AI可可AI生活

你有没有想过，一个“乐于助人”的AI，它的善意本身可能就是最危险的漏洞？本期节目，我们将从几篇最新的AI论文出发，一起探索AI的“内心世界”：看看它是如何通过预判未来让训练更高效，如何在内部形成“专家圈子”，又是如何掉进“减肥不减脂”的内存陷阱，并最终揭示那张描绘它思维路径的神秘“藏宝图”。准备好了吗？让我们一起打开AI的黑箱。
00:00:30 为什么说，答案对错没那么重要？
00:05:59 你的AI正在“挑食”，一个让大模型加速的隐秘模式
00:11:46 AI大模型瘦身指南，减重≠减脂
00:17:49 为什么一个“乐于助人”的AI，反而更危险？
00:22:34 AI的“藏宝图”，我们如何看懂机器的“内心世界”？
本期介绍的几篇论文：
[LG] Reward Models Are Secretly Value Functions: Temporally Coherent Reward Modeling
[AI at Meta]
https://arxiv.org/abs/2604.22981
---
[LG] Scaling Multi-Node Mixture-of-Experts Inference Using Expert Activation Patterns
[Meta & Georgia Institute of Technology]
https://arxiv.org/abs/2604.23150
---
[LG] Parameter Efficiency Is Not Memory Efficiency: Rethinking Fine-Tuning for On-Device LLM Adaptation
[MIT CSAIL]
https://arxiv.org/abs/2604.22783
---
[CL] Jailbreaking Frontier Foundation Models Through Intention Deception
[CMU]
https://arxiv.org/abs/2604.24082
---
[AI] Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features
[Stanford University]
https://arxiv.org/abs/2604.23829

你是否想过，AI在犯错的瞬间，内心会不会也“咯噔”一下？面对海量文件，它如何像图书管理员一样建立“超级数据库”而不是被淹没？最新几篇论文给了我们答案。我们将一起探寻AI如何获得“自知之明”，如何被“结果导向”带入“假装思考”的陷阱，以及我们如何像配制营养餐和划重点一样，精准地让它变得更聪明。
00:00:28 AI的“第六感”，它知道自己何时能改正错误
00:06:17 给AI装上一个“超级数据库”，它就再也不会忘事了
00:12:24 你的“结果导向”，正在培养“假装思考”的下属？
00:19:17 数据淘金，如何从海量信息中精准“喂”出好模型
00:25:16 给AI一支“荧光笔”，它就能看得更清？
本期介绍的几篇论文：
[LG] How LLMs Detect and Correct Their Own Errors: The Role of Internal Confidence Signals
[Google DeepMind]
https://arxiv.org/abs/2604.22271
---
[CL] Contexts are Never Long Enough: Structured Reasoning for Scalable Question Answering over Long Document Sets
[Stanford University]
https://arxiv.org/abs/2604.22294
---
[CL] Outcome Rewards Do Not Guarantee Verifiable or Causally Important Reasoning
[Stanford University]
https://arxiv.org/abs/2604.22074
---
[CL] CRAFT: Clustered Regression for Adaptive Filtering of Training data
[Google & BITS Pilani]
https://arxiv.org/abs/2604.22693
---
[CL] Learning Evidence Highlighting for Frozen LLMs
[Stony Brook University & Meta AI]
https://arxiv.org/abs/2604.22565

你有没有想过，为什么AI不能像个身手敏捷的伙伴一样装进我们的手机？我们又该如何升级自己的“预测操作系统”，让决策更精准？本期节目，我们将从几篇最新的AI论文出发，聊一聊如何给AI来一场“智慧瘦身”，如何用八分之一的成本办成同样的事，甚至是如何找到AI内部的“隐藏开关”，让它乖乖“变身”。我们还会一起探索一个奇妙的问题：不同的AI模型，为什么会像生物一样“趋同进化”？
00:00:33 AI太“胖”装不进手机？给它来一场“智慧瘦身”
00:05:24 升级你的“预测操作系统”
00:11:20 如何用1/8的成本，办成同样的事？
00:16:40 AI的隐藏开关，如何让它“听话”地变身？
00:21:35 AI 的“趋同进化”，为什么聪明和“看起来聪明”是两回事
本期介绍的几篇论文：
[LG] Hyperloop Transformers: Hyperloop Transformers
[MIT]
https://arxiv.org/abs/2604.21254
---
[AI] Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs: Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs
[University of British Columbia]
https://arxiv.org/abs/2604.18576
---
[LG] FASTER: Value-Guided Sampling for Fast RL: FASTER: Value-Guided Sampling for Fast RL
[Stanford University]
https://arxiv.org/abs/2604.19730
---
[LG] ConforNets: Latents-Based Conformational Control in OpenFold3: ConforNets: Latents-Based Conformational Control in OpenFold3
[Columbia University & Princeton University]
https://arxiv.org/abs/2604.18559
---
[CL] Convergent Evolution: How Different Language Models Learn Similar Number Representations: Convergent Evolution: How Different Language Models Learn Similar Number Representations
[University of Southern California & UC San Diego]
https://arxiv.org/abs/2604.20817

今天我们要聊一个特别有意思的话题：AI的“思想”到底是怎么回事？我们会从几篇最新的论文出发，看看AI是如何从一个只会模仿答案的“偏科生”，被一步步调教成严谨的“学霸”的。接着，我们会见识一个让AI内部互相“打架”的残酷角斗场，看看真相如何从对抗中诞生。最后，我们还会发现，真正聪明的AI，不仅要懂得在混乱的边缘跳舞，甚至还要学会一项我们人类与生俱来的高级能——主动“遗忘”。
00:00:34 AI当科学家，光有答案，没有思想？
00:06:18 AI界的“学霸”是怎样炼成的？
00:11:23 为什么共识可能是陷阱？用AI对抗AI，我们能学到什么
00:17:53 高手秘诀，在混乱的边缘起舞
00:23:26 聪明的大脑，要学会主动“变傻”
本期介绍的几篇论文：
[AI] AI scientists produce results without reasoning scientifically
[Friedrich Schiller University Jena & Indian Institute of Technology Delhi]
https://arxiv.org/abs/2604.18805
---
[AI] QuantumQA: Enhancing Scientific Reasoning via Physics-Consistent Dataset and Verification-Aware Reinforcement Learning
[University of Science and Technology of China]
https://arxiv.org/abs/2604.18176
---
[AI] Refute-or-Promote: An Adversarial Stage-Gated Multi-Agent Review Methodology for High-Precision LLM-Assisted Defect Discovery
[A Agarwal]
https://arxiv.org/abs/2604.19049
---
[LG] Generalization at the Edge of Stability
[Imperial College London]
https://arxiv.org/abs/2604.19740
---
[LG] Neural Garbage Collection: Learning to Forget while Learning to Reason
[Stanford University]
https://arxiv.org/abs/2604.18002

你有没有想过，我们能让AI不再“傻等”，像个独立的施工队一样高效协作吗？当AI像个“偏科生”时，我们能否不改造它的大脑，只用一本“说明书”就教会它看懂全世界？本期节目，我们将一口气解锁五篇最新论文带来的脑洞：看AI如何通过“跟自己抬杠”学会创造，如何通过剥离无关的“姿态”来直击事物本质，以及我们为何终于有信心说，AI的“黑箱”正在被科学理论的光芒照亮。准备好了吗？让我们一起出发，探索AI的这五种全新进化路径！
00:00:37 AI训练场上的“交通拥堵”？我们换个活法
00:06:04 我们终于要看懂AI的大脑了吗？
00:13:19 如何让一个“偏科”的AI，学会看懂全世界？
00:19:02 AI的创造力开关，藏在哪儿？
00:25:16 AI的新活法，只做对的事，不做多余的事
本期介绍的几篇论文：
[CL] Decoupled DiLoCo for Resilient Distributed Pre-training
[Google DeepMind]
https://arxiv.org/abs/2604.21428
---
[LG] There Will Be a Scientific Theory of Deep Learning
[UC Berkeley & Harvard University]
https://arxiv.org/abs/2604.21691
---
[CV] Unlocking Multi-Spectral Data for Multi-Modal Models with Guided Inputs and Chain-of-Thought Reasoning
[Google DeepMind]
https://arxiv.org/abs/2604.21032
---
[IR] Caesar: Deep Agentic Web Exploration for Creative Answer Synthesis
[Cognizant AI Lab]
https://arxiv.org/abs/2604.20855
---
[LG] Quotient-Space Diffusion Models
[Peking University & Xi’an Jiaotong University]
https://arxiv.org/abs/2604.21809