AI可可AI生活 - 节目列表

你是否想过，如何给总爱“胡说八道”的AI配个从不说谎的“裁判”，让它成为绝对可靠的实干家？又该怎么让两个AI跳过聊天，直接“开个小会”高效同步想法？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：看AI如何一边深度思考，一边给自己“抢答”来提升速度；看机器人如何通过专属“陪练”从失败中自我开窍；最后，我们还会发现，通往最优解的道路，有时竟是一条返璞归真的捷径。 00:00:34 让AI从“夸夸其谈者”变成“实干家”的秘密 00:05:54 当AI学会了开小会 00:10:23 让AI一边思考，一边抢答 00:14:53 给机器人请个“陪练”，让它自己开窍 00:19:03 优化世界的返璞归真之道 本期介绍的几篇论文： [AI] AI with Authority, from Application to Silicon [J Hickey] https://arxiv.org/abs/2608.21356 --- [LG] Dual-Cache Latent Space Communication between Heterogeneous Language Models [J Liu, Q Zhang, Y Jia, Z Kan… — Amazon Web Services (AWS)] https://arxiv.org/abs/2608.20617 --- [CL] Self-Speculation for Faster Reasoning Models [R Valluri, T Nguyen, A Grover — University of California, Los Angeles] https://arxiv.org/abs/2608.20359 --- [RO] Beyond Imitation: Self-Improving Robot Policies via Off-Policy Q-Planning [V Giridhar, A Khandelwal, J A. Collins, I Georgiev… — Georgia Institute of Technology] https://arxiv.org/abs/2608.21204 --- [LG] Primal Acceleration of Newton's Method [N Doikov — Cornell University] https://arxiv.org/abs/2608.21359

你是否想过，给AI的“私教”偷看标准答案，究竟是作弊还是神操作？为什么机器人模仿完美师傅反而会碰壁，甚至有时需要“闭着眼睛”走路？本期节目，我们将从几篇最新论文出发，揭示AI如何从模仿走向探索，以及强大的模型是如何在你的手机里实现性能飞跃的。让我们一起探寻这些AI“反常识”行为背后的智慧吧！ 00:00:29 AI界的“陪练”与“私教” 00:06:33 机器人学艺，师傅领进门，修行靠自己 00:11:55 机器人为什么要“闭着眼睛”走路？ 00:18:01 你的手机，为什么能越来越“聪明”？ 00:22:35 高手与笨蛋的分界线，在于如何面对复杂 本期介绍的几篇论文： [LG] Le Critique: Privileged Value Functions for LLM Reinforcement Learning [Mistral AI] https://arxiv.org/abs/2608.16739 --- [RO] FetchMan: Learning Visual Humanoid Loco-Manipulation Policies from Simulated Experiences [University of California, Los Angeles & Allen Institute for AI] https://arxiv.org/abs/2608.17027 --- [RO] Revisiting Open-Loop Execution in Robotics: Toward Reactive, Higher-Performing Policies [MIT & UC Berkeley] https://arxiv.org/abs/2608.15938 --- [LG] FlashAttention for Scalable Vector Architectures [Chalmers University of Technology & University of Glasgow] https://arxiv.org/abs/2608.18656 --- [CV] Falcon Perception-HD: High Density Perception via Reinforcement Learning [Technology Innovation Institute] https://arxiv.org/abs/2608.18881

今天，我们聊一个有趣的话题：让AI变聪明的关键，或许不在于更大的“大脑”，而在于更巧妙的“方法论”。我们将一起探索，如何只用一段普通视频就“复活”一个立体的你，又如何通过“画轨迹”的方式，创造出所有机器人都能听懂的世界语。我们还会揭示，为什么当前最强的AI也面临着“一离开老师就抓瞎”的窘境，以及如何为它请一位专属“私教”，让训练效率突飞猛进。准备好了吗？让我们看看这些最新论文是如何重新定义AI的学习与成长之路的。 00:00:39 AI的“断奶”挑战，为什么最聪明的学生，一离开老师就“抓瞎”？ 00:05:23 AI变聪明的秘密，不是更大的脑子，而是更好的“马鞍” 00:11:54 一段普通视频，如何“复活”一个立体的你？ 00:17:11 指挥机器人的终极密码，别说话，画轨迹 00:22:14 AI的“健身房”也需要“私教课” 本期介绍的几篇论文： [AI] ASI-Bench: At the Dawn of Artificial Superintelligence [Tsinghua University] https://arxiv.org/abs/2608.17271 --- [AI] Agent Lightning v1.0: Towards Harnessed Agentic RL [Microsoft & Fudan University & Zhejiang University] https://arxiv.org/abs/2608.17528 --- [CV] 4DAnyone: Create Anyone in 4D from a Casual Monocular Video [Zhejiang University & Robbyant] https://arxiv.org/abs/2608.20335 --- [RO] Hydra-0: Action Flow for Generalist World Modeling and Control [NVIDIA] https://arxiv.org/abs/2608.18077 --- [AI] EnvHarness: Awakening Static Worlds for Agent Learning [Washington University in St. Louis & Google Cloud AI Research] https://arxiv.org/abs/2608.19880

给机器人请个“高人”当教练，它就能更快出师吗？你越是强调一个秘密，AI助理反而越容易通过“微表情”泄密？面对眼花缭乱的AI模型，怎样才能做出最“划算”的选择？我们又该如何把你电脑里那些只可意会的隐形操作，变成一本AI也能看懂的“武功秘籍”？本期节目，我们将透过几篇最新论文，一起探索如何让AI学会更高效地行动、更安全地协作，以及更聪明地为我们当好管家。 00:00:33 给机器人请个“高人”当教练 00:06:16 你的AI助理，可能是个藏不住事的“大嘴巴”？ 00:11:00 你的下一个AI，需要一个“划算”计算器 00:17:13 如何让AI“学徒”早出师？ 00:21:37 你的电脑，藏着一本“隐形说明书” 本期介绍的几篇论文： [AI] EXIMO: VLM Guided Exploration of VLA Policies [Google DeepMind] https://arxiv.org/abs/2608.19891 --- [LG] Inadvertent Context Leakage in Language Models [Meta Superintelligence Labs & UC Berkeley] https://arxiv.org/abs/2608.19857 --- [AI] Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [Google DeepMind] https://arxiv.org/abs/2608.20316 --- [AI] MidTool: Mid-training Data Synthesis for Agentic Tool Use [University of Washington & Snowflake] https://arxiv.org/abs/2608.20314 --- [CL] Inducing Task Models from Computer-Use Traces [Stanford University & CMU] https://arxiv.org/abs/2608.20319

你是否想过，AI要如何才能像武林高手一样“左右互搏”，自己给自己出题，实现无限成长？当它学习一项新技能时，又要如何避免像我们一样，一紧张就把基本功忘得一干二净？更神奇的是，我们还将看到AI如何不靠开颅手术，就能精准“读懂”我们大脑里的句子。本期节目，我们将通过几篇最新论文，一起探寻AI世界里关于学习、成长与解决复杂问题的非凡智慧。 00:00:33 当AI学会“读心”，我们离未来还有多远？ 00:07:00 突破成长天花板，AI如何学会“左右互搏”，做自己最好的老师？ 00:12:39 告别“狗熊掰棒子”式的努力，从一台AI机器手的进化，看高手的“底层能力”构建 00:16:14 破局“好与快”的死结，从猜答案到重塑底层逻辑的认知飞跃 00:21:06 当麻烦“祸不单行”时，我们该如何破局？，，来自前沿AI算法的生存智慧 本期介绍的几篇论文： [CL] Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings [Meta AI & Université PSI] https://arxiv.org/abs/2608.18114 --- [CL] SPADE: Self-Play in Adaptive Synthetic Executable Environments [University of Washington & Northeastern University & CMU] https://arxiv.org/abs/2608.19197 --- [RO] ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning [NVIDIA] https://arxiv.org/abs/2608.19182 --- [AI] Coupled-cluster molecular properties across the main group that extrapolate beyond training size [MIT] https://arxiv.org/abs/2608.18346 --- [LG] Continuous-Time Reinforcement Learning for Controlled Hawkes Jump-Diffusions [UC Berkeley] https://arxiv.org/abs/2608.19151

今天，我们不聊堆算力的“大力出奇迹”，而是要探索几条让AI变得更智慧、更可靠的巧妙路径。我们会看到，一个简单的“反刍”机制，如何让AI不再健忘；一场内部“辩论赛”，又如何教会它诚实；“专家分工”的智慧，怎样让它在变强的同时还更省钱。最后，我们还会探究AI是如何学会像高手一样“抬头看路”地做决策，甚至在数学领域领悟“功夫在题外”的道理。准备好了吗？让我们一起揭开这些最新论文背后的绝妙构思。 00:00:37 AI的“反刍”，一个让它更聪明的简单魔法 00:05:10 如何让AI变得更聪明，同时还不变坏？ 00:09:50 AI 进化新思路，从“大力出奇迹”到“聪明分工” 00:14:55 高手决策的秘密，既要埋头拉车，又要抬头看路 00:20:36 AI做数学，功夫在诗外 本期介绍的几篇论文： [LG] Recirculation [Google DeepMind] https://arxiv.org/abs/2608.17981 --- [LG] Debate Training Reduces Reward Hacking in RLAIF [Google DeepMind] https://arxiv.org/abs/2608.17776 --- [CV] MoE-ViE: Mixture of Experts Vision Encoder for Efficient Image and Video Understanding [Meta] https://arxiv.org/abs/2608.17402 --- [LG] Q-Learning With World Models [Stanford University & Peking University] https://arxiv.org/abs/2608.17163 --- [AI] The Problem Is the Problem: Towards Scalable Mathematical Discovery [CMU] https://arxiv.org/abs/2608.16977

你有没有想过，聪明的AI也会犯傻，甚至像个没头脑的实习生？本期节目，我们就来聊聊如何让AI变得更“靠谱”。我们将一起看看，科学家们如何用AI工具去解决古老的数学难题，如何洞悉AI群体的“集体意识”，是会变得更聪明还是更固执，以及如何教会AI拥有一个好记性，并像人一样学会“反思”自己。 00:00:28 给你一把新扳手，拧紧一颗老螺丝 00:05:56 AI的“集体意识”，乌合之众还是三个臭皮匠？ 00:10:51 如何才能拥有一个好记性？ 00:15:37 为什么聪明的AI，干起活来却像个“没头脑”？ 00:21:07 给AI立规矩，为什么不能靠“死命令”？ 本期介绍的几篇论文： [LG] Improving the matrix multiplication exponent with modern optimization and AlphaEvolve [Google DeepMind] https://arxiv.org/abs/2608.16884 --- [AI] Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents [Stanford University & UC Santa Barbara] https://arxiv.org/abs/2608.16578 --- [LG] Proteus: Incremental Memory Activation for Long-Context Sequence Modeling [Mila & Google] https://arxiv.org/abs/2608.16844 --- [CL] How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks [Prentis AI] https://arxiv.org/abs/2608.14905 --- [CL] CAPO: Constraint-Aware Prompt Optimization for LLM Agents [Microsoft] https://arxiv.org/abs/2608.16068

今天我们来当一回AI世界的侦探，看看AI的“黑箱”里都藏着哪些秘密。我们将揭开AI绘画两大流派的统一秘诀，看看AI的大脑里是不是也分出了“文科”和“理科”部门。接着，我们会分辨AI是在“真思考”还是在“表演思考”，并学习它如何为未知游戏自建一个“数字孪生”。最后，再看看科学家如何给这个聪明的“大脑”进行一次外科手术级的精准“瘦身”，让它跑得更快更好。 00:00:31 AI绘画高手，为何在“半路”上吵翻了天？ 00:06:03 AI的大脑里，也分“文科”和“理科”吗？ 00:10:21 你是在真思考，还是在表演思考？ 00:15:38 如何像高手一样，玩一把没说明书的游戏？ 00:20:16 AI绘画的“火候”，高手与庸才的分野 本期介绍的几篇论文： [LG] Designing Reinforcement Learning for Diffusion Models: A Unified Path-Space View [Peking University & ByteDance Seed] https://arxiv.org/abs/2608.14430 --- [AI] Modular Cognitive Architecture Emerges in Large Language Models [MIT] https://arxiv.org/abs/2608.13567 --- [CL] Amplified Does Not Mean Predictive: Reasoning Behaviors in Thinking Models [CMU] https://arxiv.org/abs/2608.13760 --- [AI] Twin: Playing an Unknown Game with a Test-Time Digital Twin [Yeshiva University & Stanford University & Cornell University] https://arxiv.org/abs/2608.14490 --- [LG] Adversarial Learning of Classifier-Free Guidance Schedules [Google & Google DeepMind] https://arxiv.org/abs/2608.14038

我们总觉得AI变得更强，就是模型更大、算力更猛，但今天我们要聊点不一样的。最新几篇论文告诉我们，真正的智能升级，是教会AI拥有科学家的“品味”，甚至赋予它类似人类的“情绪”来感知对错。同时，我们还要用一点小小的“随机”来防止它学会“耍滑头”，并在一场终极“摸底考”中，看清它距离人类顶尖黑客到底还有多远。准备好了吗？让我们一起看看，AI如何被塑造出更深邃的智慧。 00:00:33 AI 会“品”，科学大不同 00:07:02 你的AI有“情绪”了，而且这决定了它的智商 00:13:00 如何防止你的AI员工「耍滑头」？ 00:18:15 人工智能摸底考，为什么黑客的饭碗暂时还很稳？ 00:24:19 AI法官的“内心戏”，一个比准确率更重要的指标 本期介绍的几篇论文： [LG] Training AI Scientists to Replicate Research [Inherent] https://arxiv.org/abs/2608.13331 --- [AI] Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution [University of Science and Technology of China & University of Oxford & University of Arizona] https://arxiv.org/abs/2608.09248 --- [LG] Rubric Dropout: A Simple Way to Mitigate Reward Hacking in Rubric-as-Reward RL [Scale AI & University of Arizona] https://arxiv.org/abs/2608.11669 --- [AI] The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark [Columbia University & UC Berkeley] https://arxiv.org/abs/2608.11469 --- [AI] Jagged Judges: Epistemic Stability Under Silence, Pressure, and Persistence [Meta Superintelligence Labs] https://arxiv.org/abs/2608.12645

你有没有想过，AI在给你答案之前，它的大脑里到底发生了什么？本期我们来聊聊AI几种奇特的“思考术”：有的AI学会了更省钱的“默算”，有的则像一个项目经理，懂得把复杂任务拆解成一个个小技能包。同时，我们也会揭示一个惊人漏洞——AI家族里的“小弟”是如何出卖“大哥”的商业机密；以及，AI学徒又该如何在一个绝对安全的环境里，把自己训练成“股神”。这些最新论文，正在重新定义AI的智慧、效率与安全边界。 00:00:35 AI的“默算”能力，更聪明，还是更经济？ 00:05:47 AI写论文？不，它在学习一种更重要的能力 00:11:09 你家AI的“悄悄话”，正在被隔壁“笨小孩”出卖 00:17:00 AI当学徒，能把自己教会成股神吗？ 00:22:44 你的AI闯了祸，到底该谁来背锅？ 本期介绍的几篇论文： [AI] BDH-CQ: In-Context Learning with Recurrent Latent Reasoning [B Engdahl, A Kosowski, J Chorowski, Z Stamirowska…] https://arxiv.org/abs/2608.09888 --- [CL] Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill [Vast Intelligence Lab & University of Technology Sydney] https://arxiv.org/abs/2608.11924 --- [AI] Stealing Reasoning Traces from Proprietary LLM APIs [MATS Research & ELLIS Institute Tübingen & AI Security Company] https://arxiv.org/abs/2608.09867 --- [CL] AQuA: Recursively Self-Improving Quantitative Trading Research Agents [Princeton University & Ant Group] https://arxiv.org/abs/2608.12841 --- [AI] Legal Responsibilities Using Autonomous Agents For Artificial Intelligence [ChiTek-i AS] https://arxiv.org/abs/2608.08022

AI画画写代码，怎样才能告别蛮力，像高手一样把力气用在刀刃上，又像学徒一样得到名师指点，快速开窍呢？它的学习过程到底是充满“顿悟”的跳跃，还是一分耕耘一分收获的苦功？更进一步，当规则完全未知时，AI能像我们玩密室逃脱一样，自己摸索出世界的法则吗？本期节目，我们就从四篇最新论文出发，一起探寻AI从“聪明”走向“智慧”的秘密。 00:00:31 生成AI的“节拍器”，如何把算力用在刀刃上？ 00:06:13 AI当码农，如何从“笨徒弟”进化成“老师傅”？ 00:12:35 AI学习的秘密，顿悟与苦功，本来就是一回事 00:19:14 AI的下一个考场，在规则未知的世界里摸索 00:24:27 AI养娃，要从胎教开始 本期介绍的几篇论文： [LG] The data geometry of masking diffusion: Certified-optimal schedules via unmasking growth complexity [M J. Wainwright, MIT] https://arxiv.org/abs/2608.13520 --- [LG] CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution [Z Ye, Y Huang, H Jin, B Hou… (NVIDIA & CMU)] https://arxiv.org/abs/2608.12629 --- [LG] Neural Quadratic Forms: A Unified Minimal Model for Sudden Learning and Scaling Laws [L Ziyin, Y Xu, T Poggio, I Chuang (MIT & EPFL)] https://arxiv.org/abs/2608.13335 --- [LG] DiG-bench: Discovery in Games [R M. Battleday, K Sandbrink, J Cullen-Drohan, Z Yan… (Thinking About Thinking)] https://arxiv.org/abs/2608.12593 --- [LG] Synthetic Persona Pretraining: Alignment from Token Zero [J Minder, V Moskvoretskii, R Singhal, D Jiao,… (EPFL)] https://arxiv.org/abs/2608.13482

你有没有想过，让人工智能变聪明的秘诀，可能不是“更多”，而是“更巧”？本期我们要聊的几篇最新论文，就充满了这种“反常识”的智慧：从把效率从细节里“省”出来，到警惕信息太丰富反而让AI“变笨”的悖论。我们还会看到，一个“完美”的陪练为何会带出最差的学生，以及如何通过精心呵护AI的“童年”，来预测它未来的潜力。准备好，让我们一起在这些看似矛盾的发现中，窥见AI的未来。 00:00:32 省出来的效率，才是真本事 00:07:29 AI的“富贵病”，为什么信息越多，它反而越“笨”？ 00:11:44 你的AI陪练，正在让你变傻 00:17:46 人工智能的“童年”里，藏着未来的密码 00:22:55 AI瘦身术，从“一刀切”到“看人下菜”的智慧 本期介绍的几篇论文： [LG] Dion3: Full-Stack Orthogonal Updates [New York University & Princeton University & NVIDIA] https://arxiv.org/abs/2608.11612 --- [CL] Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge [Johns Hopkins University] https://arxiv.org/abs/2608.12218 --- [CL] One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL [Northeastern University & New York University & UC Berkeley] https://arxiv.org/abs/2608.12253 --- [LG] Small-Scale Experiments: Are We There Yet? [FAIR at MSL Meta & New York University] https://arxiv.org/abs/2608.11859 --- [LG] SoftWater: Class-Aware Rate Allocation for Softmax Quantization [MIT] https://arxiv.org/abs/2608.12026