AI可可AI生活 - 节目列表

你有没有想过，我们能否打造一个既有“文科生”的灵活，又有“理科生”严谨的AI？当一群“偏科”的AI专家聚在一起，如何才能组建一支高效的“梦之队”？本期节目，我们将一口气为你解读几篇最新论文，看看科学家们是如何通过巧妙的流程设计，让AI学会“左右脑”分工、进行词级别的精细协作，甚至拥有主动管理记忆的“断舍离”能力。最后，我们还会揭秘一份顶尖科学家的“创新食谱”。准备好了吗？让我们一起探索AI进化背后的智慧。 00:00:38 AI的“左右脑”，如何让它既灵活又靠谱 00:06:27 AI也“偏科”？我们如何组建一个“梦之队” 00:11:25 AI当科学家，为什么还是个“学徒”？ 00:20:09 让AI学会“断舍离”，它才能真正进化 00:25:12 科学家的创新，原来是有“食谱”的 本期介绍的几篇论文： [LG] Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration [Warsaw University of Technology] https://arxiv.org/abs/2601.01609 --- [CL] Token-Level LLM Collaboration via FusionRoute [Meta AI] https://arxiv.org/abs/2601.05106 --- [LG] Why LLMs Aren't Scientists Yet: Lessons from Four Autonomous Research Attempts [Lossfunk] https://arxiv.org/abs/2601.03315 --- [CL] Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [Alibaba Group] https://arxiv.org/abs/2601.01885 --- [LG] Sci-Reasoning: A Dataset Decoding AI Innovation Patterns [Orchestra Research] https://arxiv.org/abs/2601.04577

你有没有想过，你每天使用的AI，可能正悄悄地把一整本《哈利波特》藏在“脑子”里？为了让AI变得更强，我们竟然要逼它和它所有的前辈“打群架”？本期节目，我们将一起揭开AI那些不为人知的“秘密”：从一个能让AI拥有完美记忆的“文件柜”，到一个既聪明又省钱的“免疫系统”，再到一场揪出AI“作弊考生”的全新考试。准备好了吗？让我们一起窥探AI大脑的奇妙内部。 00:00:32 你的AI，可能藏着一个图书馆 00:05:07 为什么说“盯住第一”是最大的陷阱？ 00:11:19 给AI安一个靠谱的“文件柜” 00:16:50 给AI装上一个“既聪明又省钱”的免疫系统 00:23:26 你的AI考了高分，但它真的看懂图了吗？ 本期介绍的几篇论文： [CL] Extracting books from production language models [Stanford University] https://arxiv.org/abs/2601.02671 --- [LG] Digital Red Queen: Adversarial Program Evolution in Core War with LLMs [MIT] https://arxiv.org/abs/2601.03335 --- [LG] Everything is Context: Agentic File System Abstraction for Context Engineering [University of New South Wales & ArcBlock, Inc & University of Tasmania] https://arxiv.org/abs/2512.05470 --- [LG] Constitutional Classifiers++: Efficient Production-Grade Defenses against Universal Jailbreaks [Anthropic] https://arxiv.org/abs/2601.04603 --- [LG] DatBench: Discriminative, Faithful, and Efficient VLM Evaluations [DatologyAI] https://arxiv.org/abs/2601.02316

我们总希望AI更像一个聪明的伙伴，而不是一个笨拙的机器。但怎样才算“聪明”？本期节目，我们将透过几篇最新的研究，一起窥探AI学习智慧的深层秘密。我们会聊到，AI如何像婴儿一样，在无声的世界里自己“悟”出万物的规律；又如何像个特工，在“聊天模式”和“任务模式”间无缝切换；我们还会探讨，如何用一把精妙的尺子，量出AI学到的究竟是“真本事”还是“假把式”，以及如何避免它在多重目标下“偏科”，甚至沦为一个只会讨好规则的“马屁精”。 00:00:39 AI学会了“无师自通”，世界将有什么不同？ 00:06:21 给AI装上一个“万能遥控器” 00:12:57 AI上课也分“顿悟”和“补课”？一把尺子量出它学到了多少真本事 00:19:54 AI“偏科”怎么办？谈谈多目标奖励的艺术 00:25:33 “好学生”与“马屁精”，AI如何学会做个人 本期介绍的几篇论文： [LG] Learning Latent Action World Models In The Wild [FAIR at Meta] https://arxiv.org/abs/2601.05230 --- [LG] XGrammar 2: Dynamic and Efficient Structured Generation Engine for Agentic LLMs [Shanghai Jiao Tong University & CMU] https://arxiv.org/abs/2601.04426 --- [LG] Excess Description Length of Learning Generalizable Predictors [UC Berkeley & Anthropic] https://arxiv.org/abs/2601.04728 --- [CL] GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization [NVIDIA] https://arxiv.org/abs/2601.05242 --- [CL] Learning to Simulate Human Dialogue [Stanford University] https://arxiv.org/abs/2601.04436

今天，我们将一同探寻，AI如何通过理解“点的流动”来获得物理直觉，又为何会掉进人类语言的“隐喻陷阱”。我们还会深入AI的大脑，看看它的知识是如何生长又被遗忘的，并学习一种给AI做“大脑针灸”的调教术，治好它的“固执病”。最后，我们将揭秘一项最新研究，看看AI是如何被教会用“道德”这把尺子，去读懂网络上的“阴阳怪气”的。 00:00:34 机器人如何获得“物理直觉”？ 00:05:05 你以为AI很理性？其实它活在比喻里 00:10:54 AI的大脑里，知识是怎么“长”出来又“丢”掉的？ 00:16:36 AI调教术，给模型做一次“大脑针灸” 00:22:42 教AI读懂“阴阳怪气”，靠的是什么？ 本期介绍的几篇论文： [RO] PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation [Stanford University & NVIDIA] https://arxiv.org/abs/2601.03782 --- [CL] Metaphors are a Source of Cross-Domain Misalignment of Large Reasoning Models [The University of New South Wales & CSIRO Data61] https://arxiv.org/abs/2601.03388 --- [CL] How Do Large Language Models Learn Concepts During Continual Pre-Training? [UC Davis & Virginia Tech & UCLA] https://arxiv.org/abs/2601.03570 --- [CL] ContextFocus: Activation Steering for Contextual Faithfulness in Large Language Models [Adobe Research, India] https://arxiv.org/abs/2601.04131 --- [CL] Self-Explaining Hate Speech Detection with Moral Rationales [University of São Paulo & University of Southern California & Saarland University] https://arxiv.org/abs/2601.03481

今天我们要聊一个特别有意思的话题：AI训练是不是一定要“大力出奇迹”？本期节目将通过几篇最新的论文，带你探索AI如何从海量数据中提炼出真正的“结构性知识”，如何像老师傅一样“边干边学”适应新环境，甚至如何靠一个“黄金样本”就打通任督二脉。我们将一起见证，AI正从一个埋头苦干的“莽夫”，进化成一个懂得“刻意练习”的聪明手艺人。 00:00:30 数据里，能“算”出新东西吗？ 00:07:38 让机器像人一样，边干边学 00:12:36 AI训练的省钱秘笈，一块显卡如何干出两块的活？ 00:19:27 AI进化的秘密，从“大力出奇迹”到“一招鲜吃遍天” 00:24:11 AI的“手艺”是怎么练成的？ 本期介绍的几篇论文： [LG] From Entropy to Epiplexity: Rethinking Information for Computationally Bounded Intelligence [CMU & New York University] https://arxiv.org/abs/2601.03220 --- [LG] In-Context Reinforcement Learning through Bayesian Fusion of Context and Value Prior [University of Cambridge & Mila - Quebec AI Institute] https://arxiv.org/abs/2601.03015 --- [LG] Chronicals: A High-Performance Framework for LLM Fine-Tuning with 3.51x Speedup over Unsloth [N/A] https://arxiv.org/abs/2601.02609 --- [LG] One Sample to Rule Them All: Extreme Data Efficiency in RL Scaling [GAIR & Taobao & Tmall Group of Alibaba] https://arxiv.org/abs/2601.03111 --- [LG] From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [University of Würzburg] https://arxiv.org/abs/2601.02997

你有没有想过，当AI不再是只会模仿的“鹦鹉”，它会如何为自己打造一张世界的“活地图”，甚至为万物创造出能自主思考的“数字分身”？最新论文揭示，AI正通过一系列奇妙的方法解决自己的“健忘症”与“数据饥荒”，甚至开始反思“堆料越多越糊涂”的怪圈。今天，我们就来聊聊AI是如何学会拥有“活地图”、创造“数字分身”、进行“模拟推理”，并最终实现自我“瘦身”的。 00:00:34 你的脑子里，是不是也有一张“活地图”？ 00:05:55 你我皆有“数字分身”，当AI为万物造“镜像” 00:12:23 你的常识可能被颠覆了，模仿来的思考，算不算思考？ 00:17:46 预测的难题，当AI遇上“数据饥荒” 00:24:46 AI大模型内卷，为什么堆料越多，脑子越糊涂？ 本期介绍的几篇论文： [LG] Flow Equivariant World Models: Memory for Partially Observed Dynamic Environments [Harvard University & CMU] https://arxiv.org/abs/2601.01075 --- [AI] Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models [Lehigh University & University of Maryland & University of New South Wales] https://arxiv.org/abs/2601.01321 --- [CL] Simulated Reasoning is Reasoning [RWTH Aachen University & CMU] https://arxiv.org/abs/2601.02043 --- [LG] Zero-shot Forecasting by Simulation Alone [Amazon] https://arxiv.org/abs/2601.00970 --- [LG] Geometric and Dynamic Scaling in Deep Transformers [New York University & Stony Brook University] https://arxiv.org/abs/2601.01014

本期节目，我们将深入AI的“引擎盖”之下，看看那些看不见的结构如何决定一切。你会听到，为何区区2%的数据就能决定翻译能力的生死；AI如何像侦探一样，为复杂问题画出“破案地图”；以及在看似无害的模型拼接中，如何暗藏着难以察觉的“木马”后门。准备好了吗？让我们一起探索这些最新论文背后，令人拍案叫绝的智慧。 00:00:31 AI翻译的秘密，2%的数据，50%的能力 00:05:35 你以为的“搜索”，正在被重新发明 00:13:00 为什么你的“笨办法”，却是AI的“开窍”法？ 00:18:16 AI大厨做菜重复？换一种“盐”试试 00:23:43 AI世界的“乐高”游戏，藏着一个你没想到的“后门” 本期介绍的几篇论文： [CL] The Role of Mixed-Language Documents for Multilingual Large Language Model Pretraining [University College London & Nanyang Technological University & University of Waterloo] https://arxiv.org/abs/2601.00364 --- [CL] Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends [University of Pittsburgh & Google Cloud AI Research] https://arxiv.org/abs/2601.00536 --- [LG] Deep Networks Learn Deep Hierarchical Models [Hebrew University of Jerusalem] https://arxiv.org/abs/2601.00455 --- [CV] It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models [UC Berkeley & University of Tübingen] https://arxiv.org/abs/2601.00090 --- [LG] The Trojan in the Vocabulary: Stealthy Sabotage of LLM Composition [Purdue University & CMU] https://arxiv.org/abs/2601.00065

你有没有想过，我们能不能让AI像探险家一样，在脑中绘制一张动态的世界地图？或者，仅仅是换个“看”图的顺序，就能让AI的识别能力大幅提升？本期节目，我们将一起探索几篇有趣的最新论文：看看为什么用“假奖励”瞎指挥，反而能激发AI的潜能；AI又是如何自动发现数据背后的“主线任务”；以及最关键的，我们如何教会AI那句宝贵的“我不确定”，让它变得更值得信赖。 00:00:35 你的大脑，如何给世界画地图？ 00:05:33 AI识图的秘密，你以为不重要的，恰恰是关键 00:12:01 为什么瞎指挥也能练出好学生？ 00:17:57 有一种AI，能自动发现数据的“主线任务” 00:23:29 给AI装上一个“靠谱”探测器 本期介绍的几篇论文： [LG] MapFormer: Self-Supervised Learning of Cognitive Maps with Input-Dependent Positional Embeddings [Institut Jean Nicod & École Normale Supérieur] https://arxiv.org/abs/2511.19279 --- [LG] REOrdering Patches Improves Vision Models [University of Pittsburgh & UC Berkeley] https://arxiv.org/abs/2505.23751 --- [LG] Spurious Rewards: Rethinking Training Signals in RLVR [University of Washington] https://arxiv.org/abs/2506.10947 --- [LG] Distributional Autoencoders Know the Score [University of Michigan] https://arxiv.org/abs/2502.11583 --- [LG] Similarity-Distance-Magnitude Activations [Reexpress AI] https://arxiv.org/abs/2509.12760

你有没有想过，真正的智能不只在于堆砌知识，更在于懂得“断舍离”，甚至学会如何“聪明地努力”？这一期，我们将看到最新论文如何教会AI进行动态的自我修正，以及机器人如何通过构建“知识金字塔”学会心灵手巧。我们还会见证，古老的“三角形”如何在AI新魔法的加持下重返巅峰，以及我们如何通过更换一把“度量尺”，让小模型的训练经验直接指导大模型。准备好，一场关于AI学习智慧的认知升级，马上开始！ 00:00:38 AI学会了“断舍离”，才能变得更聪明 00:05:48 机器人学会“心灵手巧”的秘密，不止是苦练 00:10:47 三角形，凭什么重返巅峰？ 00:16:26 AI进化的新姿势，从“大力出奇迹”到“聪明地努力” 00:22:33 训练AI，我们是不是一直在“蒙眼下山”？ 本期介绍的几篇论文： [LG] Deep Delta Learning [Princeton University & University of California, Los Angeles] https://github.com/yifanzhang-pro/deep-delta-learning/blob/master/Deep_Delta_Learning.pdf --- [RO] GR-Dexter Technical Report [ByteDance] https://arxiv.org/abs/2512.24210 --- [CV] Triangle Splatting for Real-Time Radiance Field Rendering [University of Liège] https://arxiv.org/abs/2505.19175 --- [CL] ShinkaEvolve: Towards Open-Ended And Sample-Efficient Program Evolution [Sakana AI] https://arxiv.org/abs/2509.19349 --- [LG] Training Deep Learning Models with Norm-Constrained LMOs [EPFL] https://arxiv.org/abs/2502.07529

你有没有想过，我们该如何为AI的高速公路设计智能的交通规则，又该如何教会一颗活的“迷你大脑”摸盲文？如果让AI来炒股，市场会更疯狂还是更理性？本期，我们将从几篇最新的论文出发，揭开AI从一个工具箱进化为发明家，并学会复杂推理的底层设计图。 00:00:26 给AI修路，为什么“车道”越多反而越容易“堵车”？ 00:05:32 如果让AI来炒股，它会比你更贪婪吗？ 00:11:24 当你的电脑开始用“脑子”摸盲文 00:16:21 你的AI助手，应该是个工具箱，还是个发明家？ 00:21:28 AI变聪明的“导航系统”，一份来自底层的设计图 本期介绍的几篇论文： [CL] mHC: Manifold-Constrained Hyper-Connections [DeepSeek-AI] https://arxiv.org/abs/2512.24880 --- [AI] Can Generative AI agents behave like humans? Evidence from laboratory market experiments [College London & CENTAI Institute & Bank of Canada] https://arxiv.org/abs/2505.07457 --- [RO] Encoding Tactile Stimuli for Organoid Intelligence in Braille Recognition [University of Bristo] https://arxiv.org/abs/2508.20850 --- [AI] Alita: Generalist Agent Enabling Scalable Agentic Reasoning with Minimal Predefinition and Maximal Self-Evolution [Princeton University & Tsinghua University & Shanghai Jiao Tong University] https://arxiv.org/abs/2505.20286 --- [LG] On the Design of KL-Regularized Policy Gradient Algorithms for LLM Reasoning [University of California, Los Angeles] https://arxiv.org/abs/2505.17508

你有没有想过，一个真正聪明的AI应该是什么样的？本期节目，我们将深入AI的“思考过程”，为你揭秘五篇最新论文带来的启发：我们将看到，AI如何像一个严谨的工程师，为自己的“世界模型”做“精装修”；如何像一个懂得“下笨功夫”的学生，通过生成式学习来避免投机取巧；更会看到它如何像一位创作者，从“逐字蹦”进化到“并行创作”；像一个项目经理，将搞不定的超长任务“外包”出去；最后，我们还会发现，AI甚至学会了像我们一样“自我反省”和纠错。准备好了吗？让我们一起探寻AI变得更聪明的秘密。 00:00:44 造个“世界模型”给自己用，聪明人是怎么“精装修”的？ 00:07:34 AI的“笨功夫”与“真聪明” 00:13:11 AI“写稿”新姿势，从“逐字蹦”到“一挥而就” 00:20:56 AI的大脑也会“内存不足”？那就给它一个外挂 00:26:55 让AI学会自我反省，需要几步？ 本期介绍的几篇论文： [LG] What Drives Success in Physical Planning with Joint-Embedding Predictive World Models? [Meta FAIR & New York University] https://arxiv.org/abs/2512.24497 --- [LG] Generative Classifiers Avoid Shortcut Solutions [CMU & Stanford University] https://arxiv.org/abs/2512.25034 --- [LG] Diffusion Language Models are Provably Optimal Parallel Samplers [UC Berkeley] https://arxiv.org/abs/2512.25014 --- [LG] Recursive Language Models [MIT CSAIL] https://arxiv.org/abs/2512.24601 --- [LG] Enhancing LLM Planning Capabilities through Intrinsic Self-Critique [Google DeepMind] https://arxiv.org/abs/2512.24103

你是否好奇，AI究竟是在独立思考还是在“背题库”？本期我们将搭建一个“思想风洞”来一探究竟，再把K线图当成“照片”喂给AI，看看它能否成为股神。随后，我们会深入神经网络的“职场”，看它如何通过“内卷”来自我裁员，并最终揭晓一本能“以小博大”、高效炼成大模型的万能说明书。准备好了吗？让我们一起开启这场关于AI智慧与效率的探索之旅！ 00:00:32 AI到底在思考，还是在“假装”思考？ 00:07:46 把K线图当成“照片”看，AI炒股能靠谱吗？ 00:13:07 AI也“内卷”，一个想法，让神经网络自己“裁员” 00:18:14 炼大模型，有没有一本万能说明书？ 本期介绍的几篇论文： [LG] The Bayesian Geometry of Transformer Attention [Dream Sports & Columbia University] https://arxiv.org/abs/2512.22471 --- [LG] S&P 500 Stock's Movement Prediction using CNN [Stanford University] https://arxiv.org/abs/2512.21804 --- [LG] Pruning as a Game: Equilibrium-Driven Sparsification of Neural Networks [Hamad Bin Khalifa University] https://arxiv.org/abs/2512.22106 --- [LG] Completed Hyperparameter Transfer across Modules, Width, Depth, Batch and Duration [Apple] https://arxiv.org/abs/2512.22382