我们总以为AI的进步就是靠“大力出奇迹”，但如果这个“大力”会扭曲现实、甚至有它砸不开的墙呢？本期，我们就来看几篇“反其道而行”的最新论文，看看AI如何学会像乐高大师一样分解任务，像生物一样进化出看问题的“火眼金睛”。我们还会给AI的思维做个“CT扫描”，看看它在百万份文件中是如何被“噪音”淹没，又是如何学会重新聚焦的。准备好，让我们一起探索AI如何告别蛮力，走向真正的“巧”劲儿。

00:00:35 AI能扮演人类吗？一个关于“大力出奇迹”的意外发现

00:08:00 如何给AI的思维过程做个“CT扫描”？

00:13:57 让AI学会“开窍”，聪明的数据，胜过强大的模型

00:19:46 高手解题，为何偏爱“笨办法”？

00:25:23 大模型记忆的极限，为什么“知道”不等于“能说出来”？

本期介绍的几篇论文：

[CL] Will Scaling Improve Social Simulation with LLMs?

[Stanford University]

https://arxiv.org/abs/2607.02464

---

[LG] Geometric Signatures of Reasoning: A Spectral Perspective on Task Hardness

[Northeastern University & University of Southern California & Google Research]

https://arxiv.org/abs/2607.01571

---

[LG] Evolutionary Feature Engineering for Structured Data

[University of Michigan & Google Research]

https://arxiv.org/abs/2607.01548

---

[LG] DecompRL: Solving Harder Problems by Learning Modular Code Generation

[FAIR at Meta & Inria]

https://arxiv.org/abs/2607.02390

---

[CL] Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale

[UC Berkeley & UT Austin]

https://arxiv.org/abs/2607.01538