AI可可AI生活

这期我们来聊聊，怎样把一个AI从“通才”培养成“专才”，甚至让它学会不只是解决问题，而是先为自己打造一套“专属工具”？一个AI团队如何开“聪明会”，以及它怎样才能记住过去的经验，不再傻乎乎地重复劳动？最后，我们会看到一个大胆的设想：要是我们干脆给AI换一个来自“流体力学”的引擎，又会发生什么？让我们一起进入今天的前沿探索。00:00:31 给你一个好苗子，怎么把它培养成翻译大师？00:05:23 别让聪明人开“笨蛋会”00:12:07 你的时间，只够用在刀刃上00:17:22 高手做事，都是先打造工具00:22:37 给AI换个“流体力学”引擎，会发生什么？本期介绍的几篇论文：[CL] TranslateGemma Technical Report[Google Translate Research Team]https://arxiv.org/abs/2601.09012---[LG] Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning[MIT & NYU & Microsoft]https://arxiv.org/abs/2601.09667---[LG] SRT: Accelerating Reinforcement Learning via Speculative Rollout with Tree-Structured Cache[Cornell University & University of Illinois Urbana-Champaign & University of Washington]https://arxiv.org/abs/2601.09083---[LG] Programming over Thinking: Efficient and Robust Multi-Constraint Planning[Nanyang Technological University & Agency for Science, Technology and Research (A*STAR)]https://arxiv.org/abs/2601.09097---[LG] Spectral Generative Flow Models: A Physics-Inspired Replacement for Vectorized Large Language Models[UC Berkeley]https://arxiv.org/abs/2601.08893

你有没有想过，AI要如何像高手一样，同时“试驾”多种思路？我们又该如何给狂飙的AI装上“定速巡航”，让它在学习时永不“翻车”？今天，我们就从几篇最新的AI论文出发，聊一聊AI要如何学会“分身术”思考，如何跳出“思维定式”的陷阱，甚至，我们以后可能再也不用费劲地给AI设定KPI，直接“说人话”就能让它们完美协作。准备好了吗？让我们一起探索AI思考方式的深层变革。00:00:35 如何像高手一样思考？答案可能在“分身术”里00:05:07 给狂飙的AI装上定速巡航00:09:57 思维定式是怎么炼成的？AI给了我们一个新答案00:15:23 怎么让AI大模型学会“左右互搏”？00:21:37 AI界的“KPI”革命，未来我们不用再跟机器打哑谜本期介绍的几篇论文：[CL] Multiplex Thinking: Reasoning via Token-wise Branch-and-Merge[Microsoft Research & University of Pennsylvania]https://arxiv.org/abs/2601.08808---[LG] Controlled LLM Training on Spectral Sphere[Microsoft Research Asia & Renmin University]https://arxiv.org/abs/2601.08393---[LG] Rewarding the Rare: Uniqueness-Aware RL for Creative Problem Solving in LLMs[MIT & NUS]https://arxiv.org/abs/2601.08763---[LG] Reverse Flow Matching: A Unified Framework for Online Reinforcement Learning with Diffusion and Flow Policies[MIT]https://arxiv.org/abs/2601.08136---[LG] The End of Reward Engineering: How LLMs Are Redefining Multi-Agent Coordination[New York University & Lerna AI]https://arxiv.org/abs/2601.08237

你有没有想过，一个更聪明的AI，是应该更会“思考”，还是更会“偷懒”？最新论文告诉我们，让AI学会用“记忆”分担计算，反而能让它更专注于难题。当AI面对一本几十万字的小说时，它又是如何像我们一样“做笔记”，避免“七秒记忆”的？更有趣的是，如果把AI关进小黑屋，不给任何学习资料，它竟能通过“左右互搏”实现自我进化。最后，我们会深入AI的内心世界，看看它“一本正经胡说八道”时，脑子里究竟走了哪两条路，以及它那令人惊叹的“举一反三”，可能根本不是在学习，而是在“对答案”。00:00:48 为什么“偷懒”的AI，反而更会思考？00:06:15 AI的“七秒记忆”，有救了？00:11:46 AI的“闭关修炼”，不喂数据，如何变强？00:16:53 AI为什么会“一本正经地胡说八道”？它的脑子里有两条路00:22:20 别再说AI在“学习”了，它可能只是在“对答案”本期介绍的几篇论文：[LG] Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models[DeepSeek-AI]https://arxiv.org/abs/2505.11080---[LG] Gecko: An Efficient Neural Architecture Inherently Processing Sequences with Arbitrary Lengths[University of Southern California & Meta AI Research]https://arxiv.org/abs/2601.06463---[LG] Dr. Zero: Self-Evolving Search Agents without Training Data[Meta Superintelligence Labs]https://arxiv.org/abs/2601.07055---[CL] Two Pathways to Truthfulness: On the Intrinsic Encoding of LLM Hallucinations[Peking University & Microsoft Research Asia]https://arxiv.org/abs/2601.07422---[LG] Filtering Beats Fine Tuning: A Bayesian Kalman View of In Context Learning in LLMs[UC Berkeley]https://arxiv.org/abs/2601.06100

本期我们来聊聊AI世界里那些“反直觉”的智慧：当AI不再给商品打分而是直接“写”出排名，当语音助手不再被粗暴地对答案而是被“手把手”教会思考，当“不完美”的数据反而能帮我们做出更好的决策，一场关于效率和认知的革命正在悄然发生。最新论文告诉我们，解决难题最好的方法，有时是换一个全新的玩法。00:00:28 你看到的结果，是谁为你排的序？00:07:42 AI大模型背后，一场关于“搬家”的效率革命00:13:08 你的语音助手，为什么一开口就变笨了？00:18:01 AI的“思考开关”，是个美丽的误会？00:23:25 别再等了！“不完美”的数据也能做出好决策本期介绍的几篇论文：[IR] Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders[Google DeepMind & University of Massachusetts Amherst]https://arxiv.org/abs/2601.05588---[LG] MoEBlaze: Breaking the Memory Wall for Efficient MoE Training on Modern GPUs[Meta Platforms Inc]https://arxiv.org/abs/2601.05296---[CL] Closing the Modality Reasoning Gap for Speech Large Language Models[Microsoft Corporation & The Chinese University of Hong Kong]https://arxiv.org/abs/2601.05543---[LG] Do Sparse Autoencoders Identify Reasoning Features in Language Models?[UC Berkeley]https://arxiv.org/abs/2601.05679---[LG] Good Allocations from Bad Estimates[Stanford University & Max Planck Institute for Intelligent Systems, Tübingen]https://arxiv.org/abs/2601.05597

你有没有想过，我们能否打造一个既有“文科生”的灵活，又有“理科生”严谨的AI？当一群“偏科”的AI专家聚在一起，如何才能组建一支高效的“梦之队”？本期节目，我们将一口气为你解读几篇最新论文，看看科学家们是如何通过巧妙的流程设计，让AI学会“左右脑”分工、进行词级别的精细协作，甚至拥有主动管理记忆的“断舍离”能力。最后，我们还会揭秘一份顶尖科学家的“创新食谱”。准备好了吗？让我们一起探索AI进化背后的智慧。00:00:38 AI的“左右脑”，如何让它既灵活又靠谱00:06:27 AI也“偏科”？我们如何组建一个“梦之队”00:11:25 AI当科学家，为什么还是个“学徒”？00:20:09 让AI学会“断舍离”，它才能真正进化00:25:12 科学家的创新，原来是有“食谱”的本期介绍的几篇论文：[LG] Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration[Warsaw University of Technology]https://arxiv.org/abs/2601.01609---[CL] Token-Level LLM Collaboration via FusionRoute[Meta AI]https://arxiv.org/abs/2601.05106---[LG] Why LLMs Aren't Scientists Yet: Lessons from Four Autonomous Research Attempts[Lossfunk]https://arxiv.org/abs/2601.03315---[CL] Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents[Alibaba Group]https://arxiv.org/abs/2601.01885---[LG] Sci-Reasoning: A Dataset Decoding AI Innovation Patterns[Orchestra Research]https://arxiv.org/abs/2601.04577