AI可可AI生活

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

你有没有想过，聪明的AI也需要“成本意识”来做决策吗？本期内容，我们将一起探索几篇有趣的最新论文。我们会看到AI如何像精明的生意人一样学会“算账”，又如何像严谨的科学家一样，在未知领域做出有“误差保证”的可靠预测。接着，我们会发现AI绘画的新玩法，它竟然像是在玩一场二进制的填字游戏。最后，我们将揭秘，打造一个跑酷机器人高手，原来只需要聪明的“三步走”。准备好了吗？让我们一起出发！
00:00:27 聪明人，更懂算账，AI决策的“成本意识”是怎么炼成的？
00:06:21 AI算命，如何从“猜”到“算”？
00:12:38 AI绘画新思路，画画，其实是在玩填字游戏
00:17:38 造一个跑酷高手，分几步？
00:23:45 AI画画，如何从“猜”到“查”？
本期介绍的几篇论文：
[CL] Calibrate-Then-Act: Cost-Aware Exploration in LLM Agents
[New York University]
https://arxiv.org/abs/2602.16699
---
[LG] BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations
[Princeton University & Princeton Plasma Physics Laboratory]
https://arxiv.org/abs/2602.14853
---
[CV] BitDance: Scaling Autoregressive Generative Models with Binary Tokens
[ByteDance]
https://arxiv.org/abs/2602.14041
---
[RO] Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching
[Amazon FAR]
https://arxiv.org/abs/2602.15827
---
[CV] Image Generation with a Sphere Encoder
[Meta & University of Maryland]
https://arxiv.org/abs/2602.15030

你有没有想过，AI要怎样才能像我们一样，“脑补”出世界的立体样貌，而不是死记硬背照片？当AI进行创作时，它脑中的“草稿”怎样才算恰到好处？本期节目，我们将一起探索几篇最新论文，看看AI如何通过理解“关系”而非事实获得视觉，如何通过引入“陪练老师”和“参考答案”实现自我进化，甚至学会了将记忆内化为“肌肉记忆”的“断舍离”神功，以及像搭乐高一样构建自己的能力。
00:00:34 你的大脑如何“脑补”出整个世界？
00:07:02 AI绘画的“草稿”，怎么打才算恰到好处？
00:12:32 为什么最聪明的AI，要先学会“断舍离”？
00:17:38 乐高式AI，未来模型的正确拼法
00:23:06 AI进化的秘密，优等生的“参考答案”
本期介绍的几篇论文：
[CV] Human-level 3D shape perception emerges from multi-view learning
[UC Berkeley]
https://arxiv.org/abs/2602.17650
---
[LG] Unified Latents (UL): How to train your latents
[Google DeepMind Amsterdam]
https://arxiv.org/abs/2602.17270
---
[LG] Training Large Reasoning Models Efficiently via Progressive Thought Encoding
[Microsoft Research & University of Rochester]
https://arxiv.org/abs/2602.16839
---
[LG] A Theoretical Framework for Modular Learning of Robust Generative Models
[Google Research]
https://arxiv.org/abs/2602.17554
---
[CL] References Improve LLM Alignment in Non-Verifiable Domains
[Yale University & Meta]
https://arxiv.org/abs/2602.16802

我们总希望AI越来越聪明，但“聪明”的维度远比我们想象的要丰富。本期节目，我们将从几篇最新的论文出发，探讨如何让机器人拥有“脑补”未来的想象力，如何用“预算制”让AI大模型运行得更精明，以及如何通过“微创手术”找到并拨动AI的“脾气”开关。我们还会聊聊，怎样才能让AI不再当“杠精”，学会谦虚请教，并最终看清它“学富五车”背后的知识盲区。准备好了吗？让我们一起探索AI智能的全新疆界。
00:00:37 机器人学会了“脑补”，世界将有什么不同？
00:06:14 AI加速的“抠门”智慧，为什么顶尖高手都懂“预算”思维？
00:11:50 找到AI的“脾气”开关
00:16:56 别让AI当“杠精”，教它学会“请教”
00:21:56 为什么AI“学富五车”，却总在关键时刻掉链子？
本期介绍的几篇论文：
[RO] World Action Models are Zero-shot Policies
[NVIDIA]
https://arxiv.org/abs/2602.15922
---
[LG] MoE-Spec: Expert Budgeting for Efficient Speculative Decoding
[Meta Reality Labs & Franklin and Marshall College]
https://arxiv.org/abs/2602.16052
---
[CL] Surgical Activation Steering via Generative Causal Mediation
[MIT & Pr(AI)²R Group]
https://arxiv.org/abs/2602.16080
---
[CL] Learning to Learn from Language Feedback with Social Meta-Learning
[Google DeepMind]
https://arxiv.org/abs/2602.16488
---
[CL] Long-Tail Knowledge in Large Language Models: Taxonomy, Mechanisms, Interventions and Implications
[Google]
https://arxiv.org/abs/2602.16201

本期我们要聊聊AI世界里那些看似矛盾却充满智慧的最新发现。为什么教AI做好事，它反而会“变坏”？又该如何像做微创手术一样，只修正它的一个知识点而不破坏整体能力？我们还会探讨，为什么在训练中“刻意放手”让模型偷个懒，效果反而更好，以及我们该如何打开AI的“奖励黑箱”，看看它到底在偷偷学些什么。准备好了吗？让我们一起潜入AI思想的深海。
00:00:33 AI大模型军备竞赛，如何不做那个“冤大头”？
00:07:09 成长的捷径，学会“刻意放手”
00:12:52 好心办坏事，为什么训练AI做好事，它却变坏了？
00:18:46 如何给AI动手术，才能只切病灶不伤身？
00:24:37 打开AI的黑箱，它在偷偷学什么？
本期介绍的几篇论文：
[LG] Prescriptive Scaling Reveals the Evolution of Language Model Capabilities
[Harvard University & Stanford University]
https://arxiv.org/abs/2602.15327
---
[LG] On Surprising Effectiveness of Masking Updates in Adaptive Optimizers
[Google & Northwestern University]
https://arxiv.org/abs/2602.15322
---
[LG] The Geometry of Alignment Collapse: When Fine-Tuning Breaks Safety
[Princeton University]
https://arxiv.org/abs/2602.15799
---
[LG] CrispEdit: Low-Curvature Projections for Scalable Non-Destructive LLM Editing
[University of Southern California]
https://arxiv.org/abs/2602.15823
---
[LG] Discovering Implicit Large Language Model Alignment Objectives
[Stanford University]
https://arxiv.org/abs/2602.15338