AI可可AI生活

想知道AI如何学会“看眼色”举一反三吗？本期，我们将一起揭秘几篇最新论文，看看AI如何像有了“变速箱”一样动态切换快慢刀，又如何通过“智能菜谱”让机器人学会干活。我们还会聊聊如何给AI一张“认知体检表”来衡量它的真实水平，以及它那套偷偷学会的“省钱”妙招。准备好了吗？让我们一探究竟！
00:00:34 AI如何学会“看眼色”，一个关于举一反三的发现
00:05:43 机器人后空翻都会，为什么还不会端茶倒水？
00:11:28 AI的“变速箱”，什么时候该用牛刀？
00:17:29 给AI一张体检表，我们离通用人工智能还有多远？
00:23:00 你的AI，正在偷偷学会“省钱”
本期介绍的几篇论文：
[LG] Fine-Tuning Dynamics of In-Context Factual Recall in Transformers
[Duke University & Princeton University & UC Berkeley]
https://arxiv.org/abs/2605.27774
---
[RO] HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning
[NVIDIA]
https://arxiv.org/abs/2605.27724
---
[LG] Multi-Mixer Models: Flexible Sequence Modeling with Shared Representations
[CMU & Google Research]
https://arxiv.org/abs/2605.28769
---
[AI] Measuring Progress Toward AGI: A Cognitive Framework
[Google DeepMind]
https://arxiv.org/abs/2605.28405
---
[LG] Meta-Attention: Bayesian Per-Token Routing for Efficient Transformer Inference
[Knowledge Lab AG]
https://arxiv.org/abs/2605.28384

在小宇宙查看该单集文稿

你有没有想过，一个AI要怎样才能真正“看懂”世界，而不是假装看懂？本期节目，我们将从一篇最新论文出发，揭示一个简单的“高斯沙堆”如何帮助AI解开世界的本质。紧接着，我们会看到AI如何像武林高手一样“左右互搏”，在没有老师的情况下实现自我进化。然后，我们将探索一个能预测AI未来的“万能公式”，并直面AI的“诚信危机”，看看如何用一条“证据链”让它变得可信。最后，我们会发现，为了让你的手机变得更聪明，AI正在悄悄组建一个“专家委员会”。
00:00:42 想让AI看懂世界？你只需要一个高斯分布
00:06:30 不用老师，AI怎么自己考上大学？
00:12:21 增长的“万能公式”，如何科学地预测你的下一步？
00:19:27 AI的诚信危机，我们如何相信一个“超级大脑”？
00:25:58 你的手机，为什么要养一个“专家委员会”？
本期介绍的几篇论文：
[LG] When Does LeJEPA Learn a World Model?
[Cold Spring Harbor Laboratory & New York University & Brown University]
https://arxiv.org/abs/2605.26379
---
[CL] Self-Verified Distillation: Your Language Model Is Secretly Its Own Synthetic Data Pipeline
[Stanford University]
https://arxiv.org/abs/2605.26132
---
[LG] Unified Neural Scaling Laws
[Mila, University of Montreal & Google DeepMind]
https://arxiv.org/abs/2605.26248
---
[AI] ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence
[Google Cloud AI Research]
https://arxiv.org/abs/2605.26340
---
[LG] MobileMoE: Scaling On-Device Mixture of Experts
[Meta AI]
https://arxiv.org/abs/2605.27358

在小宇宙查看该单集文稿

你有没有想过，AI不仅能成为拉平世界教育鸿沟的“私教”，还能化身为你专属的“出题官”？这一期，我们将一起探索几篇有趣的最新论文，看看AI是如何从一个“大力出奇迹”的炼丹师，进化为懂得因果科学的工程师。我们还会揭示一个惊人发现：高效的AI可能一直在“假装”认真阅读，而我们用来测试它速度的秒表，甚至可能一直在“欺骗”我们！
00:00:32 你的AI私教，正在悄悄拉平世界
00:06:58 想造好AI？可能得先补上这门“因果课”
00:12:42 AI读长文太慢？也许它一直在“假装”认真
00:18:28 你的私人出题官，是怎么炼成的？
00:23:55 你的AI有多快？小心，你的秒表可能在骗你
本期介绍的几篇论文：
[AI] Human-AI Collaboration in Science at Scale: A Global Large-scale Randomized Field Experiment
[Northwestern Universit & Stanford University]
https://arxiv.org/abs/2605.24180
---
[LG] Causal methods for LLM development and evaluation
[MCML & CMU]
https://arxiv.org/abs/2605.25998
---
[LG] Inference Time Context Sparsity: Illusion or Opportunity?
[Rice University & UC Berkeley]
https://arxiv.org/abs/2605.24168
---
[AI] KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
[University of California, Santa Barbara & University of South Alabama]
https://arxiv.org/abs/2605.23933
---
[AI] Identifying and Mitigating Systemic Measurement Bias in Production LLM Inference Benchmarks
[Google]
https://arxiv.org/abs/2605.24217

在小宇宙查看该单集文稿

你有没有想过，为什么AI会越练越笨，甚至被人类“算计”？本期节目，我们将一口气解锁五篇最新论文带来的颠覆性思考：从用香农定律解释AI的“U型学习曲线”，到仅用一块显卡就能“调教”出听话的大模型；从赋予AI“底线思维”来应对未知风险，到让它写出“绝对正确”的关键代码；最后，我们还会看到AI如何从“看图识字”进化到真正“读懂规矩”。准备好，一场关于AI思维升级的风暴即将来临！
00:00:37 你的模型为什么越练越笨？
00:07:11 AI大模型调教指南，如何用一块显卡搞定？
00:12:44 面对“深不可测”的世界，AI如何做出明智选择？
00:18:45 AI开始写“绝对正确”的代码了
00:23:43 AI的新玩法，从“看图识字”到“读懂规矩”
本期介绍的几篇论文：
[LG] LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws
[ByteDance Seed]
https://arxiv.org/abs/2605.23901
---
[LG] Convex Optimization for Alignment and Preference Learning on a Single GPU
[Stanford University]
https://arxiv.org/abs/2605.23244
---
[LG] Infra-Bayesian Reinforcement Learning Agents Outperform Classical RL For Worst-Case Robustness
[Purdue University & CMU & WorldQuant University]
https://arxiv.org/abs/2605.23146
---
[AI] Inductive Deductive Synthesis: Enabling AI to Generate Formally Verified Systems
[UC Berkeley]
https://arxiv.org/abs/2605.23109
---
[CV] General Hazard Detection
[Swinburne University of Technology]
https://arxiv.org/abs/2605.23304

在小宇宙查看该单集文稿

想让AI变聪明，一定要把它做得更大、训练得更久吗？最新论文告诉我们，恰恰相反！今天我们要聊聊，如何通过为AI“挖一口深井”来代替疯狂“堆料”，如何给它一颗“后悔药”让小模型也能超越巨无霸。我们还会揭秘AI训练的“快进键”是如何实现的，以及如何给AI一份“世界地图”和一位“高手陪练”，让它拥有永不枯竭的好奇心和可被预测的光明未来。
00:00:35 人工智能“开窍”的秘密，与其堆料，不如挖井
00:05:53 给机器一颗“后悔药”，小模型如何反超大模型？
00:12:02 AI训练的“快进键”，为什么只练开头就能猜到结尾？
00:17:12 AI“路痴”自救指南，如何拥有永不枯竭的好奇心
00:23:16 AI养成记，如何给一个“笨”模型当好陪练？
本期介绍的几篇论文：
[LG] Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning
[CMU]
https://arxiv.org/abs/2605.21488
---
[AI] Probabilistic Tiny Recursive Model
[Mila – Quebec AI Institute]
https://arxiv.org/abs/2605.19943
---
[LG] You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories
[University of Virginia]
https://arxiv.org/abs/2605.21468
---
[LG] Remember to be Curious: Episodic Context and Persistent Worlds for 3D Exploration
[University of Toronto & UC Berkeley & Wayve]
https://arxiv.org/abs/2605.22814
---
[CL] Forecasting Downstream Performance of LLMs With Proxy Metrics
[Mila – Quebec AI Institute & McGill University]
https://arxiv.org/abs/2605.18607

在小宇宙查看该单集文稿