为什么这条曲线不是简单的 U 形
U 形的说法会是：稍微代劳一点会损害学习，代劳更多又会重新有帮助，于是关系又向上弯回去。但关于人类技能与 AI 代劳的数学模型并不会产生这种形状。相反，它把技能和代劳当作两个共同演化的量：当 AI 表现超过人时，代劳就会上升；技能随练习增长，不练则衰退；而两者都由同一个目标驱动，即减少任务错误 [2]。
把这个反馈回路向前推演，得到的是两个稳定结果，而不是一条先下陷再回升的曲线。一个是高技能均衡，基本上就是人自己学习、持续练习。另一个是持续依赖所形成的稳定低技能均衡。两者之间有一条陡峭的吸引域边界——一条分界线，一旦动力学把学习者带过这条线，拉向低技能一侧的力量就变得实际上不可逆 [2]。
什么会移动临界点
模型对“什么会移动转折点”的答案是 AI 质量。作者刻画了更好的 AI 如何改变吸引域边界——也就是说，它改变了两个均衡之间那条线的位置，以及跨越它有多容易 [2]。令人不安的推论是，更强的助手可能让低技能结果更容易滑入，因为代劳的短期回报看起来更好，哪怕长期技能轨迹在变差。
短期与长期之间的这种分裂是关键。模型显示，AI 辅助可以在短期内严格提升表现，但相比从不使用 AI，长期却会造成持续的表现损失，其驱动力是代劳与练习之间的负反馈：你代劳得越多，练习得越少；练习得越少，代劳就越划算 [2]。在模型中，这些效应在噪声和非对称信任更新下依然成立，说明该机制不是完美假设下的脆弱产物 [2]。
这对保持学习深度意味着什么
如果风险是单向滑落而不是暂时下陷，那么时机就比剂量更重要。模型陡峭的吸引域边界意味着早期决定的影响格外大，因为一旦动力学稳定在持续依赖上，再爬出来就很难 [2]。这把实际问题从“我该用多少 AI”重新表述为“我在学习过程的什么时候用它，以及它是否替代了建立技能所需的练习”。
关于 AI 驱动自适应学习的研究用设计语言表达了同样的张力，把决策责任交给机器描述为一个转折点，并主张 AI 应当起支持作用，而由人来提供学习体验的深度 [1]。这是一种设计愿景，而不是经过检验的结果——该工作并未确立 U 形关系，也没有确定什么会移动转折点 [1]。与模型对照来看，它指向同一个方向：学习深度取决于代劳的安排是否能保留建立技能所需的练习，而不在于找到一个神奇的 AI 使用量中间值。
本文引用的文献
AI 驱动的自适应学习：架构、治理与可扩展个性化路线图
把决策责任交给机器视为一个转折点，并主张 AI 应当支持而非替代人类学习体验的深度，但并未确立 U 形关系，也没有确定什么会移动转折点。
AI 代劳下学习的几何学
把人类技能与 AI 代劳建模为一个耦合动力系统，发现两个稳定均衡——高技能的人类学习和持续的低技能依赖——两者之间隔着一条陡峭、实际上不可逆的吸引域边界，而 AI 质量会改变这条边界；AI 能提升短期表现，却造成长期技能损失。