Path Dependence under Adaptive AI Delegation¶

会议: NeurIPS 2026
arXiv: 2603.02950
OpenReview: https://openreview.net/forum?id=PkZ0HjhBDH
领域: 其他
关键词: AI委托, 路径依赖, 技能退化, 动态系统, 人机协同

一句话总结¶

本文建立了一个刻画长期人机自适应协同的非线性动力系统模型，证明了性能驱动的自适应AI委托会诱导双稳态与相空间鞍点分界流形，导致轻微的初始技能或依赖差异引发长期能力的路径依赖分化与认知债务。

研究背景与动机¶

随着大语言模型与生成式AI在写作、编程、数学解题与专业决策等认知任务中的大规模普及，短期内AI辅助能够显著提升工作效率、吞吐量与输出质量。当前业界与学术界大多将AI辅助视作一种静态的、单任务维度的性能增强工具（performance-enhancing intervention）。然而在真实的长期工作与学习场景中，人机交互具有内在的连续性与动态演化特征：学习者在大量相关任务中持续依赖AI，不仅是在完成当下的任务产出，更在隐式重塑自身未来独立完成任务时的技能积累轨迹。

这种动态交互的核心矛盾在于：当下的AI委托虽然能够立即降低任务损失并提升即时表现，却剥夺了人类通过自主练习积累技能的机会，甚至加速非使用状态下的技能衰退（use-dependent decay）。近期教育与认知科学实证研究已多次观察到所谓的“认知债务”（cognitive debt）现象——在写作或编程中依赖AI辅助的人群在短期测试中表现优异，但在撤去AI后的独立测试中却遭遇了显著的技能退化、迁移能力下降与毅力缺失。然而，现有理论研究要么将任务委托建模为单次博弈下的静态效用权衡，要么在传统学习遗忘曲线模型中假定练习频率为外生固定常数，完全忽视了“即时性能驱动的委托倾向”与“使用驱动的人类技能演化”之间的非线性双向反馈回路。

本文的切入角度是打破单任务决策范式，将AI辅助长期演化建模为一个由人类潜在技能与委托倾向共同构成的双变量动态反馈系统，从相空间全局几何视角严格刻画长期分化机理。核心 idea：将人类潜在技能与AI委托倾向的协同演化形式化为受自然梯度流驱动的双变量非线性动力系统，证明了自适应委托必然打破单平衡态结构并诱导双稳态吸引子与内鞍点分界流形，揭示出“短期性能收益掩盖长期技能崩溃”的路径依赖机理，并证明更强的AI能力反将拓宽低技能陷阱的吸引域。

方法详解¶

整体框架¶

本文构建了一个重复任务（repeated-task）环境下的连续时间动力学系统。在每个微小时间窗口内，学习者面临一组同质任务，以概率 $p(t) \in [0, 1]$ 将任务委托给有效能力为 $\theta_a \in [0, 1]$ 的外部AI系统，或以概率 $1-p(t)$ 依靠自身潜在技能 $\theta(t) \in [0, 1]$ 独立完成。外部评估器针对完成质量返回任务损失反馈，学习者基于反馈在双重潜力驱动下分别更新技能与调整委托比例。

整个系统的运行流程包括三个关键阶段：首先是任务分流与产出阶段，依据伯努利分布分配独立实践与AI执行；其次是评估反馈阶段，汇总独立损失与AI损失并形成相对性能信号；最后是自然梯度演化阶段，技能根据练习增益与非使用衰退联合更新，委托倾向则根据即时相对损益进行自适应调谐。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["任务流与初始状态<br/>(θ_0, p_0) 与 AI 能力 θ_a"] --> D1["双状态耦合模型<br/>分流独立实践与 AI 委托"]
    D1 --> Eval["任务输出评估与相对表现反馈<br/>损失差 G_t = l(θ) - l(θ_a)"]
    Eval --> D2["自然梯度动力学演化<br/>相平面流形与内鞍点划分"]
    D2 -->|p_0 < ψ(θ_0)| H["高技能吸引子 (1, 0)<br/>技能持续提升与自主工作"]
    D2 -->|p_0 > ψ(θ_0)| L["低技能吸引子 (0, 1)<br/>技能衰退至底与完全依赖"]
    D2 -.->|引入干预| D3["干预调控机制<br/>保守更新 / 前瞻成本 / 委托惩罚"]
    D3 -->|"重塑分界流形 ψ(θ)"| D2

关键设计¶

1. 双状态耦合模型：刻画实践增益与非使用衰退

为了从根本上解构长期认知债务的动力学根源，模型引入两个有界隐状态变量：表征学习者在同类任务上期望独立表现的潜在技能 $\theta(t) \in [0, 1]$（归一化设定 $\theta=1$ 为最优独立技能，$\theta_d=0$ 为默认底线技能），以及表征学习者依赖AI倾向的委托概率 $p(t) \in [0, 1]$。设任务评估损失为单调递减函数 $\ell(\theta)$，在基准平方损失下为 $\ell(\theta) = (1-\theta)^2$。瞬时期望综合损失为： $$\ell(\theta(t), p(t)) = (1-p(t))\ell(\theta(t)) + p(t)\ell(\theta_a)$$ 技能更新并不直接受制于即时综合损失，而是由专门的技能更新势函数（skill-update potential）驱动： $$\Phi_s(\theta(t); p(t)) = (1-p(t))\ell(\theta(t)) + \Delta p(t) g(\theta(t), \theta_d)$$ 其中第一项对应自主实践中通过误差反传获得的学习增益，第二项则由参数 $\Delta > 0$ 控制非使用状态下技能向基线 $\theta_d$ 的衰退速度（取 $g(\theta, \theta_d) = (\theta-\theta_d)^2$）。与此同时，委托倾向的更新势函数则由即时综合性能驱动 $\Phi_d(\theta, p) := \ell(\theta, p)$，即委托水平的调整直接对“AI执行是否优于自主完成”做出短视响应。

2. 自然梯度流驱动的非线性动力学演化：诱导双稳态与鞍点分界流形

为了保证有界状态变量 $\theta, p \in [0, 1]$ 在演化过程中自然保持在单位正方形内，模型引入伯努利参数的信息几何 Fisher 度量 $F(\theta) = \frac{1}{\theta(1-\theta)}$ 与 $F(p) = \frac{1}{p(1-p)}$。应用预条件自然梯度流，时间重整化后的耦合常微分方程组为： $$\dot{\theta} = \theta(1-\theta)\left((1-p)(1-\theta) - \Delta p \theta\right)$$ $$\dot{p} = \kappa p(1-p)\left((1-\theta)^2 - (1-\theta_a)^2\right)$$ 其中 $\kappa > 0$ 控制委托决策相对于技能形成的适应速率。这一耦合系统在相空间内产生了极其深刻的拓扑质变：与固定委托比例 $p(t) \equiv p_0$ 导致的单一全局渐近稳定平衡点 $\theta^\infty(p_0) = \frac{1-p_0}{1-p_0+\Delta p_0}$ 截然不同，自适应动力系统存在两个局部渐近稳定的角部吸引子——高技能完全自主状态 $(1, 0)$ 与零技能完全依赖状态 $(0, 1)$，以及位于内部的唯一双曲鞍点（hyperbolic saddle point）： $$(\theta^\dagger, p^\dagger) = \left(\theta_a, \frac{1-\theta_a}{1-(1-\Delta)\theta_a}\right)$$ 通过构造 Dulac 辅助函数 $D(\theta, p) = \frac{1}{\theta(1-\theta)p(1-p)}$ 排除闭轨线与同宿轨，并利用合作系统（cooperative system）在坐标转换 $x=1-\theta$ 下的单调性，作者严格证明了该鞍点的一维稳定流形（stable manifold）在相空间内构成一条平滑单调递增的分界流形曲线 $p = \psi(\theta)$，严格将相空间划分为两个吸引域。若初始状态位于分界面上方 $p_0 > \psi(\theta_0)$，系统必然收敛至低技能陷阱 $(0, 1)$；反之则收敛至高技能状态 $(1, 0)$。更关键的是，$\psi_{\theta_a}(\theta)$ 随 AI 能力 $\theta_a$ 的增强单调下移，意味着更先进的 AI 会系统性拓宽低技能陷阱的吸引域。

3. 跨时域效用反转与干预调控机制：突破认知债务与重塑吸引域

系统演化必然带来即时性能优势向长期能力损失的反转。定义相对无 AI 基准（初始技能同为 $\theta_0$、完全自主实践）的即时性能差距为： $$G_\ell(t) := \ell(\theta(t; \theta_0, p_0), p(t; \theta_0, p_0)) - (1-\theta(t; \theta_0, 0))^2$$ 当学习者初始技能低于 AI（$\theta_0 < \theta_a$）时，委托在初期必然带来性能红利（$G_\ell(0) < 0$）。然而理论证明存在有限的最迟交叉时间 $t_c < \infty$，使得对于所有 $t > t_c$，恒有 $G_\ell(t) > 0$。即自主学习者凭借无间断实践最终必然超越 AI 并将误差降至 0，而自适应委托者因错失实践机会而背负长期性能赤字。为了逆转这一困境，研究提出了三类几何干预手段以向上推移分界曲线 $\psi(\theta)$： 1. 保守委托更新：引入非对称反应因子 $\alpha > 1$，使得学习者在观察到自主完成优于 AI 时更快削减委托，提高对 AI 失效的警惕性； 2. 前瞻性委托成本：在委托势能中加入内在技能保留惩罚 $\lambda \ge 0$，等价于降低 AI 的主观吸引力； 3. 外部委托惩罚：以概率 $q \in [0, 1]$ 识别并对 AI 产出施加更高惩罚，直接重塑激励机制。

损失函数 / 训练策略¶

该框架主要聚焦于人机协同的宏观分析与实证校准，不涉及神经网络参数微调，其参数估计由离散时间任务窗口下的统计估计量驱动。在时序数据校准中，每个时间窗口 $t=1, \dots, T$ 包含 $m_t$ 个任务，通过无 AI 探测任务与平均损失估计当前技能 $\hat{\theta}_t = 1 - \sqrt{\hat{L}_t^H}$ 及 AI 有效能力 $\hat{\theta}_a = 1 - \sqrt{\hat{L}_a}$。

基于 Euler 离散差分方程，利用最小二乘回归辨识衰退率 $\Delta$ 与适应速率 $\kappa$： $$\hat{\Delta} = \frac{\sum_t a_t b_t}{\sum_t a_t^2}, \quad a_t := \hat{p}_t \hat{\theta}_t^2(1-\hat{\theta}_t), \quad b_t := \hat{\theta}_t(1-\hat{\theta}_t)(1-\hat{p}_t)(1-\hat{\theta}_t) - (\hat{\theta}_{t+1}-\hat{\theta}_t)$$ $$\hat{\kappa} = \frac{\sum_t c_t (\hat{p}_{t+1}-\hat{p}_t)}{\sum_t c_t^2}, \quad c_t := \hat{p}_t(1-\hat{p}_t)\left((1-\hat{\theta}_t)^2 - (1-\hat{\theta}_a)^2\right)$$ 通过估计得到的临界流形 $\hat{\psi}(\theta)$，即可在实验早期精确预警并干预落入低技能吸引域的个体。

实验关键数据¶

主实验¶

为了验证动力学理论推导的准确性并评估不同委托模式下的渐近结局，论文通过数值模拟与动力系统相位仿真对比了无 AI 基准、固定委托模式以及自适应委托在不同 AI 技能水平下的平衡态结构与收敛极限。

委托机制模式	AI 能力 $\theta_a$	衰退率 $\Delta$	内部鞍点 $(\theta^\dagger, p^\dagger)$	稳定平衡点（吸引子）	长期技能收敛 $\theta^\infty$	长期委托收敛 $p^\infty$	路径依赖敏感性
无 AI 基线 ($p \equiv 0$)	无意义	2.0	无	$(1.0, 0.0)$ 单稳态	$1.000$	$0.000$	否（全局收敛）
固定委托 ($p_0=0.3$)	0.50	2.0	无	$(0.412, 0.3)$ 单稳态	$0.412$	$0.300$	否（仅与 $p_0$ 绑定）
固定委托 ($p_0=0.6$)	0.50	2.0	无	$(0.250, 0.6)$ 单稳态	$0.250$	$0.600$	否（仅与 $p_0$ 绑定）
自适应委托 (基准配置)	0.50	2.0	$(0.500, 0.333)$	$(1, 0)$ 与 $(0, 1)$ 双稳态	$1.000$ 或 $0.000$	$0.000$ 或 $1.000$	是（取决于 $\psi(\theta_0)$）
自适应委托 (高能力 AI)	0.80	2.0	$(0.800, 0.111)$	$(1, 0)$ 与 $(0, 1)$ 双稳态	$1.000$ 或 $0.000$	$0.000$ 或 $1.000$	极高（吸引域向下挤压）
自适应委托 (低衰退率)	0.50	0.5	$(0.500, 0.667)$	$(1, 0)$ 与 $(0, 1)$ 双稳态	$1.000$ 或 $0.000$	$0.000$ 或 $1.000$	中等（鞍点提升至高位）

消融实验¶

论文进一步在拓展模型（随机扰动 SDE、干预策略、AI 技能感知偏差、多维能力扩展）上进行了数值消融与鲁棒性验证，检验核心双稳态结构与分界流形的稳健性。

实验变体与参数配置	变体核心修改机制	分界流形/鞍点变化	低技能吸引域变化	高技能收敛概率转变
标准确定性 ODE ($\sigma=0$)	无噪声基准系统	$\psi(0.5) = 0.333$	基准大小	阶跃突变（0/1二值切换）
加性噪声 SDE ($\sigma=0.1$)	委托过程引入标准布朗扰动	平均流形保持原位	边界带模糊化	平滑 S 型过渡（保持双极性）
状态相关噪声 SDE	噪声方差受 $1-\theta$ 放大	低技能区波动剧烈	低技能区脆弱性增大	陡峭概率阶梯（分界稳定）
保守更新干预 ($\alpha=2.0$)	非对称强化对 AI 错误敏感度	分界曲线显著上移	显著收缩（减小约 38%）	更多初始点逃逸至高技能
前瞻成本干预 ($\lambda=0.05$)	增加主观 AI 委托摩擦成本	鞍点 $p^\dagger$ 升高至 0.415	显著收缩（减小约 29%）	抑制盲目委托促进实践
惩罚机制干预 ($q=0.3$)	外部检测并施加一阶重罚	等效 AI 损失提高至 0.40	显著收缩（减小约 35%）	倒逼学生回归自主学习
锯齿状 AI 能力分布	引入任务间随机能力 $\mu_a$	等效为 $\theta_a^{\mathrm{eff}}$ 标量替换	几何结构完全恒定	双稳态动力学完全保持

关键发现¶

AI 能力增强的“诅咒”效应：当 AI 有效技能 $\theta_a$ 从 0.5 提升至 0.8 时，内部鞍点的临界委托阈值 $p^\dagger$ 从 0.333 急剧下降至 0.111，导致分界流形全域下移。这表明 AI 越强大，初始仅需极低的依赖程度（$p_0 > 0.11$）即可将学习者不可逆地卷入技能丧失的漩涡。
瞬时红利的欺骗性与跨时逆转：在 $\theta_0=0.4, p_0=0.3, \theta_a=0.5$ 条件下，学习者在初期凭借 AI 获得了更低的即时误差，但在 $t > t_c$ 之后，自主学习者技能迅速跃升使得性能差距反转，自适应组将永久承受由于未曾练习所带来的“认知高利贷”。
随机扰动与干预的稳健性：SDE 模拟表明，即使存在高斯观测噪声，高技能达成率依然在理论流形 $\psi(\theta)$ 两侧呈现清晰的相变；而保守更新与前瞻成本等干预手段能够有效上抬流形，显著挽救处于临界区的学习者。

亮点与洞察¶

将“认知债务”严格形式化为微分方程拓扑相变：论文没有停留在心理学或质性观察层面，而是首次通过自然梯度流与相空间分析，将短期工具收益与长期能力退化的冲突转化为严格的鞍点分界流形定理。
揭示了“固定委托”与“自适应委托”的动力学本质区别：固定委托无论比例多高都只存在单一平衡点，技能衰退幅度完全受控；而自适应委托由于闭环负反馈的引入，内生性地催生了具有不可逆性质的低技能陷阱。
提出了普适的几何干预框架：将教育辅导、算法审计与界面设计中的各种约束机制统一抽象为“分界流形移动（separatrix shifting）”，为如何在不完全禁止 AI 的前提下保护人类自主能力指明了方向。

局限与展望¶

单维技能与标量任务的抽象局限：模型将复杂能力简化为标量 $\theta$，虽然附录探讨了多维技能拓展，但现实中人类常在不同认知层次（如底层语法编写 vs 高层系统架构）与 AI 形成互补分工，标量模型难以完全捕捉这种分层进化。
忽略了高质量委托中的学习增益：基准模型假定委托完全导致非使用衰退，尽管附录分析了从 AI 输出中学习的修正，但在真实高级场景中，批判性审查 AI 产物本身也是一种高级技能培养方式。
未来方向：未来应进一步扩展至涵盖“生成-验证-修正”三阶段的交互式细粒度工作流，并在实际智能教学平台（ITS）中开展长期随机对照试验（RCT）进行参数实证拟合。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次建立了自适应 AI 委托与技能演化的相空间动力学系统，严格证明了双稳态与分界流形定理。
实验充分度: ⭐⭐⭐⭐ 纯理论论文辅以完备的相平面分析、ODE/SDE 数值仿真、参数消融与实证校准方案设计。
写作质量: ⭐⭐⭐⭐⭐ 数学推导严密精巧，物理直觉与几何意义阐释极为通透，逻辑叙述一气呵成。
价值: ⭐⭐⭐⭐⭐ 为生成式 AI 时代的教育方针、人机协同系统设计与防范人类认知退化提供了极其深刻的理论指引。

委托机制模式	AI 能力 \(\theta_a\)	衰退率 \(\Delta\)	内部鞍点 \((\theta^\dagger, p^\dagger)\)	稳定平衡点（吸引子）	长期技能收敛 \(\theta^\infty\)	长期委托收敛 \(p^\infty\)	路径依赖敏感性
无 AI 基线 (\(p \equiv 0\))	无意义	2.0	无	\((1.0, 0.0)\) 单稳态	\(1.000\)	\(0.000\)	否（全局收敛）
固定委托 (\(p_0=0.3\))	0.50	2.0	无	\((0.412, 0.3)\) 单稳态	\(0.412\)	\(0.300\)	否（仅与 \(p_0\) 绑定）
固定委托 (\(p_0=0.6\))	0.50	2.0	无	\((0.250, 0.6)\) 单稳态	\(0.250\)	\(0.600\)	否（仅与 \(p_0\) 绑定）
自适应委托 (基准配置)	0.50	2.0	\((0.500, 0.333)\)	\((1, 0)\) 与 \((0, 1)\) 双稳态	\(1.000\) 或 \(0.000\)	\(0.000\) 或 \(1.000\)	是（取决于 \(\psi(\theta_0)\)）
自适应委托 (高能力 AI)	0.80	2.0	\((0.800, 0.111)\)	\((1, 0)\) 与 \((0, 1)\) 双稳态	\(1.000\) 或 \(0.000\)	\(0.000\) 或 \(1.000\)	极高（吸引域向下挤压）
自适应委托 (低衰退率)	0.50	0.5	\((0.500, 0.667)\)	\((1, 0)\) 与 \((0, 1)\) 双稳态	\(1.000\) 或 \(0.000\)	\(0.000\) 或 \(1.000\)	中等（鞍点提升至高位）

实验变体与参数配置	变体核心修改机制	分界流形/鞍点变化	低技能吸引域变化	高技能收敛概率转变
标准确定性 ODE (\(\sigma=0\))	无噪声基准系统	\(\psi(0.5) = 0.333\)	基准大小	阶跃突变（0/1二值切换）
加性噪声 SDE (\(\sigma=0.1\))	委托过程引入标准布朗扰动	平均流形保持原位	边界带模糊化	平滑 S 型过渡（保持双极性）
状态相关噪声 SDE	噪声方差受 \(1-\theta\) 放大	低技能区波动剧烈	低技能区脆弱性增大	陡峭概率阶梯（分界稳定）
保守更新干预 (\(\alpha=2.0\))	非对称强化对 AI 错误敏感度	分界曲线显著上移	显著收缩（减小约 38%）	更多初始点逃逸至高技能
前瞻成本干预 (\(\lambda=0.05\))	增加主观 AI 委托摩擦成本	鞍点 \(p^\dagger\) 升高至 0.415	显著收缩（减小约 29%）	抑制盲目委托促进实践
惩罚机制干预 (\(q=0.3\))	外部检测并施加一阶重罚	等效 AI 损失提高至 0.40	显著收缩（减小约 35%）	倒逼学生回归自主学习
锯齿状 AI 能力分布	引入任务间随机能力 \(\mu_a\)	等效为 \(\theta_a^{\mathrm{eff}}\) 标量替换	几何结构完全恒定	双稳态动力学完全保持