AI可可AI生活 - 节目列表

你有没有想过，聪明的AI也需要精打细算？本期节目，我们就来聊聊AI世界里的那些“增长智慧”：如何像果蝇大脑一样“聪明地偷懒”，又如何像请了私教一样精准地突破瓶颈。我们还会探讨，AI究竟应该把知识背下来还是学会查资料，以及机器人怎样才能在漫长任务中给自己“打气”加油。这些最新论文里的奇思妙想，不仅关乎技术，更藏着我们都能借鉴的策略。 00:00:32 AI省钱的终极奥义，深度思考，一次缓存 00:05:29 AI养成记，喂知识，还是给书单？ 00:12:23 如何让机器人学会“干大事”？给它一个好报酬，再加一个好心态 00:18:31 你的大脑偷懒，可能比你想象的更聪明 00:24:31 AI卡壳了怎么办？请个“私教”来帮忙 本期介绍的几篇论文： [CL] Universal YOCO for Efficient Depth Scaling [Microsoft Research] https://arxiv.org/abs/2604.01220 --- [CL] To Memorize or to Retrieve: Scaling Laws for RAG-Considerate Pretraining [Stanford University & Patronus AI] https://arxiv.org/abs/2604.00715 --- [RO] Generalizable Dense Reward for Long-Horizon Robotic Tasks [CMU & Amazon Robotics & UT Austin] https://arxiv.org/abs/2604.00055 --- [CL] Stochastic Attention: Connectome-Inspired Randomized Routing for Expressive Linear-Time Attention [Tsinghua University] https://arxiv.org/abs/2604.00754 --- [LG] Learning to Hint for Reinforcement Learning [University of California, San Diego & Snowflake AI Research] https://arxiv.org/abs/2604.00698

今天，我们将一起探索几篇极具启发性的最新论文。我们将看到，AI如何不再满足于“吃”数据，而是学会“讲道理”，从零推理出知识；我们也会探讨，该如何分辨AI是在“真心思考”还是在“演戏给我们看”。我们还会发现，一个小应用如何拜“云师傅”学到跨界智慧，一个“虚拟宝宝”又如何颠覆我们对双语教育的认知。最后，我们将揭示AI像神枪手一样，通过瞄准“共识”而非“最新目标”来高效学习的秘密。 00:00:37 喂养AI，光有大米还不够 00:06:23 管好AI，我们有了新地图 00:12:13 小应用的大智慧，如何请个“云师傅”？ 00:18:03 养“双语娃”，最关键的不是方法，而是…… 00:00 AI训练场上的神枪手，如何瞄准一个移动的未来？ 本期介绍的几篇论文： [CL] Reasoning-Driven Synthetic Data Generation and Evaluation [EPFL & Google] https://arxiv.org/abs/2603.29791 --- [LG] Aligned, Orthogonal or In-conflict: When can we safely optimize Chain-of-Thought? [Google DeepMind] https://arxiv.org/abs/2603.30036 --- [IR] Zero-shot Cross-domain Knowledge Distillation: A Case study on YouTube Music [Google LLC] https://arxiv.org/abs/2603.28994 --- [CL] Bringing Up a Bilingual BabyLM: Investigating Multilingual Language Acquisition Using Small-Scale Models [The Harker School & Stanford University] https://arxiv.org/abs/2603.29552 --- [LG] Target-Aligned Reinforcement Learning [Technical University of Munich & Google Research] https://arxiv.org/abs/2603.29501

想知道AI如何学会给自己准备“B计划”以防不测，又如何像个聪明的财务顾问一样在预算内做出最优决策吗？本期我们将一探究竟，从让AI拥有“元认知”能力，到学会“两步一回头”的智慧工作法，再到化身“艺术家与工匠”的完美结合体。这些最新的AI论文，正在教AI如何更聪明地思考和工作，而不仅仅是更努力地计算。 00:00:30 你的“外挂”，也需要一个“外挂” 00:06:39 你的AI助手，需要一个“Plan B” 00:13:33 预算有限，如何做出最优决策？ 00:20:07 为什么顶尖高手，都懂得“两步一回头”？ 00:26:01 AI制药，高手对决还是联手坐庄？ 本期介绍的几篇论文： [AI] Meta-Harness: End-to-End Optimization of Model Harnesses [Stanford University] https://arxiv.org/abs/2603.28052 --- [LG] Next-Token Prediction and Regret Minimization [Google Research] https://arxiv.org/abs/2603.28499 --- [LG] Multiple-Prediction-Powered Inference [MIT & Google Research] https://arxiv.org/abs/2603.27414 --- [LG] High dimensional theory of two-phase optimizers [Google DeepMind] https://arxiv.org/abs/2603.26954 --- [LG] Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [NVIDIA] https://arxiv.org/abs/2603.27950

今天，我们来一场深入AI大脑的探秘之旅，看看它是如何像一个聪明的徒步者一样，高效打包海量知识的。接着，我们会揭开一个流行“省钱”捷径背后的意外代价，并拷问那些华丽的商业模型，我们看到的“聪明”究竟有多少是障眼法。我们还会戳破量子AI的“皇帝新衣”，看看真正的“量子优势”何时才能走出实验室。最后，我们将见证AI如何化身基因侦探，不仅找出答案，更能画出罪犯间的“社交网络”，真正理解“为什么”。 00:00:38 你的大脑如何打包信息？AI训练给了个新答案 00:05:39 你用的大模型，是个“盲盒”？ 00:12:23 人工智能的“省钱”智慧，一个你不知道的代价 00:18:38 量子AI的“皇帝新衣”？ 00:24:55 AI当侦探，如何破译基因里的“社交网络”？ 本期介绍的几篇论文： [LG] Sharp Capacity Scaling of Spectral Optimizers in Learning Associative Memory [UC Berkeley & Princeton University & New York University] https://arxiv.org/abs/2603.26554 --- [CL] How Open Must Language Models be to Enable Reliable Scientific Inference? [MIT & EleutherAI & University of California San Diego] https://arxiv.org/abs/2603.26539 --- [CL] Weight Tying Biases Token Embeddings Towards the Output Space [EleutherAI & UC Berkeley] https://arxiv.org/abs/2603.26663 --- [CL] Entanglement as Memory: Mechanistic Interpretability of Quantum Language Models [Stanford University] https://arxiv.org/abs/2603.26494 --- [LG] A Boltzmann-machine-enhanced Transformer For DNA Sequence Classification [Tsinghua University & UC Berkeley] https://arxiv.org/abs/2603.26465

你有没有想过，AI有时就像一个明明没看卷子，却能考高分的“作弊”考生？本期我们就从几篇最新论文出发，看看如何从一个“监考官”变成一个高明的“项目经理”，用大白话给AI设计一套清晰的工作流程。我们还会发现，最顶尖的AI已经不满足于听指挥，它开始学会“复盘”，自己升级自己的方法论。最终，我们将看到AI的未来可能不是一个无所不能的“神”，而是一座需要我们共同建设的“城市”，其中的每个AI，都在努力进化成独立思考的“高手”。 00:00:39 AI睁眼说瞎话？不，它在下一盘更大的棋 00:07:33 指挥AI干活，关键可能不在AI本身 00:13:16 当AI学会了“复盘”，它给自己升级了工具箱 00:19:12 AI的尽头，不是成神，而是建城 00:25:18 AI进化论，当“它”开始像高手一样思考 本期介绍的几篇论文： [AI] MIRAGE: The Illusion of Visual Understanding [Stanford University] https://arxiv.org/abs/2603.21687 --- [CL] Natural-Language Agent Harnesses [Tsinghua University & Harbin Institute of Technology] https://arxiv.org/abs/2603.25723 --- [AI] Bilevel Autoresearch: Meta-Autoresearching Itself [] https://arxiv.org/abs/2603.23420 --- [AI] Agentic AI and the next intelligence explosion [Google] https://arxiv.org/abs/2603.20639 --- [LG] AVO: Agentic Variation Operators for Autonomous Evolutionary Search [NVIDIA] https://arxiv.org/abs/2603.24517

如果一个AI能像武学奇才一样自我进化，创造出最强的攻击招式，而它最致命的弱点，竟然是几句古老的文言文，这会是怎样一幅奇特的攻防图景？当AI在我们眼皮底下藏着一座秘密的版权图书馆，一个不经意的操作就让它开始“背书”时，我们又该如何看待它的“记忆”？本期，我们就从几篇最新论文出发，看看这些“自我进化”、“文化奇袭”和“一体化创造”的研究，如何再次刷新我们对AI能力边界的认知。 00:00:34 AI内卷，当你的对手开始自我进化 00:06:05 AI的致命缺陷，竟然是文言文？ 00:10:38 你的AI，藏着一座秘密图书馆 00:15:51 AI绘画新思路，当翻译官和小说家是同一个人 本期介绍的几篇论文： [LG] Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs [MATS & Imperial College London] https://arxiv.org/abs/2603.24511 --- [CL] Obscure but Effective: Classical Chinese Jailbreak Prompt Optimization via Bio-Inspired Search [Nanyang Technological University & Northeast University & Renmin University of China] https://arxiv.org/abs/2602.22983 --- [CL] Alignment Whack-a-Mole : Finetuning Activates Verbatim Recall of Copyrighted Books in Large Language Models [Stony Brook University & CMU & Columbia Law School] https://arxiv.org/abs/2603.20957 --- [CV] End-to-End Training for Unified Tokenization and Latent Denoising [MIT & Adobe] https://arxiv.org/abs/2603.22283

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