AI可可AI生活 - 节目列表

本期我们来聊聊AI世界正在悄然发生的一场“效率革命”。如何只花十分之一的成本，就猜对AI巨头的“天机”？又如何让AI靠“复读”关键知识，聪明地战胜一味地“堆料”？我们还会探讨一个反常识的现象：为什么一个好的AI老师，关键时刻要学会“闭嘴”？AI的能力飞跃，究竟是学会了新招，还是把旧招用得更溜了？四篇最新的AI论文，带你洞悉AI世界的效率革命与学习智慧。 00:00:33 如何用十分之一的成本，猜对AI巨头的“天机”？ 00:06:17 如何让“笨学生”学得更快？关键在于让“老师”适时闭嘴 00:11:26 AI变聪明，是学会了新招，还是旧招用得更溜了？ 00:16:47 AI训练的内卷，如何用“复读”战胜“堆料”？ 00:22:44 当AI被骗，它的大脑里发生了什么？ 本期介绍的几篇论文： [LG] Efficiently Estimating Optimal Hyperparameter Scaling Laws through Power-Law Entropy Search [Meta] https://arxiv.org/abs/2609.01431 --- [CL] Knowledge Distillation During Mid-Training Favors Reasoning over Factual Recall [Meta AI & Princeton University] https://arxiv.org/abs/2609.01532 --- [CL] From Base Rollouts to RL Reasoning: A Budgeted Search Perspective [Fudan University & Zhipu AI & Tsinghua University] https://arxiv.org/abs/2609.01274 --- [LG] SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers [Tsinghua University & ByteDance Seed & M-A-P] https://arxiv.org/abs/2609.01343 --- [LG] How Do Language Models Choose Between Context and Memory? [Stanford University] https://arxiv.org/abs/2609.00753

想知道AI混沌的“数字粥”里，是不是藏着一张我们能读懂的清晰地图吗？想见识一下比人类专家还厉害的“AI教练”，是如何给它的同类“治病”的吗？我们还会探讨，当所有人都想抄“流量密码”的作业时，内容世界为何会变得越来越无聊，以及最后，我们将揭秘一场AI的“省油”革命，看看聪明的设计如何让AI告别傻大黑粗。 00:00:28 AI的“黑箱”里，藏着一套我们熟悉的旧地图 00:06:09 比人类专家还强？AI正在学会自己给自己“治病” 00:11:34 当所有人都想抄第一名的作业 00:17:10 AI的“省油”革命，如何用更少的资源，办更大的事？ 00:22:44 AI创作的秘密，不是靠魔法，而是靠一张地图 本期介绍的几篇论文： [CL] The Emergent Symbolic Structure of Artificial Neural Networks [Yale University & Johns Hopkins University & New York University] https://arxiv.org/abs/2608.29530 --- [AI] Automated Researchers Can Reliably Mitigate Alignment Failures [Anthropic & UC Berkeley] https://arxiv.org/abs/2608.28945 --- [AI] CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target [UC Berkeley & Zhejiang University] https://arxiv.org/abs/2608.30466 --- [CL] On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [Qwen Team] https://arxiv.org/abs/2608.30320 --- [LG] The information geometry of product-reference discrete diffusion: Interaction growth complexity and optimal scheduling [MIT] https://arxiv.org/abs/2608.28949

我们总感觉AI越来越无所不能，但今天，我们要从几篇最新论文出发，给这份狂热踩一脚“科学的刹车”。我们会探讨AI为何读完人类所有书籍，却依然有无法跨越的语言天堑，并揭示其看似复杂的内部机制，其实隐藏着一个更简单的“有效维度”。同时，我们也会发现，解决最棘手问题的，有时反而是被我们忽略的“笨办法”，而看似混沌的AI训练过程，竟然也遵循着可以预测的“伸缩法则”。准备好了吗？让我们一起拨开AI的迷雾，看见那些真正重要的底层规律。 00:00:39 AI读完了整个人类图书馆，为什么还是不懂你？ 00:05:39 最聪明的办法，常常是那个“笨办法” 00:09:38 AI界的“孙子兵法”，如何用有限的资源打赢无限的战争 00:16:05 AI大模型里的“降维打击”，你看见的复杂，不是真的复杂 00:21:16 为什么好的目标，也会带你走上岔路？ 本期介绍的几篇论文： [CL] A Formal Limitation on Learning Human Language From Textual Corpora [Universitat Pompeu Fabra & ETH Zürich] https://arxiv.org/abs/2608.28560 --- [CL] Sliding-window beats linear attention [Microsoft] https://arxiv.org/abs/2608.28444 --- [CV] How Far Can 5,500 Hours of Driving Take You? A Scaling Law Analysis of Video Diffusion Models [valeo.ai] https://arxiv.org/abs/2608.28404 --- [LG] The Approximation Rank of Softmax Attention: Sharp Geometric Laws and Robust Interaction Dimension [Nanyang Technological University & CMU] https://arxiv.org/abs/2608.28150 --- [LG] How Proper Scoring Rules Shape LLM Forecasting [Lightning Rod Labs & INSEAD & University of Pennsylvania] https://arxiv.org/abs/2608.28482

当AI学会了“活在当下”，不再被历史包袱拖累时，我们人类自己又该如何避免被它悄悄“废掉”核心能力呢？本期节目，我们不仅要探讨如何用一把特制的尺子去衡量AI是否真的懂我们的“不开心”，还将揭秘如何培养出一个靠谱的AI“批评家”，让它实现高效的自我进化。最后，我们会一起探寻训练AI时那个神秘的“档位”，看看这些最新论文将如何刷新我们对人机协作与AI成长的认知。 00:00:33 让AI学会“活在当下” 00:05:00 AI越来越聪明，但它真的懂你的“不开心”吗？ 00:09:24 那个替你干活的AI，正在悄悄“废掉”你 00:13:48 AI的成长烦恼，一个“批评家”的自我修养 00:20:39 训练AI的秘密“档位” 本期介绍的几篇论文： [AI] SKILL.state: Scalable Long-Horizon Agent Skills [Google LLC & Purdue University] https://arxiv.org/abs/2608.26263 --- [CL] HealthBench-Psych: A Mental Health Subset of OpenAI's HealthBench [Beth Israel Deaconess Medical Center] https://arxiv.org/abs/2608.25071 --- [AI] AI Agents Push Humans Out of the Loop [Hugging Face] https://arxiv.org/abs/2608.23642 --- [LG] Best Practice Critic Optimization [National University of Singapore & Tencent Hunyuan] https://arxiv.org/abs/2608.23566 --- [LG] Effective Learning Rate Governs Loss Dynamics in Language Model Pretraining [Peking University & Ant Group] https://arxiv.org/abs/2608.24814

我们总惊叹AI越来越聪明，但你有没有想过，一个能理解世间万物的“意义图书馆”和一个离完美交付总差一步的“95分陷阱”同时存在于AI身上？本期几篇最新论文将带我们一探究竟，看看如何为AI装上外部“工作室”和独立的“世界大脑”，甚至揭示出AI群体“不靠说话”的协作奥秘。准备好了吗？让我们一起看看AI如何从一个聪明的“答题者”，进化成一个可靠的“行动派”。 00:00:32 AI的“意义图书馆”是怎么建成的？ 00:06:25 AI的大考，为什么「差不多」等于「差很多」 00:10:45 人工智能的“外挂”，到底有多厉害？ 00:15:23 给AI游戏世界装上一个“大脑” 00:20:36 人多，到底是力量大，还是乱糟糟？ 本期介绍的几篇论文： [CV] WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report [WeChat Vision, Tencent Inc.] https://arxiv.org/abs/2608.24053 --- [AI] FrontierChallenge: Evaluating Scientific Workflow Completion [Apodex Team] https://arxiv.org/abs/2608.24979 --- [AI] Prime Agent: A Self-Improving RLM Harness [Princeton University & Prime Intellect] https://arxiv.org/abs/2608.23552 --- [CV] Code World Model: Coding Agent as World Brain [Westlake University & Nanyang Technological University] https://arxiv.org/abs/2608.25927 --- [AI] SwarmWorld: Stigmergic technological evolution in societies of language-model agents [MIT] https://arxiv.org/abs/2608.26081

本期我们要聊的几篇最新论文，简直就像是AI上演了一出精彩的“进化三重奏”。你有没有想过，AI不仅能亲自下场做实验，还能通过扔掉海量信息反而学得更快？我们还会看到，AI如何像一个不眠不休的科研团队那样在失败中进化，像军队一样高效分工，以及这一切的背后，如何靠一本“备忘录”将所有经验沉淀为真正的智慧。准备好了吗？让我们一起探索AI正在解锁的全新可能性！ 00:00:34 AI 不再只是“思想家”，它开始“动手”了 00:04:59 AI 进化新思路，扔掉 95% 的信息，反而学得更好？ 00:10:55 AI的“试错”进化论 00:17:42 将军与士兵，人工智能的完美分工 00:22:55 给AI装个“备忘录”，为什么笨办法反而是真聪明？ 本期介绍的几篇论文： [AI] Accelerating Scientific Research with Gemini in the Real-World [Google DeepMind & Duke University & Columbia University] https://arxiv.org/abs/2608.26701 --- [CV] LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [German Cancer Research Center & Mila] https://arxiv.org/abs/2608.27395 --- [AI] AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design [Hunan University & Nanjing University & The Chinese University of Hong Kong] https://arxiv.org/abs/2608.26747 --- [AI] Decoupling Planning and Control for Instructable Agents [UC Berkeley & Google DeepMind] https://arxiv.org/abs/2608.26788 --- [AI] WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution [Google Research] https://arxiv.org/abs/2608.27454

你有没有想过，让AI变得更聪明，关键可能不是让它知道得更多，而是教会它如何更高效地“思考”？本期我们要聊的几篇最新论文，就深入到了AI的思维深处：从让AI懂得“选择性遗忘”以实现长时间推理，到揭开决定AI学习成败的三个神秘“开关”。我们甚至会看到，机器人是如何通过“自言自语”来规划复杂任务的。准备好一起探索AI大脑的内部运作机制了吗？我们马上开始！ 00:00:33 如何让AI长时间思考，还不“累”？ 00:05:05 给你一个确定性的菜谱，靠谱吗？ 00:10:44 你关心的问题，AI能比专家更快找到答案吗？ 00:16:24 拆开AI的“黑箱”，决定它聪明的三个开关 00:22:50 机器人会思考，需要分几步？ 本期介绍的几篇论文： [CL] Prefix Sliding for efficient test-time scaling [Stanford University & University of California at Santa Barbara & University of Washington] https://arxiv.org/abs/2608.26070 --- [LG] Beyond Optimal Rates in Stochastic Optimization: Trajectory-Adaptive Stopping Rules [UC Berkeley & PSL Research University] https://arxiv.org/abs/2608.25551 --- [AI] Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings [Google Research] https://arxiv.org/abs/2608.26088 --- [LG] Demystifying Reinforcement Learning Post-Training of Language Models [University of Washington] https://arxiv.org/abs/2608.24949 --- [RO] R^3: Training Robots to Reason in Natural Language via Reinforcement Learning [Carnegie Mellon University (CMU)] https://arxiv.org/abs/2608.26053

本期我们要聊点脑洞大开的：如果让一群AI自己组建科研社区，甚至给它们“放假”，会涌现出怎样的科学发现？我们会看到，AI真正的成长秘诀，不在于修正答案，而在于递归式地优化自己的“思考方法”，甚至学会像孙悟空一样用“分身术”同时探索多种可能。接着，当AI团队犯错时，我们将化身侦探，精准定位“责任人”，并揭秘一个让AI提速的妙招——不是靠堆算力，而是靠精明的“预算”分配。准备好了吗？让我们一起从几篇最新论文中，探寻这些关于AI工作流、团队协作与自我进化的深刻洞见。 00:00:43 AI也需要“放假”？科学发现的新模式 00:06:03 成长的秘密，不是优化答案，而是优化方法 00:10:58 让AI学会“分身术”，我们能快多少？ 00:16:06 AI犯错，我们应该怪谁？ 00:20:55 AI 为什么那么慢？这篇论文给了个巧妙的答案 本期介绍的几篇论文： [AI] Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment [DualverseAI & University of California San Diego] https://arxiv.org/abs/2608.23691 --- [AI] Metan^n: Recursive Self-Improvement through Emergent Depth [University of Minnesota & Seoul National University] https://arxiv.org/abs/2608.24735 --- [AI] Parason: Revealing Subtask and Trial Parallelism in LLM Reasoning [Tsinghua University & NVIDIA] https://arxiv.org/abs/2608.24658 --- [CL] Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research [Bar-Ilan University & UNC Chapel Hill] https://arxiv.org/abs/2608.24306 --- [CL] AgentSpec: Speculative Decoding for Batch Inference of LLM Agents [The Ohio State University & Microsoft Research & University of Michigan] https://arxiv.org/abs/2608.24004

你有没有觉得，最聪明的AI有时也会犯一些“低级错误”？本期节目，我们就从几篇最新论文出发，去看看AI那些意想不到的“脆弱时刻”。我们将一起探索，为什么AI合作有时会“1+1<2”，甚至被少数派“带偏”；又为什么一个不起眼的错别字，就能让它瞬间“走神儿”。更重要的是，我们将看到科学家们如何像一位“自动马鞍匠”一样，为AI打造不断进化的外部装备，又如何通过“字斟句酌”的反馈，教会AI抵御外界的恶意指令。 00:00:36 如何给AI装上一个“自动升级”的马鞍？ 00:05:13 为什么笼统的批评没用？从教AI“防骗”的底层逻辑说起 00:10:36 1+1 < 2？合作的隐形成本 00:15:48 一个好汉三个帮，AI为何越帮越忙？ 00:20:58 为什么一个错别字，就能让AI“走神儿”？ 本期介绍的几篇论文： [AI] AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [POSTECH & KAIST & Southern University of Science and Technology] https://arxiv.org/abs/2608.23041 --- [AI] SecOPD: Mitigating Adaptive Prompt Injections by On-Policy Distillation [UC Berkeley] https://arxiv.org/abs/2608.21500 --- [CL] The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate [University of Notre Dame & Meta Superintelligence Labs] https://arxiv.org/abs/2608.22152 --- [CL] Aligned Alone, Misaligned Together: Forecasting Adversarial Capture in LLM Agent Populations [ETH Zurich & Tel Aviv University] https://arxiv.org/abs/2608.22444 --- [CL] Lexical Perturbations Disrupt LLM Reasoning: An Empirical Study of Attention Diversion [Missouri University of Science and Technology & University of North Texas] https://arxiv.org/abs/2608.22140

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