X Jiang… https://arxiv.org/abs/2605.03327 在小宇宙查看该单集文稿