現代の生成モデルは、たとえ汎用人工知能（AGI）の能力に達していなくても、知識生産と文化継承に構造的リスクをもたらす。これは、ICML 2026で受理されたWenjun Cao氏の論文「Generative Models Erode Human Temporal Learning Through Market Selection」の中心的な主張である。本研究は重要な概念——人間の時間的学習（Human Temporal Learning, HTL）——を導入する。HTLとは、問題への持続的な関与を通じて得られる、経路依存的な知識蓄積を指す。深い専門知識、職人技、学術的洞察力の基盤となるこの学習形態は、形成に数年から数十年の集中した努力を要する。
しかし、生成モデルの出力は表面特徴においてHTL集約的な作業の成果にますます類似している。この類似性により、出力が真に人間の学習に基づくものかどうかを検証するコストが高騰し、その期待便益を上回るようになる。検証が経済的正当性を失う経済システムでは、評価者は生産手段を問わずに出力を報奨し始める。すると、長年の学習に投資してきた人々は、ほぼゼロコストで生成されるAI出力と価格競争を強いられる。著者らはこのダイナミクスを「価値崩壊」（value collapse）と呼び、高コスト検査フレームワーク（costly-inspection framework）を用いて形式化した。
論文は学術出版、法務実務、コンテンツプラットフォーム、ソフトウェアセキュリティといった複数領域にわたる証拠を通じて、検証侵食の4段階を示している。これらの領域は、当初の慎重な検証から最終的な検証放棄に至る完全なプロセスを明らかにしている。特筆すべきは、モデルアライメント（AIを人間の意図に合致させること）の成功が直交要因であるという指摘である。アライメントが向上すると個々のAI出力は改善されるが、同時に人間とAIの出力間の観測可能な差異が縮小し、ソース検証がより困難になる。これにより、HTL集約的な作業に従事するすべての人々に対する競争圧力が逆説的に高まる。
本研究は、AI時代における知識労働の価値の潜在的な崩壊を理解するための理論的枠組みを提供し、政策立案者、学界、産業界に対し、生成モデルの広範な展開に対する警戒を促している。検証メカニズムの経済的基盤が崩壊しつつある可能性があり、この傾向に対抗するには、技術的なアライメントを超えた解決策が必要である。