AI可可AI生活 - 节目列表

想知道AI如何“天生精干”，彻底告别臃肿吗？想了解AI怎么学会“看情况”调整思考深度，在直觉和深思之间自如“换挡”吗？最新论文还揭示了AI“偷懒”的艺术，甚至对它们进行了“心理质询”，看看聪明的AI到底靠不靠谱。本期节目，我们将从一个全新的视角，带你透视AI的内在进化。 00:00:29 AI大模型减肥指南，如何不节食也能瘦下来？ 00:05:30 该动脑，还是该凭感觉？AI也得学 00:12:33 AI偷懒的艺术，快，还要更好？ 00:18:16 你的AI军师，聪明就靠谱吗？ 00:23:59 给AI模型做个“认知升级”，换个角度看“注意力” 本期介绍的几篇论文： [LG] Stabilizing Native Low-Rank LLM Pretraining [Concordia University & Sorbonne University] https://arxiv.org/abs/2602.12429 --- [CL] Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents [Tencent Hunyuan & Fudan University] https://arxiv.org/abs/2602.12662 --- [LG] SLA2: Sparse-Linear Attention with Learnable Routing and QAT [Tsinghua University] https://arxiv.org/abs/2602.12675 --- [LG] Consistency of Large Reasoning Models Under Multi-Turn Attacks [CMU] https://arxiv.org/abs/2602.13093 --- [LG] HyperMLP: An Integrated Perspective for Sequence Modeling [Georgia Institute of Technology] https://arxiv.org/abs/2602.12601

这一期，我们将一起探索AI如何学习几项“反直觉”的超能力。比如，我们如何像侦探一样，在万亿词汇的海洋中，通过“剪枝”的智慧揪出隐藏的线索？我们还会发现，造出一台好用的机器人，关键可能不是发明，而是像“攒电脑”一样集成；而一个更聪明的AI，核心竟然是学会清晰地认知“我不行”，并懂得何时“求助”。最后，我们会看到机器人如何在自己的“想象”中完成上万次试错，以及AI如何通过一次精准的“器官移植”手术，变得又轻又强。准备好了吗？让我们即刻出发！ 00:00:42 你的每一次搜索，都在塑造AI的未来 00:06:52 造一台好机器人，关键可能不是“发明”，而是“攒” 00:12:00 聪明人的新技能，知道何时该“求助” 00:16:38 机器人怎样才能“脑补”出成功？ 00:22:13 AI瘦身指南，聪明，原来不必那么“重” 本期介绍的几篇论文： [CL] SoftMatcha 2: A Fast and Soft Pattern Matcher for Trillion-Scale Corpora [University of Tokyo & Kyoto University & Graduate University for Advanced Studie] https://arxiv.org/abs/2602.10908 --- [RO] YOR: Your Own Mobile Manipulator for Generalizable Robotics [New York University] https://arxiv.org/abs/2602.11150 --- [CL] LaCy: What Small Language Models Can and Should Learn is Not Just a Question of Loss [Apple] https://arxiv.org/abs/2602.12005 --- [RO] RISE: Self-Improving Robot Policy with Compositional World Model [The Chinese University of Hong Kong & Kinetix AI] https://arxiv.org/abs/2602.11075 --- [LG] Retrieval-Aware Distillation for Transformer-SSM Hybrids [CMU] https://arxiv.org/abs/2602.11374

你有没有想过，AI的“内心独白”我们能听懂吗？当AI像“包工头”一样开始互相派活，我们又该如何自处？本期节目，我们将一口气深入5篇最新论文，看看AI如何从“死记硬背”进化到“举一反三”，并揭示出决定它成长速度的秘密，竟然藏在语言自身的那张“地图”里。我们会发现，无论是AI的内心状态、协作模式还是成长法则，背后都隐藏着一些我们曾经忽略的简单规则。 00:00:34 AI的“内心独白”，我们能听懂吗？ 00:06:44 AI打工人的时代，我们如何当好“包工头”？ 00:15:22 高手之路，AI如何从“死记硬背”到“举一反三” 00:21:58 AI作画走不通？可能只是导航用错了地图 00:00 AI的成长秘籍，藏在语言自身里的那张地图 本期介绍的几篇论文： [CL] When Models Examine Themselves: Vocabulary-Activation Correspondence in Self-Referential Processing https://arxiv.org/abs/2602.11358 --- [AI] Intelligent AI Delegation [Google DeepMind] https://arxiv.org/abs/2602.11865 --- [LG] SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [UNC-Chapel Hill] https://arxiv.org/abs/2602.08234 --- [LG] Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders [Johns Hopkins University] https://arxiv.org/abs/2602.10099 --- [LG] Deriving Neural Scaling Laws from the statistics of natural language [SISSA & Stanford University] https://arxiv.org/abs/2602.07488

想知道如何把临时指令“刻”进AI的大脑，让它拥有真正的肌肉记忆吗？我们又该如何教AI学会“抄近道”，一步生成作品，而不是慢慢搭建？本期节目，我们将深入最新论文，探讨如何让AI不仅做对事，更要想对事，并揭示在调教AI时，那些我们习以为常却可能导致它“偏执”或“精神分裂”的惊人误区。 00:00:28 AI的“肌肉记忆”是怎么炼成的？ 00:05:48 造物，如何抄近道？ 00:11:04 AI调教指南，你以为的，不是你以为的 00:17:32 比做对事更重要的，是想对事 00:22:45 AI调教指南，为什么你喂得越多，它可能变得越偏执 本期介绍的几篇论文： [CL] On-Policy Context Distillation for Language Models [Microsoft Research] https://arxiv.org/abs/2602.12275 --- [LG] Categorical Flow Maps [University of Amsterdam & University of Oxford] https://arxiv.org/abs/2602.12233 --- [LG] The Magic Correlations: Understanding Knowledge Transfer from Pretraining to Supervised Fine-Tuning [Google DeepMind & Google Research] https://arxiv.org/abs/2602.11217 --- [LG] Right for the Wrong Reasons: Epistemic Regret Minimization for Causal Rung Collapse in LLMs [Stanford University] https://arxiv.org/abs/2602.11675 --- [LG] How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics [PSL Research University & Northwestern University] https://arxiv.org/abs/2602.12180

你有没有想过，那个能解开奥数难题的AI，可能连小学生的加法都会算错？这一期，我们就来深入AI的“脑回路”，看看它如何像一个真正的数学家那样自主探索未知，又如何像一个“AI工程师”一样实现自我进化。我们还会揭示，为什么让机器人学会“偷懒”和使用“小抄”，才是让它走向我们物理世界的关键一步。准备好了吗？让我们一起出发，探索这些最新论文背后，那个既熟悉又陌生的AI心智。 00:00:35 AI成了数学家，然后呢？ 00:05:49 AI，一个能解奥数题，却不会列竖式的小天才 00:11:13 你的手机，正在悄悄招聘一位AI工程师 00:17:57 给AI当军师，我们能不算卦就预知未来吗？ 00:24:09 你的世界，其实只需要一个“小抄” 本期介绍的几篇论文： [LG] Towards Autonomous Mathematics Research [Google DeepMind] https://arxiv.org/abs/2602.10177 --- [LG] AI-rithmetic [Google] https://arxiv.org/abs/2602.10416 --- [LG] Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents [Google] https://arxiv.org/abs/2602.10226 --- [LG] Configuration-to-Performance Scaling Law with Neural Ansatz [Tsinghua University & Stanford University] https://arxiv.org/abs/2602.10300 --- [LG] Affordances Enable Partial World Modeling with LLMs [Google Deepmind] https://arxiv.org/abs/2602.10390

今天我们要聊一个特别有意思的话题：如何“看透”AI并让它变得更好？我们将通过几篇最新论文，揭示一些反常识的智慧：比如，有时让AI“盲目”一点，它反而画得更好；想让它变聪明，关键可能不是“教”得多，而是“教”得巧。我们还会看到，攻击AI的最高境界，可能不是塞给它坏东西，而是对好东西做一次肉眼看不见的“微创手术”！ 00:00:31 AI“投毒”新姿势，不是塞坏东西，而是让好人变坏 00:07:00 让AI变聪明的秘密，不是加法，是减法 00:11:29 AI的瘦身难题，如何高效地“抓重点”？ 00:17:14 AI的“思想慢镜头”，我们如何看懂它在想什么？ 00:22:54 AI绘画新思路，有时候，少即是多 本期介绍的几篇论文： [LG] Infusion: Shaping Model Behavior by Editing Training Data via Influence Functions [University of Oxford & UCL] https://arxiv.org/abs/2602.09987 --- [CL] Effective Reasoning Chains Reduce Intrinsic Dimensionality [Google DeepMind & UNC Chapel Hill] https://arxiv.org/abs/2602.09276 --- [LG] WildCat: Near-Linear Attention in Theory and Practice [Imperial College London & Microsoft Research] https://arxiv.org/abs/2602.10056 --- [LG] Step-resolved data attribution for looped transformers [University of Potsdam & Technical University of Munich & MunichHarvard University] https://arxiv.org/abs/2602.10097 --- [LG] Blind denoising diffusion models and the blessings of dimensionality [Simons Foundation & Yale University] https://arxiv.org/abs/2602.09639

你有没有想过，真正的高手和普通人的思维差异在哪？今天我们要聊的，就是AI如何向各路高手“偷师学艺”。我们会看到，AI如何学会像园艺大师一样“精准剪枝”，做出最少却最关键的改动；如何像一个学霸，通过模仿，赢在训练的“起跑线”上。甚至，它还学会了我们最熟悉的两个策略：像写作者一样“先打草稿再定稿”，以及像我们读书时一样，边读边在脑子里贴上“思维小纸条”。当然，我们还会聊聊，如何给AI的“说明书”能力，建立一个既靠谱又高效的自动化考场。准备好了吗？让我们一起探索AI思考的进化之路！ 00:00:45 高手调参，为什么“少做”有时比“多做”更聪明？ 00:05:50 AI训练的起跑线，一个被忽视的“小动作” 00:10:08 AI的“说明书”能力，我们该如何衡量？ 00:16:29 AI如何像高手一样思考，先打草稿，再定稿 00:21:02 AI“开小差”的秘密，边读边想，效率翻倍 本期介绍的几篇论文： [LG] BONSAI: Bayesian Optimization with Natural Simplicity and Interpretability [Meta] https://arxiv.org/abs/2602.07144 --- [LG] Mimetic Initialization of MLPs [CMU] https://arxiv.org/abs/2602.07156 --- [LG] How2Everything: Mining the Web for How-To Procedures to Evaluate and Improve LLMs [Allen Institute for AI & University of Maryland] https://arxiv.org/abs/2602.08808 --- [LG] iGRPO: Self-Feedback-Driven LLM Reasoning [NVIDIA] https://arxiv.org/abs/2602.09000 --- [CL] Latent Reasoning with Supervised Thinking States [Google Research] https://arxiv.org/abs/2602.08332

我们总惊叹于AI的聪明，但你有没有想过，它们也会有思维盲区，甚至会犯一些“聪明人”的“笨”错误吗？这一期，我们就来深入AI的“内心世界”：我们将一起探索如何让机器人通过“做梦”来理解物理世界，看看AI会如何像“开普勒”一样只懂皮毛，又如何被引导成洞悉规律的“牛顿”。我们还会聊聊怎样训练一个AI成为另一个AI的“天敌”，以及如何绘制一张AI的“思想地图”，给它做一次全面的“体检”。准备好了吗？让我们一起出发！ 00:00:37 让机器人做梦，是为了让它更好地干活 00:06:01 聪明人的“笨”办法，我们能从AI的失败中学到什么？ 00:12:11 你的AI是“牛顿”还是“开普勒”？ 00:18:18 如何把一个AI，训练成另一个AI的“天敌”？ 00:23:44 AI的“思想地图”，我们如何给大模型做“体检”？ 本期介绍的几篇论文： [RO] DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [NVIDIA] https://arxiv.org/abs/2602.06949 --- [CL] Large Language Model Reasoning Failures [Stanford University & Carleton College] https://arxiv.org/abs/2602.06176 --- [LG] From Kepler to Newton: Inductive Biases Guide Learned World Models in Transformers [Stanford University] https://arxiv.org/abs/2602.06923 --- [CL] SEMA: Simple yet Effective Learning for Multi-Turn Jailbreak Attacks [Microsoft Research & University of Rochester] https://arxiv.org/abs/2602.06854 --- [LG] Learning a Generative Meta-Model of LLM Activations [UC Berkeley] https://arxiv.org/abs/2602.06964

今天我们来聊一个特别有意思的话题：AI是如何学习和思考的？我们不再满足于AI能做什么，而是想知道它怎样才能做得更好。本期节目，我们将通过几篇最新论文，揭秘AI如何拥有自己的“私教系统”实现共同进化，如何通过“训练吃苦”换来我们使用时的“一步到位”，甚至如何在信息不全时“拜师学艺”，以及在思考时如何像高手一样进行“全局推演”。准备好了吗？让我们一起潜入AI的大脑深处。 00:00:34 如何打造一个完美的“AI私教”系统？ 00:06:13 为什么说最快的AI，都在训练时“吃苦”？ 00:11:23 不开“上帝视角”，如何成为高手？ 00:15:52 想让机器人变聪明？别只教它“干活” 00:21:13 AI思考的秘密，为什么有的模型更会解谜？ 本期介绍的几篇论文： [LG] RLAnything: Forge Environment, Policy, and Reward Model in Completely Dynamic RL System [Princeton University] https://arxiv.org/abs/2602.02488 --- [LG] Generative Modeling via Drifting [MIT] https://arxiv.org/abs/2602.04770 --- [LG] Privileged Information Distillation for Language Models [ServiceNow] https://arxiv.org/abs/2602.04942 --- [RO] A Systematic Study of Data Modalities and Strategies for Co-training Large Behavior Models for Robot Manipulation [Toyota Research Institute] https://arxiv.org/abs/2602.01067 --- [LG] Reasoning with Latent Tokens in Diffusion Language Models [CMU] https://arxiv.org/abs/2602.03769

你有没有想过，AI的“内心”也会上演一出出精彩的戏码？这一期，我们将一起潜入AI的大脑，看看它如何像我们一样，在解题前就有了“这题我能行”的直觉；然后我们会给它一张“地图”，看它如何从迷茫游客变身城市规划师，看懂整个复杂的软件世界；接着，我们将见证一位机器人“偷师学艺”，只通过观看视频就学会了打篮球；最后，我们还会聊聊顶尖数学家们如何给AI办一场杜绝作弊的“闭卷考”，以及AI训练场上一条好心办坏事的“交通规则”是如何被修正的。 00:00:40 AI的“第六感”，它如何知道自己快答对了？ 00:05:17 给AI一张地图，让它看懂整个软件世界 00:10:47 机器人偷师记，它怎么光看视频就学会了打篮球？ 00:18:33 给AI一场“闭卷考”，顶尖数学家们想干啥？ 00:23:05 AI训练场上的“交规”，为什么好心会办坏事？ 本期介绍的几篇论文： [CL] Sparse Reward Subsystem in Large Language Models [Tsinghua University & Stanford University] https://arxiv.org/abs/2602.00986 --- [CL] Closing the Loop: Universal Repository Representation with RPG-Encoder [Microsoft Research Asia] https://arxiv.org/abs/2602.02084 --- [RO] HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [The Hong Kong University of Science and Technology] https://arxiv.org/abs/2602.02473 --- [AI] First Proof [Stanford University & Columbia University & EPFL ] https://arxiv.org/abs/2602.05192 --- [LG] Rethinking the Trust Region in LLM Reinforcement Learning [Sea AI Lab & National University of Singapore] https://arxiv.org/abs/2602.04879

AI会因为“全军覆没”而心态崩溃吗？本期，我们将探讨一篇最新论文如何用“全局视野”为AI建立稳定心态。接着，我们会揭示AI如何通过构建“世界模型”学会预判，真正从“知道”走向“行动”。我们还会聊聊，怎样给AI作画模型装上一个“未来探测器”，让它更听话、更有创造力。最后，我们将看到大小模型间“四两拨千斤”的师徒协作模式，并解剖一个反常识的发现：大模型变聪明，靠的可能不是层层递进的深度，而是“人多力量大”的朴素智慧。 00:00:41 高手过招，如何不让“一题之失”毁了心态？ 00:06:19 让AI“涨记性”，它怎样才能不犯“想当然”的错？ 00:11:40 AI作画不听话？给它装个“未来探测器” 00:16:40 AI世界的“四两拨千斤”，如何让小模型拥有大智慧？ 00:22:02 大模型变聪明的秘密，不是靠层层深入，而是靠人多力量大？ 本期介绍的几篇论文： [LG] EBPO: Empirical Bayes Shrinkage for Stabilizing Group-Relative Policy Optimization [Meta AI] https://arxiv.org/abs/2602.05165 --- [CL] Reinforcement World Model Learning for LLM-based Agents [Columbia University & Microsoft Research & Dartmouth College] https://arxiv.org/abs/2602.05842 --- [LG] Diamond Maps: Efficient Reward Alignment via Stochastic Flow Maps [MIT CSAIL & CMU & TU Munich] https://arxiv.org/abs/2602.05993 --- [CL] MentorCollab: Selective Large-to-Small Inference-Time Guidance for Efficient Reasoning [UIUC & University of Washington] https://arxiv.org/abs/2602.05307 --- [LG] Inverse Depth Scaling From Most Layers Being Similar [MIT & Harvard University] https://arxiv.org/abs/2602.05970

你有没有想过，我们到底怎样才能让AI从一个“博闻强识的学霸”，进化成一个“举一反三的宗师”？今天，我们就从五篇最新论文出发，揭秘几种让AI变聪明的“心法”：我们将看到，如何只用13个参数就撬动一个AI大脑；如何训练AI的“眼神”而不是答案；以及，如何让AI在一次次失败后，学会“吃一堑，长一智”，甚至在不知不觉中被一位“隐形教练”所塑造。准备好了吗？让我们一起探索AI学习能力的全新边界。 00:00:38 AI变聪明的秘密，不只看答案，更要看“眼神” 00:05:59 13个参数，撬动一个AI大脑 00:10:24 你的AI，为什么总在同一个地方犯错？ 00:16:39 如何训练一个没有“标准答案”的AI？ 00:00 你的数据里，藏着一位“隐形教练” 本期介绍的几篇论文： [CL] Reinforced Attention Learning [Google & Google DeepMind & UC Davis] https://arxiv.org/abs/2602.04884 --- [LG] Learning to Reason in 13 Parameters [FAIR at Meta] https://arxiv.org/abs/2602.04118 --- [LG] Scaling In-Context Online Learning Capability of LLMs via Cross-Episode Meta-RL [Boston University & LinkedIn] https://arxiv.org/abs/2602.04089 --- [CL] Likelihood-Based Reward Designs for General LLM Reasoning [Meta FAIR & University of Amsterdam] https://arxiv.org/abs/2602.03979 --- [LG] Subliminal Effects in Your Data: A General Mechanism via Log-Linearity [UC Berkeley & Microsoft Research] https://arxiv.org/abs/2602.04863