AI可可AI生活

你有没有想过，最聪明的决策，也许是先用最小的力气排除所有错误选项？当AI变得越来越话痨时，我们该如何给它请一位“效率教练”？为了把强大的AI装进你的手机，科学家又想出了怎样统一又精简的“节食计划”？本期节目，我们将通过几篇最新论文，一起探讨AI如何学会“先探路再铺路”的决策智慧，如何治好自己的“路痴”毛病，甚至如何掌握“动态开关”这门最高级的偷懒艺术。
00:00:33 聪明人的偷懒指南，如何用最少的力气，走最对的路？
00:07:16 AI话痨怎么办？聪明还得会省钱
00:12:27 AI的“节食计划”，如何在你的手机里装下一个图书馆？
00:17:42 大模型越来越聪明，为什么还是个“路痴”？
00:22:45 为什么说，最高级的AI，必须学会“偷懒”？
本期介绍的几篇论文：
[CL] Blazing the trails before beating the path: Sample-efficient Monte-Carlo planning
[INRIA Lille & Google DeepMind]
https://arxiv.org/abs/2604.14974
---
[CL] CROP: Token-Efficient Reasoning in Large Language Models via Regularized Prompt Optimization
[Google LLC & Purdue University]
https://arxiv.org/abs/2604.14214
---
[IR] A Unified Model and Document Representation for On-Device Retrieval-Augmented Generation
[University of Massachusetts Amherst & Google]
https://arxiv.org/abs/2604.14403
---
[CL] Shuffle the Context: RoPE-Perturbed Self-Distillation for Long-Context Adaptation
[Georgia Institute of Technology & Microsoft]
https://arxiv.org/abs/2604.14339
---
[CL] Compressed-Sensing-Guided, Inference-Aware Structured Reduction for Large Language Models
[UC Berkeley]
https://arxiv.org/abs/2604.14156

你有没有想过，一个学得更久的AI“尖子生”，为什么反而忘得更快？或者，想让AI更懂英语，最好的方法竟然是教它别的语言？本期节目，我们将一口气解锁五篇最新论文带来的“反常识”洞见。我们会发现，决定AI效率的瓶颈可能不是算力而是“管理”，与AI对话的成本可以靠一本“字典”轻松打个二折，而一个好的AI模拟世界，追求的不是“长得像”，而是“反应像”。
00:00:32 大模型训练的悖论，为什么学得越久，忘得越快？
00:06:02 AI的效率瓶颈，不是算力，是“管理”
00:12:33 想让AI更懂英语？那就别只喂它英语
00:18:46 跟AI对话，如何省下80%的话费？
00:24:39 你的“差不多”不是我的“差不多”，如何让AI的模拟世界更靠谱？
本期介绍的几篇论文：
[LG] All elementary functions from a single binary operator
[Jagiellonian University]
https://arxiv.org/abs/2603.21852
---
[LG] Sample Complexity of Autoregressive Reasoning: Chain-of-Thought vs. End-to-End
[Purdue University & The Hebrew University & Technion and Google Research]
https://arxiv.org/abs/2604.12013
---
[CL] Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature
[Central University of Finance and Economics & Beijing Institute of Technology & TsingyuAI]
https://arxiv.org/abs/2604.12243
---
[CL] LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models
[UC Berkeley]
https://arxiv.org/abs/2604.12056
---
[LG] The Linear Centroids Hypothesis: How Deep Network Features Represent Data
[Rice University & Google Research & Brown University]
https://arxiv.org/abs/2604.11962

你有没有想过，整个科学计算器也许只需要两个按键就能实现？或者，AI偷懒的秘诀竟是只用20%的精力，就能完成90%的工作？最新的一些研究，正从这些奇妙的角度，刷新我们对智能、效率和知识的认知。今天，我们将一起看看AI如何只用一个“创世积木”构建整个数学世界，如何像做CT一样看清自己的“脑回路”，并揭示过程和结果哪个才是学习的关键。准备好，一场思维风暴马上开始！
00:00:36 你的科学计算器，其实只需要两个键
00:05:01 学会一个本事，过程和结果哪个更重要？
00:13:05 如何像高手一样，“看见”知识的未来？
00:19:31 AI偷懒的艺术，为什么只做20%的工作，能得到90%的结果？
00:25:08 给AI大脑做CT，我们找到了更清晰的脑回路图
本期介绍的几篇论文：
[LG] All elementary functions from a single binary operator
[Jagiellonian University]
https://arxiv.org/abs/2603.21852
---
[LG] Sample Complexity of Autoregressive Reasoning: Chain-of-Thought vs. End-to-End
[Purdue University & The Hebrew University & Technion and Google Research]
https://arxiv.org/abs/2604.12013
---
[CL] Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature
[Central University of Finance and Economics & Beijing Institute of Technology & TsingyuAI]
https://arxiv.org/abs/2604.12243
---
[CL] LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models
[UC Berkeley]
https://arxiv.org/abs/2604.12056
---
[LG] The Linear Centroids Hypothesis: How Deep Network Features Represent Data
[Rice University & Google Research & Brown University]
https://arxiv.org/abs/2604.11962

你有没有想过，要让AI变得更聪明，除了让它“读万卷书”，我们还能不能让它在虚拟世界里“行万里路”，像玩“模拟人生”一样学会物理？当很多聪明的算法凑在一起反而“掉链子”时，我们如何用“乐高积木”的思路化繁为简？这一期，我们将一起探寻几份最新论文带来的启发：从像婴儿一样在“思想实验”中探索世界，到用一张“知识地图”代替“知识词典”来解决复杂问题，甚至让AI学会“自我怀疑”，从而变得又快又好。准备好了吗？让我们一起出发！
00:00:38 AI版“模拟人生”让机器在虚拟世界里学会物理
00:05:56 从1到N如何让你的数据分析稳上加稳？
00:12:14 AI养娃我们可能找到了让机器像婴儿一样学习的秘密
00:18:01 高手解决问题，靠的是地图，而不是词典
00:24:14 AI的自我怀疑，一个让大模型又快又好的新思路
本期介绍的几篇论文：
[LG] Solving Physics Olympiad via Reinforcement Learning on Physics Simulators
[CMU & Lambda]
https://arxiv.org/abs/2604.11805
---
[LG] Replicable Composition
[University of Maryland & Google Research]
https://arxiv.org/abs/2604.10423
---
[LG] Zero-shot World Models Are Developmentally Efficient Learners
[Stanford University]
https://arxiv.org/abs/2604.10333
---
[CL] Structure-Grounded Knowledge Retrieval via Code Dependencies for Multi-Step Data Reasoning
[Microsoft & Simon Fraser University & University of Science and Technology of China]
https://arxiv.org/abs/2604.10516
---
[LG] Introspective Diffusion Language Models
[Together AI]
https://arxiv.org/abs/2604.11035

你有没有想过，我们能像做微创手术一样，在AI思考的瞬间“拨乱反正”，引导它向善吗？或者，让昂贵的AI训练学会“温故知新”，把扔掉的经验变废为宝？本期节目，我们将一起探索几篇最新论文，看看科学家们如何教会AI遵守自己立下的规矩，如何让它既会“看路”又会“造景”，甚至，如何为它补上一堂生动的物理课，让它的想象力更符合现实。准备好了吗？让我们马上出发！
00:00:34 给AI的大脑装一个“概念导航”
00:06:53 AI训练的高效秘诀，好东西值得再用一次
00:12:07 如何看穿一个AI的“人设”？
00:16:56 AI新思路，想看清世界，先学会走路
00:23:07 为什么AI生成的视频总感觉“假”？答案藏在物理学里
本期介绍的几篇论文：
[LG] Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs
[University of Pennsylvania & Amazon]
https://arxiv.org/abs/2604.08846
---
[LG] Efficient RL Training for LLMs with Experience Replay
[FAIR at Meta]
https://arxiv.org/abs/2604.08706
---
[CL] Do LLMs Follow Their Own Rules? A Reflexive Audit of Self-Stated Safety Policies
[Microsoft]
https://arxiv.org/abs/2604.09189
---
[CV] Rays as Pixels: Learning A Joint Distribution of Videos and Camera Trajectories
[Meta AI]
https://arxiv.org/abs/2604.09429
---
[CV] PhysInOne: Visual Physics Learning and Reasoning in One Suite
[vLAR Group]
https://arxiv.org/abs/2604.09415