AI可可AI生活

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

你有没有想过，一个更聪明的AI，或许需要学会的不是记住一切，反而是“选择性失忆”？本期我们要聊的几篇最新论文，就充满了这样颠覆常识的洞见。我们将一起探索，AI如何从“管住嘴”进化到深入思想的“排毒手术”，如何像顶尖高手一样动态进化自己解决问题的方法论，甚至，如何拥有人类最宝贵的品质之一——知道自己“不知道”的自知之明。
00:00:31 AI“排毒”，是动手术，还是只吃止痛药？
00:04:49 AI的记忆难题，除了死记硬背，还有什么好办法？
00:10:33 你的方法，也需要进化
00:16:14 AI的记忆，竟然是它的负担？
00:21:15 聪明反被聪明误，AI也需要“自知之明”
本期介绍的几篇论文：
[LG] Detoxifying LLMs via Representation Erasure-Based Preference Optimization
[McGill University & Google DeepMind]
https://arxiv.org/abs/2602.23391
---
[LG] Memory Caching: RNNs with Growing Memory
[Google Research]
https://arxiv.org/abs/2602.24281
---
[LG] EvoX: Meta-Evolution for Automated Discovery
[UC Berkeley]
https://arxiv.org/abs/2602.23413
---
[CL] Do LLMs Benefit From Their Own Words?
[MIT & IBM Research]
https://arxiv.org/abs/2602.24287
---
[LG] RewardUQ: A Unified Framework for Uncertainty-Aware Reward Models
[ETH Zurich]
https://arxiv.org/abs/2602.24040

你有没有想过，为什么AI题刷得越多，反而越容易在简单问题上翻车？这一期，我们将一起潜入AI的内心世界，看看它们是如何陷入“应试教育”的陷阱，又是如何被“剪刀石头布”这样的逻辑死循环给困住的。但更重要的是，我们会发现，科学家们如何通过“读心术”和“记仇本”这样的奇思妙想，教会AI从失败中学习，并找到那条跳出困境的智慧之路。准备好，一场关于AI学习与评估的深度思考，现在开始。
00:00:35 为什么AI刷题越多，第一次答对率反而越低？
00:05:35 AI的“好记性”与“烂笔头”
00:10:06 AI程序员的“应试教育”陷阱
00:14:17 AI世界的“剪刀石头布”难题
00:19:08 机器人教练的“读心术”
本期介绍的几篇论文：
[LG] Why Pass﹫k Optimization Can Degrade Pass﹫1: Prompt Interference in LLM Post-training
[Singapore University of Technology and Design & University of Maryland]
https://arxiv.org/abs/2602.21189
---
[LG] Exploratory Memory-Augmented LLM Agent via Hybrid On- and Off-Policy Optimization
[Microsoft Research]
https://arxiv.org/abs/2602.23008
---
[LG] ISO-Bench: Can Coding Agents Optimize Real-World Inference Workloads?
[Lossfunk]
https://arxiv.org/abs/2602.19594
---
[LG] Back to Blackwell: Closing the Loop on Intransitivity in Multi-Objective Preference Fine-Tuning
[CMU]
https://arxiv.org/abs/2602.19041
---
[RO] TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics
[University of Washington & Amazon]
https://arxiv.org/abs/2602.19313