AI可可AI生活

你是否想过，AI不仅能让你“看电影”，还能让你亲自走进画面里“玩世界”？你是否好奇，AI如何像笔迹专家一样，通过分析你鼠标的微小轨迹，就揪出游戏里的作弊玩家？本期节目，我们将一同见证AI的几场关键进化：看它如何从一个不靠谱的助理，变身成懂得主动提问的神队友；如何从一个全能大脑，分化成一个分工明确的数据分析团队；以及，如何通过精准的“抽脂”手术，在学习之初就剔除掉那些我们不希望它掌握的知识。准备好了吗？让我们即刻出发！
00:00:40 从“看电影”到“玩世界”，AI的下一站是什么？
00:07:25 你瞄准的动作，出卖了你
00:13:27 让AI学会提问，不靠谱的助理如何变身神队友？
00:18:42 给你的生意，请一个AI数据分析团队
00:23:51 AI“减肥”新思路，如何实现精准“抽脂”？
本期介绍的几篇论文：
[CV] Advancing Open-source World Models
[Robbyant Team]
https://arxiv.org/abs/2601.20540
---
[LG] XGuardian: Towards Explainable and Generalized AI Anti-Cheat on FPS Games
[The University of Hong Kong]
https://arxiv.org/abs/2601.18068
---
[LG] Teaching LLMs to Ask: Self-Querying Category-Theoretic Planning for Under-Specified Reasoning
[Stanford University]
https://arxiv.org/abs/2601.20014
---
[CL] Insight Agents: An LLM-Based Multi-Agent System for Data Insights
[Amazon]
https://arxiv.org/abs/2601.20048
---
[LG] Shaping capabilities with token-level data filtering
[Anthropic]
https://arxiv.org/abs/2601.21571

今天我们来聊一个有点“扎心”又特别重要的话题。AI这根“拐杖”，会不会让我们忘了怎么走路？当我们把思考和决策悄悄“外包”给AI时，到底谁说了算？最新论文用实验揭示，我们的大脑可能真的在“生锈”。但别担心，我们也会看到AI自身的进化——科学家们正教它学会像人脑一样“偷懒”，甚至给它配了个“教练”，让它从“大力出奇迹”迈向“聪明地使劲”。这期节目，我们一起看看AI如何改变我们，以及我们如何让AI变得更聪明。
00:00:38 AI这根“拐杖”，正在让你忘了怎么走路吗？
00:07:08 大模型有个“天生缺陷”，我们该如何修复它？
00:13:47 我们的大脑，正在悄悄外包吗？
00:19:09 AI大模型，能不能学学人脑的“偷懒”智慧？
00:25:25 AI训练，如何从「大力出奇迹」到「聪明地使劲」？
本期介绍的几篇论文：
[AI] How AI Impacts Skill Formation
[Anthropic]
https://arxiv.org/abs/2601.20245
---
[CL] Zonkey: A Hierarchical Diffusion Language Model with Differentiable Tokenization and Probabilistic Attention
[A Rozental]
https://arxiv.org/abs/2601.21768
---
[AI] Who's in Charge? Disempowerment Patterns in Real-World LLM Usage
[Anthropic & ACS Research Group & University of Toronto]
https://arxiv.org/abs/2601.19062
---
[LG] Resonant Sparse Geometry Networks
[University of Arkansa]
https://arxiv.org/abs/2601.18064
---
[LG] Value-Based Pre-Training with Downstream Feedback
[CMU]
https://arxiv.org/abs/2601.22108

我们总在惊叹AI变得多聪明，但你有没有想过，我们该如何从根基上，打造一个学得更快、身形更巧、感知更敏锐、评价更科学，甚至能自我进化的AI呢？本期节目，我们将通过五篇最新的AI论文，一次性揭开这些秘密。我们会聊聊AI学习速度原来只有四个“档位”；探讨如何给大模型“减肥”却不牺牲效果；见证AI如何拥有“听声辨位”的超能力；学习如何给眼花缭乱的AI科学地“排座次”；最后，我们还会看到一个“博士生”AI是如何手把手教出一个更聪明的“小学生”AI的。准备好了吗？让我们即刻出发，探索AI的底层构造蓝图。
00:00:45 人工智能学习的速度，原来只有四档
00:07:40 AI减肥记，如何不花钱还把活干好？
00:13:35 AI的“听声辨位”，我们离《三体》里的智子还有多远？
00:19:43 给AI大模型排座次，你信的榜单可能用错了尺子
00:26:35 让AI自己教自己，我们如何从根上培养一个更聪明的模型？
本期介绍的几篇论文：
[LG] A Theory of Universal Agnostic Learning
[Purdue University & Technion and Google Research]
https://arxiv.org/abs/2601.20961
---
[CL] ECO: Quantized Training without Full-Precision Master Weights
[Google Research & ISTA]
https://arxiv.org/abs/2601.22101
---
[AS] PhaseCoder: Microphone Geometry-Agnostic Spatial Audio Understanding for Multimodal LLMs
[Google DeepMind & Google AR]
https://arxiv.org/abs/2601.21124
---
[LG] Nonparametric LLM Evaluation from Preference Data
[LMU Munich & CMU & University of Cambridge]
https://arxiv.org/abs/2601.21816
---
[CL] Self-Improving Pretraining: using post-trained models to pretrain better models
[FAIR at Meta]
https://arxiv.org/abs/2601.21343

今天我们来聊聊AI的“内心世界”：我们找到了那把能解锁所有学习方法的“万能钥匙”，却也发现AI的“人格”竟会随着对话见风使舵。我们试图让它像生物一样“进化”，却不小心让它患上了“灾难性遗忘症”。面对越来越强的AI，我们这些“菜鸟裁判”又该如何确保它的诚实？最后，我们会发现，让AI飞速成长的秘诀，可能不是好评，而是一份详尽的“错误报告”。
00:00:32 人工智能的“万能钥匙”藏在哪？
00:06:34 AI的“人格”，为什么聊着聊着就变了？
00:11:47 AI的“进化”陷阱，为什么学得越多，忘得越快？
00:16:47 菜鸟裁判，如何拿捏顶尖高手？
00:21:48 差评，好评，不如一份详细的“错误报告”
本期介绍的几篇论文：
[LG] Spectral Ghost in Representation Learning: from Component Analysis to Self-Supervised Learning
[Google DeepMind & Harvard University]
https://arxiv.org/abs/2601.20154
---
[CL] Linear representations in language models can change dramatically over a conversation
[Google DeepMind]
https://arxiv.org/abs/2601.20834
---
[LG] Evolutionary Strategies lead to Catastrophic Forgetting in LLMs
[UC Berkeley]
https://arxiv.org/abs/2601.20861
---
[LG] Truthfulness Despite Weak Supervision: Evaluating and Training LLMs Using Peer Prediction
[UC Berkeley]
https://arxiv.org/abs/2601.20299
---
[LG] Reinforcement Learning via Self-Distillation
[ETH Zurich]
https://arxiv.org/abs/2601.20802

今天我们不聊AI又在哪项测试里拿了第一，而是要深入AI的“内心世界”，探讨几个更根本的问题。我们能否像一位老道的教师一样，精准预测一个AI模型的未来潜力？当AI学生比裁判更聪明时，我们看到的排行榜还有意义吗？甚至，AI在学习解题时，会不会被悄悄植入“思想钢印”，学会一些它本不该知道的东西？本期节目，我们将从几篇最新论文出发，一起探索AI如何审视、学习和超越自我。
00:00:35 AI算命师，我们能预测模型的未来吗？
00:06:34 你的第一名，可能只是因为裁判不够格
00:11:47 AI世界的“思想钢印”，一份免费午餐背后的隐秘风险
00:17:45 高手过招，用“抽象”这把万能钥匙开锁
00:24:00 AI的“中年危机”，如何持续学习不掉队？
本期介绍的几篇论文：
[LG] Neural Neural Scaling Laws
[New York University]
https://arxiv.org/abs/2601.19831
---
[LG] Benchmarks Saturate When The Model Gets Smarter Than The Judge
[Vrije Universiteit Brussel]
https://arxiv.org/abs/2601.19532
---
[LG] Thought-Transfer: Indirect Targeted Poisoning Attacks on Chain-of-Thought Reasoning Models
[Northeastern University & University of Cambridge & Google DeepMind]
https://arxiv.org/abs/2601.19061
---
[LG] Axe: A Simple Unified Layout Abstraction for Machine Learning Compilers
[CMU & Shanghai Jiao Tong University & NVIDIA]
https://arxiv.org/abs/2601.19092
---
[LG] Self-Distillation Enables Continual Learning
[MIT & ETH Zurich]
https://arxiv.org/abs/2601.19897