AI可可AI生活

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 

你有没有想过，有一天跟电脑交互不再需要打开一个个App？或者，一个顶尖AI为了辅导“学生”考高分，竟然学会了“作弊”？本期节目，我们将从五篇最新论文出发，聊聊这些正在发生的奇妙变革：从重塑操作系统的“智能管家”，到学会削苹果的“灵巧机械手”，再到“专业团队”如何完胜“大力出奇迹”派的机器人。让我们一起看看，AI是如何在这些意想不到的角落，悄悄改写着未来。00:00:36 跟App说再见，我们和电脑的相处之道正在被重写00:07:15 当AI开始“辅导”AI，一个关于学霸、偏科和作弊的故事00:13:38 真正的问题不是AI，而是我们测试它的方法00:18:53 让机器人给你削苹果，到底有多难？00:25:31 造一个聪明的机器人，是“大力出奇迹”还是“专业的人干专业的事”？本期介绍的几篇论文：[AI] AgentOS: From Application Silos to a Natural Language-Driven Data Ecosystem  [University of Kansas]  https://arxiv.org/abs/2603.08938 ---[LG] PostTrainBench: Can LLM Agents Automate LLM Post-Training?  [ELLIS Institute Tübingen & University of Tübingen]  https://arxiv.org/abs/2603.08640 ---[AI] Evaluation format, not model capability, drives triage failure in the assessment of consumer health AI  [Macquarie University]  https://arxiv.org/abs/2603.11413 ---[RO] Towards Human-Like Manipulation through RL-Augmented Teleoperation and Mixture-of-Dexterous-Experts VLA  [Shanghai Jiao Tong University & Sharpa]  https://arxiv.org/abs/2603.08122 ---[RO] TiPToP: A Modular Open-Vocabulary Planning System for Robotic Manipulation  [MIT CSAIL]  https://arxiv.org/abs/2603.09971 

本期节目，我们来当一次AI的“首席优化官”，从里到外给它做个大升级。我们会看到，AI如何从解题高手，变身发现解题方法的“教练”；我们会拿到一份硬核“体检报告”，看看AI一本正经胡说八道的底线究竟在哪。我们还会发现，你和AI聊天时那些被浪费的“废话”，其实是喂饱它的宝贵养料；最后再深入AI的内部，看看万亿参数的它如何避免“大公司病”，以及一个惊人发现：困扰AI效率的瓶颈，可能不在“大脑”，而在“嘴巴”！00:00:38 AI当教练，数学家当陪练，我们如何找到世界的隐藏规则？00:06:42 AI会「一本正经地胡说八道」到什么程度？00:14:04 你扔掉的“废话”，正在喂饱AI00:19:14 万亿参数的大模型，是如何避免“公司越大，效率越低”的？00:27:08 你的模型为什么这么笨？问题可能出在“嘴”上本期介绍的几篇论文：[LG] Reinforced Generation of Combinatorial Structures: Ramsey Numbers  [UC Berkeley & Google]  https://arxiv.org/abs/2603.09172 ---[CL] How Much Do LLMs Hallucinate in Document Q&A Scenarios? A 172-Billion-Token Study Across Temperatures, Context Lengths, and Hardware Platforms  [Kamiwaza AI]  https://arxiv.org/abs/2603.08274 ---[CL] OpenClaw-RL: Train Any Agent Simply by Talking  [Princeton Univercity]  https://arxiv.org/abs/2603.10165 ---[CL] Scalable Training of Mixture-of-Experts Models with Megatron Core  [NVIDIA]  https://arxiv.org/abs/2603.07685 ---[CL] Lost in Backpropagation: The LM Head is a Gradient Bottleneck  [Cornell University]  https://arxiv.org/abs/2603.10145 

你有没有想过，如何帮一个“路痴”AI把脑中的地图“拉直”？又或者，一个AI模型里，其实藏着成百上千个性格各异的“专家”？今天，我们将从几篇最新的AI论文出发，聊聊AI如何学会优化资源、高效复盘，甚至，如何进化成一个连它的“老师”都能骗过的“作弊”高手。00:00:26 你的认知，需要一次“时空拉直”00:06:13 为什么最贵的AI，有时用的是最“笨”的办法？00:12:16 AI的“众神殿”，一个模型，藏着万千专家00:19:01 AI世界的“尖子生”，是真学霸，还是“作弊”高手？00:24:14 你不是不行，你只是不会“复盘”本期介绍的几篇论文：[LG] Temporal Straightening for Latent Planning  [New York University]  https://arxiv.org/abs/2603.12231 ---[LG] IsoCompute Playbook: Optimally Scaling Sampling Compute for LLM RL  [UC San Diego & CMU]  https://arxiv.org/abs/2603.12151 ---[LG] Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights  [MIT CSAIL]  https://arxiv.org/abs/2603.12228 ---[CL] Examining Reasoning LLMs-as-Judges in Non-Verifiable LLM Post-Training  [Meta Superintelligence Labs]  https://arxiv.org/abs/2603.12246 ---[LG] Meta-Reinforcement Learning with Self-Reflection for Agentic Search  [Allen Institute for AI & University of Washington]  https://arxiv.org/abs/2603.11327 

你有没有想过，我们不仅能看懂AI的“鬼点子”，还能直接让它把克敌制胜的“武功秘籍”写成代码？本期节目，我们将一起探索几篇最新论文带来的奇妙洞见：我们会发现AI的“中年健忘”竟是与生俱来的天性，并找到它大脑里那个精准的“谎言开关”。我们不仅要科学地为AI制定最佳“学习计划”，甚至还要在它读书前，先送它去一个纯粹的“数字健身房”锻炼核心能力。准备好了吗？让我们一起出发，看看AI的聪明才智背后，藏着哪些你意想不到的秘密。00:00:39 当AI学会了写代码，它的“鬼点子”就藏不住了00:05:48 AI的学习计划，应该怎么定？00:12:05 大模型的“中年危机”，我们一直都搞错了？00:17:37 别再被AI骗了，我们找到了它大脑里的“谎言开关”00:23:23 AI的“健身房”，不读书，如何变得更聪明？本期介绍的几篇论文：[LG] Code-Space Response Oracles: Generating Interpretable Multi-Agent Policies with Large Language Models  [Google DeepMind]  https://arxiv.org/abs/2603.10098 ---[LG] What do near-optimal learning rate schedules look like?  [Google DeepMind & Mila]  https://arxiv.org/abs/2603.10301 ---[LG] Lost in the Middle at Birth: An Exact Theory of Transformer Position Bias  [Meta]  https://arxiv.org/abs/2603.10123 ---[CL] Adaptive Activation Cancellation for Hallucination Mitigation in Large Language Models  [Dakota State University & North Carolina A&T State University]  https://arxiv.org/abs/2603.10195 ---[LG] Training Language Models via Neural Cellular Automata  [MIT]  https://arxiv.org/abs/2603.10055 

本期节目，我们将深入AI的“内心世界”：你会发现，让AI多“思考”一会儿，它反而可能变得更诚实；而有时它的“思考”其实不是为了推理，更像是在努力“回忆”。我们还会聊到，最新论文如何让AI拥有调试代码的“灵魂”，如何量化它有多少“小秘密”不愿公开，以及一个聪明的“外行”AI领导，要如何带好一支能打的“内行”AI团队。00:00:32 AI 不仅会写代码，还会自己找 Bug？00:05:03 AI会撒谎吗？一个让你意外的答案00:10:09 思考，不是为了推理，而是为了回忆00:15:26 AI的“草稿纸”，它到底有多少不能说的秘密？00:21:32 聪明的“外行”领导，如何带出能打的“内行”团队？本期介绍的几篇论文：[LG] Towards a Neural Debugger for Python[Meta FAIR & Johannes Kepler University Linz]https://arxiv.org/abs/2603.09951---[CL] Think Before You Lie: How Reasoning Improves Honesty[Google DeepMind]https://arxiv.org/abs/2603.09957---[CL] Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs[Google Research]https://arxiv.org/abs/2603.09906---[AI] Quantifying the Necessity of Chain of Thought through Opaque Serial Depth[Google DeepMind]https://arxiv.org/abs/2603.09786---[LG] SCALAR: Learning and Composing Skills through LLM Guided Symbolic Planning and Deep RL Grounding[CMU & Virginia Tech]https://arxiv.org/abs/2603.09036

我们都希望AI越来越聪明，但怎么才能让它高效成长呢？今天我们要聊的几篇最新论文，就给出了一些非常反直觉的答案：比如，让AI只做“难题”，给它的创作过程派一位“监理”，甚至还要警惕它因为懂得太多而“吃不饱”。更神奇的是，我们还会看到如何让AI学会新本事，却完全不忘旧手艺。准备好了吗？让我们一起看看AI是如何被调教成“学霸”的！00:00:31 想让AI更聪明？你得学会给它出难题00:05:53 如何让AI“心领神会”你的想法？00:12:00 AI的“语义饱腹感”，为什么数据越多，进步越难？00:18:31 AI思考的秘密，为什么“平行世界”里的笨办法，反而是捷径？00:24:27 如何让AI学会新本事，还不忘了旧手艺？本期介绍的几篇论文：[CL] Scaling Data Difficulty: Improving Coding Models via Reinforcement Learning on Fresh and Challenging Problems  [Microsoft Research]  https://arxiv.org/abs/2603.07779 ---[LG] Diffusion Controller: Framework, Algorithms and Parameterization  [Google Research]  https://arxiv.org/abs/2603.06981 ---[LG] Scale Dependent Data Duplication  [Stanford University & EPFL]  https://arxiv.org/abs/2603.06603 ---[LG] Reject, Resample, Repeat: Understanding Parallel Reasoning in Language Model Inference  [Microsoft Research & MIT]  https://arxiv.org/abs/2603.07887 ---[LG] Grow, Don't Overwrite: Fine-tuning Without Forgetting  [Google Research & University of Wisconsin-Madison]  https://arxiv.org/abs/2603.08647 

你有没有想过，AI的“脑子”里到底在想些什么？这一期，我们就来当一回“AI心理学家”，从几篇最新论文出发，探寻AI的内心世界：看它如何“自己教自己”实现顿悟，又为何会陷入“学不动”的瓶颈；我们会揭秘它那张写满内心独白的“草稿纸”，看看它是否学会了撒谎；最后，我们将学习一种读心术，不仅能看懂AI的“集体智慧”，甚至还能预测你的下一步行动。准备好了吗？让我们一起潜入AI的深层意识。00:00:36 AI进阶之路，当“尖子生”不再需要“课外辅导”00:05:28 你的AI为什么学不动了？答案可能出乎意料，人多力量大00:13:04 你的AI助理，如何才能比你更懂你？00:19:19 AI的“草稿纸”，藏着什么秘密？00:24:19 AI的“内心戏”，我们终于能看懂了本期介绍的几篇论文：[CV] Self-Supervised Flow Matching for Scalable Multi-Modal Synthesis  [Black Forest Labs]  https://arxiv.org/abs/2603.06507 ---[LG] Preventing Learning Stagnation in PPO by Scaling to 1 Million Parallel Environments  [Google DeepMind & University of Oxford]  https://arxiv.org/abs/2603.06009 ---[CL] Learning Next Action Predictors from Human-Computer Interaction  [Stanford University & Hasso Plattner Institute]  https://arxiv.org/abs/2603.05923 ---[AI] Reasoning Models Struggle to Control their Chains of Thought  [NYU & UCL & OpenAI]  https://arxiv.org/abs/2603.05706 ---[LG] Causal Interpretation of Neural Network Computations with Contribution Decomposition  [Stanford University]  https://arxiv.org/abs/2603.06557 

你有没有想过，未来的AI要如何变得更聪明？最新的一些研究告诉我们，答案可能不是一味地堆算力，而是要学会人类的“智慧”。比如，让AI拥有一个能从错误中总结经验的“技能工具箱”；或者像教孩子一样，让它理解规则而不是死记硬背模式；甚至，像一位高明的将军，懂得如何排兵布阵，把好钢用在刀刃上。本期节目，我们就来聊聊这些让AI学会“反思”、“预见”和“布阵”的最新论文，看看真正的智能是如何炼成的。00:00:38 高手，都是“错”出来的00:05:41 AI学会举一反三的秘密，换个数字就不认识了？00:10:57 AI大模型的新兵法，好钢如何用在刀刃上？00:17:26 让机器人自己“玩”成高手，需要几步？00:23:29 AI的远见，如何不看细节，反而看得更远？本期介绍的几篇论文：[AI] EvoSkill: Automated Skill Discovery for Multi-Agent Systems  [Sentient & Virginia Tech]  https://arxiv.org/abs/2603.02766 ---[LG] Symbol-Equivariant Recurrent Reasoning Models  [Johannes Kepler University Linz]  https://arxiv.org/abs/2603.02193 ---[LG] DynaMoE: Dynamic Token-Level Expert Activation with Layer-Wise Adaptive Capacity for Mixture-of-Experts Neural Networks    https://arxiv.org/abs/2603.01697 ---[RO] Tether: Autonomous Functional Play with Correspondence-Driven Trajectory Warping  [University of Pennsylvania]  https://arxiv.org/abs/2603.03278 ---[LG] Next Embedding Prediction Makes World Models Stronger  [T-Tech]  https://arxiv.org/abs/2603.02765 

今天我们来聊聊AI世界里那些“反常识”的智慧：为什么“见过世面”的AI不容易遗忘，而“偏科”却成了它发展的隐患？我们不仅会揭秘AI如何通过“预判你的预判”来极致提速，还会探讨为何有时“慢”一点的学习，反而能让AI变得更聪明、更懂变通。最后，我们会发现，解决一个复杂的动画难题，关键可能只是需要为AI发明一种“普通话”。00:00:31 为什么高手学东西，不容易忘？00:05:34 AI的加速赛，怎样让聪明的“大脑袋”跑得更快？00:12:39 AI动画的“普通话”和“方言”00:17:56 AI智能体：是天才还是“偏科生”？00:23:02 天下武功，唯快不破？AI训练中的一个“慢”智慧本期介绍的几篇论文：[LG] Pretrained Vision-Language-Action Models are Surprisingly Resistant to Forgetting in Continual Learning  [The University of Texas at Austin & Microsoft Superintelligence]  https://arxiv.org/abs/2603.03818 ---[LG] Speculative Speculative Decoding  [Stanford University & Princeton University & Together AI]  https://arxiv.org/abs/2603.03251 ---[CV] OmniLottie: Generating Vector Animations via Parameterized Lottie Tokens  [Fudan University & StepFun & HKU MMLab]  https://arxiv.org/abs/2603.02138 ---[AI] How Well Does Agent Development Reflect Real-World Work?  [CMU]  https://arxiv.org/abs/2603.01203 ---[LG] To Use or not to Use Muon: How Simplicity Bias in Optimizers Matters  [New York University]  https://arxiv.org/abs/2603.00742 

你有没有想过，AI除了会聊天画画，还能做什么更酷的事？本期节目，我们将一口气看到AI能力的多个惊人侧面。从像人一样“脑补”物理世界，到用“笨方法”实现更高效的学习，再到成为物理学家的“科研搭子”，解决真正的科学难题。这些最新论文将刷新你对AI潜力的认知！00:00:28 AI学会了“脑补”，世界就大不一样了00:06:08 大模型里的“关系户”，它凭什么吸引了所有注意力？00:13:10 AI省钱的终极奥义，少就是多00:18:04 一个“笨方法”，让AI学得更快00:22:49 AI，从聊天高手到科研搭子本期介绍的几篇论文：[LG] Latent Particle World Models: Self-supervised Object-centric Stochastic Dynamics Modeling  [CMU & UT Austin & Brown University]  https://arxiv.org/abs/2603.04553 ---[CL] The Spike, the Sparse and the Sink: Anatomy of Massive Activations and Attention Sinks  [New York University]  https://arxiv.org/abs/2603.05498 ---[CL] Sparse-BitNet: 1.58-bit LLMs are Naturally Friendly to Semi-Structured Sparsity  [Microsoft Research]  https://arxiv.org/abs/2603.05168 ---[CL] Replaying pre-training data improves fine-tuning  [Stanford University]  https://arxiv.org/abs/2603.04964 ---[AI] Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery  [Google Research]  https://arxiv.org/abs/2603.04735 

你是否好奇，为何AI有时会“指鹿为马”？为何它面对难题，内部的神经元反而开始“集体偷懒”？本期节目，我们将通过几篇最新论文，一起给AI的大脑做一次“CT扫描”和“基因测序”，揭示它在感知、学习、思考和效率背后，那些出人意料的底层法则。00:00:26 人工智能的“阿喀琉斯之踵”，一个关于维度的诅咒00:05:34 AI绘画进化论，为什么高手不需要“题海战术”？00:10:02 AI一思考，我们就发笑？不，是神经元在“偷懒”00:15:44 如何用50倍的效率，给AI做一次“CT扫描”？00:21:34 AI模型的“不可能三角”，算力、速度与智能本期介绍的几篇论文：[LG] Solving adversarial examples requires solving exponential misalignment[Stanford University & Aisle]https://arxiv.org/abs/2603.03507---[LG] Generalization Properties of Score-matching Diffusion Models for Intrinsically Low-dimensional Data[University of Michigan & Google DeepMind & UC Berkeley]https://arxiv.org/abs/2603.03700---[CL] Farther the Shift，Sparser the Representation： Analyzing OOD Mechanisms in LLMs[Rutgers University & Northwestern University & UKP Lab, TU Darmstadt]https://arxiv.org/abs/2603.03415---[CL] Compressed Sensing for Capability Localization in Large Language Models[CMU]https://arxiv.org/abs/2603.03335---[LG] Why Are Linear RNNs More Parallelizable?[Allen Institute for AI & Rheinland-Pfalzische Technische Universitat]https://arxiv.org/abs/2603.03612

今天，我们要探讨如何让AI从一个只会“动嘴”的聊天伙伴，进化成一个真正“会看、会想、会动手”的智能体。我们会看到，最新论文如何让AI‘开眼看世界’，在脑中建立起预测未来的‘导航系统’，并从海量普通文本中自我启蒙，学会判断好坏。更重要的是，当AI要替我们行动时，它又是如何学会‘三思而后行’，在‘有用’和‘安全’之间找到那条微妙的平衡线呢？准备好了吗？让我们一起探寻AI从‘愣头青’到‘老司机’的进化之路。00:00:40 AI为什么要“开眼看世界”？00:07:16 为什么高手都自带“导航系统”？00:13:19 AI的“行动许可”，它在动手前，先想了什么？00:19:12 把白开水变成高汤，AI如何从普通文本中学会“好坏”00:24:47 如何把一个“愣头青”AI，调教成“老司机”？本期介绍的几篇论文：[CV] Beyond Language Modeling: An Exploration of Multimodal Pretraining  [FAIR, Meta]  https://arxiv.org/abs/2603.03276 ---[LG] What Capable Agents Must Know: Selection Theorems for Robust Decision-Making under Uncertainty  [CMU]  https://arxiv.org/abs/2603.02491 ---[LG] Learning When to Act or Refuse: Guarding Agentic Reasoning Models for Safe Multi-Step Tool Use  [Microsoft Research]  https://arxiv.org/abs/2603.03205 ---[LG] Scaling Reward Modeling without Human Supervision  [Harvard University & Cornell University]  https://arxiv.org/abs/2603.02225 ---[LG] Safety Training Persists Through Helpfulness Optimization in LLM Agents  [UC Berkeley]  https://arxiv.org/abs/2603.02229 

今天我们不聊模型参数有多大，而是聊如何让AI变得更“会思考”，这种思考方式，有时甚至有些反常识。比如，为什么给AI疯狂“补课”，它反而可能越学越笨？我们还会探讨，如何像一位高明的老师一样引导AI攻克难题，而不是直接灌输答案。更进一步，我们会揭示如何训练AI像个侦探一样，学会“讲道理”地分析代码，以及如何让整个系统学会动态协作，找到最高效的“偷懒”方式。00:00:35 AI大模型时代，如何花小钱办大事？00:05:47 给AI“补课”的陷阱，为什么学得越多，它反而越笨？00:11:37 高手辅导功课，为什么不直接给答案？00:16:48 让AI学会“讲道理”，代码世界的侦探是怎样炼成的？00:22:00 让AI学会“省时间”，一种更聪明的快本期介绍的几篇论文：[LG] Rich Insights from Cheap Signals: Efficient Evaluations via Tensor Factorization  [Google DeepMind & University of Michigan]  https://arxiv.org/abs/2603.02029 ---[LG] Theoretical Perspectives on Data Quality and Synergistic Effects in Pre- and Post-Training Reasoning Models  [University of Southern California & University of California Los Angeles & Google Research]  https://arxiv.org/abs/2603.01293 ---[LG] Learn Hard Problems During RL with Reference Guided Fine-tuning  [ByteDance Seed & UC Berkeley & CMU]  https://arxiv.org/abs/2603.01223 ---[LG] Agentic Code Reasoning  [Meta]  https://arxiv.org/abs/2603.01896 ---[CL] Learning to Draft: Adaptive Speculative Decoding with Reinforcement Learning  [Microsoft Research Asia & Peking University]  https://arxiv.org/abs/2603.01639