AI可可AI生活

今天我们将通过5篇最新论文，带你穿透大模型的繁华表象，看看那些反直觉的技术真相：从靠行文“骨相”98%精准揪出AI生成的商业套路，到用前后台分工机制让大模型长文本记忆学会优雅“偷懒”。我们还会聊聊为什么百倍价差的大小模型都会在人类的“人情潜规则”面前集体翻车，以及多智能体流水线里那些滚雪球般吃掉算力的“记忆注入隐形成本”。最后，当一个不懂职场边界的“主动型AI同事”直接空降进你的工作群，又将如何颠覆我们对人机协作的认知？准备好，让我们一起读透技术盲区，找回人类在智能时代独一无二的稀缺价值！
00:00:46 为什么AI写不出真正的“人话”？一场关于文章“骨相”的底层破解
00:05:46 AI的“记忆减负”术，为什么最高效的系统，都懂得巧妙地“偷懒”？
00:10:14 为什么最聪明的AI，也读不懂人类的“潜规则”？
00:14:57 为什么越努力的AI“打工人”，越容易让你在不知不觉中“破产”？
00:19:44 你的下一个好同事，可能根本不是人，带你读懂AI协作的底层真相
本期介绍的几篇论文：
[CL] SlopShape: Identifying AI-Generated Commercial Web Content
[J Madler / Sitefire]
https://arxiv.org/abs/2609.15369
---
[CL] HySparse2: Hybrid Sparse Attention with Two-Level KV Sharing
[J Wei, Y Gao, Q Zhang, S Chen… / LLM-Core Xiaomi]
https://arxiv.org/abs/2609.26368
---
[CL] JEV vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places
[D Rao, C Callison-Burch / University of Pennsylvania]
https://arxiv.org/abs/2609.29769
---
[AI] Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows
[V K Singh, P Priyam, G Bhowmick]
https://arxiv.org/abs/2609.2379
---
[AI] Working with Agentic 'Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work
[R Qadri, R Denton, M Madaio, M Pushkarna,… / Google Research & Google DeepMind]
https://arxiv.org/abs/2609.29901

在小宇宙查看该单集文稿

今天的几篇最新论文，将带你见证AI如何从“死记硬背的做题家”蜕变成“讲究体面的真正高手”。我们首先会看到AI如何在严苛的防作弊机制下逼出真实的自我进化，又如何向人类借取经验技能包、学会做事讲规矩；紧接着，两篇硬核的最新论文将展示最聪明的减法：通过外挂记忆字典给昂贵算力降载，以及仅用1%的高信噪比反馈超越100%的全量穷忙；最后，我们还将解锁一套不需要窥探个人隐私、仅凭宏观数据就能精准预判群体未来走向的动力学模型，为你奉上一场前沿技术与认知进阶的双重盛宴！
00:00:44 摆脱“题海战术”，人工智能教给普通人的自我进化法则
00:06:07 别只教AI“做对”，还要教它“讲究”
00:10:57 聪明人的“算计”，从AI学会恰当偷懒，看我们如何省下最贵的心智成本
00:15:22 为什么1%的努力胜过100%的穷忙？从AI的“极简学习法”说起
00:20:00 捕捉水流的形状，我们如何预测一个群体的未来？
本期介绍的几篇论文：
[LG] MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
[LLM-Core Xiaomi]
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf
---
[LG] Reinforcing Agents with Collective Skills
[NVIDIA]
https://github.com/NVlabs/Skill2Env/blob/main/paper/Skill2Env_arXiv.pdf
---
[LG] Memory Attention
[J Kang]
https://arxiv.org/abs/2609.28399
---
[LG] 1% of Tokens Can Be Enough: On Gradient Estimation in On-Policy Distillation
[H Sheng, Z Ye, H Wang, J Wang… (MBZUAI & Ant Group)]
https://arxiv.org/abs/2609.24432
---
[LG] Learning Collective Dynamics with Differentiable Gaussian Representations
[J Ma, M Zhang, X Yang, Y Gao… (OranAI & Northeastern University)]
https://arxiv.org/abs/2609.28405

在小宇宙查看该单集文稿

本期我们将拆解5篇最新论文，带你见证AI如何打破常识：它能在零数据的“小黑屋”里顿悟万物规律，也能在认知空间里把复杂决策化为优雅的“两点一线”。你会看到聪明的机器人如何靠看懂“事物关系”实现“看一眼就会”，而大模型狂揽长文本的“免费午餐”幻觉也终于被现实戳破。更不可思议的是，机器竟学会了量化“品味”，开始自主打捞真正有趣的真理宝藏。
00:00:33 把AI关进小黑屋，它竟自己顿悟了世界的底层逻辑？
00:05:19 别再盲目死磕，AI学会把复杂难题“两点一线”，给了普通人什么启示？
00:09:30 看一眼就会的真本事，从“死记硬背”到“举一反三”的底层逻辑
00:14:54 别被大模型的长篇大论骗了，AI的“免费午餐”为何走到尽头？
00:20:36 当人工智能有了“品味”，如何在无限的信息中寻找真正的宝藏？
本期介绍的几篇论文：
[AI] Self-Play Pretraining with Zero Data
[Tel Aviv University & Stanford University]
https://arxiv.org/abs/2609.30063
---
[RO] Representation World Model: Learning States, Transition and Executable Plans in Representation
[Tsinghua University]
https://arxiv.org/abs/2609.29171
---
[RO] RAPID: Robot Agentic Programming from Demonstrations
[MIT & University of Pennsylvania & National University of Singapore]
https://arxiv.org/abs/2609.30249
---
[CL] No More Free Lunch: Corpus Task Complexity Matters as Corpora Grow
[UC Berkeley & CMU]
https://arxiv.org/abs/2609.2924
---
[LG] Learning to Discover Interesting Mathematics
[Meta]
https://arxiv.org/abs/2609.28603

在小宇宙查看该单集文稿

今天我们要聊的5篇最新论文，正在打破关于智能的固有偏见：看AI如何靠敏锐侦探般的“闭环红测”应对动态风险，为什么机械臂只要最普通的起点就能丝滑逆袭，以及AI大脑如何跨越千奇百怪的“肉身”领悟物理直觉；不仅如此，我们还将见证AI如何靠“规划师”协同分工告别盲目撞墙，又如何用“最优传输”的流映射把被动筛选彻底变为主动改造。这不仅是算法的飞跃，更是能帮我们看清复杂世界的高维破局法。戴上耳机，咱们马上出发！
00:00:39 当AI越来越像真正的人，我们该如何给它做一场“动态体检”？
00:04:58 为什么“赢在起跑线”可能是一种错觉？
00:09:59 换个身体，你还会走路吗？人工智能正在经历一场“肉身”革命
00:14:22 别再用“战术上的勤奋”掩盖“战略上的懒惰”，AI教给我们的破局心法
00:18:56 放弃“筛选”思维，拥抱“改造”逻辑，从底层原理看破局之道
本期介绍的几篇论文：
[AI] CART: Closed-Loop Adaptive Red Teaming for Large Language Models
[Microsoft Research]
https://arxiv.org/abs/2609.27336
---
[RO] The Gaussian Is Enough: Flow-Matching Priors Do Not Help When Fine-Tuning Large Behavior Models
[Toyota Research Institute & Woven by Toyota & Cornell University]
https://arxiv.org/abs/2609.27070
---
[RO] Intelligence Across Embodiments
[Stanford University & University of California San Diego & Sudo AI GmbH]
https://arxiv.org/abs/2609.27095
---
[CL] Planned Test-Time Scaling with Coordinated Reasoning Paths
[University of California, Los Angeles]
https://arxiv.org/abs/2609.27374
---
[LG] WTF?! Simulation-Free Reinforcement Learning with Wasserstein-Tilted Flow Maps
[University of Oxford & CMU]
https://arxiv.org/abs/2609.27033

在小宇宙查看该单集文稿

如果AI不再靠“题海战术”，用小教练就能撬动超级大脑，甚至1024个AI在没有老板的情况下能自发组织协作，世界会变成怎样？本期节目，我们将深入最新论文，带你围观AI何时在靠写步骤“装模作样”、何时又是真正的“思维承重”。我们还会看到懂编程的Agent如何用上帝视角的统计反思秒杀盲目试错，以及科学家怎样用精妙的“套娃归因”在千亿神经元里一秒揪出掌权者。5篇最新论文，带你穿透技术黑盒，看清智能进化照见的人类认知与协作智慧！
00:00:40 别让聪明的大脑陷入“题海战术”，一次关于AI重塑思考方式的启示
00:05:25 放弃“超级大脑”的执念，当1024个AI决定自己管理自己，真正的启发来了
00:10:19 AI写的“解题步骤”，到底是真思考还是在做戏？
00:16:42 别再盲目试错了，跳出局部陷阱的“上帝视角”工作法
00:20:53 如何在一个极其复杂的系统里，精准揪出那个“说了算”的人？
本期介绍的几篇论文：
[CL] Beyond Repeated Sampling: Learning Search Policies for LLM Reasoning
[Meta FAIR & Université Paris-Sacla]
https://arxiv.org/abs/2609.26704
---
[CL] Agensh: Scaling Organizational Intelligence to 1,024 Agents
[Microsoft Research]
https://arxiv.org/abs/2609.26781
---
[AI] From Decorative to Load-Bearing: Task Difficulty Shapes the Causal Role of Chain-of-Thought
[Cornell University & CMU]
https://arxiv.org/abs/2609.25366
---
[AI] Coding Agents are Strong Prompt Optimizers
[Microsoft]
https://arxiv.org/abs/2609.26261
---
[CL] Matryoshka attribution: Learning to attribute language model outputs to representations and weights
[Stanford University]
https://arxiv.org/abs/2609.25518

在小宇宙查看该单集文稿