AI可可AI生活

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

你有没有想过，AI变聪明，除了靠“大力出奇迹”的蛮力，还能不能靠“四两拨千斤”的巧劲？本期节目，我们将一起探寻几篇最新论文带来的奇妙思路：看AI如何用更精巧的大脑结构深度思考，如何拥有一把防止跑偏的多维度“罗盘”，又如何像我们一样分身“脑暴”探索多种可能。我们甚至会看到，AI如何学会“过日子”，成为一个既懂创作又懂节约的默契搭档，这一切，都要从一块小小的玻璃说起。
00:00:37 AI新物种，有一种聪明，不是靠“蛮力”
00:06:37 AI对齐的“罗盘”，如何让模型不跑偏？
00:12:44 不想只走一条路？AI的“概率性思考”新玩法
00:17:59 鱼和熊掌，计算机如何看清一块玻璃？
00:22:33 你的音乐搭档，不止会创作，更会“过日子”
本期介绍的几篇论文：
[CL] HRM-Text: Efficient Pretraining Beyond Scaling
[Sapient Intelligence & MIT]
https://arxiv.org/abs/2605.20613
---
[LG] General Preference Reinforcement Learning
[Stanford University & The University of Oklahoma]
https://arxiv.org/abs/2605.18721
---
[AI] Generative Recursive Reasoning
[KAIST]
https://arxiv.org/abs/2605.19376
---
[CV] RT-Splatting: Joint Reflection-Transmission Modeling with Gaussian Splatting
[Peking University]
https://arxiv.org/abs/2605.18263
---
[AS] Stable Audio 3
[Stability AI]
https://arxiv.org/abs/2605.17991

在小宇宙查看该单集文稿

你有没有想过，一个更聪明的AI，也许并不需要更大的体量，而是需要更精巧的设计？本期节目，我们将从五篇最新论文出发，揭示AI智慧的内部运作：看AI如何为自己的记忆装上独立的“铅笔和橡皮”；又是如何像系着安全绳的“醉汉”一样，去挑战顶尖的数学难题。我们还会探讨AI如何拥有一个“大脑CEO”来决定何时“烧脑”，以及在一场模型间的“偷师”攻防战中，如何才能守住核心秘籍。最后，你会发现，原来喂给AI的第一张“地图”，就早已决定了它能看多远。
00:00:42 AI的记忆难题，一支笔和一个橡皮擦
00:06:17 AI当助教，数学家离“下岗”还有多远？
00:11:55 你的大脑，如何决定何时“烧脑”？
00:16:46 聪明人是如何“偷”老师的武功秘籍的？
00:23:15 喂给AI的“地图”，决定了它能看多远
本期介绍的几篇论文：
[LG] Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention
[NVIDIA]
https://arxiv.org/abs/2605.22791
---
[AI] Advancing Mathematics Research with AI-Driven Formal Proof Search
[Google DeepMind]
https://arxiv.org/abs/2605.22763
---
[CL] Efficient Agentic Reasoning Through Self-Regulated Simulative Planning
[Institute of Foundation Models (IFM) & CMU]
https://arxiv.org/abs/2605.22138
---
[LG] The Distillation Game: Adaptive Attacks & Efficient Defenses
[Stanford University & Toyota Technological Institute at Chicago]
https://arxiv.org/abs/2605.22737
---
[LG] Lost in Tokenization: Fundamental Trade-offs in Graph Tokenization for Transformers
[Meta AI & New York University & Harvard University]
https://arxiv.org/abs/2605.22471

在小宇宙查看该单集文稿

你有没有想过，一个AI不仅能成为科学家的“超级大脑”，还能像人一样“反思”自己学得好不好？本期节目，我们将从五篇最新的AI论文出发，揭秘AI如何通过“人机协作”加速科学发现，却又可能因为追求“差不多”而酿成大错；同时我们也会探讨，为何你请的AI“演员”可能演着演着就换了人，以及我们最终如何才能让AI调配出一碗最懂你的“光谱靓汤”。
00:00:33 给牛顿一个AI，科学会快多少？
00:07:11 AI训练场上的“反思怪”，一条更聪明的成长路径
00:12:36 AI的“差不多”，为什么会酿成大错？
00:18:28 为什么你请的AI“演员”，可能演着演着就换人了？
00:25:25 想让AI懂你？试试给它煲一锅“光谱靓汤”
本期介绍的几篇论文：
[AI] A multi-agent system for automating scientific discovery
[FutureHouse]
https://www.nature.com/articles/s41586-026-10652-y
---
[LG] Introspective X Training: Feedback Conditioning Improves Scaling Across all LLM Training Stages
[NVIDIA]
https://arxiv.org/abs/2605.20285
---
[LG] Mechanisms of Misgeneralization in Physical Sequence Modeling
[Harvard College & Microsoft & Comcast AI]
https://arxiv.org/abs/2605.20299
---
[CL] The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study
[Google DeepMind]
https://arxiv.org/abs/2605.20767
---
[LG] Spectral Souping: A Unified Framework for Online Preference Alignment
[Google DeepMind & Google Research]
https://arxiv.org/abs/2605.20408

在小宇宙查看该单集文稿