预测辅助和探索性压缩的时间动态

arXiv:2606.10094v1 公告类型：新 摘要：经典认知理论将问题解决描述为通过结构化问题空间进行探索性搜索，其中重复交互逐渐将搜索压缩为有效的表征结构。预测人工智能系统引入了一种独特的机制，在探索性多样化展开之前可能会出现稳定，在内部生成搜索之前提供解决方案和决策轨迹。本文开发了一个几何动态框架，其中注意力在由稳定漂移、内源探索性扰动和响应性门控学习形成的策略景观中演变。预测辅助被建模为外源探索性压缩的过程，该过程在自我生成的探索扩大战略空间的可访问区域之前稳定轨迹。该框架产生了三个主要结果。首先，即使探索性变异仍然存在，持续的预测稳定也会通过减弱内在扰动的有效影响来降低探索性反应。其次，曲率不对称地积累和松弛，产生滞后现象，并在援助撤回后延迟恢复探索性活动。第三，发展结果在很大程度上取决于稳定的时间，在广泛的代表性多样化发生之前，早期干预会缩小未来的探索性遍历。该框架生成有关探索性熵、过早收敛和预测稳定后延迟恢复的可经验测试的预测。更广泛地说，结果表明预测系统可能会重塑探索性认知本身的几何结构。