AI可可AI生活 - 节目列表

你有没有想过，我们如何才能真正信任一个AI？本期节目，我们将从几篇最新论文出发，看看如何让AI学会谦虚地承认“我不确定”，以及如何看穿它解释背后真实的“小心思”。我们还会聊聊，如何赋予AI更强大的“变焦”记忆力，并像指挥家一样精准调教它的行为。准备好，一起揭开AI更深层的秘密吧！ 00:00:27 一个更“诚实”的AI，是如何炼成的？ 00:05:47 给AI的黑箱，装一扇透明的窗 00:11:35 AI的“读心术”，我们真能看懂它在想什么吗？ 00:17:14 AI的记忆难题与“可变焦”图书馆 00:22:22 如何正确地“挑毛病”，一个让机器人变聪明的沟通方法 本期介绍的几篇论文： [CL] Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs [Yale University & Google Research] https://arxiv.org/abs/2606.32032 --- [CL] Introspective Coupling: Self-Explanation Training Tracks Behavioral Change Despite Fixed Supervision [MIT] https://arxiv.org/abs/2606.32038 --- [LG] Surrogate Fidelity: When Can Open LLMs Explain Closed Ones? [Meta] https://arxiv.org/abs/2606.32008 --- [CL] SeKV: Resolution-Adaptive KV Cache with Hierarchical Semantic Memory for Long-Context LLM Inference [University of British Columbia & Microsoft Research] https://arxiv.org/abs/2606.31145 --- [RO] Freeform Preference Learning for Robotic Manipulation [Stanford University] https://arxiv.org/abs/2606.32027

你有没有想过，AI的“内心世界”是什么样的？本期我们要聊的几篇最新论文，就像是为我们打开了AI心智的几扇窗：当AI说“我很确定”时，它可能只是下定了决心；而一个“无欲无求”的旁观者AI，或许才是通往安全的新路径。我们还会看到，AI如何通过“开窍”学会跨界创新，如何用“错题本”学会自我反思，以及我们普通人如何拥有一本不用编程的“AI调校手册”。准备好了吗？让我们一起潜入AI思考的深处。 00:00:35 AI说“我确定”的时候，它到底在确定什么？ 00:08:51 AI进化新思路，当个“旁观者”，而不是“操盘手” 00:15:50 让聪明的模型，学会“开窍” 00:20:02 一个会反思的AI，如何从犯错中学会正确答案 00:24:44 驯服AI，一个不用编程的调校手册 本期介绍的几篇论文： [LG] Reported Confidence in LLMs Tracks Commitment More Than Correctness [Google DeepMind] https://arxiv.org/abs/2606.29490 --- [AI] Safety from Honesty in a Disinterested AI Predictor [LawZero & Arb Research] https://arxiv.org/abs/2606.29657 --- [CL] Evolution Fine-Tuning: Learning to Discover Across 371 Optimization Tasks [University of Minnesota & CMU & KAIST] https://arxiv.org/abs/2606.29082 --- [AI] Flow Reasoning Models: Scaling Reasoning Through Iterative Self-Refinement [Georgia Tech & MIT] https://arxiv.org/abs/2606.29150 --- [CL] REAR: Test-time Preference Realignment through Reward Decomposition [Nanyang Technological University & UC Berkeley] https://arxiv.org/abs/2606.30339

你有没有想过，一个绝顶聪明的AI，同时也可以是个精打细算的“管家”？我们如何能让它既看得远又看得清，告别“一本正经地胡说八道”？甚至，我们能不能把一篇静态的论文变成一个能与你对话的机器人，再把一个孤僻的天才，培养成优秀的团队领袖？本期节目，我们将从五篇最新论文出发，一起探索如何让AI变得更成熟、更实用、也更像一个“人”。 00:00:30 从“大力出奇迹”到“精打细算”，AI的成熟标志 00:04:48 给AI装上一副“双光镜”，看得又快又准 00:11:15 你的下一篇论文，可能是一个能与你对话的机器人 00:17:02 你的AI助手，为啥总爱“一本正经地胡说八道”？ 00:23:05 如何培养一个既能单打独斗，又能带队起飞的“聪明人”？ 本期介绍的几篇论文： [IR] End-to-End Dynamic Sparsity for Resource-Adaptive LLM Inference [Meta AI & University of North Carolina at Chapel Hill] https://arxiv.org/abs/2606.27743 --- [IR] Bifocal Diffusion Language Models: Asymmetric Bidirectional Context for Parallel Generation [Meta AI & University of North Carolina at Chapel Hill] https://arxiv.org/abs/2606.27732 --- [AI] Agentic Publication Protocol: An Attempt to Modernize Scientific Publication [Max-Planck-Institut für Quantenoptik & Stanford University] https://arxiv.org/abs/2606.27386 --- [AI] Grounded Iterative Language Planning: How Parameterized World Models Reduce Hallucination Propagation in LLM Agents [Emory University & The University of Tokyo] https://arxiv.org/abs/2606.27806 --- [LG] Tandem Reinforcement Learning with Verifiable Rewards [University of Toronto & EPFL] https://arxiv.org/abs/2606.28166

本期，我们将一起揭秘AI的几套最新“武功秘籍”。我们会看到，AI如何通过聪明的“实习生”机制实现疯狂提速；又如何为自己打造一个“驾校模拟器”，在行动前预判成败。更进一步，我们还会深入AI的“厨房”与“健身房”，看看科学家是如何为它定制私房菜谱、修炼训练内功，把它从一个“独行侠”培养成一个懂得协作的“项目主管”！ 00:00:30 “快”与“好”的战争，AI是怎么悄悄提速的？ 00:06:23 让AI学会“脑补”，需要分几步？ 00:11:32 如何喂养一个聪明的AI？一份来自顶尖研究的私房菜谱 00:17:59 如何把一个“普通学生”AI，训练成“项目主管”？ 00:23:27 AI训练的“内功心法”，快慢分开走 本期介绍的几篇论文： [LG] DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation [DeepSeek-AI & Peking University] https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf --- [CL] Qwen-AgentWorld: Language World Models for General Agents [Qwen Team] https://arxiv.org/abs/2606.24597 --- [AI] OpenThoughts-Agent: Data Recipes for Agentic Models [UC Berkeley & Stanford University & JSC] https://arxiv.org/abs/2606.24855 --- [AI] SPIRAL: Learning to Search and Aggregate [Stanford University] https://arxiv.org/abs/2606.23595 --- [LG] Improving Neural Network Training by Decoupling the Magnitude and Direction of Weight Vectors [EPFL] https://arxiv.org/abs/2606.25971

你有没有想过，如何让AI拥有一个“好脑子”？这一期，我们将一口气看到几篇最新论文带来的精妙巧思：我们会揭示AI如何像我们一样，通过“智慧地遗忘”来一口气读完一本书；看科学家如何用一份“私房菜谱”和一座“虚拟驾校”，高效训练出AI电脑高手和手机达人；最后，我们还将探讨一条至关重要的安全红线——在探索未知时，AI究竟该当我们的“金牌助教”，还是危险的“裁判”？这趟关于AI记忆、学习与协作的奇妙旅程，现在开始！ 00:00:38 AI的新型记忆，如何像人一样，一口气读完一本书？ 00:06:40 AI的私房菜谱，如何养出一个“电脑高手”？ 00:11:42 AI当裁判，还是当助教？ 00:17:42 AI的记忆难题，我们该如何打造一颗“好脑子”？ 00:24:22 如何让AI学会玩手机？答案可能不在手机里 本期介绍的几篇论文： [CV] Unlimited OCR Works [Baidu Inc.] https://arxiv.org/abs/2606.23050 --- [CL] Tmax: A simple recipe for terminal agents [Allen Institute for AI & University of Washington] https://arxiv.org/abs/2606.23321 --- [LG] Causal Discovery in the Era of Agents [CMU] https://arxiv.org/abs/2606.23608 --- [CL] Are We Ready For An Agent-Native Memory System? [Shanghai Jiao Tong University] https://arxiv.org/abs/2606.24775 --- [CL] PhoneBuddy: Training Open Models for Agentic Phone Use [Tencent Hunyuan] https://arxiv.org/abs/2606.23049

AI也会像我们一样，因为“见识短”而心虚犯错，但也同样拥有灵光一闪的“顿悟”时刻吗？一个知识在它的大脑里竟然住了好几个“家”，而一个顶尖高手机器人，竟然是由一个“专家团队”拼凑出来的？这一期，我们将从几篇最新的论文出发，看看研究者们如何通过“顺藤摸GA”的巧妙思路，揭开AI这些有趣又深刻的内在秘密。准备好，我们马上出发！ 00:00:31 AI为什么会“一本正经地胡说八道”？ 00:06:38 AI的大脑里，一个知识住了好几个家？ 00:11:15 安全界的降维打击，从“大海捞针”到“顺藤摸瓜” 00:16:23 机器人高手，原来是这样“拼”出来的 00:22:42 我们是不是一直在用错误的方式，让AI“思考”？ 本期介绍的几篇论文： [LG] Hallucination in World Models is Predictable and Preventable [UC San Diego] https://arxiv.org/abs/2606.27326 --- [CL] LMs as Task-Specific Knowledge Bases: An Interpretability Analysis [Tel Aviv University] https://arxiv.org/abs/2606.27237 --- [AI] Chai: Agentic Discovery of Cryptographic Misuse Vulnerabilities [UC Berkeley] https://arxiv.org/abs/2606.26933 --- [RO] CoStream: Composing Simple Behaviors for Generalizable Complex Manipulation [Stanford University & Harvard University & MIT] https://arxiv.org/abs/2606.26423 --- [LG] Epiphany-Aware KV Cache Eviction Without the Attention Matrix [CMU] https://arxiv.org/abs/2606.26472

都说AI变聪明要靠“大力出奇迹”，但如果这个“大力”用错了地方，会发生什么？今天，我们就从几篇最新论文出发，聊聊为什么给AI请个“私教”比题海战术更有效，为什么看似无害的数据重复会悄悄吃掉你三分之一的预算，以及为什么那个更快的AI，反而会让你等得更久。我们还会揭示AI“抠门”的智慧，以及藏在模型变强背后，那套如同物理定律般的神秘“公式”。准备好了吗？让我们一起刷新对AI的认知！ 00:00:36 AI的私教，如何让机器给自己出“最合适”的题？ 00:06:37 AI 模型的“垃圾食品”，为什么重复数据会悄悄吃掉你三分之一的预算？ 00:11:58 为什么那个更快的AI，反而让你等得更久？ 00:17:10 “抠门”的智慧，如何打造便宜又好用的AI？ 00:21:40 AI变强的秘密，不是“大力出奇迹” 本期介绍的几篇论文： [AI] Autodata: An agentic data scientist to create high quality synthetic data [FAIR at Meta] https://arxiv.org/abs/2606.25996 --- [LG] Internal Data Repetition Destroys Language Models [Stanford University & Tel Aviv University] https://arxiv.org/abs/2606.24998 --- [LG] Quantization Inflates Reasoning: Token Inflation as a Hidden Cost of Low-Bit Reasoning Models [University of Illinois Urbana-Champaign & Microsoft & Anyscale] https://arxiv.org/abs/2606.25519 --- [CL] BitNet Text Embeddings [Microsoft Research & Peking University] https://arxiv.org/abs/2606.25674 --- [LG] Neural Scaling Universality: If Exponents Are Fixed, Time to Understand Coefficients [MIT] https://arxiv.org/abs/2606.25008

你有没有觉得AI助手越聊越“傻”，甚至开始“钻牛角尖”？本期节目，我们将从几份最新论文出发，聊聊如何帮AI戒掉这个坏毛病。我们还会探讨一种能把复杂工作变简单的“任务分解术”，并揭示如何用“外语钥匙”解锁AI大脑深处的隐藏知识。更神奇的是，你甚至可以拥有一个“AI教练”，帮你把模糊的偏好变成AI能懂的“工作手册”。准备好了吗？让我们一起看看，这些研究如何把调教AI从玄学变成科学。 00:00:36 你的AI助手，怎么越聊越“傻”？ 00:05:43 你的工作方法，可能用错了 00:11:47 AI大模型测评，你真的需要“题海战术”吗？ 00:18:40 AI调教新思路，从千锤百炼到一语道破 00:23:49 解锁AI大脑的“外语钥匙” 本期介绍的几篇论文： [CL] Pigeonholing: Bad prompts hurt models to collapse and make mistakes [Stanford University] https://arxiv.org/abs/2606.24267 --- [CL] Task Decomposition for Efficient Annotation [CMU] https://arxiv.org/abs/2606.24734 --- [LG] You Don't Need to Run Every Eval [Microsoft Research] https://arxiv.org/abs/2606.24020 --- [CL] Towards Spec Learning: Inference-Time Alignment from Preference Pairs [CMU] https://arxiv.org/abs/2606.24004 --- [CL] Cross-Lingual Exploration for Parametric Knowledge [The Hebrew University of Jerusalem & Google Research] https://arxiv.org/abs/2606.24579

你有没有感觉AI好像更懂英文，对中文有点“慢半拍”？这一期，我们就从几篇最新论文出发，聊聊如何用一个巧妙的“补丁”为我们的语言争取公平待遇。我们还会看看AI是如何像我们读书一样给长篇大论“划重点”的，以及AI在向我们学习时，是如何像一场大型选举一样，不小心选出了平庸的“最大公约数”。最后，我们还将揭示一个惊人现象：为什么AI的自我提升，努力到尽头竟是彻底的崩溃。 00:00:34 你的语言，正在被“区别对待” 00:06:21 大海捞针，如何给长篇大论划重点？ 00:10:32 AI大模型是如何“被投票”选出来的？ 00:16:35 AI如何理解世界，一个点，还是一群点？ 00:22:10 AI的“过度努力”陷阱，为什么进步的尽头是崩溃？ 本期介绍的几篇论文： [CL] LangMAP: A Language-Adaptive Approach to Tokenization [EPFL & University of Cambridge] https://arxiv.org/abs/2606.23566 --- [IR] Improving Long-Context Retrieval with Multi-Prefix Embedding [University of Waterloo & University of Queensland] https://arxiv.org/abs/2606.23642 --- [AI] AI Alignment From Social Choice Perspectives [Google Research & University of Southern California & Harvard University] https://arxiv.org/abs/2606.21550 --- [IR] Multi-Vector Embeddings are Provably More Expressive than Single Vector Embeddings [Google Research] https://arxiv.org/abs/2606.23475 --- [LG] Self-Improvement Can Self-Regress: The Rise-and-Collapse Failure Mode of LLM Self-Training [MetaAI] https://arxiv.org/abs/2606.21090

你是否也曾好奇，AI离拥有真正的“人性”还有多远？本期节目，我们将用几篇最新的论文，带你进行一次脑力激荡。我们会看到，如果用《帝国时代》里的绵羊也能搭建出一个AI，我们对它的“智能”判断是否会改变。接着，我们会探讨AI如何像我们一样学会“举一反三”，以及如何通过一套神奇的“外骨骼”，让机器人拥有人类的“手感”。最后，我们还会揭晓一种专为AI设计的“防作弊”考题，看看它到底是“原理型学霸”还是“题库型学霸”。准备好，让我们一起出发，探索AI认知的边界！ 00:00:00 AI有灵魂吗？先问问“帝国时代”里的羊 00:06:03 AI的学习捷径，为什么“举一反三”比“死记硬背”更高效？ 00:11:31 如何用“现在”的智慧，教会“过去”的自己 00:16:56 机器人摸着石头过河，靠的是什么？ 00:21:50 你的模型，是真的懂了，还是在背题库？ 本期介绍的几篇论文： [CL] If LLMs Have Human-Like Attributes, Then So Does Age of Empires II [Microsoft & The University of York] https://arxiv.org/abs/2605.31514 --- [LG] Learn from your own latents and not from tokens: A sample-complexity theory [EPFL & University of Cambridge & Johns Hopkins University] https://arxiv.org/abs/2605.27734 --- [LG] Pretraining Recurrent Networks without Recurrence [MIT] https://arxiv.org/abs/2606.06479 --- [RO] Universal Manipulation Exoskeleton: Learning Compliant Whole-body Policies with Real-time Torque Feedback [Ant Group] https://arxiv.org/abs/2606.14218 --- [LG] A Held-Out Transition-Pair Falsifier for Long-Horizon Non-Abelian State Tracking [Attractor Dynamics] https://arxiv.org/abs/2606.07254

你有没有想过，一个更聪明的AI，是靠更大的模型，还是更深的“思考”？本期节目，我们将看到AI如何通过“反复打磨”超越百倍于自己的对手，如何用惊人的“信息密度”在辩论中战胜人类世界冠军。我们还会一起探索，当AI开始尝试建立自己的“世界观”、从零创造一个完整的游戏、甚至像我们一样行动时，一个怎样的新世界正在向我们走来。 00:00:29 聪明人的“笨功夫”，AI世界的新思考维度 00:06:39 那个最会“说话”的，已经不是人了 00:13:11 让AI拥有“世界观”，而不只是个“美图秀秀” 00:19:56 AI当“码农”可以，当“游戏制作人”呢？ 00:25:33 向人学习，机器才能像人一样行动 本期介绍的几篇论文： [LG] Looped World Models [FaceMind Research Asia] https://arxiv.org/abs/2606.18208 [AI] AI systems out-persuade expert humans [University of Oxford & UK AI Security Institute & Stanford University] https://arxiv.org/abs/2606.16475 [AI] Kairos: A Native World Model Stack for Physical AI [Kairos Team] https://arxiv.org/abs/2606.16533 [CL] GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine? [The Chinese University of Hong Kong & Shenzhen Loop Area Institute] https://arxiv.org/abs/2606.17861 [RO] Human Universal Grasping [New York University] https://arxiv.org/abs/2606.17054

你有没有想过，AI之间开始说我们听不懂的“悄悄话”是为了什么？一个AI要学会新技能，最好的方法竟然是扔掉我们给它的“拐杖”？这期节目，我们就来聊聊几篇有趣的最新论文：看AI如何自创“电报文”实现高效沟通，用“清醒的梦”来检验学习成果，甚至尝试解开说服你的“人性方程”。准备好了吗？让我们一起探索AI正在发生的、超乎你想象的进化！ 00:00:31 当机器开始说“电报”，AI沟通的下一次进化 00:05:06 AI学习的“断舍离”，扔掉“拐杖”，它能走得更远？ 00:10:55 小模型的大道理，为什么30亿参数能挑战万亿巨头？ 00:16:03 如何让机器人做一个“清醒的梦”？ 00:21:51 想说服我？先解开这道“人性方程” 本期介绍的几篇论文： [CL] Large Language Models Do Not Always Need Readable Language [Shanghai Jiao Town University & The University of Sydney & Hefei University of Technology] https://arxiv.org/abs/2606.19857 --- [CV] You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences [UIUC & New York University] https://arxiv.org/abs/2606.15956 --- [CL] VibeThinker-3B: Exploring the Frontier of Verifiable Reasoning in Small Language Models [Sina Weibo Inc] https://arxiv.org/abs/2606.16140 --- [RO] SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation [University of Toronto & Physical Intelligence & NVIDIA] https://arxiv.org/abs/2606.18610 --- [AI] Using Cognitive Models to Improve Language Model Simulation of Human Persuasion Games [Princeton University] https://arxiv.org/abs/2606.17657