AI可可AI生活

你有没有想过，一个更聪明的AI，也许并不需要更大的体量，而是需要更精巧的设计？本期节目，我们将从五篇最新论文出发，揭示AI智慧的内部运作：看AI如何为自己的记忆装上独立的“铅笔和橡皮”；又是如何像系着安全绳的“醉汉”一样，去挑战顶尖的数学难题。我们还会探讨AI如何拥有一个“大脑CEO”来决定何时“烧脑”，以及在一场模型间的“偷师”攻防战中，如何才能守住核心秘籍。最后，你会发现，原来喂给AI的第一张“地图”，就早已决定了它能看多远。
00:00:42 AI的记忆难题，一支笔和一个橡皮擦
00:06:17 AI当助教，数学家离“下岗”还有多远？
00:11:55 你的大脑，如何决定何时“烧脑”？
00:16:46 聪明人是如何“偷”老师的武功秘籍的？
00:23:15 喂给AI的“地图”，决定了它能看多远
本期介绍的几篇论文：
[LG] Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention
[NVIDIA]
https://arxiv.org/abs/2605.22791
---
[AI] Advancing Mathematics Research with AI-Driven Formal Proof Search
[Google DeepMind]
https://arxiv.org/abs/2605.22763
---
[CL] Efficient Agentic Reasoning Through Self-Regulated Simulative Planning
[Institute of Foundation Models (IFM) & CMU]
https://arxiv.org/abs/2605.22138
---
[LG] The Distillation Game: Adaptive Attacks & Efficient Defenses
[Stanford University & Toyota Technological Institute at Chicago]
https://arxiv.org/abs/2605.22737
---
[LG] Lost in Tokenization: Fundamental Trade-offs in Graph Tokenization for Transformers
[Meta AI & New York University & Harvard University]
https://arxiv.org/abs/2605.22471

你有没有想过，一个AI不仅能成为科学家的“超级大脑”，还能像人一样“反思”自己学得好不好？本期节目，我们将从五篇最新的AI论文出发，揭秘AI如何通过“人机协作”加速科学发现，却又可能因为追求“差不多”而酿成大错；同时我们也会探讨，为何你请的AI“演员”可能演着演着就换了人，以及我们最终如何才能让AI调配出一碗最懂你的“光谱靓汤”。
00:00:33 给牛顿一个AI，科学会快多少？
00:07:11 AI训练场上的“反思怪”，一条更聪明的成长路径
00:12:36 AI的“差不多”，为什么会酿成大错？
00:18:28 为什么你请的AI“演员”，可能演着演着就换人了？
00:25:25 想让AI懂你？试试给它煲一锅“光谱靓汤”
本期介绍的几篇论文：
[AI] A multi-agent system for automating scientific discovery
[FutureHouse]
https://www.nature.com/articles/s41586-026-10652-y
---
[LG] Introspective X Training: Feedback Conditioning Improves Scaling Across all LLM Training Stages
[NVIDIA]
https://arxiv.org/abs/2605.20285
---
[LG] Mechanisms of Misgeneralization in Physical Sequence Modeling
[Harvard College & Microsoft & Comcast AI]
https://arxiv.org/abs/2605.20299
---
[CL] The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study
[Google DeepMind]
https://arxiv.org/abs/2605.20767
---
[LG] Spectral Souping: A Unified Framework for Online Preference Alignment
[Google DeepMind & Google Research]
https://arxiv.org/abs/2605.20408

你是否想过，AI不仅能找到一把优化万物的“万能扳手”，还能从“垃圾”数据中炼出真金？这一期，我们将一同见证AI如何跳出“训练好人”的思维陷阱，用“好制度”保障安全，甚至学会谦虚地向人类专家请教。让我们一起探索这些最新论文背后，令人拍案叫绝的智慧！
00:00:27 找到那把能优化万物的“万能扳手”
00:06:04 AI训练的秘密，为什么“垃圾”也能变黄金？
00:11:16 从AI安全，看“好制度”如何战胜“好人
00:16:03 如何用“笨”问题，精准定位一个“看不见”的目标？
00:24:06 AI也懂谦虚？让机器学会“请教”的智慧
本期介绍的几篇论文：
[CL] optimize_anything: A Universal API for Optimizing any Text Parameter
[UC Berkeley]
https://arxiv.org/abs/2605.19633
---
[LG] A Bitter Lesson for Data Filtering
[Stanford University]
https://arxiv.org/abs/2605.19407
---
[AI] Agent Security is a Systems Problem
[Google & University of California San Diego]
https://arxiv.org/abs/2605.18991
---
[LG] Optimal Reconstruction from Linear Queries
[Technion – Israel Institute of Technology]
https://arxiv.org/abs/2605.19625
---
[LG] Density-Ratio Losses for Post-Hoc Learning to Defer
[KTH & Google Research]
https://arxiv.org/abs/2605.19557

你有没有想过，你用的AI可能藏着一个无法抹去的“行为指纹”？我们又该如何分辨它是在“假装努力”，还是真的在高效思考？本期节目，我们将从几篇最新论文出发，聊聊如何让AI作画学会“高手画骨”，如何让AI拥有“经济适用房”般的超高性价比内存，甚至，如何把它的线性思维，彻底变成并行模式。准备好了吗？让我们一起探索AI世界的深层智慧。
00:00:32 你的AI，有没有一个隐藏的“小动作”？
00:06:34 AI的“经济适用房”，怎么让它记性又好又省钱？
00:12:22 AI作画新思路，高手画骨，庸手填肉
00:17:36 AI大模型，怎样把一根长长的竹竿，掰成一捆筷子？
00:23:07 你的AI在“假装努力”吗？
本期介绍的几篇论文：
[LG] Asking Back: Interaction-Layer Antidistillation Watermarks
[University of California, Los Angeles & Lawrence Berkeley National Laboratory]
https://arxiv.org/abs/2605.16462
---
[LG] OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization
[Together AI]
https://arxiv.org/abs/2605.17757
---
[LG] Dual-Rate Diffusion: Accelerating diffusion models with an interleaved heavy-light network
[Google DeepMind Amsterdam & University of Amsterdam]
https://arxiv.org/abs/2605.18190
---
[LG] SNLP: Layer-Parallel Inference via Structured Newton Corrections
[Red Hat AI Innovation]
https://arxiv.org/abs/2605.17842
---
[CL] Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models
[University of Illinois Chicago]
https://arxiv.org/abs/2605.17672

你有没有想过，AI画画是不是也需要打草稿？面对一个“马虎”的AI，我们除了让它变聪明，还能不能帮它“划重点”？本期节目，我们将一口气解锁五篇最新论文里的智慧：看AI如何用“笨功夫”画出惊艳作品，如何从“作弊”中学到创造力，甚至如何用“供应链”思维组建一个高效的AI团队。准备好，我们一起看看AI是如何学会更聪明地工作的。
00:00:32 AI画画的“笨功夫”
00:05:58 人工智能的“马虎”病，我们找到了一个药方
00:10:45 让AI设计个东西，它居然学会了“作弊”？
00:17:04 AI搞团队建设，为什么总像拉一个草台班子？
00:23:00 AI大模型的美食家难题，如何调配完美的学习菜单？
本期介绍的几篇论文：
[CV] One Pass Is Not Enough: Recursive Latent Refinement for Generative Models
[Simon Fraser University]
https://arxiv.org/abs/2605.15309
---
[CV] Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
[Google DeepMind]
https://arxiv.org/abs/2605.15342
---
[CL] Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search
[Google Research]
https://arxiv.org/abs/2605.16191
---
[LG] AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs
[CMU]
https://arxiv.org/abs/2605.15565
---
[CL] Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time
[New York University & CMU]
https://arxiv.org/abs/2605.15220