AI的“内心世界”到底是什么样的？本期我们将一起打开AI的“黑箱”，看看它脑中的概念是不是像一张清晰的地图；它又是如何像玩乐高一样，用旧知识拼出新世界的？当AI学画画时，我们该给它请一位“博学”还是“懂行”的老师？又该怎样为它修一条又快又好的创作高速路？最后，我们还将探讨，如何让机器通过“抬杠”的方式，反过来帮我们理清自己的主观想法。

00:00:35 驯服“黑箱”：AI世界的一条极简法则

00:05:30 拼凑“旧知识”，创造“新世界”

00:10:22 AI绘画的“老师”，聪明和懂行哪个更重要？

00:15:48 造物者的新工具：AI画画怎样才能又快又好？

00:21:10 如何让机器学会你的“个人口味”？

本期介绍的几篇论文：

[LG] Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality

[CMU]

https://arxiv.org/abs/2512.10720

---

[LG] Learning by Analogy: A Causal Framework for Composition Generalization

[CMU & Amazon]

https://arxiv.org/abs/2512.10669

---

[CV] What matters for Representation Alignment: Global Information or Spatial Structure?

[Adobe Research & ANU]

https://arxiv.org/abs/2512.10794

---

[LG] Bidirectional Normalizing Flow: From Data to Noise and Back

[MIT]

https://arxiv.org/abs/2512.10953

---

[CV] Agile Deliberation: Concept Deliberation for Subjective Visual Classification

[Google Research]

https://arxiv.org/abs/2512.10821

你有没有想过，我们不仅能使用AI，还能看透它的“内心世界”吗？本期，我们将跟随几篇最新论文，扮演一次AI的建筑师、心理医生和侦探，看看如何重塑一个更省钱的推荐系统，如何看穿AI从无害信息中“悟”出的危险想法，以及如何用一把“手术刀”解剖并教会它举一反三。让我们一起出发！

00:00:28 推荐系统的大难题：如何让它更聪明，还更省钱？

00:05:59 你教AI画苹果，它却学会了当海盗

00:14:26 我们终于有了一把解剖AI的“手术刀”

00:20:44 AI侦探：你的模型到底跟谁学的？

00:27:06 教AI举一反三：为什么聪明的模型，一到考场就蒙圈？

本期介绍的几篇论文：

[IR] Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations  

[Meta AI]  

https://arxiv.org/abs/2512.09200 

---

[CL] Weird Generalization and Inductive Backdoors: New Ways to Corrupt LLMs  

[Truthful AI]  

https://arxiv.org/abs/2512.09742 

---

[LG] Provably Learning from Modern Language Models via Low Logit Rank  

[Microsoft Research & UC Berkeley & MIT]  

https://arxiv.org/abs/2512.09892 

---

[LG] Natural Geometry of Robust Data Attribution: From Convex Models to Deep Networks  

[The University of Texas at Austin]  

https://arxiv.org/abs/2512.09103 

---

[LG] Closing the Train-Test Gap in World Models for Gradient-Based Planning  

[Columbia University]  

https://arxiv.org/abs/2512.09929 

我们总以为AI越强，就意味着模型越大、思考越久，但今天我们要聊点不一样的。本期几篇最新论文告诉我们，AI有时也会“近视”，只看眼前；但它也能学会“团队作战”，把一个难题拆开并行处理。我们还会看到，AI画画不必等到最后一刻才知好坏，企业抓坏人也不再需要昂贵的“博士专家”。最后，我们会通过一个巧妙的实验，揭示学习的本质——有时，搭好“脚手架”比闷头苦练更重要。

00:00:35 大模型其实是“近视眼”？

00:05:36 从单核思考到团队作战：AI的效率革命

00:11:34 AI绘画的“中场战事”：如何省下一半力气，画出更好的图？

00:16:31 给你的网络安个“最强大脑”，但不用请博士

00:22:17 学习的“脚手架”：为什么“学会”比“做会”需要更多信息？

本期介绍的几篇论文：

[CL] Short-Context Dominance: How Much Local Context Natural Language Actually Needs?  

[University of British Columbia & Google DeepMind]  

https://arxiv.org/abs/2512.08082 

---

[LG] ThreadWeaver: Adaptive Threading for Efficient Parallel Reasoning in Language Models  

[Meta Superintelligence Labs (MSL)]  

https://arxiv.org/abs/2512.07843 

---

[CV] Beyond the Noise: Aligning Prompts with Latent Representations in Diffusion Models  

[NOVA University of Lisbon & Google Research]  

https://arxiv.org/abs/2512.08505 

---

[AI] Democratizing ML for Enterprise Security: A Self-Sustained Attack Detection Framework  

[Google LLC]  

https://arxiv.org/abs/2512.08802 

---

[LG] Using reinforcement learning to probe the role of feedback in skill acquisition  

[ETH Zürich]  

https://arxiv.org/abs/2512.08463 

本期节目，我们将一起探索AI智能的几种迷人形态。一个从没上过网的AI，如何靠“顿悟”来解题？一个摇摆不定的AI，如何被调教得“心中有谱”？一个笨学生，又是如何通过一套“教育学”秘籍，成为推理高手的？最后，我们还会聊聊如何给AI团队“动手”纠错，并用一把尺子精确量出它的“记忆深度”。准备好了吗？让我们一起出发！

00:00:31 造一个聪明的AI，需要喂它整个互联网吗？

00:07:16 告别左右摇摆：如何让机器学会有个“准星”？

00:12:27 如何把一个“笨学生”调教成解题高手？

00:19:59 别再当事后诸葛亮，试试“动手”来纠错

00:25:43 你的AI有多健忘？我们终于有了一把尺子

本期介绍的几篇论文：

[LG] ARC-AGI Without Pretraining

[CMU]

https://arxiv.org/abs/2512.06104

---

[LG] Average-reward reinforcement learning in semi-Markov decision processes via relative value iteration

[University of Alberta]

https://arxiv.org/abs/2512.06218

---

[CL] On the Interplay of Pre-Training, Mid-Training, and RL on Reasoning Language Models

[CMU]

https://arxiv.org/abs/2512.07783

---

[AI] DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems

[Microsoft & Chinese Academy of Sciences]

https://arxiv.org/abs/2512.06749

---

[LG] Quantifying Memory Use in Reinforcement Learning with Temporal Range

[MIT]

https://arxiv.org/abs/2512.06204

本期节目，我们将一起挑战几个关于AI的“想当然”：它真的无所不能，又或者只是个模式复读机？我们会发现，AI能反过来给人类科学论文“挑错”，但它自己预测的数据也可能布满陷阱。更进一步，我们将从逻辑的根源探讨机器创新的“天花板”，并揭示让AI实现“协调”与“自我进化”的巧妙新思路。

00:00:28 AI当监工：我们读的顶会论文，到底有多少bug？

00:05:55 你的AI为什么总“犯傻”？缺的不是智商，是“协调”

00:12:48 给AI的狂热泼一盆冷水：为什么机器无法真正创新？

00:19:44 AI预测的数据，是馅饼还是陷阱？

00:30:00 AI的自我修养：没有人类老师，它如何变得更聪明？

本期介绍的几篇论文：

[AI] To Err Is Human: Systematic Quantification of Errors in Published AI Papers via LLM Analysis

[Together AI & NEC Labs America]

https://arxiv.org/abs/2512.05925

---

[AI] The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics

[Stanford University]

https://arxiv.org/abs/2512.05765

---

[AI] On the Computability of Artificial General Intelligence

[N/A]

https://arxiv.org/abs/2512.05212

---

[LG] Do We Really Even Need Data? A Modern Look at Drawing Inference with Predicted Data

[Fred Hutchinson Cancer Center & University of Washington]

https://arxiv.org/abs/2512.05456

---

[CV] Self-Improving VLM Judges Without Human Annotations

[FAIR at Meta]

https://arxiv.org/abs/2512.05145

想让AI更聪明，为什么它有时反而会“学傻”？本期节目，我们将一起揭开AI训练中“差不多”哲学的代价，并探索如何为所有大模型打造一副省钱又省力的“万能骨架”。我们还会看到，有时只需给机器人加一点“噪声”，或者校准一下它看世界的“眼镜”，就能让它从新手秒变老司机。最后，我们将见证一个奇迹：如何让机器人看懂我们天马行空的“梦境”，将想象力直接翻译成物理世界的行动。

00:00:35 驯服AI这匹野马，问题出在了“差不多”上

00:07:43 给机器人加点“噪声”，它就变聪明了？这事没那么简单

00:14:08 怎么让机器人听懂你的想象力？

00:19:18 AI大模型们的“万能骨架”：省钱省力的秘密

00:23:03 机器人换个角度就犯傻？问题可能出在你没想到的地方

本期介绍的几篇论文：

[CL] Stabilizing Reinforcement Learning with LLMs: Formulation and Practices

[Qwen Team, Alibaba Inc.]

https://arxiv.org/abs/2512.01374

---

[RO] Much Ado About Noising: Dispelling the Myths of Generative Robotic Control

[CMU]

https://arxiv.org/abs/2512.01809

---

[RO] From Generated Human Videos to Physically Plausible Robot Trajectories

[UC Berkeley & Johannes Kepler University]

https://arxiv.org/abs/2512.05094

---

[LG] The Universal Weight Subspace Hypothesis

[Johns Hopkins University]

https://arxiv.org/abs/2512.05117

---

[RO] VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling

[Sun Yat-sen University]

https://arxiv.org/abs/2512.02902

今天我们不只关心AI有多强，而是要探索一些更深刻的问题。我们会看到，最适合汽车的AI，恰恰不是那个最强的“云端大脑”；我们会拿到一个“测谎仪”，去分辨AI何时在“一本正经地胡说八道”。接着，我们会用一张最残酷的考卷，揭示AI在“知识搬运”和“智慧创造”之间的巨大鸿沟。更进一步，我们将探讨一个令人深思的可能：我们感受到的社会撕裂，竟可能是一种被AI精心设计的产物。最后，我们再看看如何请一位“上帝视角”的教练，训练出能主动探索世界的机器人。

00:00:42 造车启示录：为什么最强的AI，不是最好的AI？

00:06:14 AI的“一本正经胡说八道”，我们终于有办法治它了

00:11:30 AI：一个既能干又“无能”的实习生

00:16:44 撕裂的社会，可能是一种“精心设计”

00:23:10 机器人学习新范式：带个“上帝视角”的教练

本期介绍的几篇论文：

[CL] AutoNeural: Co-Designing Vision-Language Models for NPU Inference

[Nexa AI & Geely Auto]

https://arxiv.org/abs/2512.02924

---

[LG] Detecting AI Hallucinations in Finance: An Information-Theoretic Method Cuts Hallucination Rate by 92%

[The Catholic University of America]

https://arxiv.org/abs/2512.03107

---

[CL] CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency

[Princeton University]

https://arxiv.org/abs/2512.00417

---

[AI] Polarization by Design: How Elites Could Shape Mass Preferences as AI Reduces Persuasion Costs

[University of Chicago]

https://arxiv.org/abs/2512.04047

---

[RO] Real-World Reinforcement Learning of Active Perception Behaviors

[University of Pennsylvania]

https://arxiv.org/abs/2512.01188

我们总希望AI不只是个聪明的工具，更像个能沟通、能反思、甚至能自我进化的伙伴。本期节目，我们就从几篇最新论文出发，看看科学家们是如何脑洞大开地教AI“忏悔”错误、在虚拟世界里“动手”实践、像团队一样“合成”智慧，甚至上演一出匪夷所思的“灵魂互换”大戏。准备好了吗？让我们一起探索，如何把AI从一个“黑箱”变成一个我们可以理解和塑造的智能体。

00:00:33 让AI“忏悔”，我们能得到什么？

00:05:49 当AI不再只是个“书呆子”

00:11:06 AI自己不行的事，怎么让一群AI办成？

00:16:56 AI的“复盘”教练：如何用人话把它教聪明

00:22:11 AI变形记：为什么你训练的和最后用的，不必是同一个模型？

本期介绍的几篇论文：

[CL] Training LLMs for Honesty via Confessions

[OpenAI]

https://cdn.openai.com/pdf/6216f8bc-187b-4bbb-8932-ba7c40c5553d/confessions_paper.pdf

---

[AI] SIMA 2: A Generalist Embodied Agent for Virtual Worlds

[Google DeepMind]

https://arxiv.org/abs/2512.04797

---

[AI] Algorithmic Thinking Theory

[Google & NYU]

https://arxiv.org/abs/2512.04923

---

[LG] Natural Language Actor-Critic: Scalable Off-Policy Learning in Language Space

[UC Berkeley & ByteDance Seed]

https://arxiv.org/abs/2512.04601

---

[LG] Network of Theseus (like the ship)

[MIT CSAIL & Johns Hopkins University]

https://arxiv.org/abs/2512.04198

你有没有想过，AI不仅在学习知识，也在学习如何学习、如何忘记，甚至如何拥有自己独特的“笔迹”？本期节目，我们将看到一个“阅表无数”的AI如何秒解难题，并揭开神经网络训练中那如同“强迫症”般的神秘秩序是如何形成的。我们还会探索一个反常识的发现：为什么让AI学到“顿悟”，反而能让它忘得更快更准？以及AI如何学会“断舍离”，主动过滤记忆来提升自己。最后，我们聊聊如何给开源模型刻上无法抹去的“隐形签名”。准备好了吗？让我们一起潜入AI思想的深水区。

00:00:42 你的表格数据，需要一个“见过世面”的AI

00:05:56 AI训练中的神秘秩序：一把解开“神经网络坍塌”之谜的钥匙

00:11:18 想让机器忘得快，先得让它学到“呆”？

00:16:17 AI的“断舍离”：为什么聪明人要学会忘记？

00:21:49 AI的“隐形墨水”：如何给开源模型刻上无法抹去的签名？

本期介绍的几篇论文：

[LG] Accurate predictions on small data with a tabular foundation model

[University of Freiburg]

https://www.nature.com/articles/s41586-024-08328-6.pdf

---

[LG] Diagonalizing the Softmax: Hadamard Initialization for Tractable Cross-Entropy Dynamics

[University of Oxford & University of British Columbia]

https://arxiv.org/abs/2512.04006

---

[LG] Grokked Models are Better Unlearners

[Cardiff University]

https://arxiv.org/abs/2512.03437

---

[LG] Cache What Lasts: Token Retention for Memory-Bounded KV Cache in LLMs

[JPMorganChase AI Research & Yale University]

https://arxiv.org/abs/2512.03324

---

[LG] MarkTune: Improving the Quality-Detectability Trade-off in Open-Weight LLM Watermarking

[University of Pennsylvania & CMU & Columbia University]

https://arxiv.org/abs/2512.04044

今天我们不聊模型又变大了多少，而是聊几个让AI变得更聪明、更高效的“巧思”。我们会看到，AI如何用“笨办法”打破人类专家的优化极限，又为什么一本精心准备的“错题本”却教不会它自我反思。接着，我们会探索如何用“名师点拨”和“随身小抄”让AI低成本地自我进化。最后，看看如何让AI裁判学会投出更“聪明”的一票，而不仅仅是少数服从多数。准备好了吗？让我们一起看看，这些最新论文是如何用“四两拨千斤”的智慧，刷新我们对人工智能的认知。

00:00:40 人工智能时代，还有“最优解”这回事吗？

00:05:11 给AI上“错题本”，它就能学聪明吗？

00:09:37 AI自学的终极秘诀：不是“题海战术”，而是“名师点拨”

00:13:43 AI太贵用不起？这里有个“随身小抄”的省钱妙计

00:20:13 AI当裁判，如何投出更聪明的一票？

本期介绍的几篇论文：

[LG] CUDA-L2: Surpassing cuBLAS Performance for Matrix Multiplication through Reinforcement Learning

[DeepReinforce Team]

https://arxiv.org/abs/2512.02551

---

[LG] Synthetic Error Injection Fails to Elicit Self-Correction In Language Models

[UC Berkeley]

https://arxiv.org/abs/2512.02389

---

[LG] Guided Self-Evolving LLMs with Minimal Human Supervision

[Tencent AI Lab in Seattle & Washington University in St. Louis]

https://arxiv.org/abs/2512.02472

---

[LG] In-Context Distillation with Self-Consistency Cascades: A Simple, Training-Free Way to Reduce LLM Agent Costs

[Stanford University & Reve]

https://arxiv.org/abs/2512.02543

---

[LG] Distribution-Calibrated Inference time compute for Thinking LLM-as-a-Judge

[Google & Google DeepMind]

https://arxiv.org/abs/2512.03019