近端状态引导：减少AI辅助导致的技能退化
研究人员提出一种名为“近端状态引导”（PSN）的共享自主算法，旨在应对AI辅助下的人类技能萎缩问题。PSN通过引导用户进入最易学习的状态，同时优化技能发展和任务表现。在LunarLander模拟环境和CARLA驾驶任务中，PSN相比现有方法使无辅助技能提升高达7倍，并将碰撞减少50%。
一项新研究提出了“近端状态引导”（Proximal State Nudging, PSN），这是一种旨在减少AI辅助下人类技能萎缩的共享自主算法。技能萎缩是指当人类过度依赖AI协助时，自身能力逐渐下降的现象，在半自主系统的共享控制中尤为危险，因为操作员可能无法区分自己的输入与自主纠正。该论文于2026年5月19日提交至arXiv，作者包括Megha Srivastava等9人，属于机器人学、人机交互和机器学习领域。
PSN算法通过向估计为最易学习的状态进行“轻推”，同时优化用户技能发展和任务表现。研究团队首先在经典的LunarLander环境中使用模拟学生验证了PSN的有效性，结果显示PSN在平衡无辅助奖励提升和整体共享表现方面优于现有的共享自主基线。模拟学生实验表明，PSN能够更有效地促进学习，使学生即使在无辅助条件下也能获得更高奖励。
随后，研究人员进行了首次纳入学习兼容共享自主规划器的人类受试者研究。在CARLA模拟器的两项驾驶任务（高性能赛车和平行泊车）中，60名受试者参与实验。结果表明，与标准混合共享自主相比，PSN使无辅助技能提升高达7倍，同时相比无辅助的自我练习减少了50%的碰撞。此外，PSN在任务表现上并未妥协，有时甚至更好。这些发现对于设计更安全、更有利于人类技能发展的AI辅助系统具有重要意义，尤其在自动驾驶、航空等高风险领域具有潜在应用价值。研究人员强调，PSN提供了一种平衡短期性能与长期技能保持的方法，有望成为下一代半自主系统的核心设计原则。