近端狀態引導：減少AI輔助導致的技能退化
研究人員提出一種名為“近端狀態引導”（PSN）的共享自主算法，旨在應對AI輔助下的人類技能萎縮問題。PSN通過引導用户進入最易學習的狀態，同時優化技能發展和任務表現。在LunarLander模擬環境和CARLA駕駛任務中，PSN相比現有方法使無輔助技能提升高達7倍，並將碰撞減少50%。
一項新研究提出了“近端狀態引導”（Proximal State Nudging, PSN），這是一種旨在減少AI輔助下人類技能萎縮的共享自主算法。技能萎縮是指當人類過度依賴AI協助時，自身能力逐漸下降的現象，在半自主系統的共享控制中尤為危險，因為操作員可能無法區分自己的輸入與自主糾正。該論文於2026年5月19日提交至arXiv，作者包括Megha Srivastava等9人，屬於機器人學、人機交互和機器學習領域。
PSN算法通過向估計為最易學習的狀態進行“輕推”，同時優化用户技能發展和任務表現。研究團隊首先在經典的LunarLander環境中使用模擬學生驗證了PSN的有效性，結果顯示PSN在平衡無輔助獎勵提升和整體共享表現方面優於現有的共享自主基線。模擬學生實驗表明，PSN能夠更有效地促進學習，使學生即使在無輔助條件下也能獲得更高獎勵。
隨後，研究人員進行了首次納入學習兼容共享自主規劃器的人類受試者研究。在CARLA模擬器的兩項駕駛任務（高性能賽車和平行泊車）中，60名受試者參與實驗。結果表明，與標準混合共享自主相比，PSN使無輔助技能提升高達7倍，同時相比無輔助的自我練習減少了50%的碰撞。此外，PSN在任務表現上並未妥協，有時甚至更好。這些發現對於設計更安全、更有利於人類技能發展的AI輔助系統具有重要意義，尤其在自動駕駛、航空等高風險領域具有潛在應用價值。研究人員強調，PSN提供了一種平衡短期性能與長期技能保持的方法，有望成為下一代半自主系統的核心設計原則。