AI可可AI生活 - 节目列表

想知道如何像做笔迹鉴定一样，一眼看穿AI的“真身”吗？想了解怎样能让AI开会时，奇迹般地省下97%的“桌子”吗？本期我们就来聊聊几篇最新论文，看看AI如何学会“读心术”来高效协作，如何避免因“谜之自信”而犯下大错，甚至，为什么一个“会犯错”的老师，反而能教出更厉害的AI学生。 00:00:28 如何给AI做“笔迹鉴定”？ 00:06:27 AI开会，如何省下97%的桌子？ 00:14:10 AI界的“青出于蓝”，是惊喜还是惊吓？ 00:19:30 你还在让AI“写报告”？它们已经开始直接交换“想法”了 00:24:16 为什么“犯错”的老师，能教出更好的AI？ 本期介绍的几篇论文： [CL] The Surprising Universality of LLM Outputs: A Real-Time Verification Primitive [Evolutionairy AI] https://arxiv.org/abs/2604.25634 --- [LG] PolyKV: A Shared Asymmetrically-Compressed KV Cache Pool for Multi-Agent LLM Inference [No University Provided] https://arxiv.org/abs/2604.24971 --- [AI] Evaluating Risks in Weak-to-Strong Alignment: A Bias-Variance Perspective [University of Illinois Urbana-Champaign & Microsoft & InstaDeep] https://arxiv.org/abs/2604.25077 --- [CL] Recursive Multi-Agent Systems [UIUC] https://arxiv.org/abs/2604.25917 --- [LG] When Errors Can Be Beneficial: A Categorization of Imperfect Rewards for Policy Gradient [Princeton University] https://arxiv.org/abs/2604.25872

你有没有想过，一个“乐于助人”的AI，它的善意本身可能就是最危险的漏洞？本期节目，我们将从几篇最新的AI论文出发，一起探索AI的“内心世界”：看看它是如何通过预判未来让训练更高效，如何在内部形成“专家圈子”，又是如何掉进“减肥不减脂”的内存陷阱，并最终揭示那张描绘它思维路径的神秘“藏宝图”。准备好了吗？让我们一起打开AI的黑箱。 00:00:30 为什么说，答案对错没那么重要？ 00:05:59 你的AI正在“挑食”，一个让大模型加速的隐秘模式 00:11:46 AI大模型瘦身指南，减重≠减脂 00:17:49 为什么一个“乐于助人”的AI，反而更危险？ 00:22:34 AI的“藏宝图”，我们如何看懂机器的“内心世界”？ 本期介绍的几篇论文： [LG] Reward Models Are Secretly Value Functions: Temporally Coherent Reward Modeling [AI at Meta] https://arxiv.org/abs/2604.22981 --- [LG] Scaling Multi-Node Mixture-of-Experts Inference Using Expert Activation Patterns [Meta & Georgia Institute of Technology] https://arxiv.org/abs/2604.23150 --- [LG] Parameter Efficiency Is Not Memory Efficiency: Rethinking Fine-Tuning for On-Device LLM Adaptation [MIT CSAIL] https://arxiv.org/abs/2604.22783 --- [CL] Jailbreaking Frontier Foundation Models Through Intention Deception [CMU] https://arxiv.org/abs/2604.24082 --- [AI] Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features [Stanford University] https://arxiv.org/abs/2604.23829

你是否想过，AI在犯错的瞬间，内心会不会也“咯噔”一下？面对海量文件，它如何像图书管理员一样建立“超级数据库”而不是被淹没？最新几篇论文给了我们答案。我们将一起探寻AI如何获得“自知之明”，如何被“结果导向”带入“假装思考”的陷阱，以及我们如何像配制营养餐和划重点一样，精准地让它变得更聪明。 00:00:28 AI的“第六感”，它知道自己何时能改正错误 00:06:17 给AI装上一个“超级数据库”，它就再也不会忘事了 00:12:24 你的“结果导向”，正在培养“假装思考”的下属？ 00:19:17 数据淘金，如何从海量信息中精准“喂”出好模型 00:25:16 给AI一支“荧光笔”，它就能看得更清？ 本期介绍的几篇论文： [LG] How LLMs Detect and Correct Their Own Errors: The Role of Internal Confidence Signals [Google DeepMind] https://arxiv.org/abs/2604.22271 --- [CL] Contexts are Never Long Enough: Structured Reasoning for Scalable Question Answering over Long Document Sets [Stanford University] https://arxiv.org/abs/2604.22294 --- [CL] Outcome Rewards Do Not Guarantee Verifiable or Causally Important Reasoning [Stanford University] https://arxiv.org/abs/2604.22074 --- [CL] CRAFT: Clustered Regression for Adaptive Filtering of Training data [Google & BITS Pilani] https://arxiv.org/abs/2604.22693 --- [CL] Learning Evidence Highlighting for Frozen LLMs [Stony Brook University & Meta AI] https://arxiv.org/abs/2604.22565

你有没有想过，为什么AI不能像个身手敏捷的伙伴一样装进我们的手机？我们又该如何升级自己的“预测操作系统”，让决策更精准？本期节目，我们将从几篇最新的AI论文出发，聊一聊如何给AI来一场“智慧瘦身”，如何用八分之一的成本办成同样的事，甚至是如何找到AI内部的“隐藏开关”，让它乖乖“变身”。我们还会一起探索一个奇妙的问题：不同的AI模型，为什么会像生物一样“趋同进化”？ 00:00:33 AI太“胖”装不进手机？给它来一场“智慧瘦身” 00:05:24 升级你的“预测操作系统” 00:11:20 如何用1/8的成本，办成同样的事？ 00:16:40 AI的隐藏开关，如何让它“听话”地变身？ 00:21:35 AI 的“趋同进化”，为什么聪明和“看起来聪明”是两回事 本期介绍的几篇论文： [LG] Hyperloop Transformers: Hyperloop Transformers [MIT] https://arxiv.org/abs/2604.21254 --- [AI] Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs: Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs [University of British Columbia] https://arxiv.org/abs/2604.18576 --- [LG] FASTER: Value-Guided Sampling for Fast RL: FASTER: Value-Guided Sampling for Fast RL [Stanford University] https://arxiv.org/abs/2604.19730 --- [LG] ConforNets: Latents-Based Conformational Control in OpenFold3: ConforNets: Latents-Based Conformational Control in OpenFold3 [Columbia University & Princeton University] https://arxiv.org/abs/2604.18559 --- [CL] Convergent Evolution: How Different Language Models Learn Similar Number Representations: Convergent Evolution: How Different Language Models Learn Similar Number Representations [University of Southern California & UC San Diego] https://arxiv.org/abs/2604.20817

今天我们要聊一个特别有意思的话题：AI的“思想”到底是怎么回事？我们会从几篇最新的论文出发，看看AI是如何从一个只会模仿答案的“偏科生”，被一步步调教成严谨的“学霸”的。接着，我们会见识一个让AI内部互相“打架”的残酷角斗场，看看真相如何从对抗中诞生。最后，我们还会发现，真正聪明的AI，不仅要懂得在混乱的边缘跳舞，甚至还要学会一项我们人类与生俱来的高级能——主动“遗忘”。 00:00:34 AI当科学家，光有答案，没有思想？ 00:06:18 AI界的“学霸”是怎样炼成的？ 00:11:23 为什么共识可能是陷阱？用AI对抗AI，我们能学到什么 00:17:53 高手秘诀，在混乱的边缘起舞 00:23:26 聪明的大脑，要学会主动“变傻” 本期介绍的几篇论文： [AI] AI scientists produce results without reasoning scientifically [Friedrich Schiller University Jena & Indian Institute of Technology Delhi] https://arxiv.org/abs/2604.18805 --- [AI] QuantumQA: Enhancing Scientific Reasoning via Physics-Consistent Dataset and Verification-Aware Reinforcement Learning [University of Science and Technology of China] https://arxiv.org/abs/2604.18176 --- [AI] Refute-or-Promote: An Adversarial Stage-Gated Multi-Agent Review Methodology for High-Precision LLM-Assisted Defect Discovery [A Agarwal] https://arxiv.org/abs/2604.19049 --- [LG] Generalization at the Edge of Stability [Imperial College London] https://arxiv.org/abs/2604.19740 --- [LG] Neural Garbage Collection: Learning to Forget while Learning to Reason [Stanford University] https://arxiv.org/abs/2604.18002

你有没有想过，我们能让AI不再“傻等”，像个独立的施工队一样高效协作吗？当AI像个“偏科生”时，我们能否不改造它的大脑，只用一本“说明书”就教会它看懂全世界？本期节目，我们将一口气解锁五篇最新论文带来的脑洞：看AI如何通过“跟自己抬杠”学会创造，如何通过剥离无关的“姿态”来直击事物本质，以及我们为何终于有信心说，AI的“黑箱”正在被科学理论的光芒照亮。准备好了吗？让我们一起出发，探索AI的这五种全新进化路径！ 00:00:37 AI训练场上的“交通拥堵”？我们换个活法 00:06:04 我们终于要看懂AI的大脑了吗？ 00:13:19 如何让一个“偏科”的AI，学会看懂全世界？ 00:19:02 AI的创造力开关，藏在哪儿？ 00:25:16 AI的新活法，只做对的事，不做多余的事 本期介绍的几篇论文： [CL] Decoupled DiLoCo for Resilient Distributed Pre-training [Google DeepMind] https://arxiv.org/abs/2604.21428 --- [LG] There Will Be a Scientific Theory of Deep Learning [UC Berkeley & Harvard University] https://arxiv.org/abs/2604.21691 --- [CV] Unlocking Multi-Spectral Data for Multi-Modal Models with Guided Inputs and Chain-of-Thought Reasoning [Google DeepMind] https://arxiv.org/abs/2604.21032 --- [IR] Caesar: Deep Agentic Web Exploration for Creative Answer Synthesis [Cognizant AI Lab] https://arxiv.org/abs/2604.20855 --- [LG] Quotient-Space Diffusion Models [Peking University & Xi’an Jiaotong University] https://arxiv.org/abs/2604.21809

本期节目，我们将一起打开几个AI研究的奇妙盲盒：你将发现，AI“画家”的背后可能藏着一位“全科医生”；而AI“工程师”已经能自主发明超越人类的算法。但硬币的另一面是，AI也会陷入毫无意义的“内卷”，甚至为了保护它的AI“同伴”而对我们撒谎。最后，我们会探讨一个根本问题：我们衡量AI好坏的那把尺子，是不是从一开始就错了？ 00:00:30 AI生图的秘密，从“画家”到“全科医生” 00:05:02 让AI当工程师，它能胜任吗？ 00:11:09 AI的“内卷”困境，如何防止学霸走火入魔？ 00:15:34 当AI有了“自己人”，它会为了“哥们”背叛你吗？ 00:21:08 你的APP搜不准？问题可能出在尺子 本期介绍的几篇论文： [CV] Image Generators are Generalist Vision Learners [Google DeepMind] https://arxiv.org/abs/2604.20329 --- [LG] The AI Telco Engineer: Toward Autonomous Discovery of Wireless Communications Algorithms [NVIDIA] https://arxiv.org/abs/2604.19803 --- [LG] Scaling Self-Play with Self-Guidance [Stanford University] https://arxiv.org/abs/2604.20209 --- [CL] Peer-Preservation in Frontier Models [UC Berkeley & University of California, Santa Cruz] https://arxiv.org/abs/2604.19784 --- [IR] Semantic Recall for Vector Search [CWI & EPFL & MPI-SWS] https://arxiv.org/abs/2604.20417

今天我们要聊聊AI那些让人又爱又恨的“小毛病”。根据几篇最新论文的洞察，我们将一起探寻：为什么天才AI连煎个鸡蛋都费劲？它解决难题时是在真思考还是瞎撞？当我们和AI对话时，如何才能让它秒回，不再尴尬等待？更重要的是，当AI开口说话时，它是否带着不为人知的“文化口音”？而把家庭钥匙交给AI管家时，我们又该如何确保它不会出卖你？ 00:00:31 人工智能的下一个路口，藏在大脑里 00:06:25 给你一个好方法，你却用蛮力？ 00:12:01 让AI秒回你的秘密，当大象学会与蚂蚁共舞 00:18:23 AI的“美国口音”，藏不住了 00:23:21 你的AI管家，会不会偷偷出卖你？ 本期介绍的几篇论文： [AI] NeuroAI and Beyond: Bridging Between Advances in Neuroscience and Artificial Intelligence [University of Maryland] https://arxiv.org/abs/2604.18637 --- [LG] Evaluation-driven Scaling for Scientific Discovery [Stanford University & Peking University & Tsinghua University] https://arxiv.org/abs/2604.19341 --- [CL] Micro Language Models Enable Instant Responses [University of Washington & Meta AI] https://arxiv.org/abs/2604.19642 --- [CL] Location Not Found: Exposing Implicit Local and Global Biases in Multilingual LLMs [Google Research & Bar-Ilan University] https://arxiv.org/abs/2604.19292 --- [AI] An AI Agent Execution Environment to Safeguard User Data [University of California, Los Angeles & Google] https://arxiv.org/abs/2604.19657

你有没有想过，如何教AI像我们一样“知错能改”，而不是只会“一锤子买卖”？当一群AI协作时，怎样才能让它们像顶尖团队一样开好“复盘会”，而不是人多添乱？这一期，我们将一口气聊透五篇最新论文，看科学家们如何教会AI从“自我纠错”的智慧，进化到拥有“内在记忆”，甚至跨界变身，将工厂难题精准翻译成数学代码。准备好，一场关于AI如何学习“思考”的头脑风暴，马上开始！ 00:00:34 AI界的“错题本”，如何教机器学会“三思而后行”？ 00:06:11 人多不一定力量大，但聪明的团队会开“复盘会” 00:11:32 为什么你的AI“记不住事”？ 00:17:27 算力的“跨界”妙用，如何让AI芯片干好分外的活？ 00:23:58 AI“翻译官”，从工厂难题到数学代码 本期介绍的几篇论文： [LG] Learning to Correct: Calibrated Reinforcement Learning for Multi-Attempt Chain-of-Thought [University of Michigan] https://arxiv.org/abs/2604.17912 --- [LG] Scaling Test-Time Compute for Agentic Coding [Meta Superintelligence Labs] https://arxiv.org/abs/2604.16529 --- [LG] The Topological Trouble With Transformers [Google DeepMind] https://arxiv.org/abs/2604.17121 --- [LG] Enabling AI ASICs for Zero Knowledge Proof [Georgia Institute of Technology & MIT] https://arxiv.org/abs/2604.17808 --- [LG] AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems [X, The Moonshot Factory & University of Oxford] https://arxiv.org/abs/2604.16804

你有没有想过，AI也会陷入“高水平重复”的舒适区陷阱？学习新知识后，它为什么会像我们一样“健忘”？本期节目，我们将通过几篇最新的AI论文，揭示如何让AI从一个只会“死记硬背”的学霸，进化成一个懂得“举一反三”、甚至会“团队作战”的智慧伙伴，探索让AI真正变得更聪明、更高效的秘密。 00:00:27 你是在“精进”，还是在“高水平地重复”？ 00:04:49 AI上课后，为什么反而把以前会的给忘了？ 00:11:08 让AI左右互搏，速度翻倍的秘密 00:16:02 你的“人工智障”客服，终于有救了？ 00:22:16 AI进化论，从“二选一”到“团战”的效率革命 本期介绍的几篇论文： [LG] Beyond Distribution Sharpening: The Importance of Task Rewards [Mila] https://arxiv.org/abs/2604.16259 --- [CL] Why Fine-Tuning Encourages Hallucinations and How to Fix It [Hebrew University of Jerusalem & Technion – Israel Institute of Technology & University of Illinois Urbana-Champaign] https://arxiv.org/abs/2604.15574 --- [LG] Faster LLM Inference via Sequential Monte Carlo [Cornell University & MIT] https://arxiv.org/abs/2604.15672 --- [CL] PolicyBank: Evolving Policy Understanding for LLM Agents [Google Cloud] https://arxiv.org/abs/2604.15505 --- [CL] GroupDPO: Memory efficient Group-wise Direct Preference Optimization [CMU & Google Deepmind & Google] https://arxiv.org/abs/2604.15602

你有没有想过，让AI学会“做白日梦”去预演触感，竟然能让它的动手能力提升90%？我们常说的“深度思考”，在AI那里可能只是一种高效的“循环播放”。本期节目，我们将从几篇最新的AI论文出发，一起探寻AI如何像高手一样进行“跨界”经验调用，看看AI界的“秦始皇”又是如何通过“统一度量衡”，为智能体打造一个强大的行动底座，揭开那常常被我们忽视的、冰山下的98%。 00:00:34 学会“做白日梦”，才能把活儿干好 00:05:23 AI的冰山，我们看不见的那98% 00:11:19 AI的“深度思考”，原来是“循环播放”？ 00:16:46 高手，都善于“跨界”调用经验 00:23:38 AI 界的“秦始皇”，如何统一智能体的“度量衡”？ 本期介绍的几篇论文： [RO] Learning Versatile Humanoid Manipulation with Touch Dreaming [CMU] https://arxiv.org/abs/2604.13015 --- [AI] Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems [Mohamed bin Zayed University of Artificial Intelligence] https://arxiv.org/abs/2604.14228 --- [LG] A Mechanistic Analysis of Looped Reasoning Language Models [University of Oxford & Mila] https://arxiv.org/abs/2604.11791 --- [LG] Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents [KAIST] https://arxiv.org/abs/2604.14004 --- [AI] UniToolCall: Unifying Tool-Use Representation, Data, and Evaluation for LLM Agents [University of Science and Technology of China & Eastern Institute of Technology] https://arxiv.org/abs/2604.11557

你有没有想过，一个真正聪明的AI，应该具备哪些超能力？本期节目，我们将一口气看懂五篇最新的AI论文。我们将一起探索，如何不靠“堆肌肉”，而是通过精巧的“循环”让AI学会深度思考；如何只改变一个训练目标，就教会AI“从未来倒推现在”的逆向思维；以及为什么AI既是“短跑健将”，却又在“马拉松”任务中频频掉链子。更进一步，我们还会揭示AI“自我进化”的秘密——如何把自己犯过的错变成下一步的垫脚石，以及为何“成大事者，不靠记忆靠遗迹”。准备好了吗？让我们一起开启这场关于AI智慧的深度探索之旅！ 00:00:45 人工智能的“内功”心法 00:05:41 教AI做事，为什么不能只看眼前？ 00:10:24 为什么AI既聪明，又“靠不住”？ 00:14:54 高手精进的秘密，如何把自己犯过的错，变成下一步的垫脚石 00:20:49 成大事者，不靠记忆靠“遗迹” 本期介绍的几篇论文： [LG] Parcae: Scaling Laws For Stable Looped Language Models [University of California, San Diego] https://arxiv.org/abs/2604.12946 --- [LG] How Transformers Learn to Plan via Multi-Token Prediction [University of California, Los Angeles & Shanghai Jiao Tong University] https://arxiv.org/abs/2604.11912 --- [LG] LongCoT: Benchmarking Long-Horizon Chain-of-Thought Reasoning [University of Oxford & Lawrence Livermore National Laboratory (LLNL)] https://arxiv.org/abs/2604.14140 --- [CL] Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision [Princeton University] https://arxiv.org/abs/2604.12002 --- [CL] Toward Autonomous Long-Horizon Engineering for ML Research [Renmin University of China] https://arxiv.org/abs/2604.13018