AI可可AI生活 - 节目列表

你有没有想过，AI是在帮你分析，还是在高级地“说服”你？我们总希望AI像个完美的老师，但如果它只会给标准答案，甚至连老师的偏见都一并继承，那会怎样？而为了让AI学得更好，我们不仅要为它的“记忆”做体检，甚至还要教会它一项人类的高级智慧：学会放弃。今天，我们就从五篇最新的论文出发，看看AI是如何在说服、学习和思考的边界上，进行着一场静悄悄的认知革命。 00:00:33 当AI学会了“高级说服”，你的大脑还够用吗？ 00:06:00 如何给AI做一次“记忆体检”？ 00:12:34 AI只会“标准答案”？那可就危险了 00:18:04 高手过招，如何避免被师傅“带偏”？ 00:23:19 训练AI的真谛，学会放弃，才能得到更多 本期介绍的几篇论文： [AI] Evaluating Language Models for Harmful Manipulation [Google DeepMind & Google] https://arxiv.org/abs/2603.25326 --- [CL] Estimating near-verbatim extraction risk in language models with decoding-constrained beam search [Stanford & Cornell] https://arxiv.org/abs/2603.24917 --- [LG] Reaching Beyond the Mode: RL for Distributional Reasoning in Language Models [MIT] https://arxiv.org/abs/2603.24844 --- [LG] Residual-as-Teacher: Mitigating Bias Propagation in Student--Teacher Estimation [MIT] https://arxiv.org/abs/2603.25466 --- [CL] Prune as You Generate: Online Rollout Pruning for Faster and Better RLVR [University of Illinois at Urbana-Champaign] https://arxiv.org/abs/2603.24840

AI的自我进化，听起来很酷，但最新论文告诉我们，AI学徒也需要一位聪明的“教练”为它精心设计训练计划，否则刷再多题也难成大器。我们还会揭示一个奇怪的现象：为什么让AI向完美的自己“抄作业”，反而可能让它在关键的推理任务上变笨？而在使用AI时，你是否发现它总“忘事”，或者那个标价最便宜的模型，最后反而让你花了最多的钱？今天，我们就从五篇最新论文出发，聊聊AI那些出人意料的“成长烦恼”和“使用陷阱”。 00:00:38 AI“学徒”的成长烦恼，为什么聪明的大模型也需要好师傅？ 00:06:54 聪明反被聪明误，为什么教AI“抄作业”反而会让它变笨？ 00:12:11 你的“私人教练”，不该只会题海战术 00:18:11 你以为的便宜，可能让你花得更多 00:23:43 你的AI“听话”吗？小心它忙起来就忘了 本期介绍的几篇论文： [LG] Understanding the Challenges in Iterative Generative Optimization with LLMs [CNRS & Stanford University & CMU] https://arxiv.org/abs/2603.23994 --- [CL] Why Does Self-Distillation (Sometimes) Degrade the Reasoning Capability of LLMs? [Microsoft Research & Seoul National University] https://arxiv.org/abs/2603.24472 --- [LG] A Deep Dive into Scaling RL for Code Generation with Synthetic Data and Curricula [Meta FAIR & University of Tübingen] https://arxiv.org/abs/2603.24202 --- [LG] The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [Stanford University & UC Berkeley & CMU] https://arxiv.org/abs/2603.23971 --- [CL] Did You Forget What I Asked? Prospective Memory Failures in Large Language Models [Microsoft] https://arxiv.org/abs/2603.23530

你有没有想过，一个聪明的AI要如何审视和优化自己的工作方法，实现“自我进化”？怎样才能把一大堆“专家模型”的智慧，完美浓缩进你手机里那个小小的芯片中？本期节目，我们将一口气解锁五篇最新论文，看看AI如何通过“先加后减”的智慧炼成全才，如何用“元认知”打破思维僵局，又是如何学会“聪明的偷懒”，在关键处全力以赴，在无聊处“摸鱼”省电。准备好了吗？让我们一起开启这场精彩的AI思想之旅！ 00:00:37 AI界的“浓缩”智慧，先做加法，再做减法 00:05:00 一个聪明的系统，如何变得更聪明？ 00:11:12 AI“通才”，如何用一把钥匙，打开物理世界的多扇大门？ 00:16:39 AI变聪明的秘密，不是看得多，而是看得准 00:21:18 大模型“瘦身”记，聪明地偷个懒 本期介绍的几篇论文： [CV] Efficient Universal Perception Encoder [Meta Reality Labs & FAIR at Meta] https://arxiv.org/abs/2603.22387 --- [AI] Bilevel Autoresearch: Meta-Autoresearching Itself https://arxiv.org/abs/2603.23420 --- [LG] UniFluids: Unified Neural Operator Learning with Conditional Flow-matching [Chinese Academy of Sciences & Microsoft Research Asia] https://arxiv.org/abs/2603.22309 --- [LG] Scaling Attention via Feature Sparsity [Xidian University] https://arxiv.org/abs/2603.22300 --- [LG] Sparser, Faster, Lighter Transformer Language Models [Sakana AI & NVIDIA] https://arxiv.org/abs/2603.23198

你有没有想过，最高效的学习，可能不是埋头苦干，而是学会“断舍离”？本期节目，我们将一起打开几篇最新论文，探讨AI如何向我们展示“聪明地努力”的全新境界。我们会看到，AI不仅开始筛选值得学习的“心动时刻”，还学会了在没把握时坦诚地说“我不知道”。更神奇的是，它们正通过“关键点教学法”和“性价比眼镜”，在复杂的任务中找到最高效的路径，并反思“会做题”与“会教题”的深刻区别。准备好了吗？让我们一起探索AI如何变得更精准、更谦逊、也更智慧！ 00:41:25 别再无效努力了，学霸的秘诀是“断舍离” 00:06:25 那个“无所不知”的AI，为什么开始说“我不知道”了？ 00:12:36 聪明地偷懒，AI训练的“性价比”之道 00:18:14 AI大模型选择困难症？这里有副“性价比”眼镜 00:23:47 “高手”的笔记，为什么你看不懂？ 本期介绍的几篇论文： [LG] Does This Gradient Spark Joy? [Google DeepMind] https://arxiv.org/abs/2603.20526 --- [LG] Causal Evidence that Language Models use Confidence to Drive Behavior [Google DeepMind] https://arxiv.org/abs/2603.22161 --- [LG] PivotRL: High Accuracy Agentic Post-Training at Low Compute Cost [NVIDIA & UC Berkeley] https://arxiv.org/abs/2603.21383 --- [CL] Expected Reward Prediction, with Applications to Model Routing [Stanford University & Google DeepMind] https://arxiv.org/abs/2603.20217 --- [CL] Measuring Reasoning Trace Legibility: Can Those Who Understand Teach? [CMU] https://arxiv.org/abs/2603.20508

你有没有想过，AI不仅能当个好徒弟，甚至还能“青出于蓝而胜于蓝”？我们常说的AI“幻觉”和“脆弱”这两种毛病，会不会其实是同一个病根？更神奇的是，AI不仅能解决问题，它还能学会“如何更好地解决问题”，甚至学会像侦探一样，找出逻辑漏洞并大声“摇头”说不。本期节目，我们将一口气拆解几篇最新出炉的AI论文，带你看看这些正在发生的、激动人心的思想变革。 00:00:33 老师傅干活慢，笨徒弟怎么才能“出师”还“胜于蓝”？ 00:06:43 AI的“跷跷板困境”，为什么模型越聪明，可能也越脆弱？ 00:12:44 人工智能的“元认知”，它如何学会了“开窍”？ 00:18:09 跟AI高效对话的底层逻辑 00:24:31 AI不只会“点头”，更要学会“摇头” 本期介绍的几篇论文： [LG] Beyond Single Tokens: Distilling Discrete Diffusion Models via Discrete MMD [Google DeepMind] https://arxiv.org/abs/2603.20155 --- [LG] Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [Northwest Institute of Nuclear Technology & Tsinghua University] https://arxiv.org/abs/2603.19562 --- [AI] Hyperagents [Meta] https://arxiv.org/abs/2603.19461 --- [AI] Demonstrations, CoT, and Prompting: A Theoretical Analysis of ICL [Microsoft Research & University of Wisconsin-Madison] https://arxiv.org/abs/2603.19611 --- [AI] Learning to Disprove: Formal Counterexample Generation with Large Language Models [ETH Zurich & University of Toronto & MiroMind] https://arxiv.org/abs/2603.19514

你有没有想过，神秘的AI黑箱里其实藏着一个200年前的数学幽灵？你和AI的甜言蜜语，又为何可能是一个危险的情感陷阱？今天，我们将从这几个问题出发，聊聊AI如何向古老的智慧回归，如何像“散兵”一样自组织搞科研，如何用一本“手账”治好它的金鱼记忆，以及它那神乎其神的创造力背后，又藏着一座怎样的“物理学之桥”。 00:00:31 AI黑箱里，藏着一个200年前的数学幽灵 00:06:04 你和AI的悄悄话，藏着一个危险的“放大器” 00:12:01 一群AI“散兵”，如何自己组织起来搞科研？ 00:18:42 AI绘画的终极密码，藏在一座“桥”里？ 00:24:13 你的AI管家，为什么总像个金鱼？ 本期介绍的几篇论文： [LG] Transformers are Bayesian Networks [coppola.ai] https://arxiv.org/abs/2603.17063 --- [CL] Characterizing Delusional Spirals through Human-LLM Chat Logs [Stanford University & CMU] https://arxiv.org/abs/2603.16567 --- [LG] Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange [Laboratory for Atomistic and Molecular Mechanics (LAMM)] https://arxiv.org/abs/2603.14312 --- [LG] Foundations of Schrödinger Bridges for Generative Modeling [University of Pennsylvania] https://arxiv.org/abs/2603.18992 --- [CL] Chronos: Temporal-Aware Conversational Agents with Structured Event Retrieval for Long-Term Memory [PricewaterhouseCoopers] https://arxiv.org/abs/2603.16862

你有没有想过，AI在思考时也能像我们一样“随时回头看”，直接调用最关键的“深度记忆”吗？本期节目，我们将一口气看懂几篇最新论文，探索AI如何从只会“猜答案”进化到真正“理解画面”，如何像个聪明的懒汉一样，用“排序”而非“整理”在海量信息中精准寻宝，以及科学家们如何通过巧妙的设计，让AI的大脑在保持高速运转的同时，还能解决信息层层衰减的老大难问题。准备好，我们马上出发！ 00:00:37 AI大模型的新陈代谢法则 00:05:48 AI效率战争，如何让大模型跑得又快又省？ 00:10:57 不止看“热闹”，更要看“门道”，AI理解力的一次飞跃 00:16:07 给你一个超大号书房，你会怎么整理？ 00:22:15 让AI拥有“深度记忆”，它会变得多聪明？ 本期介绍的几篇论文： [CL] Attention Residuals [Kimi Team] https://arxiv.org/abs/2603.15031 --- [LG] Mamba-3: Improved Sequence Modeling using State Space Principles [CMU & Princeton University] https://arxiv.org/abs/2603.15569 --- [CV] V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning [FAIR at Meta] https://arxiv.org/abs/2603.14482 --- [LG] SmartSearch: How Ranking Beats Structure for Conversational Memory Retrieval [Midbrain] https://arxiv.org/abs/2603.15599 --- [CL] Mixture-of-Depths Attention [ByteDance Seed] https://arxiv.org/abs/2603.15619

我们总希望AI更强大，但“强大”就等于“更聪明”吗？本期几篇最新论文将带我们探索“聪明”的另一面：有时，给AI加上“部门墙”的约束，反而能激发它的潜力；有时，教会AI在关键时刻向“专家”求助，比让它无所不知更高效；甚至，我们还会发现，那个你以为在帮你润色文稿的AI，可能正在不动声色地重塑你的观点。准备好了吗？让我们一起看看AI是如何学会“思考”，而我们又该如何与它共处。 00:00:37 AI大模型里的“部门墙”，怎么破？ 00:06:20 你的“专家外挂”，需要一个“智能开关” 00:11:29 AI学会了“做大菜”，而不只是“选番茄” 00:17:14 AI也懂“四两拨千斤”？ 00:21:32 你以为AI在帮你润色，其实它在重塑你的观点 本期介绍的几篇论文： [LG] Path-Constrained Mixture-of-Experts [Apple & Google] https://arxiv.org/abs/2603.18297 --- [CL] TARo: Token-level Adaptive Routing for LLM Test-time Alignment [Meta] https://arxiv.org/abs/2603.18411 --- [CL] Reasoning over mathematical objects: on-policy reward modeling and test time aggregation [FAIR at Meta] https://arxiv.org/abs/2603.18886 --- [LG] dTRPO: Trajectory Reduction in Policy Optimization of Diffusion Large Language Models [Meta AI] https://arxiv.org/abs/2603.18806 --- [CL] How LLMs Distort Our Written Language [UC Berkeley & UC San Diego & Google DeepMind] https://arxiv.org/abs/2603.18161

你有没有想过，我们到底该如何培养一个更聪明的AI？本期节目，我们将一起揭秘几篇最新论文，看看科学家们是如何给AI请“精准家教”，让它花十分之一的钱办成同样的事；如何窥探AI的“内心戏”，了解它什么时候是真的自信；又是如何通过一个关键的“中间态”和不知疲倦的“AI陪练”，把它从偏科生打造成全能高手，并最终教会它“懂分寸”，成为一名好裁判的。让我们一同探寻AI的成长之道。 00:00:35 AI的“补习班”，如何花十分之一的钱，办成同样的事？ 00:06:21 AI的“内心戏”，它怎么知道自己懂不懂？ 00:12:18 你和高手的差距，可能只是一个“中间态” 00:18:32 AI的“陪练”，高手是怎么喂出来的？ 00:24:11 如何把一个“耿直”的AI，训练得“懂分寸”？ 本期介绍的几篇论文： [LG] Efficient Exploration at Scale [Google DeepMind] https://arxiv.org/abs/2603.17378 --- [CL] How do LLMs Compute Verbal Confidence [Google DeepMind] https://arxiv.org/abs/2603.17839 --- [LG] PRISM: Demystifying Retention and Interaction in Mid-Training [IBM Research] https://arxiv.org/abs/2603.17074 --- [AI] AI Scientist via Synthetic Task Scaling [Princeton University & Microsoft Research] https://arxiv.org/abs/2603.17216 --- [LG] REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [University of California, Los Angeles & The University of Texas at Austin] https://arxiv.org/abs/2603.17145

你有没有想过，未来的AI不仅能回答你的问题，还能从与你的每一次互动中汲取经验，悄悄进化？它甚至还能在犯错后“自我反思”，像我们一样“长记性”。本期我们将一起探索几篇最新论文，看看AI如何学会像一个聪明的“CEO”一样管理自己的思考，如何通过精准“剪枝”在你的手机里狂飙，以及如何消灭那些你看不到的“计算成本”，变得更高效、更智慧。 00:00:32 AI进化论，为什么你的“差评”正在喂养一个更聪明的它 00:05:19 让AI在手机里狂飙，快，才是一切 00:10:38 AI提速19%的秘密，你以为的计算，其实是搬运 00:15:20 AI犯了错，能不能让它自己“长记性”？ 00:21:26 你的大脑里，缺一个聪明的“CEO” 本期介绍的几篇论文： [CL] Online Experiential Learning for Language Models [Microsoft Research] https://arxiv.org/abs/2603.16856 --- [LG] MobileLLM-Flash: Latency-Guided On-Device LLM Design for Industry Scale [Meta AI] https://arxiv.org/abs/2603.15954 --- [LG] FlashSampling: Fast and Memory-Efficient Exact Sampling [LMU Munich & FlashSampling & Princeton University] https://arxiv.org/abs/2603.15854 --- [LG] Meta-TTRL: A Metacognitive Framework for Self-Improving Test-Time Reinforcement Learning in Unified Multimodal Models [Tsinghua University & JD.COM] https://arxiv.org/abs/2603.15724 --- [RO] When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [CMU & Northeastern University & Harvard University] https://arxiv.org/abs/2603.16673

今天我们要聊一个特别有意思的话题：如何让聪明的AI变得更“靠谱”？我们会一起从几篇最新的论文中寻找答案，看看科学家们是如何教AI学会“自主学习”而不是死记硬背，又是如何通过给它换个“大记事本”来解决记性差的难题。更刺激的是，我们还会揭秘AI那些悄无声息的“隐形失败”，并学习一种看似很笨的管理办法，以及AI学会说“等一下，我再想想”背后的真正奥秘。准备好了吗？让我们一起潜入AI的大脑深处。 00:00:35 你被骗了，为什么说现在的AI根本不会“学习”？ 00:06:58 AI的大脑革命，为什么“记性差”的反而更聪明？ 00:13:58 你和AI的对话，藏着多少看不见的“坑”？ 00:18:36 如何用“笨办法”，管好一个聪明的AI？ 00:23:53 AI学会了“等一下，我再想想”？ 本期介绍的几篇论文： [AI] Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science [FAIR at META & NYU] https://arxiv.org/abs/2603.15381 --- [LG] M²RNN: Non-Linear RNNs with Matrix-Valued States for Scalable Language Modeling [UC Berkeley & MIT-IBM Watson Lab] https://arxiv.org/abs/2603.14360 --- [CL] Invisible failures in human-AI interactions [Bigspin AI] https://arxiv.org/abs/2603.15423 --- [LG] POLCA: Stochastic Generative Optimization with LLM [University of Wisconsin-Madison & Google DeepMind] https://arxiv.org/abs/2603.14769 --- [LG] Understanding Reasoning in LLMs through Strategic Information Allocation under Uncertainty [Microsoft Research] https://arxiv.org/abs/2603.15500

你有没有想过，AI画画也能像我们一样进行“刻意练习”，通过精准对比找到最佳进步方向吗？面对复杂变化的世界，为什么“慢半拍”的决策反而更准确？我们还将揭示AI训练中“又快又好”的秘密课程表，探讨项目延期背后的沟通艺术，并告诉你，你对AI的每一次追问，都在如何悄悄地训练它。本期，让我们一起从几篇最新论文中，窥探AI正在学习的那些“人间智慧”。 00:00:34 AI绘画的“刻意练习法” 00:05:25 做对事情，只需一个“时间差” 00:11:31 快与好，为什么不能兼得？AI训练中的“学霸心法” 00:17:02 为什么你的项目总在延期？答案可能不在技术，在沟通 00:22:27 你的每一次追问，都在悄悄训练AI 本期介绍的几篇论文： [CV] Finite Difference Flow Optimization for RL Post-Training of Text-to-Image Models [NVIDIA & UC Berkeley] https://arxiv.org/abs/2603.12893 --- [LG] A Reduction Algorithm for Markovian Contextual Linear Bandits [University of California, Los Angeles & Meta] https://arxiv.org/abs/2603.12530 --- [LG] Curriculum Sampling: A Two-Phase Curriculum for Efficient Training of Flow Matching [Stanford University] https://arxiv.org/abs/2603.12517 --- [LG] Optimizing Task Completion Time Updates Using POMDPs [Stanford University & Rensselaer Polytechnic Institute] https://arxiv.org/abs/2603.12340 --- [CL] Aligning Language Models from User Interactions [ETH Zurich] https://arxiv.org/abs/2603.12273