arXiv 于 2026 年 5 月 19 日发布了一篇题为《Proximal State Nudging: Reducing Skill Atrophy from AI Assistance》的新论文（编号 arXiv:2605.20355v1），作者为 Megha Srivastava 及另外 8 位合作者。该研究聚焦于“技能萎缩”这一在 AI 辅助下逐渐显现的安全隐患：当人类与半自主系统共享控制权时，操作者可能难以分辨哪些动作来自自己的输入、哪些来自系统的自动纠正，久而久之，其独立操作能力可能退化。论文提出了一种名为“近端状态引导”（Proximal State Nudging，PSN）的共享自主算法，试图在提升任务表现的同时兼顾使用者的技能成长。
PSN 的核心思路是：系统不再仅仅追求当前任务的最优结果，而是主动将用户引导至被估计为“最易学习”的状态。换言之，算法会联合优化技能发展与任务绩效这两个目标，让辅助行为本身成为一种训练过程。作者指出，这种方法属于“与学习兼容的共享自主”（learning-compatible shared autonomy），即规划器在设计时就考虑到人类学习曲线，而非把辅助与学习视为彼此冲突的目标。
研究分两个阶段展开。首先，团队在经典的 LunarLander 仿真环境中使用模拟学生进行测试，结果表明 PSN 在平衡“无辅助奖励提升”与“整体共享表现”这两项指标上，优于现有的共享自主基线方法。随后，作者开展了据其所知是该方向首次的人类受试者研究，在 CARLA 模拟器中设置了两项驾驶任务——高性能赛车与平行泊车，共有 60 名被试参与。
人类实验的数据颇为引人注目：与标准的混合式共享自主相比，PSN 带来的无辅助技能提升最高可达 7 倍；与此同时，其碰撞次数比完全无辅助的自主练习还要少 50%。这意味着 PSN 不仅帮助使用者在脱离 AI 后表现得更好，还在训练过程中提升了安全性。论文共 9 页，归类于机器人学（cs.RO），并交叉涉及人机交互（cs.HC）与机器学习（cs.LG），提交时间为 2026 年 5 月 19 日 18:10:46 UTC，全文约 13,494 KB，DOI 为 10.48550/arXiv.2605.20355。
从更广的视角看，这项工作的意义在于把“AI 辅助是否会削弱人类能力”这一担忧转化为可算法化的设计目标。对于半自动驾驶、手术机器人、飞行控制等共享控制场景，如何在提供帮助的同时避免操作者丧失判断力与操作技巧，是长期存在的难题。PSN 提出的“引导至可学习状态”提供了一种可能的路径：辅助系统不只是替人完成任务，还可以有意识地塑造人的学习经验。当然，作者也强调，目前证据来自仿真环境与模拟器中的短期实验，真实世界中长期使用的效果、不同技能水平的用户差异，以及系统对“可学习状态”估计的准确性，仍有待进一步验证。