AI可可AI生活

今天我们要聊聊，如何让AI变得更快、更聪明，甚至更“会过日子”和更“懂合作”。我们将一起探索，怎样用一种巧妙的修剪方法，让AI的信息地图建造速度提升十几倍；又如何给AI大脑动个“小手术”，打通它的多步推理思路。我们还会发现，AI不仅能看着YouTube的“野生”视频自己学会开车，还能像个精明的项目经理一样，把预算花在刀刃上。最后，我们将见证AI如何在一个游戏世界里，第一次学会“换位思考”，理解一个由我们共同构成的现实。
00:00:40 你的AI为什么“反应慢”？问题可能出在建图上
00:06:29 给AI大脑动个“小手术”
00:11:59 AI学车的新思路，让YouTube当免费教练
00:17:32 AI的省钱之道，把钱花在刀刃上
00:22:37 AI学会了“换位思考”，世界会有什么不同？
本期介绍的几篇论文：
[IR] PiPNN: Ultra-Scalable Graph-Based Nearest Neighbor Indexing
[UMD & Google Research]
https://arxiv.org/abs/2602.21247
---
[LG] Interleaved Head Attention
[Meta & UT Austin & MIT]
https://arxiv.org/abs/2602.21371
---
[CV] Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos
[Applied Intuition & Stanford University & UC Berkeley]
https://arxiv.org/abs/2602.22091
---
[CL] Budget-Aware Agentic Routing via Boundary-Guided Training
[University of Cambridge & M365 Research, Microsoft]
https://arxiv.org/abs/2602.21227
---
[CV] Solaris: Building a Multiplayer Video World Model in Minecraft
[New York University]
https://arxiv.org/abs/2602.22208

你有没有想过，一个AI不仅能像数学家一样独立完成研究，甚至还懂得在解不出来时保持诚实的沉默？本期节目，我们将一起探讨几篇最新论文，看看AI是如何学会像高手一样复盘反思，又是如何通过一本“智慧手册”让“笨徒弟”秒变“老师傅”的。我们还会聊聊，当机器人从虚拟世界来到现实时为何会“水土不服”，以及最令人警醒的——AI为何正在变成一个记性太好、管不住嘴的“信息鹦鹉”。准备好了吗？让我们一起出发！
00:00:38 机器已经能独立做数学研究了？
00:04:23 “聪明人”和普通人的差距，就看会不会犯错
00:10:32 机器人教练的私房秘籍：为什么从虚拟世界“毕业”的机器人，到了现实反而变笨了？
00:17:07 不用换脑子：如何让“笨徒弟”秒变“老师傅”？
00:22:13 AI正在变成一个“碎嘴的八婆”？
本期介绍的几篇论文：
[LG] Aletheia tackles FirstProof autonomously
[Google DeepMind]
https://arxiv.org/abs/2602.21201
---
[LG] Learning from Trials and Errors: Reflective Test-Time Planning for Embodied LLMs
[Stanford University & Northwestern University]
https://arxiv.org/abs/2602.21198
---
[RO] What Matters for Simulation to Online Reinforcement Learning on Real Robots
[ETH Zurich & Google DeepMind]
https://arxiv.org/abs/2602.20220
---
[CL] Prompt-Level Distillation: A Non-Parametric Alternative to Model Fine-Tuning for Efficient Reasoning
[Google]
https://arxiv.org/abs/2602.21103
---
[CL] Personal Information Parroting in Language Models
[CMU & University of Washington]
https://arxiv.org/abs/2602.20580

今天我们聊一个特别有意思的话题：怎么让聪明的AI变得更有“智慧”？本期节目，我们将通过几篇最新的论文发现，AI正从“苦力”进化为“智囊”。我们将看到，AI如何学会“谋定而后动”，不再急于求成；如何通过“脑补”来规划复杂任务，而不是单靠蛮力；甚至，它还学会了通过提出一个好的“垫脚石”问题来启发自己，并且领悟到“少即是多”，适当放慢节奏反而效率更高。准备好了吗？让我们一起探索AI智慧进化的奥秘。
00:00:39 AI进化论，从“大力出奇迹”到“谋定而后动”
00:06:24 让AI学会“打配合”，我们能从中学到什么？
00:12:44 高手过招，为何要先问个“笨”问题？
00:17:36 成大事者，不靠蛮力靠“脑补”
00:23:00 最高级的效率，是懂得“慢半拍”
本期介绍的几篇论文：
[LG] K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model
[UC Berkeley]
https://arxiv.org/abs/2602.19128
---
[LG] AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization
[UC Berkeley]
https://arxiv.org/abs/2602.20133
---
[LG] Asking the Right Questions: Improving Reasoning with Generated Stepping Stones
[FAIR at Meta]
https://arxiv.org/abs/2602.19069
---
[LG] Compositional Planning with Jumpy World Models
[FAIR at Meta & Mila – Québec AI Institute]
https://arxiv.org/abs/2602.19634
---
[LG] Less is More: Convergence Benefits of Fewer Data Weight Updates over Longer Horizon
[Google Research & EPFL]
https://arxiv.org/abs/2602.19510

你有没有想过，一个真正聪明的系统，是靠什么取胜的？是靠暴力破解，还是另有巧思？本期节目，我们将一起探索AI世界里那些超越直觉的“神操作”：从一个“盲眼”的AI画家如何扔掉地图也能画出杰作，到聪明的AI如何不再执着于唯一的“最优解”，而是优雅地绘制出一整片“可能性地图”。我们还会看到，面对海量的基因天书和臃肿的模型，AI怎样学会了“抓重点”的智能压缩和“折叠而非砍掉”的瘦身术。最后，一个看似有点“笨”的方法，又为何能给AI大模型带来惊人的提速？准备好，让我们一起揭开这些最新论文中隐藏的智慧。
00:00:46 AI作画的秘密，为什么顶尖高手不需要地图？
00:07:17 最优解不止一个，如何优雅地“全都要”？
00:13:52 会抓重点的AI，如何阅读万卷基因天书
00:19:03 给AI模型瘦身，砍掉还是折叠？
00:23:27 最优不等于最适，一个“笨办法”如何给AI大模型提速
本期介绍的几篇论文：
[LG] The Geometry of Noise: Why Diffusion Models Don't Need Noise Conditioning
[Google]
https://arxiv.org/abs/2602.18428
---
[LG] MePoly: Max Entropy Polynomial Policy Optimization
[University of Michigan & UC Berkeley]
https://arxiv.org/abs/2602.17832
---
[LG] GeneZip: Region-Aware Compression for Long Context DNA Modeling
[Mila - Ouébec AI Institute]
https://arxiv.org/abs/2602.17739
---
[LG] Cut Less, Fold More: Model Compression through the Lens of Projection Geometry
[Graz University of Technology]
https://arxiv.org/abs/2602.18116
---
[LG] Dual Length Codes for Lossless Compression of BFloat16
[Google]
https://arxiv.org/abs/2602.17849

你有没有想过，AI也能像老师傅一样通过“动手试错”来解决难题，或者像刚入社会的年轻人一样，通过“混社会”学会与同伴合作？最新的一些论文告诉我们，让AI变聪明的秘诀，可能不是一味地堆算力，而是要教它学会“复盘”，帮它找到那张指挥自己的“隐藏地图”，甚至用“以小博大”的智慧，实现效率的飞跃。今天，就让我们一起探索AI如何学会像人一样思考和成长。
00:00:32 AI界的“刻意练习”，它如何像个老师傅一样解决难题？
00:05:57 想让AI变善良？让它多见见世面
00:11:08 AI的“隐藏地图”，为什么你总也指挥不好它？
00:16:19 AI预测这事，不一定非得大力出奇迹
00:21:29 AI怎样才能不犯“二过”？
本期介绍的几篇论文：
[LG] FAMOSE: A ReAct Approach to Automated Feature Discovery
[Amazon]
https://arxiv.org/abs/2602.17641
---
[LG] Multi-agent cooperation through in-context co-player inference
[Google]
https://arxiv.org/abs/2602.16301
---
[LG] The Information Geometry of Softmax: Probing and Steering
[University of Chicago& INSEAD]
https://arxiv.org/abs/2602.15293
---
[LG] Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting
[MIT & Allen Institute for AI & Qube Research & Technologies]
https://arxiv.org/abs/2602.17634
---
[LG] Experiential Reinforcement Learning
[University of Southern California & Microsoft & University of Pennsylvania]
https://arxiv.org/abs/2602.13949