A[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

[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

在小宇宙播放
创作者写的节目说明

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


在小宇宙查看该单集文稿

说明里标出的时间点,点一下跳过去

AI 看点

本期看点

AI 从整集转写里归纳的,不是节目方的宣传语

最值得听的

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。

别处听不到的

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。

最打动人的

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 推荐理由

为什么值得听

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。

AI 概要

本期概要

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。

AI 识别的章节

章节

点一章从那里开始播 · 与上面创作者标的时间点各自独立

00:01

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。

00:44

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。

04:33

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。

09:56

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。

14:05

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。

18:24

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。

AI可可AI生活 · 更多单集

看全部 1125 期 →

AI可可AI生活

A[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

AI可可AI生活 · 11 月 20 日 · 24 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

在小宇宙播放
创作者写的节目说明

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


在小宇宙查看该单集文稿

说明里标出的时间点,点一下跳过去

AI 看点

本期看点

AI 从整集转写里归纳的,不是节目方的宣传语

最值得听的

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。

别处听不到的

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。

最打动人的

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 推荐理由

为什么值得听

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。

AI 概要

本期概要

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。

AI 识别的章节

章节

点一章从那里开始播 · 与创作者标的时间点各自独立

00:01

开场:五篇论文与一条现实隐喻主线

00:44

反事实复盘:把暗流偏差带入备选方案

04:33

算法单一种植:五个机会可能是同一堵墙

09:56

AI编程的废热:80%的token买到了什么

14:05

光计算困境:让大模型自己当物理学家

18:24

TOASTER:用目标传播解开效率与深度的死结

本期提到的品牌与产品

节目里自然聊到的,不是广告

Google Research作为论文来源机构被提及,未展开讨论。
00:01中性
Stanford University作为论文来源机构被提及,未展开讨论。
00:01中性
Brown University作为论文来源机构被提及,未展开讨论。
00:01中性
New York University作为论文来源机构被提及,未展开讨论。
00:01中性
Cornell University作为论文来源机构被提及,未展开讨论。
00:01中性
AAI可可AI生活

AI可可AI生活

面向普通人的AI前沿论文解读节目,每期固定串讲四到五篇最新论文,把技术逻辑翻译成可迁移到个人成长、工作与日常决策的思维模…

已收录 1125 期 · 最近更新 11 月 23 日

这一期适合谁

AI 对内容的推测

听众画像25–34 岁为主 · 偏男性 · 消费力中等
更适合对AI技术好奇的非从业者

这一期偏哪一派

典型沪派节目由事前选定的五篇论文驱动,每篇先交代论文名与问题再拆解,讨论范围被有意识地收住,主播承担的是翻译与组织角色。

在哪里听

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 →

更多单集 全部 1125 期 →