AI可可AI生活

本期，我们来聊聊AI如何从一个“普通学生”被系统地培养成编程竞赛的世界冠军，甚至超越了人类状元。但与此同时，为什么我们身边的AI助理，处理复杂任务时却常常“走着走着就散架”了？我们又该如何教会AI管理自己的“注意力”，像人一样划重点？以及，如何通过精准定位它“第一次犯错的瞬间”，让它的学习效率实现飞跃？四篇最新论文，带我们深入AI的“学霸心法”，揭示智能背后的策略、局限与成长之道。
00:00:37 AI学会考试了，而且比状元考得还好
00:06:06 你的AI助理，为啥走着走着就“散架”了？
00:11:30 AI的注意力，该由谁做主？
00:16:47 如何让机器学会聪明，抓住第一次犯错的瞬间
00:22:08 知识的“断舍离”，我们究竟该记住什么？
本期介绍的几篇论文：
[LG] Post-Training Language Models for Gold-Medal Performance in Coding Competitions
[NVIDIA]
https://arxiv.org/abs/2609.02849
---
[AI] How Fast Do Agents Rot? An Empirical Study of Long-Horizon Degradation in LLM Agents for Production Decision-Making
[Microsoft AI]
https://arxiv.org/abs/2609.01660
---
[CL] Language Models Can Control Their Own Attention
[KAIST AI & Google DeepMind]
https://arxiv.org/abs/2609.02737
---
[LG] Cliff: Learning Process Rewards from the First Mistake
[Amazon Web Services]
https://arxiv.org/abs/2609.02817
---
[LG] What Is Worth Representing? Representational Empowerment for Continual Model Construction
[UC Berkeley & University of Tübingen]
https://arxiv.org/abs/2609.02322

在小宇宙查看该单集文稿

本期我们来聊聊AI世界正在悄然发生的一场“效率革命”。如何只花十分之一的成本，就猜对AI巨头的“天机”？又如何让AI靠“复读”关键知识，聪明地战胜一味地“堆料”？我们还会探讨一个反常识的现象：为什么一个好的AI老师，关键时刻要学会“闭嘴”？AI的能力飞跃，究竟是学会了新招，还是把旧招用得更溜了？四篇最新的AI论文，带你洞悉AI世界的效率革命与学习智慧。
00:00:33 如何用十分之一的成本，猜对AI巨头的“天机”？
00:06:17 如何让“笨学生”学得更快？关键在于让“老师”适时闭嘴
00:11:26 AI变聪明，是学会了新招，还是旧招用得更溜了？
00:16:47 AI训练的内卷，如何用“复读”战胜“堆料”？
00:22:44 当AI被骗，它的大脑里发生了什么？
本期介绍的几篇论文：
[LG] Efficiently Estimating Optimal Hyperparameter Scaling Laws through Power-Law Entropy Search
[Meta]
https://arxiv.org/abs/2609.01431
---
[CL] Knowledge Distillation During Mid-Training Favors Reasoning over Factual Recall
[Meta AI & Princeton University]
https://arxiv.org/abs/2609.01532
---
[CL] From Base Rollouts to RL Reasoning: A Budgeted Search Perspective
[Fudan University & Zhipu AI & Tsinghua University]
https://arxiv.org/abs/2609.01274
---
[LG] SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers
[Tsinghua University & ByteDance Seed & M-A-P]
https://arxiv.org/abs/2609.01343
---
[LG] How Do Language Models Choose Between Context and Memory?
[Stanford University]
https://arxiv.org/abs/2609.00753

在小宇宙查看该单集文稿

想知道AI混沌的“数字粥”里，是不是藏着一张我们能读懂的清晰地图吗？想见识一下比人类专家还厉害的“AI教练”，是如何给它的同类“治病”的吗？我们还会探讨，当所有人都想抄“流量密码”的作业时，内容世界为何会变得越来越无聊，以及最后，我们将揭秘一场AI的“省油”革命，看看聪明的设计如何让AI告别傻大黑粗。
00:00:28 AI的“黑箱”里，藏着一套我们熟悉的旧地图
00:06:09 比人类专家还强？AI正在学会自己给自己“治病”
00:11:34 当所有人都想抄第一名的作业
00:17:10 AI的“省油”革命，如何用更少的资源，办更大的事？
00:22:44 AI创作的秘密，不是靠魔法，而是靠一张地图
本期介绍的几篇论文：
[CL] The Emergent Symbolic Structure of Artificial Neural Networks
[Yale University & Johns Hopkins University & New York University]
https://arxiv.org/abs/2608.29530
---
[AI] Automated Researchers Can Reliably Mitigate Alignment Failures
[Anthropic & UC Berkeley]
https://arxiv.org/abs/2608.28945
---
[AI] CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target
[UC Berkeley & Zhejiang University]
https://arxiv.org/abs/2608.30466
---
[CL] On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability
[Qwen Team]
https://arxiv.org/abs/2608.30320
---
[LG] The information geometry of product-reference discrete diffusion: Interaction growth complexity and optimal scheduling
[MIT]
https://arxiv.org/abs/2608.28949

在小宇宙查看该单集文稿

我们总感觉AI越来越无所不能，但今天，我们要从几篇最新论文出发，给这份狂热踩一脚“科学的刹车”。我们会探讨AI为何读完人类所有书籍，却依然有无法跨越的语言天堑，并揭示其看似复杂的内部机制，其实隐藏着一个更简单的“有效维度”。同时，我们也会发现，解决最棘手问题的，有时反而是被我们忽略的“笨办法”，而看似混沌的AI训练过程，竟然也遵循着可以预测的“伸缩法则”。准备好了吗？让我们一起拨开AI的迷雾，看见那些真正重要的底层规律。
00:00:39 AI读完了整个人类图书馆，为什么还是不懂你？
00:05:39 最聪明的办法，常常是那个“笨办法”
00:09:38 AI界的“孙子兵法”，如何用有限的资源打赢无限的战争
00:16:05 AI大模型里的“降维打击”，你看见的复杂，不是真的复杂
00:21:16 为什么好的目标，也会带你走上岔路？
本期介绍的几篇论文：
[CL] A Formal Limitation on Learning Human Language From Textual Corpora
[Universitat Pompeu Fabra & ETH Zürich]
https://arxiv.org/abs/2608.28560
---
[CL] Sliding-window beats linear attention
[Microsoft]
https://arxiv.org/abs/2608.28444
---
[CV] How Far Can 5,500 Hours of Driving Take You? A Scaling Law Analysis of Video Diffusion Models
[valeo.ai]
https://arxiv.org/abs/2608.28404
---
[LG] The Approximation Rank of Softmax Attention: Sharp Geometric Laws and Robust Interaction Dimension
[Nanyang Technological University & CMU]
https://arxiv.org/abs/2608.28150
---
[LG] How Proper Scoring Rules Shape LLM Forecasting
[Lightning Rod Labs & INSEAD & University of Pennsylvania]
https://arxiv.org/abs/2608.28482

在小宇宙查看该单集文稿

当AI学会了“活在当下”，不再被历史包袱拖累时，我们人类自己又该如何避免被它悄悄“废掉”核心能力呢？本期节目，我们不仅要探讨如何用一把特制的尺子去衡量AI是否真的懂我们的“不开心”，还将揭秘如何培养出一个靠谱的AI“批评家”，让它实现高效的自我进化。最后，我们会一起探寻训练AI时那个神秘的“档位”，看看这些最新论文将如何刷新我们对人机协作与AI成长的认知。
00:00:33 让AI学会“活在当下”
00:05:00 AI越来越聪明，但它真的懂你的“不开心”吗？
00:09:24 那个替你干活的AI，正在悄悄“废掉”你
00:13:48 AI的成长烦恼，一个“批评家”的自我修养
00:20:39 训练AI的秘密“档位”
本期介绍的几篇论文：
[AI] SKILL.state: Scalable Long-Horizon Agent Skills
[Google LLC & Purdue University]
https://arxiv.org/abs/2608.26263
---
[CL] HealthBench-Psych: A Mental Health Subset of OpenAI's HealthBench
[Beth Israel Deaconess Medical Center]
https://arxiv.org/abs/2608.25071
---
[AI] AI Agents Push Humans Out of the Loop
[Hugging Face]
https://arxiv.org/abs/2608.23642
---
[LG] Best Practice Critic Optimization
[National University of Singapore & Tencent Hunyuan]
https://arxiv.org/abs/2608.23566
---
[LG] Effective Learning Rate Governs Loss Dynamics in Language Model Pretraining
[Peking University & Ant Group]
https://arxiv.org/abs/2608.24814

在小宇宙查看该单集文稿