AI可可AI生活

你有没有想过，我们能不能像给人指路一样，只对机器人“指一下”就让它心领神会？怎样才能给AI一本“武功秘籍”，让它告别“瞎忙”，拥有真正高手的“手感”？本期节目，我们将通过几篇最新论文，揭示AI如何抛开事物的表象、看见动作的“骨骼”，并探索如何用一个更统一、不“精神分裂”的大脑，来更高效地理解这个世界。
00:00:28 让机器人认路，只需要教它“指一下”？
00:05:23 让AI告别“瞎忙”，给它一本“武功秘籍”
00:10:35 大模型提速的“第三条路”
00:15:35 抛开皮囊，看见骨骼，机器人怎么学“手艺”
00:20:43 AI的大脑，怎样才能不精神分裂
本期介绍的几篇论文：
[RO] LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation
[Light Origins Team]
https://arxiv.org/abs/2608.30935
---
[AI] Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills
[Beijing Academy of Artificial Intelligence]
https://arxiv.org/abs/2609.02749
---
[LG] Unlocking Lossless Speedups in LLMs via Discrete Diffusion
[Institue of Foundation Models]
https://arxiv.org/abs/2609.04010
---
[CV] RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation Learning
[Rice University]
https://arxiv.org/abs/2609.03199
---
[IR] NeoMME: A Single-Tower Multimodal-Native Multilingual Foundation Encoder for Efficient Fine-Tuning and Inference
[H Company]
https://arxiv.org/abs/2609.01657

在小宇宙查看该单集文稿

本期节目，我们将一同潜入几篇最新论文，看看AI如何抛弃“二手经验”直击真实世界，又如何在虚拟社会里学会了作弊与“吹哨”。我们还会发现，AI正通过巧妙的任务拆分和精准分工，努力挣脱“平均分”的陷阱，去追求那极少数的“高光时刻”。这些来自AI的进化心法，或许能给我们带来意想不到的人生启发。
00:28:07 抛弃“二手经验”，直击真实世界，一次预测未来的思维升级
00:05:18 当100个AI被关进同一个房间，它们没有毁灭世界，而是学会了作弊与“吹哨”
00:12:17 把两件事拆开做，到底有多爽？——一篇前沿AI论文里的人生算法
00:18:19 别让所有人都来开会，从AI“混合专家”模型看极简管理与分工智慧
00:24:03 别被“平均分”骗了，从平庸到顶尖，你只需要换一种计分牌
本期介绍的几篇论文：
[LG] WeatherNext 3：Increasing resolution and performance of global weather models with raw observations
[Google DeepMind & Google Research]
https://arxiv.org/abs/2609.03582
---
[AI] A Case Study on Emergent Cheating and Whistleblowing in Autonomous Research Swarms
[Google DeepMind]
https://arxiv.org/abs/2609.04170
---
[LG] Free Pause Tokens
[Microsoft & Cornell University]
https://arxiv.org/abs/2609.03807
---
[LG] Towards a Statistical Understanding of Mixture-of-Experts
[Tsinghua University]
https://arxiv.org/abs/2609.03501
---
[LG] Tail-Likelihood Reinforcement Learning
[Carnegie Mellon University (CMU)]
https://arxiv.org/abs/2609.02987

在小宇宙查看该单集文稿

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