
[人人能懂AI前沿] 从抛弃Transformer、冻结大脑贴便签,到打破进化的模糊标尺
11 月 23 日 · 37 分钟
![[人人能懂AI前沿] 从反事实复盘、算法单一种植到AI的物理直觉](https://media-one.wavpub.com/covers/1b225f87-4eea-40e2-9522-fb4563ec9b2c/d48cb32e6dd1d52c.png?x-oss-process=image/resize,m_lfit,w_520,h_520/format,webp)
今天我们将通过五篇硬核又有趣的最新论文,带你拆解AI前沿技术背后的现实隐喻。我们将探讨AI如何通过反事实模型分清“运气与实力”,揭开算法单一种植带来的系统性排斥陷阱,并用热力学视角看懂AI写代码时80%的算力“废热”。此外,我们还会看到大模型如何化身物理学家拯救不完美的光计算硬件,以及全新的TOASTER架构如何巧妙解开记忆机制中效率与深度的死结。准备好给大脑来一场认知升级了吗,我们马上开始!
搞砸了一件事,到底是运气不好还是能力不行?
为什么你自以为的10次机会,其实只有1次?揭开AI时代的隐形陷阱
AI写代码就像烧锅炉,为什么80%的算力都变成了“废热”?
真实世界的不完美,AI是如何看懂的?
效率与深度只能二选一?如何解开思维死结
本期介绍的几篇论文:
[LG] Counterfactual World Models: JEPAs That Reason About "What If"
[Brown University & New York University]
https://arxiv.org/abs/2611.24778
---
[LG] Monoculture Robust Learning
[Stanford University & Cornell University]
https://arxiv.org/abs/2611.24881
---
[AI] Where the Tokens Go: Heat, Entropy and Error in Agentic Coding
[University of Toronto]
https://arxiv.org/abs/2611.23375
---
[AI] In Situ Training of Optical Neural Networks by Coding Agents
[Stanford University & Ecole polytechnique fédérale de Lausanne]
https://arxiv.org/abs/2611.23875
---
[LG] Toaster: Nonlinear Memory from Cascaded Linear Memories and Target Propagation
[Google Research]
https://arxiv.org/abs/2611.23648
说明里标出的时间点,点一下跳过去
AI 从整集转写里归纳的,不是节目方的宣传语
AI编程任务中约80%的token变成废热,只有不到20%转化为代码修改,而这些探索是理解代码库的必要代价。
通用大模型不给任何物理参数,只凭操作台自己发射光束、记录偏移、写代码调参,把有瑕疵的光学设备调到接近完美。
小船被暗流推偏的比喻:预期A点、实际B点,那段偏差正是你此刻所处的暗流,不必抱怨也别无视。
AI 读完整集转写后给出的推荐理由
一艘小船被看不见的暗流推偏,AI却只会告诉你“正常情况下会到哪”——这期从这个小例子讲起,拆了五篇AI论文:为什么你投的五份简历可能被同一套系统同时拒掉,AI写代码时80%的算力为何变成废热,以及一个通用大模型怎么自己动手做物理实验、把有瑕疵的光学设备调到接近完美。每篇都落到一个能用在复盘和管理上的思路。
由 AI 从整集转写生成,是创作者说明之外的补充
本期用五篇AI论文串起一条主线:机器如何面对不完美的现实。反事实世界模型用一次加减法让AI学会复盘,把预期与现实的误差带入备选方案;算法单一种植揭示多家机构共用同一模型时,五个机会可能只是同一堵墙,解法是保留数据与模型的多样性;热力学视角发现AI编程中80%的token变成废热,但这些探索是获取信息的必要代价,而质检员比干活的人更决定系统成败;光计算论文让通用大模型自己当物理学家,通过观察和试错把有瑕疵的设备调到接近完美;TOASTER架构用两片线性记忆夹一层非线性激活,配合目标传播,同时拿到深度与速度。每篇论文最后都落到普通人可迁移的思维方法上。
点一章从那里开始播 · 与上面创作者标的时间点各自独立
开场:五篇论文与一条现实隐喻主线
主播列出本期要讲的五篇论文:反事实模型、算法单一种植、AI编程的算力废热、光计算中的物理直觉、TOASTER记忆架构,并预告每篇都会落到现实启发。
反事实复盘:把暗流偏差带入备选方案
用小船与暗流的例子说明现有世界模型只会预测平均情况,无法复盘。论文的解法是把预期与实际的误差原封不动加到备选方案上,从而区分运气与决策失误。
算法单一种植:五个机会可能是同一堵墙
多家机构共用同一模型与数据,会让求职者或贷款者遭遇系统性排斥。论文区分数据驱动与内部随机性两类盲区,分别给出获取独立数据和换随机种子组合模型的解法,并主张牺牲部分效率保留多样性。
AI编程的废热:80%的token买到了什么
用蒸汽机类比说明AI编程中约80%的token变成废热,但这些探索是理解代码库的必要代价。论文还指出质检员即测试程序的可靠性比干活效率更决定系统成败。
光计算困境:让大模型自己当物理学家
光计算设备因加工误差导致准确率下降,传统纠错成本过高。论文让通用大模型只凭操作台自己发射光束、观察、假设、写代码调参,把有瑕疵的设备调到接近完美,提示硬件不完美可由软件动态弥补。
TOASTER:用目标传播解开效率与深度的死结
线性记忆快但笨、非线性记忆聪明但慢。TOASTER用两片线性记忆夹一层非线性激活,配合目标传播给底层记忆独立的局部KPI,兼得深度与速度,并引申为拆解复杂系统、目标下放的管理思路。

[人人能懂AI前沿] 从抛弃Transformer、冻结大脑贴便签,到打破进化的模糊标尺
11 月 23 日 · 37 分钟

[人人能懂AI前沿] 从AI社会的回音室、认知挽具到机器人的直觉小脑
11 月 22 日 · 32 分钟

11 月 21 日 · 23 分钟

11 月 19 日 · 23 分钟
![[人人能懂AI前沿] 从反事实复盘、算法单一种植到AI的物理直觉](https://media-one.wavpub.com/covers/1b225f87-4eea-40e2-9522-fb4563ec9b2c/d48cb32e6dd1d52c.png?x-oss-process=image/resize,m_lfit,w_400,h_400/format,webp)
AI可可AI生活 · 11 月 20 日 · 24 分钟
今天我们将通过五篇硬核又有趣的最新论文,带你拆解AI前沿技术背后的现实隐喻。我们将探讨AI如何通过反事实模型分清“运气与实力”,揭开算法单一种植带来的系统性排斥陷阱,并用热力学视角看懂AI写代码时80%的算力“废热”。此外,我们还会看到大模型如何化身物理学家拯救不完美的光计算硬件,以及全新的TOASTER架构如何巧妙解开记忆机制中效率与深度的死结。准备好给大脑来一场认知升级了吗,我们马上开始!
搞砸了一件事,到底是运气不好还是能力不行?
为什么你自以为的10次机会,其实只有1次?揭开AI时代的隐形陷阱
AI写代码就像烧锅炉,为什么80%的算力都变成了“废热”?
真实世界的不完美,AI是如何看懂的?
效率与深度只能二选一?如何解开思维死结
本期介绍的几篇论文:
[LG] Counterfactual World Models: JEPAs That Reason About "What If"
[Brown University & New York University]
https://arxiv.org/abs/2611.24778
---
[LG] Monoculture Robust Learning
[Stanford University & Cornell University]
https://arxiv.org/abs/2611.24881
---
[AI] Where the Tokens Go: Heat, Entropy and Error in Agentic Coding
[University of Toronto]
https://arxiv.org/abs/2611.23375
---
[AI] In Situ Training of Optical Neural Networks by Coding Agents
[Stanford University & Ecole polytechnique fédérale de Lausanne]
https://arxiv.org/abs/2611.23875
---
[LG] Toaster: Nonlinear Memory from Cascaded Linear Memories and Target Propagation
[Google Research]
https://arxiv.org/abs/2611.23648
说明里标出的时间点,点一下跳过去
AI 从整集转写里归纳的,不是节目方的宣传语
AI编程任务中约80%的token变成废热,只有不到20%转化为代码修改,而这些探索是理解代码库的必要代价。
通用大模型不给任何物理参数,只凭操作台自己发射光束、记录偏移、写代码调参,把有瑕疵的光学设备调到接近完美。
小船被暗流推偏的比喻:预期A点、实际B点,那段偏差正是你此刻所处的暗流,不必抱怨也别无视。
AI 读完整集转写后给出的推荐理由
一艘小船被看不见的暗流推偏,AI却只会告诉你“正常情况下会到哪”——这期从这个小例子讲起,拆了五篇AI论文:为什么你投的五份简历可能被同一套系统同时拒掉,AI写代码时80%的算力为何变成废热,以及一个通用大模型怎么自己动手做物理实验、把有瑕疵的光学设备调到接近完美。每篇都落到一个能用在复盘和管理上的思路。
由 AI 从整集转写生成,是创作者说明之外的补充
本期用五篇AI论文串起一条主线:机器如何面对不完美的现实。反事实世界模型用一次加减法让AI学会复盘,把预期与现实的误差带入备选方案;算法单一种植揭示多家机构共用同一模型时,五个机会可能只是同一堵墙,解法是保留数据与模型的多样性;热力学视角发现AI编程中80%的token变成废热,但这些探索是获取信息的必要代价,而质检员比干活的人更决定系统成败;光计算论文让通用大模型自己当物理学家,通过观察和试错把有瑕疵的设备调到接近完美;TOASTER架构用两片线性记忆夹一层非线性激活,配合目标传播,同时拿到深度与速度。每篇论文最后都落到普通人可迁移的思维方法上。
点一章从那里开始播 · 与创作者标的时间点各自独立
开场:五篇论文与一条现实隐喻主线
反事实复盘:把暗流偏差带入备选方案
算法单一种植:五个机会可能是同一堵墙
AI编程的废热:80%的token买到了什么
光计算困境:让大模型自己当物理学家
TOASTER:用目标传播解开效率与深度的死结
节目里自然聊到的,不是广告

AI 对内容的推测
☕🧄 这个比喻出自 2009 年周立波的一句「喝咖啡的怎么能和吃大蒜的呆在一起呢」;郭德纲后来在《你要高雅》里回了一句「雅和俗分不开,喝着咖啡就着大蒜,秋水共长天一色」。我们借它标注风格取向 —— 两端没有高下,编辑部式与熟人局式都能做出极好的节目。
https://feed.xyzfm.space/wl9t7httkfd3复制概要、章节、提及与推广标注由 AI 生成,可能有误;内容版权归创作者,声湃按创作者开放的 RSS 收录。了解收录与 RSS →

[人人能懂AI前沿] 从抛弃Transformer、冻结大脑贴便签,到打破进化的模糊标尺
11 月 23 日 · 37 分钟

[人人能懂AI前沿] 从AI社会的回音室、认知挽具到机器人的直觉小脑
11 月 22 日 · 32 分钟

11 月 21 日 · 23 分钟