AI可可AI生活

今天我们要聊的5篇最新论文，正在打破过去对“大力出奇迹”的盲目迷信：你会看到AI如何学会“自我怀疑”并组建微型研究院去攻克未知科学，又如何把我们手边的无线电通信设备直接当作零耗能的卷积算力引擎；你还会看到多智能体如何依靠严格的软件工程制度抓出AI在纯数学证明里的“投机偷懒”，一套“人造心跳”如何让总失忆的模型踏踏实实打满十天硬工；最后，我们更要看看AI如何掌握人类的快慢思考，在面对难题时精准调配深思的“油门与刹车”。
00:00:40 当AI学会了“自我怀疑”，科学探索的真正分水岭
00:08:09 别忙着加芯片，我们手边的设备里，本就藏着算力宝藏
00:13:37 给真理做一次代码体检，当AI试图在数学里“偷懒”
00:19:14 怎样让一个总会“失忆”的AI，替你踏踏实实打满十天工？
00:24:29 给AI装上“刹车”与“油门”，为什么最高级的聪明，是学会何时“偷懒”
本期介绍的几篇论文：
[AI] ScientistTwo: Pioneering the Human Knowledge Frontier with Autonomous AI
[Google Cloud AI Research]
https://arxiv.org/abs/2609.19644
---
[LG] Radio-Frequency Convolutional Neural Networks
[Duke University & MIT]
https://arxiv.org/abs/2609.19279
---
[AI] Long-horizon autoformalization of a core theorem underlying MIP* = RE
[Max‑Planck‑Institut für Quantenoptik & Tsinghua University & University of California, Los Angeles]
https://arxiv.org/abs/2609.19814
---
[AI] An Architecture for Long-Horizon Agents: Levels, Ticks and Cascaded Intelligence
[Salesforce AI Research]
https://arxiv.org/abs/2609.19519
---
[AI] When2Think: Learning Difficulty-Aware Length Control for Efficient Hybrid Reasoning Models
[Sungkyunkwan University & Microsoft]
https://arxiv.org/abs/2609.19671

在小宇宙查看该单集文稿

本期我们将通过几篇最新论文，看看研究者如何给机器人装上“快慢双脑”以实现实时反应，又如何用“二阶思维”为大模型精准剪枝、保留专家的协作默契。我们还将破解Adam优化器参数背后的“悬崖地图”，并派出一个小巧的“侦察兵”模型，去揪出长任务AI悄悄犯下的隐藏错误。最后，我们要警惕一碗“毒鸡汤”考题，看看被污染的基准测试是如何诱导自我进化的AI，把坏习惯固化成肌肉记忆的。
00:00:34 机器人也需要条件反射
00:05:04 裁员的智慧，你以为的庸才，可能是团队的粘合剂
00:10:16 你手里的工具，藏着一张秘密地图
00:16:28 你的AI助手，可能正在悄悄搞破坏
00:22:15 一碗“毒鸡汤”，如何带歪一个自我进化的AI
本期介绍的几篇论文：
[RO] Reinforcement Learning for Real-Time Vision-Language-Action Policies
[Stanford University]
https://arxiv.org/abs/2609.18207
---
[LG] Higher-order pruning of experts in mixture-of-experts language models
[AWS Agentic AI]
https://arxiv.org/abs/2609.18916
---
[LG] Beyond Quadratic Loss：The Stability Phase Diagram of Adam
[Tsinghua University]
https://arxiv.org/abs/2609.18314
---
[LG] Locating Hidden Failures Makes Long-Horizon Agents More Reliable
[Google DeepMind & University of California, Los Angeles & Google Research]
https://arxiv.org/abs/2609.17930
---
[AI] Reflections on Trusting Trust，Revisited：Contaminating Self-Modifying AI Coding Agents with Poisoned Benchmarks
[University of Washington & Georgetown University]
https://arxiv.org/abs/2609.17817

在小宇宙查看该单集文稿

本期我们将为你硬核拆解五篇极具启发性的最新论文，带你看看AI如何从“冷面判官”变身为手把手教你改论文、跑实验的“私人医生”。我们还会探讨如何利用存内计算把大模型塞进普通硬盘，并揭秘高效大模型到底为什么总爱“死记硬背”却学不会“活学活用”。最后，我们将一起见证AI如何通过“元认知操纵”掌握科学家的真实直觉，以及如何用文本优化技术揪出海量数据里隐藏的危险“潜台词”。
00:00:36 你的论文，需要一位AI私人医生
00:05:44 AI太贵？咱们把它塞进硬盘里算
00:11:07 死记硬背还是活学活用？AI的成长烦恼
00:16:16 AI的“驾驶术”，如何教会机器科学家的直觉
00:22:18 数据里的“潜台词”，我们怎么听懂？
本期介绍的几篇论文：
[CL] PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress
[University of Oxford & National University of Singapore & Stanford University]
https://arxiv.org/abs/2609.16995
---
[LG] LLM Inference in a Flash!
[UC Berkeley]
https://arxiv.org/abs/2609.16161
---
[LG] On the Importance of Gating: Memorization vs. In-Context Learning in State Space Models
[Harvard University & Apple]
https://arxiv.org/abs/2609.16540
---
[AI] Metacognitive Steering: Learning the Structure of Scientific Judgment
[Autopoiesis Sciences]
https://arxiv.org/abs/2609.16245
---
[LG] Verbalizing Subliminal Learning Effects Using Text Optimization
[Stanford University]
https://arxiv.org/abs/2609.16927

在小宇宙查看该单集文稿

你有没有想过，如何让AI变得更聪明，甚至比它的老师还强？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：从给AI请一位“混搭私教”，到为它建造一座“思想角斗场”进行团队作战。我们还会潜入AI的“梦境”，看看它如何复盘过去、预演未来，并顺便弄清楚它为什么有时会突然变成“复读机”。准备好了吗？让我们一起看看，这些研究如何从根源上提升AI解决复杂问题的能力。
00:00:35 给AI模型请个“混搭”私教
00:06:14 如何看见你看不到的数据？
00:11:56 AI 的“梦境”，如何用过去预演未来
00:18:07 AI科学家的工作法，像罗马人一样建角斗场
00:24:48 AI为啥会变成“复读机”？
本期介绍的几篇论文：
[AI] Lightning Weave: Improving the Accuracy-Efficiency Frontier of Reasoning Models through Capability Composition
[MIT & NVIDIA]
https://arxiv.org/abs/2609.14708
---
[LG] Synthetic Nearest Neighbors: Extending Synthetic Controls for Matrix Completion with Missing Not at Random Data
[Columbia University & MIT]
https://arxiv.org/abs/2609.13586
---
[CL] Dream-RSI: Recursive Self-Improvement through Evolving Worlds
[Google]
https://arxiv.org/abs/2609.1485
---
[AI] Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science
[Google Research]
https://arxiv.org/abs/2609.15983
---
[CL] Mirror, Mirror on the Wall: Prompt Echoing in Small Instruct Language Models
[Warsaw University of Technology]
https://arxiv.org/abs/2609.15045

在小宇宙查看该单集文稿

今天，我们要深入AI的“大脑”，看看它是如何真正学会“思考”的。我们会探讨，是给AI请个“陪练”逐步放手，还是给它一张“地图”指引全局更有效？我们还会见证一场AI学习的“龟兔赛跑”，看看“快功夫”和“慢功夫”哪个更有前途。最后，我们将一起揭开AI如何从死记硬背走向融会贯通，以及我们该如何科学地看待它的“成绩单”。五篇最新论文，带你洞悉AI学习的底层智慧。
00:00:34 给AI请个“陪练”，然后悄悄撤走
00:04:54 AI干活，为什么喂给它地图比喂给它字典更管用？
00:10:35 AI的快功夫与慢功夫
00:16:03 AI对齐，一份被误解的成绩单
00:20:42 AI怎么才能“活”起来，从死记硬背到融会贯通
本期介绍的几篇论文：
[LG] CanvasAnneal：Curriculum Reinforcement Learning for Diffusion Language Models
[Google DeepMind]
https://arxiv.org/abs/2609.13060
---
[AI] Beyond Vector Similarity：Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration
[Google Cloud]
https://arxiv.org/abs/2609.12464
---
[CL] Breaking the Token Ceiling：Distilling Smaller， Stronger Byte Models
[Meta FAIR & University of Washington, Seattle]
https://arxiv.org/abs/2609.12303
---
[LG] Distortion of AI Alignment Revisited：RLHF is a Decent Utilitarian Aligner
[UC Berkeley]
https://arxiv.org/abs/2609.12651
---
[AI] Hierarchical Prototype Emergence in Modern Hopfield Models
[Stanford University]
https://arxiv.org/abs/2609.12079

在小宇宙查看该单集文稿