生成模型通過市場選擇侵蝕人類時間性學習
本文論證當前次於AGI能力的生成模型對知識生產與文化傳承構成結構性風險。人類時間性學習（HTL）是指通過持續投入時間解決問題的路徑依賴式知識積累。生成模型的輸出在表面特徵上日益接近HTL密集型成果，導致驗證真實人類學習的成本相對於預期收益不斷上升。一旦驗證失去經濟合理性，評估者將獎勵所有產出而不區分生產方式，投入多年學習的人類生產者被迫與幾乎零成本的生成輸出進行價格競爭。作者將這一路徑稱為“價值崩潰”，並通過高成本檢驗框架加以形式化。跨學科證據（學術出版、法律實踐、內容平台、軟件安全）映射出四個驗證侵蝕階段。模型對齊的成功反而是正交因素：更優對齊縮小了人類與AI輸出之間的可觀察差距，使來源驗證更加困難，從而加劇了對HTL密集型工作的競爭壓力。
現代生成模型即使在尚未達到通用人工智能（AGI）的能力水平下，已經對知識生產與文化傳承構成了結構性風險。這是Wenjun Cao在ICML 2026被接收的論文《Generative Models Erode Human Temporal Learning Through Market Selection》中的核心論點。該研究引入了一個關鍵概念——人類時間性學習（Human Temporal Learning, HTL），即通過長期持續的、投入時間的方式解決問題而獲得的路徑依賴型知識積累。這種學習形式是深度專業知識、工藝技巧和學術洞察力的基礎，其形成需要數年甚至數十年的專注與努力。
然而，生成模型的輸出在表面特徵上越來越接近HTL密集型工作的成果。這種相似性使得驗證某一輸出是否真正源於人類學習變得成本高昂，且往往超出其預期收益。當一個經濟系統中，驗證失去了合理的經濟依據，評估者開始不加區分地獎勵所有輸出，無論其生產方式如何。此時，那些投入了多年時間進行人類學習的人，不得不與幾乎零成本就能生成的AI輸出進行價格競爭。作者將這種動態稱為“價值崩潰”（value collapse），並通過一個高成本檢驗框架（costly-inspection framework）對其進行了形式化建模。
論文通過跨領域的證據展示了驗證侵蝕的四個階段，涵蓋學術出版、法律實踐、內容平台和軟件安全等領域。這些領域展示了從最初的小心驗證到最終放棄驗證的完整過程。值得注意的是，研究指出模型對齊的成功（即讓AI更符合人類意圖）實際上是一個正交因素。更好的對齊雖然使單獨每個AI輸出更優質，但同時也縮小了人類與AI輸出之間的可觀察差異，從而使得來源驗證變得更加困難。這反而加劇了市場競爭壓力，對所有從事HTL密集型工作的人構成了更大的挑戰。
該研究為理解AI時代知識工作價值的潛在衰退提供了理論框架，並提醒政策制定者、學術界和產業界需要對生成模型的廣泛部署保持警惕。驗證機制的經濟基礎可能正在瓦解，而對抗這一趨勢需要超越單純技術對齊的解決方案。