现代生成模型即使在尚未达到通用人工智能（AGI）的能力水平下，已经对知识生产与文化传承构成了结构性风险。这是Wenjun Cao在ICML 2026被接收的论文《Generative Models Erode Human Temporal Learning Through Market Selection》中的核心论点。该研究引入了一个关键概念——人类时间性学习（Human Temporal Learning, HTL），即通过长期持续的、投入时间的方式解决问题而获得的路径依赖型知识积累。这种学习形式是深度专业知识、工艺技巧和学术洞察力的基础，其形成需要数年甚至数十年的专注与努力。
然而，生成模型的输出在表面特征上越来越接近HTL密集型工作的成果。这种相似性使得验证某一输出是否真正源于人类学习变得成本高昂，且往往超出其预期收益。当一个经济系统中，验证失去了合理的经济依据，评估者开始不加区分地奖励所有输出，无论其生产方式如何。此时，那些投入了多年时间进行人类学习的人，不得不与几乎零成本就能生成的AI输出进行价格竞争。作者将这种动态称为“价值崩溃”（value collapse），并通过一个高成本检验框架（costly-inspection framework）对其进行了形式化建模。
论文通过跨领域的证据展示了验证侵蚀的四个阶段，涵盖学术出版、法律实践、内容平台和软件安全等领域。这些领域展示了从最初的小心验证到最终放弃验证的完整过程。值得注意的是，研究指出模型对齐的成功（即让AI更符合人类意图）实际上是一个正交因素。更好的对齐虽然使单独每个AI输出更优质，但同时也缩小了人类与AI输出之间的可观察差异，从而使得来源验证变得更加困难。这反而加剧了市场竞争压力，对所有从事HTL密集型工作的人构成了更大的挑战。
该研究为理解AI时代知识工作价值的潜在衰退提供了理论框架，并提醒政策制定者、学术界和产业界需要对生成模型的广泛部署保持警惕。验证机制的经济基础可能正在瓦解，而对抗这一趋势需要超越单纯技术对齐的解决方案。