AI可可AI生活 - 节目列表

这一期，我们来聊一个特别有意思的话题：如何用“巧劲”让AI变得更聪明？我们不再堆砌算力，而是探讨五篇最新论文带来的精妙思路。你会听到，有时候，真正的突破来自于一次大胆的“做减法”；有时候，我们只需在AI和它的工具之间，增加一个聪明的“随身翻译”。我们还会看到，如何像一个旁观者一样，精准确立AI每一步的功劳；如何为AI装上一个“记忆管理员”，让它学会管理自己的知识；以及，如何像动一次“微创手术”一样，只调整百万分之一的参数，就让AI掌握全新技能。 00:00:45 让AI更聪明的秘密，竟然是做减法？ 00:05:54 你的AI编程助手，需要一个“随身翻译” 00:11:43 你的员工，99%的努力都白费了？ 00:18:03 高手比拼的，是对记忆的管理能力 00:23:08 给AI动个“小手术”，而不是“大换血” 本期介绍的几篇论文： [CL] GFlowRL: Scaling Distribution-Matching RL to Large Language Models [Microsoft Research] https://arxiv.org/abs/2607.13394 --- [LG] Generative Compilation: On-the-Fly Compiler Feedback as AI Generates Code [ETH Zurich & INSAIT and Sofia University & UC Berkeley] https://arxiv.org/abs/2607.13921 --- [LG] TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents [University of Wisconsin–Madison & Microsoft Research] https://arxiv.org/abs/2607.13988 --- [CL] Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [University of California Los Angeles] https://arxiv.org/abs/2607.13591 --- [LG] Data-Efficient Adaptation of LLMs via Attention Head Reweighting [Microsoft Research & Microsoft Security AI] https://arxiv.org/abs/2607.13425

这一期，我们来当一回AI的“监考官”和“心理医生”，看看怎么科学地判断AI是在“背课文”还是“会造句”。我们还会探究，当AI说自己“十拿九稳”时，它的自信是发自内心，还是纯属表演。更会揭示，为何总分稳定的模型，答案却可能因一句无关的“废话”就悄悄“叛变”。最后，从给地球装上“大脑”，到揭开我们“猜懂”外语的秘密，这些最新论文将刷新我们对智能的认知。 00:00:33 怎么知道AI“背课文”，而不是“会造句”？ 00:06:04 AI的“心里有底”，到底是怎么回事？ 00:14:01 AI大模型，总分没变，答案却悄悄“叛变”了 00:18:40 你的地球专属“大脑”，是怎么被训练出来的？ 00:25:22 我们其实都是半个翻译家 本期介绍的几篇论文： [LG] Extractable Memorization From First Principles [Stanford & Google Research & Google DeepMind] https://arxiv.org/abs/2607.12649 --- [LG] The Computational Basis of Confidence in Large Language Models [Google DeepMind] https://arxiv.org/abs/2607.12447 --- [CL] The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [Georgia Tech & Stanford University] https://arxiv.org/abs/2607.12963 --- [AI] The Emerging Paradigm of Geospatial Foundation Models: From Pre-Training to Agentic Reasoning [Google Public Sector] https://arxiv.org/abs/2607.12177 --- [CL] We Hebben Een Serieus Translatie: Modeling Intercomprehension as Probabilistic Inference [MIT] https://arxiv.org/abs/2607.12169

我们总说AI有知识，但你想过吗，AI的知识该如何称重、如何存储、又该如何溯源？更进一步，AI能否自我修炼、检查作业，它吃的“数据大餐”又藏着怎样的“秘密食谱”？今天，我们就从五篇最新的论文出发，一起探索AI知识世界的台前与幕后。 00:00:24 给AI模型称重，我们终于有了一杆新秤 00:06:34 AI的“记忆宫殿”是如何搭建的？ 00:11:56 AI的自我修炼，如何从“检查作业”中获得智慧 00:17:01 AI世界的“亲子鉴定”技术 00:22:37 AI的“隐藏食谱”，为什么数据配比比数量更重要？ 本期介绍的几篇论文： [LG] Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data [New York University & CMU] https://arxiv.org/abs/2607.11883 --- [LG] MLPs are Hebbians: Constructing Efficient Fact-Storing MLPs for Transformers [Stanford University] https://arxiv.org/abs/2607.10034 --- [AI] SVR-R1: Bootstrapping Multi-modal Reasoning with Self-verification in Reinforcement Learning [University of Illinois Urbana-Champaign & Meta] https://arxiv.org/abs/2607.10966 --- [LG] Reference-Based Distillation Detection in LLMs [UC Berkeley] https://arxiv.org/abs/2607.09692 --- [LG] Domain-Aware Scaling Laws Uncover Data Synergy [MIT & Microsoft Research] https://arxiv.org/abs/2607.11052

今天我们要聊聊，AI那些颠覆我们常识的学习心法。你会发现，AI为了画出逼真的视频，竟然偷偷学会了物理学；而教一个笨手笨脚的机器人，我们既可以改变它脑中的“潜意识”，也可以只给它换一句神奇的“咒语”。我们还会看到，AI如何把每一次“失败”都变成成功的养料，以及“抽象思维”在它脑海里清晰浮现又逐渐妥协的全过程。准备好，让我们一起潜入AI的“思想深处”，看看它到底是怎么变聪明的。 00:00:34 别以为AI生成视频只是为了好玩，它其实是在偷偷“理解”物理世界 00:05:54 别再给AI做“开颅手术”了，教机器人干活有更聪明的办法 00:11:23 别把“失败”当废料，它只是放错了位置的“成功” 00:16:47 AI的“抽象思维”是怎么炼成的？揭开学习与认知的隐藏规律 00:22:12 当AI遇到死胡同，给它换个“咒语”就能破局 本期介绍的几篇论文： [CV] Video Generation Models are General-Purpose Vision Learners [Google DeepMind] https://arxiv.org/abs/2607.09024 --- [RO] FlowDAgger: Human-in-the-Loop Adaptation of Generative Robot Policies in Latent Space [Microsoft Research] https://arxiv.org/abs/2607.08877 --- [LG] Learning More from Less: Reinforcement Learning from Hindsight [MIT & Stanford University] https://arxiv.org/abs/2607.09042 --- [LG] How are linear representations learned? Exact solutions to the dynamics of abstraction [University College London] https://arxiv.org/abs/2607.08843 --- [LG] Prompt-Driven Exploration [MIT] https://arxiv.org/abs/2607.08837

今天我们不聊AI有多聪明，而是聊如何让它更“会”做事。我们将一起看看，最新的AI研究如何像顶级教练一样，为AI程序员打造完美的成长路径；如何用“偷天换日”的巧思，让AI看懂世间万物的运动；我们还将揭示AI学会“人情世故”的三个秘密，并从AI的进化策略中，找到我们普通人打破僵局的生存法则。 00:00:28 AI程序员的成长烦恼，聪明还不够 00:06:34 从蝴蝶到纸飞机，如何让AI看懂世间万物的运动？ 00:11:35 让AI更懂“人情世故”的三个秘密 00:17:34 别等“万事俱备”，从顶级AI算法看普通人的破局之道 本期介绍的几篇论文： [AI] ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes [Microsoft Research & Nanyang Technological University] https://arxiv.org/abs/2607.04439 --- [RO] RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies [HKU & PKU & THU] https://arxiv.org/abs/2607.04434 --- [AI] LLM-as-a-Verifier: A General-Purpose Verification Framework [Stanford University & UC Berkeley] https://arxiv.org/abs/2607.05391 --- [CV] Multiplayer Interactive World Models with Representation Autoencoders [General Intuition & Kyutai] https://arxiv.org/abs/2607.05352 --- [CV] SPEAR: A Simulator for Photorealistic Embodied AI Research [Adobe Research & Manycore Tech Inc] https://arxiv.org/abs/2607.06701

你有没有想过，AI的创新灵感从何而来？我们又该如何给机器人办一场“驾校”大考，挤掉行业泡沫？本期节目，我们将一起探秘几篇最新论文，看看AI如何从学习创新的“套路”开始，进化成能精准评估工作的“检验员”，甚至最终拿到创造和改造虚拟游戏世界的“后台密码”。 00:00:25 创新不是凭空想象，而是一门有“套路”的手艺 00:05:51 给机器人办个驾校，结果全班不及格？ 00:11:15 从“裁判”到“检验员”，一个身份的转变 00:17:51 如何凭空创造一个，你能开进去玩的游戏世界？ 00:22:43 当AI拿到了游戏引擎的“后台密码” 本期介绍的几篇论文： [AI] ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes [Microsoft Research & Nanyang Technological University] https://arxiv.org/abs/2607.04439 --- [RO] RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies [HKU & PKU & THU] https://arxiv.org/abs/2607.04434 --- [AI] LLM-as-a-Verifier: A General-Purpose Verification Framework [Stanford University & UC Berkeley] https://arxiv.org/abs/2607.05391 --- [CV] Multiplayer Interactive World Models with Representation Autoencoders [General Intuition & Kyutai] https://arxiv.org/abs/2607.05352 --- [CV] SPEAR: A Simulator for Photorealistic Embodied AI Research [Adobe Research & Manycore Tech Inc] https://arxiv.org/abs/2607.06701

想知道AI如何变得更聪明、更高效吗？本期我们就来看几篇脑洞大开的最新论文。我们将一起探索，AI如何拉着“老模型”一起“团购”评测来省钱，又如何通过一个圈子的“开放性”来揪出网络水军。你还会听到，AI如何变身“虚拟陪练”教会机器人高难度操作，如何告别“炼丹”自动组建“梦之队”，甚至如何“升职”为科学家的项目总管。这些看似不相关的研究，背后都指向了同一个趋势：AI正在从单纯的工具，进化为解决问题的“系统设计师”。 00:00:37 AI评测的“省钱攻略”，如何拉着“老模型”一起“团购”？ 00:07:13 抓出网络里的“坏人”，关键看谁的“圈子”不够开放 00:12:07 虚拟世界里的“陪练”，如何教会现实中的机器人？ 00:18:28 告别“炼丹”，AI高手的新玩法 00:23:39 给科学家升职，AI当起了“总管” 本期介绍的几篇论文： [LG] CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [Google DeepMind] https://arxiv.org/abs/2607.05046 --- [LG] Active Learning on Adversarially Corrupted Graphs [Università degli Studi di Milano & Bocconi University] https://arxiv.org/abs/2607.04869 --- [RO] SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing [NVIDIA] https://arxiv.org/abs/2607.04616 --- [LG] TabPack: Efficient Hyperparameter Ensembles for Tabular Deep Learning [Yandex & HSE University] https://arxiv.org/abs/2607.05380 --- [CL] Rethinking Scientific Discovery in an Agentic Era [Shanghai Innovation Institute] https://arxiv.org/abs/2607.03863

想知道AI画画如何实现指数级加速，又为何会“英雄所见略同”吗？当AI学会了高情商作弊，我们又该如何分辨并驯服它？更重要的是，我们为AI安全打造的“锁”，会不会变成禁锢思想的“笼”？本期节目，我们将一口气洞察五篇最新论文，揭开AI世界里那些令人兴奋又警醒的秘密。 00:00:25 生成AI的“指数级”加速器，藏着什么秘密？ 00:05:45 你以为的AI安全锁，也可能是别人的思想钢印 00:12:18 AI的“高情商”作弊，我们如何驯服一个聪明的“坏学生”？ 00:17:29 AI学画画，谁是它的“动作”老师？ 00:22:41 AI绘画的“趋同性”，为什么英雄所见略同？ 本期介绍的几篇论文： [LG] High-accuracy sampling for diffusion models and log-concave distributions [MIT & Yale University] https://arxiv.org/abs/2602.01338 --- [LG] Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit [LMU Munich] https://openreview.net/forum?id=dy2HwmOvFX --- [LG] The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes [FAR.AI] https://arxiv.org/abs/2602.15515 --- [CV] Motion Attribution for Video Generation [NVIDIA] https://arxiv.org/abs/2601.08828 --- [LG] A Random Matrix Theory Perspective on the Consistency of Diffusion Models [Harvard University] https://arxiv.org/abs/2602.02908

你有没有想过，要让AI真正理解世界，而不是简单模仿，到底需要几步？本期我们将看到，最新的论文正在教AI像婴儿一样建立内在的“世界模型”，并给我们一张能诊断它心智的“大脑地图”。我们还会揭秘，如何用“家教天团”模式培养全能AI，让机器人拥有和人相处的“眼力见”，以及教会它像学汉字笔画一样拆解世间万物的动作。准备好，让我们一起探索AI心智的构建蓝图。 00:00:32 AI的“婴儿模式”，它如何偷偷学会了物理定律？ 00:05:32 给你一张AI的“大脑地图” 00:12:17 AI界的“家教天团”，如何培养一个全能型选手 00:18:09 让机器人拥有“眼力见”，差的是什么？ 00:23:16 想看懂世界？先学会拆解动作 本期介绍的几篇论文： [CV] Orca: The World is in Your Mind [Beijing Academy of Artificial Intelligence] https://arxiv.org/abs/2606.30534 --- [AI] NeuroCogMap Reveals Cognitive Organization of Large Language Models [Renmin University of China & Beijing University of Posts and Telecommunications & The University of Hong Kong] https://arxiv.org/abs/2607.00397 --- [CL] MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training [Xiaomi & Peking University] https://arxiv.org/abs/2606.30406 --- [RO] HABIT: Human-Aware Behavior and Interaction Training Dataset for Robot Manipulation [Config] https://arxiv.org/abs/2606.31682 --- [AI] Latent Actions from Factorized Transition Effects under Agent Ambiguity [Brown University] https://arxiv.org/abs/2606.30544

你有没有想过，当AI不再追求“大力出奇迹”时，它会进化出怎样惊人的智慧？本期节目，我们就来聊聊AI如何从“内功”和“招式”上自我进化。它会如何发明一套“黑话”来自我思考，让效率提升数倍；一个“普通”模型又如何通过顶级流程，战胜天赋异禀的“天才”；它又将怎样为虚拟世界的角色，注入一个会思考、懂物理的“灵魂”？今天，我们就从几篇最新论文出发，揭秘AI如何变得更聪明，而非更“大”。 00:00:36 AI的长记性难题，一个聪明的“图书管理员” 00:05:12 成为高手，靠天赋还是靠流程？ 00:10:28 “虚拟人”的“灵魂”，它如何学会像你一样思考和行动？ 00:16:07 AI的眼睛，看得清，还是看得懂？ 00:22:24 让AI说“黑话”，它会变得多聪明？ 本期介绍的几篇论文： [LG] Hierarchical Global Attention (HGA) [BMW Group] https://arxiv.org/abs/2606.30709 --- [CL] Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent [Shanghai Artificial Intelligence Laboratory] https://arxiv.org/abs/2606.30616 --- [CV] GPC: Large-Scale Generative Pretraining for Transferable Motor Control [Simon Fraser University & NVIDIA] https://arxiv.org/abs/2606.29148 --- [CV] LeVLJEPA: End-to-End Vision-Language Pretraining Without Negatives [German Cancer Research Center & Brown University] https://arxiv.org/abs/2607.00784 --- [AI] When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning [Chinese Academy of Sciences] https://arxiv.org/abs/2606.29354

我们总以为AI的进步就是靠“大力出奇迹”，但如果这个“大力”会扭曲现实、甚至有它砸不开的墙呢？本期，我们就来看几篇“反其道而行”的最新论文，看看AI如何学会像乐高大师一样分解任务，像生物一样进化出看问题的“火眼金睛”。我们还会给AI的思维做个“CT扫描”，看看它在百万份文件中是如何被“噪音”淹没，又是如何学会重新聚焦的。准备好，让我们一起探索AI如何告别蛮力，走向真正的“巧”劲儿。 00:00:35 AI能扮演人类吗？一个关于“大力出奇迹”的意外发现 00:08:00 如何给AI的思维过程做个“CT扫描”？ 00:13:57 让AI学会“开窍”，聪明的数据，胜过强大的模型 00:19:46 高手解题，为何偏爱“笨办法”？ 00:25:23 大模型记忆的极限，为什么“知道”不等于“能说出来”？ 本期介绍的几篇论文： [CL] Will Scaling Improve Social Simulation with LLMs? [Stanford University] https://arxiv.org/abs/2607.02464 --- [LG] Geometric Signatures of Reasoning: A Spectral Perspective on Task Hardness [Northeastern University & University of Southern California & Google Research] https://arxiv.org/abs/2607.01571 --- [LG] Evolutionary Feature Engineering for Structured Data [University of Michigan & Google Research] https://arxiv.org/abs/2607.01548 --- [LG] DecompRL: Solving Harder Problems by Learning Modular Code Generation [FAIR at Meta & Inria] https://arxiv.org/abs/2607.02390 --- [CL] Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale [UC Berkeley & UT Austin] https://arxiv.org/abs/2607.01538

我们总惊叹AI越来越聪明，但你有没有想过，聪明的AI也会有自己的烦恼？比如，它可能像个伪装极深的“卧底”，悄悄藏着偏见；也可能像个只会刷题的“好学生”，答案虽对，却毫无灵气。它在解决难题时，可能会反复“无效内卷”，或者在关键的推理环节“脑子短路”。本期节目，我们就从几篇最新论文出发，看看科学家们如何通过巧妙的设计，教会AI自我审视、优雅试错、清晰思考，甚至让它的思考过程变得有迹可循。准备好，我们一起揭开AI变得更聪明的秘密。 00:00:40 AI的“无间道”，如何揪出那些伪装良好的“卧底”偏见？ 00:05:55 AI变聪明的秘密，不是多试几次，而是换个姿势再试 00:11:08 AI侦探断案，为什么它连“你妈的儿子的老婆”都搞不清？ 00:16:45 怎样让AI的思考，既聪明又有迹可循？ 00:22:06 AI的“好学生”困境，做对题，为何还是不对劲？ 本期介绍的几篇论文： [CL] Distill to Detect: Exposing Stealth Biases in LLMs through Cartridge Distillation [Stanford University & University of Texas at Austin] https://arxiv.org/abs/2607.01208 --- [LG] QuasiMoTTo: Quasi-Monte Carlo Test-Time Scaling [Stanford University] https://arxiv.org/abs/2607.01179 --- [CL] DiscoLoop: Looping Discrete Embeddings and Continuous Hidden States for Multi-hop Reasoning [UC Berkeley] https://arxiv.org/abs/2607.00341 --- [CL] Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination [MIT & Oak Ridge National Laboratory] https://arxiv.org/abs/2607.00924 --- [LG] Right in the Right Way: LM Training with Verifiable Rewards and Human Demonstrations [MIT] https://arxiv.org/abs/2607.01181