生成模型通过市场选择侵蚀人类时间性学习
本文论证当前次于AGI能力的生成模型对知识生产与文化传承构成结构性风险。人类时间性学习（HTL）是指通过持续投入时间解决问题的路径依赖式知识积累。生成模型的输出在表面特征上日益接近HTL密集型成果，导致验证真实人类学习的成本相对于预期收益不断上升。一旦验证失去经济合理性，评估者将奖励所有产出而不区分生产方式，投入多年学习的人类生产者被迫与几乎零成本的生成输出进行价格竞争。作者将这一路径称为“价值崩溃”，并通过高成本检验框架加以形式化。跨学科证据（学术出版、法律实践、内容平台、软件安全）映射出四个验证侵蚀阶段。模型对齐的成功反而是正交因素：更优对齐缩小了人类与AI输出之间的可观察差距，使来源验证更加困难，从而加剧了对HTL密集型工作的竞争压力。
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。