AI可可AI生活

这一期，我们将一起探索AI如何学习几项“反直觉”的超能力。比如，我们如何像侦探一样，在万亿词汇的海洋中，通过“剪枝”的智慧揪出隐藏的线索？我们还会发现，造出一台好用的机器人，关键可能不是发明，而是像“攒电脑”一样集成；而一个更聪明的AI，核心竟然是学会清晰地认知“我不行”，并懂得何时“求助”。最后，我们会看到机器人如何在自己的“想象”中完成上万次试错，以及AI如何通过一次精准的“器官移植”手术，变得又轻又强。准备好了吗？让我们即刻出发！
00:00:42 你的每一次搜索，都在塑造AI的未来
00:06:52 造一台好机器人，关键可能不是“发明”，而是“攒”
00:12:00 聪明人的新技能，知道何时该“求助”
00:16:38 机器人怎样才能“脑补”出成功？
00:22:13 AI瘦身指南，聪明，原来不必那么“重”
本期介绍的几篇论文：
[CL] SoftMatcha 2: A Fast and Soft Pattern Matcher for Trillion-Scale Corpora
[University of Tokyo & Kyoto University & Graduate University for Advanced Studie]
https://arxiv.org/abs/2602.10908
---
[RO] YOR: Your Own Mobile Manipulator for Generalizable Robotics
[New York University]
https://arxiv.org/abs/2602.11150
---
[CL] LaCy: What Small Language Models Can and Should Learn is Not Just a Question of Loss
[Apple]
https://arxiv.org/abs/2602.12005
---
[RO] RISE: Self-Improving Robot Policy with Compositional World Model
[The Chinese University of Hong Kong & Kinetix AI]
https://arxiv.org/abs/2602.11075
---
[LG] Retrieval-Aware Distillation for Transformer-SSM Hybrids
[CMU]
https://arxiv.org/abs/2602.11374

你有没有想过，AI的“内心独白”我们能听懂吗？当AI像“包工头”一样开始互相派活，我们又该如何自处？本期节目，我们将一口气深入5篇最新论文，看看AI如何从“死记硬背”进化到“举一反三”，并揭示出决定它成长速度的秘密，竟然藏在语言自身的那张“地图”里。我们会发现，无论是AI的内心状态、协作模式还是成长法则，背后都隐藏着一些我们曾经忽略的简单规则。
00:00:34 AI的“内心独白”，我们能听懂吗？
00:06:44 AI打工人的时代，我们如何当好“包工头”？
00:15:22 高手之路，AI如何从“死记硬背”到“举一反三”
00:21:58 AI作画走不通？可能只是导航用错了地图
00:00 AI的成长秘籍，藏在语言自身里的那张地图
本期介绍的几篇论文：
[CL] When Models Examine Themselves: Vocabulary-Activation Correspondence in Self-Referential Processing
https://arxiv.org/abs/2602.11358
---
[AI] Intelligent AI Delegation
[Google DeepMind]
https://arxiv.org/abs/2602.11865
---
[LG] SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning
[UNC-Chapel Hill]
https://arxiv.org/abs/2602.08234
---
[LG] Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders
[Johns Hopkins University]
https://arxiv.org/abs/2602.10099
---
[LG] Deriving Neural Scaling Laws from the statistics of natural language
[SISSA & Stanford University]
https://arxiv.org/abs/2602.07488

想知道如何把临时指令“刻”进AI的大脑，让它拥有真正的肌肉记忆吗？我们又该如何教AI学会“抄近道”，一步生成作品，而不是慢慢搭建？本期节目，我们将深入最新论文，探讨如何让AI不仅做对事，更要想对事，并揭示在调教AI时，那些我们习以为常却可能导致它“偏执”或“精神分裂”的惊人误区。
00:00:28 AI的“肌肉记忆”是怎么炼成的？
00:05:48 造物，如何抄近道？
00:11:04 AI调教指南，你以为的，不是你以为的
00:17:32 比做对事更重要的，是想对事
00:22:45 AI调教指南，为什么你喂得越多，它可能变得越偏执
本期介绍的几篇论文：
[CL] On-Policy Context Distillation for Language Models
[Microsoft Research]
https://arxiv.org/abs/2602.12275
---
[LG] Categorical Flow Maps
[University of Amsterdam & University of Oxford]
https://arxiv.org/abs/2602.12233
---
[LG] The Magic Correlations: Understanding Knowledge Transfer from Pretraining to Supervised Fine-Tuning
[Google DeepMind & Google Research]
https://arxiv.org/abs/2602.11217
---
[LG] Right for the Wrong Reasons: Epistemic Regret Minimization for Causal Rung Collapse in LLMs
[Stanford University]
https://arxiv.org/abs/2602.11675
---
[LG] How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics
[PSL Research University & Northwestern University]
https://arxiv.org/abs/2602.12180

你有没有想过，那个能解开奥数难题的AI，可能连小学生的加法都会算错？这一期，我们就来深入AI的“脑回路”，看看它如何像一个真正的数学家那样自主探索未知，又如何像一个“AI工程师”一样实现自我进化。我们还会揭示，为什么让机器人学会“偷懒”和使用“小抄”，才是让它走向我们物理世界的关键一步。准备好了吗？让我们一起出发，探索这些最新论文背后，那个既熟悉又陌生的AI心智。
00:00:35 AI成了数学家，然后呢？
00:05:49 AI，一个能解奥数题，却不会列竖式的小天才
00:11:13 你的手机，正在悄悄招聘一位AI工程师
00:17:57 给AI当军师，我们能不算卦就预知未来吗？
00:24:09 你的世界，其实只需要一个“小抄”
本期介绍的几篇论文：
[LG] Towards Autonomous Mathematics Research
[Google DeepMind]
https://arxiv.org/abs/2602.10177
---
[LG] AI-rithmetic
[Google]
https://arxiv.org/abs/2602.10416
---
[LG] Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents
[Google]
https://arxiv.org/abs/2602.10226
---
[LG] Configuration-to-Performance Scaling Law with Neural Ansatz
[Tsinghua University & Stanford University]
https://arxiv.org/abs/2602.10300
---
[LG] Affordances Enable Partial World Modeling with LLMs
[Google Deepmind]
https://arxiv.org/abs/2602.10390

今天我们要聊一个特别有意思的话题：如何“看透”AI并让它变得更好？我们将通过几篇最新论文，揭示一些反常识的智慧：比如，有时让AI“盲目”一点，它反而画得更好；想让它变聪明，关键可能不是“教”得多，而是“教”得巧。我们还会看到，攻击AI的最高境界，可能不是塞给它坏东西，而是对好东西做一次肉眼看不见的“微创手术”！
00:00:31 AI“投毒”新姿势，不是塞坏东西，而是让好人变坏
00:07:00 让AI变聪明的秘密，不是加法，是减法
00:11:29 AI的瘦身难题，如何高效地“抓重点”？
00:17:14 AI的“思想慢镜头”，我们如何看懂它在想什么？
00:22:54 AI绘画新思路，有时候，少即是多
本期介绍的几篇论文：
[LG] Infusion: Shaping Model Behavior by Editing Training Data via Influence Functions
[University of Oxford & UCL]
https://arxiv.org/abs/2602.09987
---
[CL] Effective Reasoning Chains Reduce Intrinsic Dimensionality
[Google DeepMind & UNC Chapel Hill]
https://arxiv.org/abs/2602.09276
---
[LG] WildCat: Near-Linear Attention in Theory and Practice
[Imperial College London & Microsoft Research]
https://arxiv.org/abs/2602.10056
---
[LG] Step-resolved data attribution for looped transformers
[University of Potsdam & Technical University of Munich & MunichHarvard University]
https://arxiv.org/abs/2602.10097
---
[LG] Blind denoising diffusion models and the blessings of dimensionality
[Simons Foundation & Yale University]
https://arxiv.org/abs/2602.09639