逐流：绕过内容判断来管理高损耗域中的 AI 输出

arXiv:2608.07474v1 公告类型：新 摘要：先前的工作表明，当人工智能输出速度 V 超过人类认知能力 C_max 时，人机循环监督在高损失领域中在结构上变得站不住脚。然而，操作约束不仅仅是 V，而是 V x L，其中 L 表示每个项目的认知负荷。 L由分类、判断和响应组成，它们对AI能力提升的响应不对称。随着模型变得更加强大，分类成本不会下降，因为语义不确定性是通用设计中固有的。响应成本对于准确性的提高是不变的。只有判断成本面临下行压力，而这种压力往往是通过诱导省略而不是真正的减少来发挥作用。因此，能力改进会重组 L，而不是减少它。基于评估人工智能输出是否正确的治理机制，要么将该评估委托给人工智能并继承幻觉风险，要么将其委托给人类并面临 V x L 天花板。我们提出了 Flow-by-Flow，这是一种无需评估内容即可控制监管负载的治理范式。基于形式、可数特征的认知成本评分对大批量生产施加了非线性成本，而机构容量上限将处理量保持在 C_max 范围内。我们为任何内容判断绕过超越途径得出了四个设计不变量：无内容判断、审查员能力的可扩展消耗、每个应用程序的身份限制摩擦以及无批次许可。讨论了一种参考实现，以表明这些不变量是可以共同满足的，同时明确承认其实际困难。对 1,000 个参数进行的说明性蒙特卡罗分析表明，在 90.8% 的试验中，复合多度量流量控制优于单独的监督强化。