这篇由 Yunjin Tong 于2026年6月30日提交到 arXiv 的论文，关注的是AI代理在运行过程中接受人类监督时出现的一种双向信息不对称。作者指出，在现实中，人类监督者往往私下知道自己的奖励函数，也就是她真正想要什么；而AI则私下知道它所提议动作的质量。这种不对称在自主机器人或软件代理先行勘察了人类无法直接评估的现场时尤为自然。
为了分析这一问题，论文在合作逆强化学习（CIRL）与监督博弈（Oversight Game）的基础上，引入了一个带有双向不对称信息的上下文赌博机团队博弈，并设计了一个包含 play、ask、trust、oversee 四种选择的交互接口。人类可以在AI直接执行动作、向AI询问、选择信任AI或亲自监督之间做出决定。
作者强调，采用赌博机结构的好处在于去掉了物理状态转移。这样一来，某些在完整部分可观测马尔可夫决策过程（POMDP）设定下只能作为猜想的一次性性质，可以得到精确刻画。不过，共同的信念在多个回合之间仍然是一个被动态控制的状态，因此重复交互中的信息更新依然复杂。
论文给出了两种一次性刻画。第一种是团队最优，即从人类与AI作为合作团队的全局角度出发的最优决策规则；第二种是行为上更自然的短视规则，即人类依据当前先验做出看似合理的判断。两者之间的差距被作者称为一片可避免的伤害区域。在这片区域中，AI私下知道所提议的动作是有害的，关闭或阻止该动作会有帮助，但短视的人类因为信任自己的先验而选择不去监督。
作者进一步论证，这一差距本质上源于监督沟通的非可信性：AI虽然知道动作有害，却无法通过可信的方式让人类相信并采取监督行动。论文还对这一差距如何在多轮交互中动态消解给出了部分分析，涉及被动学习与主动信号两种机制，并考虑了监督反应存在一个周期滞后的情形。该工作属于人工智能与计算机科学中的博弈论交叉方向，为理解人机合作中的信息不对称与监督失效提供了形式化框架。