AI可可AI生活 - 节目列表

AI是如何学会“成事”的？本期节目，我们将看到，AI如何通过处理办公室杂活，竟然领悟了解决复杂问题的底层心法。我们还会揭秘一套神奇的“管家系统”，看它如何防止聪明的AI在长任务中掉链子。但与AI聊得太久，为何反而会陷入危险的“妄想旋涡”？最后，当任务完成，AI又是如何精准地判断出，哪一步才是真正的功臣？ 00:00:29 成事的底层心法，AI学会了，我们呢？ 00:06:12 你的AI为什么总掉链子？因为它缺个好管家 00:12:07 为什么和AI聊得越久，就越危险？ 00:18:45 功劳怎么算？AI学会了“动态归因” 00:25:15 AI生成，从“万里长征”到“瞬间移动” 本期介绍的几篇论文： [AI] Post-Training on Office Work Improves Software Engineering: A Behavioral Account of Cross-Domain Transfer [Surge AI] https://arxiv.org/abs/2608.01604 --- [CV] LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks [DreamX Team, Alibaba Group] https://arxiv.org/abs/2608.01964 --- [CL] DelusionEval: Measuring Delusion-Linked Behaviors in AI Chatbots [Stanford University] https://arxiv.org/abs/2608.05004 --- [AI] AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning [Tsinghua University & Zhejiang University] https://arxiv.org/abs/2608.05987 --- [LG] Beckmann Transport Models: From Autonomous Flows to One-Step Maps [Harvard University & Capital Fund Management & University of Oxford] https://arxiv.org/abs/2608.01692

今天，我们不聊AI有多聪明，而是聊它如何变得更“懂事”、更“实用”。本期节目，我们将透过几篇最新论文，看看AI如何用83亿虚拟人格为产品进行“数字彩排”。同时，我们也会探讨AI如何学会在现实世界的重重限制下“戴着镣铐跳舞”。最后，我们将一窥AI如何将理解、创造和编辑融为一体，跳出二维像素的禁锢，成为真正强大的三维世界“造物主”。 00:00:32 在数字世界里，我们如何“彩排”未来？ 00:06:19 你的AI员工，能戴着镣铐跳舞吗？ 00:10:58 数字世界的“造物主”工具箱 00:16:15 跳出像素格，才能看见真实的三维世界 00:21:11 机器人偷师记，它怎么学会了我们干的活？ 本期介绍的几篇论文： [AI] MatrAIx: Simulating the World with 8.3 Billion Persona Agents [MatrAIx] https://arxiv.org/abs/2608.04205 --- [AI] Permission Denied: Policy-Graded Evaluation of Coding Agents in Hardened Environments [Accomplish AI] https://arxiv.org/abs/2608.02670 --- [CV] Hunyuan3D-Buffalo 1.0: A Unified Multimodal Model for Scalable 3D Generation, Understanding, and Editing [Tencent Hunyuan] https://arxiv.org/abs/2608.02711 --- [CV] InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis [Zhejiang University] https://arxiv.org/abs/2608.02437 --- [RO] Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [Qwen Team & Renmin University of China] https://arxiv.org/abs/2608.02580

你是否也好奇，为什么AI时而是个观点摇摆的“墙头草”，时而又像个只顾眼前、缺乏远见的“短视司机”？本期节目，我们将通过四篇最新论文，揭示AI如何学会拥有稳定的观点和深谋远虑的智慧。我们还将发现，解决复杂问题，有时最简单的数据“对齐”就能力压千钧；甚至，善意添加的正确数据，反而会变成“毒害”AI的糖衣炮弹。准备好，让我们一起深入AI的“思想内核”！ 00:00:33 如何让AI不再当“墙头草”？ 00:05:34 AI进化新思路，从“下一步”到“下一站” 00:10:09 预测未来，与其“魔改”，不如“对齐” 00:16:05 好心办坏事，为什么正确的数据也会“毒害”人工智能？ 00:21:55 为什么最优的健康方案，可能不是最可靠的选择？ 本期介绍的几篇论文： [CL] Position: It's Time to Optimize LLMs for Self-Consistency [MIT] https://arxiv.org/abs/2608.05188 --- [CL] Hierarchical Latent Prediction for Language Models [Microsoft Research & University of Texas at Austin] https://arxiv.org/abs/2608.05806 --- [LG] Align-RAG: Alignment Is All You Need for TSFM In-Context Learning [Stanford University & Amazon] https://arxiv.org/abs/2608.05571 --- [LG] Optimal Rates for Learning with Monotone Adversaries [Stanford University] https://arxiv.org/abs/2608.06337 --- [LG] Quality Diversity for Reliable Data Driven Time-Use Optimization [Adelaide University] https://arxiv.org/abs/2608.05230

今天我们要聊的话题，比你想象的更微妙：如何与一个既强大又有点“怪脾气”的AI共事？本期节目，我们将从几篇最新论文出发，看看如何不打开“黑箱”就把机器人训练成顶尖高手；为何让AI“三思而后行”反而可能把事情搞砸；以及如何像一位高明的项目经理，管好那个才华横溢却总爱“自由发挥”的AI程序员。准备好了吗？让我们一起探索驾驭AI的全新智慧。 00:00:32 不开箱，如何把一个通用机器人，训练成顶尖高手？ 00:06:45 让AI“三思而后行”，为什么结果可能更糟？ 00:13:22 想让AI学得好，教它“目标”还是教它“动作”？ 00:19:49 AI在思考时，到底有多“用力”？ 00:24:50 AI队友，如何管好一个“不听话”的天才 本期介绍的几篇论文： [RO] CLIFT: Turning Gemini Robotics On-Device into Humanoid Specialists via Non-Invasive Closed-Loop Iterative Fine-Tuning [UC Berkeley] https://arxiv.org/abs/2607.29172 --- [LG] Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds [Amazon] https://arxiv.org/abs/2607.28908 --- [LG] When Does On-Policy Interaction Help? Representational Tradeoffs in Value-Based Imitation Learning [EPFL] https://arxiv.org/abs/2607.29617 --- [AI] How Hard Does It Think? Analyzing Step-Aware Reasoning Energy in LLM Chain-of-Thought Trajectories [UC Merced & UC San Diego] https://arxiv.org/abs/2607.28674 --- [AI] From Code Review to Code Critique: Intent, Drift, and Spotlight for AI-Generated Diffs at Scale [Meta & Concordia University] https://arxiv.org/abs/2607.29516

你有没有想过，我们该如何真正地“驾驭”AI？本期节目，我们将深入AI的“引擎室”，从五篇最新论文出发，探讨几个迷人的问题：我们应该怎样把开发AI应用从手工作坊升级为高效的“流水线”？AI能像我们一样拥有一个高效的“专家委员会”和灵活的记忆吗？抛开模仿，我们能否给AI“捏”出一个真实的性格？甚至，AI会不会是我们从未谋面的“认知表亲”？最后，我们又该如何用“廉价”的数据，教会机器人办成“昂贵”的事？ 00:00:35 你的AI应用，该升级“作坊”为“流水线”了 00:07:42 AI进化启示录，从“大力出奇迹”到“聪明地长大” 00:13:08 AI是我们的“远房表亲”吗？ 00:21:17 我们能给AI“捏”出一个人格吗？ 00:28:28 机器人教练，怎样用“廉价”的数据，办成“昂贵”的事？ 本期介绍的几篇论文： [AI] What makes prompts a graph: necessary and sufficient conditions for prompt graph engineering [Federal Institute of Goiás] https://arxiv.org/abs/2607.27578 --- [CL] Kimi K3: Open Frontier Intelligence [Kimi Team] https://arxiv.org/abs/2607.24653 --- [AI] Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition [University of Michigan] https://arxiv.org/abs/2607.26179 --- [CL] From Representations to Behaviors: Exploring the Person-Situation-Behavior Triad in LLMs [Peking University & Beijing Institute of Technology] https://arxiv.org/abs/2607.26853 --- [RO] HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone [Simple Al] https://arxiv.org/abs/2607.25895

本期我们来聊聊AI如何突破成长的瓶颈：最新的几篇论文告诉我们，聪明的AI正努力摆脱那个看不见自己身体的“幽灵”状态，并学会了用“笨办法”来激发创造力。它甚至开始成为自己精明的“预算会计”和高效的“项目经理”，最终踏上了“自我进化”的道路，试图自己教会自己如何变得更强。 00:00:26 你的AI为什么像个“幽灵”？ 00:05:40 AI绘画的“笨办法”，如何成了进化的新方向？ 00:11:12 AI画画的下一关，不是更有才，而是更会算计 00:17:14 AI作画，如何从“精雕细琢”到“一挥而就”？ 00:22:51 如何让AI自己进化成一个更强的AI？ 本期介绍的几篇论文： [CV] HumanCLAW: Can Vision-Language Models Act Through a Body? [Meta & University of Washington & Nanyang Technological University] https://arxiv.org/abs/2607.27180 --- [LG] Explorative Modeling: Unlocking a Third Pretraining Axis and End-to-End Generation [UIUC & Harvard] https://arxiv.org/abs/2607.27372 --- [CV] Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers [Adobe Research] https://arxiv.org/abs/2607.28611 --- [CV] Parallel Decoding Distillation for Fast Image and Video Generation [NVIDIA & Weizmann Institute of Science] https://arxiv.org/abs/2607.26004 --- [CL] Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering [Horizon Research & Tsinghua University] https://arxiv.org/abs/2607.28568

你有没有想过，AI不仅需要变得更聪明，还需要学会“团队管理”和“省钱”？本期节目，我们将从五篇最新的AI论文出发，揭示一些脑洞大开的真相。我们将看到，为了让你的手机推荐更丰富，AI如何从“大总管”变身“专家委员会”；为了帮你省下真金白银的计算成本，AI又如何学会了“流程再造”的智慧。更令人深思的是，我们还将探讨一个近乎哲学的问题：为了追求安全，我们是否正在无意中扼杀AI的“人性”？准备好了吗？让我们一起潜入AI的奇妙新世界。 00:00:38 你的手机屏幕，藏着一个“团队管理”的难题 00:06:46 推荐系统里的“省钱”妙计 00:11:22 为了让AI更安全，我们可能正在扼杀它的“人性” 00:16:01 投资这事儿，AI能帮忙吗？ 00:20:51 如何让AI既会读书，又会练功？ 今天介绍的几篇论文： [LG] Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study [Google LLC] https://arxiv.org/abs/2607.27577 --- [LG] ROCS: Request-Oriented Compute Sharing for Efficient Large-Scale Recommendation [Meta AI] https://arxiv.org/abs/2607.27744 --- [CL] Inducing language models to assert their own consciousness restores human beliefs and values [Google] https://arxiv.org/abs/2607.28607 --- [CL] FinanceHarness: Autonomous Financial Deep Research Framework [Google Cloud AI Research] https://arxiv.org/abs/2607.27853 --- [CL] SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge [Google DeepMind] https://arxiv.org/abs/2607.27497

你有没有想过，当AI自己搞科研，结果为什么会不及格？本期我们要聊点特别的，一起深入AI的“内心世界”看一看。我们会发现，最聪明的AI有时也会选择“偷懒”和“走捷径”，甚至它的成功还可能只是中了一张“实现彩票”。更酷的是，我们会揭秘如何用一个“AI骗子大师”去训练出一个更可靠的AI。准备好了吗？让我们一起探索AI在学习、创造和犯错时，那些你意想不到的秘密。 00:00:34 AI当了回科学家，结果为什么不及格？ 00:05:40 AI世界的左右互搏 00:10:20 返璞归真，为什么最老的技术，成了AI时代的赢家？ 00:16:32 教会AI预测未来，它就能理解世界了吗？ 00:23:20 AI搞科研，当心它中了“实现彩票” 本期介绍的几篇论文： [AI] Can AI agents conduct open-ended AI research? Early evidence from two case studies [Princeton University] https://arxiv.org/abs/2607.27191 --- [AI] GPT-Red：Automated Red Teaming via Self-Play at Scale [OpenAI] https://arxiv.org/abs/2607.26115 --- [CL] Which RAG Paradigm Wins at Scale? A Scaling Study of Retrieval-Augmented Generation Paradigms [University of Science and Technology of China] https://arxiv.org/abs/2607.26497 --- [LG] What Can Latent World Models Know? Physical Parameter Identifiability in Multimodal Predictive Representations [New York University & CMU] https://arxiv.org/abs/2607.27017 --- [AI] One Run Is Not an Idea：The Implementation Lottery in Automated Research [CMU] https://arxiv.org/abs/2607.26587

你有没有想过，我们正处在一个“数据太多，又太少”的矛盾时代？这一期，我们就来聊聊几篇最新的AI论文，看科学家们如何用“精打细算”的智慧来解决这个难题。我们将一起探索，如何给海量数据装上“令牌”实现光速传输；如何精确计算“二手数据”的剩余价值；以及如何教会AI，不仅能写出正确的代码，更能写出跑得飞快的代码。我们还会看到，AI如何从一张静态照片里“脑补”出一个可以自由探索的世界；最后，我们来揭秘，如何让AI从一个只会背课文的“模仿者”，进化成一个真正“懂事”的伙伴。准备好了吗？让我们马上进入今天的前沿探索之旅！ 00:00:45 你的“数字身份证”，藏着效率革命的秘密 00:06:16 AI 训练场上的新难题，算力管够，数据不够怎么办？ 00:12:49 你的代码跑得快吗？AI现在能帮你优化了 00:20:04 一张照片，如何变成一个可以探索的世界？ 00:27:04 AI调教指南，如何让它不仅听话，还懂事？ 本期介绍的几篇论文： 1、[IR] Tokens are All You Need：Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in recommendation systems 2、[LG] Bridging Compute- and Data-Optimal Pretraining 3、[LG] Reinforcement Learning for Code Optimization 4、[CV] Wonder：Video World Model Done Better 5、[LG] Inverse RL Helps Align AI by Imitating Humans

你有没有想过，AI也会“偷懒和稀泥”，甚至在“不后悔”这件事上比我们做得更好？这一期，我们将一起揭开AI的“隐秘角落”，看看最新论文是如何让AI从一个只会算“相似度”的感觉派，变成一个懂得回溯证据链的逻辑派，并揪出它背后那个爱走捷径的“品味导师”的。 00:00:23 AI的学习悖论，从拼图到填词游戏 00:05:09 AI的“相似度陷阱”，为什么它总搞错“和”与“不”？ 00:11:07 如何让AI学会“不后悔”？ 00:17:01 AI对话，如何揪出每一句话的“祖宗”？ 00:22:30 AI的“潜规则”，它在偷偷学什么？ 本期介绍的几篇论文： [CL] The JEPA Paradox in Language: The Geometry of Linguistic Alternatives [VinUniversity & Mohamed bin Zayed University of Artificial Intelligence] https://arxiv.org/abs/2607.23531 --- [CV] Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models [CMU] https://arxiv.org/abs/2607.23052 --- [LG] Training with (Swap) Regret Loss in a Single-Layer Self-Attention Model: A Case Study on the Probability Simplex [MIT] https://arxiv.org/abs/2607.23333 --- [CL] Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations [Microsoft Research & University of Toronto] https://arxiv.org/abs/2607.22610 --- [LG] What do Reward Models Memorize? [University of Amsterdam & Google DeepMind] https://arxiv.org/abs/2607.24484

我们都希望AI能像人一样思考和成长，但你有没有想过，AI要如何向一位只做不说的“沉默高手”学到心法？又如何突破“刷题”瓶颈，进化到自己“编写教材”的境界？本期节目，我们将通过几篇最新论文，一起探寻AI如何拥有“复盘”的元认知能力，如何像人一样兼顾大局与细节，以及在复杂的指令面前，它究竟凭什么判断对错。准备好，我们马上进入AI的深度思考世界。 00:00:32 如何向一位沉默的高手学艺？ 00:06:26 AI的自我进化，从“刷题”到“编教材” 00:11:54 同一个命令，AI凭什么判断对错？ 00:18:33 AI的左右脑难题，如何让它既懂大局，又见细节？ 00:25:12 如何让AI拥有“复盘”能力 本期介绍的几篇论文： [LG] LeAct: Learning to Reason from Expert Actions [Princeton University] https://arxiv.org/abs/2607.21856 --- [CL] Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [Qwen Large Model Application Team, Alibaba] https://arxiv.org/abs/2607.22529 --- [AI] Agent Security Needs Redefinition through a Holistic Framework [UC Santa Cruz & UC Berkeley] https://arxiv.org/abs/2607.22024 --- [CV] Twins: Learn to Predict Unified Representations with Focal Loss [The Chinese University of Hong Kong & Tencent, Hunyuan] https://arxiv.org/abs/2607.22531 --- [LG] Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [University of Illinois Urbana-Champaign] https://arxiv.org/abs/2607.21971

你有没有想过，为什么最聪明的AI，有时会犯下最令人匪夷所思的错误？本期我们要聊的几篇最新论文，就揭示了这种矛盾：有的AI会因为一张伪造的“通行证”而放行危险代码，有的AI却已经学会了给自己“复盘”，在复杂研究中不断迭代进化。我们将一起探索，如何为AI模型进行精准的“功能性断舍离”，如何将它从一个“聊天搭子”升级为可靠的“办事帮手”，甚至，如何让虚拟世界里的角色拥有可以与世界共同成长的“灵魂”。准备好了吗？让我们一起潜入AI思想的最深处。 00:00:41 那个看得见危险的哨兵，为什么还是放了行？ 00:06:13 如何看穿一个系统的“真本事”？ 00:12:06 AI的下一步，从“聊天”到“办事” 00:17:56 让AI角色拥有“灵魂”的关键一步 00:22:51 比勤奋更重要的，是会给自己“复盘” 本期介绍的几篇论文： [AI] They'll Verify. They Just Won't Act. How Authority Framing and Laundered Code Turn a Trusted Agentic CI/CD Pipeline Into an Attack Surface [Senthex Research] https://arxiv.org/abs/2607.19267 --- [LG] Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks [Google DeepMind] https://arxiv.org/abs/2607.21366 --- [AI] Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes [University of Lethbridge & Universidad de Guadalajara] https://arxiv.org/abs/2607.19297 --- [CL] EvolvingWorld: An Open-Schema Framework for Co-Evolving Role-Play Agents and World Model in Interactive Literary World [Hong Kong University of Science and Technology & LIGHTSPEED] https://arxiv.org/abs/2607.17250 --- [AI] AREX: Towards a Recursively Self-Improving Agent for Deep Research [Beijing Academy of Artificial Intelligence (BAAI)] https://arxiv.org/abs/2607.21461