面向機(jī)器的機(jī)械助推

Mecha-nudges for Machines

https://arxiv.org/pdf/2603.23433

摘要

助推（Nudges）是指對向人類決策者呈現(xiàn)選擇方式所做的細(xì)微調(diào)整（例如，默認(rèn)采用"選擇加入"而非"選擇退出"），能夠在不限制選項(xiàng)或改變激勵(lì)的前提下引導(dǎo)行為變化。隨著人工智能代理日益在與人類相同的環(huán)境中做出決策，選擇的呈現(xiàn)方式或許可以同時(shí)針對機(jī)器與人類進(jìn)行優(yōu)化。我們提出"機(jī)械助推"（mecha-nudges）：即通過改變選擇的呈現(xiàn)方式，系統(tǒng)性地影響人工智能代理，同時(shí)不降低人類所面臨的決策環(huán)境質(zhì)量。為形式化機(jī)械助推概念，我們將貝葉斯勸說（Bayesian persuasion）框架與V-可用信息（V-usable information）相結(jié)合——后者是香農(nóng)信息的一種泛化形式，具有觀察者相對性。由此我們獲得了一個(gè)通用尺度（可用信息的比特?cái)?shù)），可用于比較廣泛的干預(yù)措施、情境與模型。我們將該框架應(yīng)用于全球獨(dú)立賣家市場平臺(tái)Etsy上的商品列表分析，發(fā)現(xiàn)自ChatGPT發(fā)布以來，商品列表中包含的、關(guān)于產(chǎn)品選擇的機(jī)器可用信息顯著增加，這與系統(tǒng)性機(jī)械助推現(xiàn)象一致。

1 引言

助推是指對向人類決策者呈現(xiàn)選擇方式所做的細(xì)微調(diào)整，旨在將其行為引導(dǎo)至特定方向 [Thaler and Sunstein, 2008]。助推區(qū)別于其他干預(yù)措施的關(guān)鍵在于：它們必須易于規(guī)避。任何移除選項(xiàng)或顯著改變經(jīng)濟(jì)激勵(lì)的措施都不能被視為助推。例如，將健康食品擺放在視線水平位置以鼓勵(lì)更健康飲食屬于助推；而禁止或?qū)Σ唤】凳称氛鞫悇t不屬于助推。助推通過利用人類認(rèn)知的局限性（如注意力有限、對結(jié)果呈現(xiàn)方式的敏感性）發(fā)揮作用。全球各地的政策制定者與企業(yè)均已采納助推策略：例如，在多米尼加共和國，旨在提高稅收合規(guī)性的助推措施僅在2018年就增加了1.93億美元（約占GDP的0.23%）的稅收收入 [Holz et al., 2023]。

數(shù)十年來，助推僅針對個(gè)體或人類群體，因?yàn)楫?dāng)時(shí)他們是唯一的決策者。但這一情況已發(fā)生改變。如今，許多決策由人工智能代理做出，而這些決策場景往往仍有人類決策者參與。在極少或沒有人類監(jiān)督的情況下，這些代理可以篩選求職者名單、預(yù)訂差旅安排、屏蔽內(nèi)容等。隨著代理本身成為獨(dú)立的決策者，一個(gè)自然的問題隨之產(chǎn)生：它們是否也能被助推？

我們提出"機(jī)械助推"（mecha-nudges）的概念：即通過改變選擇的呈現(xiàn)方式，系統(tǒng)性地影響人工智能代理的行為，同時(shí)不降低人類所面臨的決策環(huán)境質(zhì)量。例如，在線賣家可能在商品列表中添加特定的產(chǎn)品描述詞——比如"客戶滿意度高"——這對已經(jīng)查看產(chǎn)品評論的人類買家影響甚微，但卻能顯著提高基于大語言模型（LLM）的購物代理選擇該商品的可能性。

機(jī)械助推不應(yīng)與提示詞注入（prompt injection）或傳統(tǒng)搜索引擎優(yōu)化（SEO）混為一談。提示詞注入直接作用于模型，使其無法規(guī)避，并剝奪了代理原本擁有的選項(xiàng) [Willison, 2022]；而機(jī)械助推則保留選項(xiàng)，并作用于環(huán)境本身。傳統(tǒng)搜索引擎優(yōu)化通過操縱機(jī)器可讀信號(hào)（如關(guān)鍵詞、反向鏈接）來影響信息向人類的呈現(xiàn)方式，而人類仍是最終決策者 [Brin and Page, 1998; Hagendorff, 2021]。相比之下，機(jī)械助推針對的是能夠自主決策的人工智能系統(tǒng)——機(jī)器不再僅僅是人類選擇的呈現(xiàn)層，而是決策者本身。然而在現(xiàn)實(shí)世界中，自主性往往是一個(gè)連續(xù)譜系而非二元狀態(tài)，即使機(jī)器不具備完全自主性，機(jī)械助推也可能出現(xiàn)。

盡管助推在行為經(jīng)濟(jì)學(xué)中多以非正式方式討論，但一種流行的形式化框架來自貝葉斯勸說 [Kamenica and Gentzkow, 2011]，該框架探討發(fā)送者如何通過控制信息環(huán)境來影響接收者的行為（§2）。我們將該框架與V-可用信息概念相結(jié)合——后者是香農(nóng)信息的一種泛化形式，具有觀察者相對性 [Xu et al., 2020; Ethayarajh et al., 2022]。在我們的形式化框架下，機(jī)械助推的目標(biāo)是：在不低于人類可用信息量的前提下，最大化環(huán)境中關(guān)于期望機(jī)器行為的機(jī)器可用信息量（§3）。這使得所有機(jī)械助推均可在一個(gè)通用尺度上（可用信息的比特?cái)?shù)）進(jìn)行度量，從而允許在不同干預(yù)措施、情境與模型之間進(jìn)行比較。

盡管已有零散案例和軼事記錄了機(jī)械助推現(xiàn)象，但我們通過分析全球獨(dú)立賣家市場平臺(tái)Etsy上的商品列表，首次提供了大規(guī)模的系統(tǒng)性證據(jù)（§4）。Etsy是一個(gè)理想的研究場景：它為買家和賣家均集成了人工智能驅(qū)動(dòng)功能，且僅來自ChatGPT的推薦流量就超過20% [Smith, 2025]。我們發(fā)現(xiàn)，ChatGPT發(fā)布后創(chuàng)建的商品列表，在大語言模型產(chǎn)品選擇方面包含顯著更多的機(jī)器可用信息（圖1）：機(jī)器可用信息從后發(fā)布時(shí)期的約0比特躍升至0.143比特（最大可能值為1比特）。這一增長對提示詞表述、詞匯選擇及模型家族具有穩(wěn)健性。即使在控制大語言模型輔助文案撰寫因素后，該效應(yīng)依然存在，這與商品列表被優(yōu)化（無論是有意為之，還是通過模仿成功賣家）以提升機(jī)器可用信息的現(xiàn)象一致。在人類買家據(jù)稱對人工智能使用較為敏感的產(chǎn)品類別（如藝術(shù)品與收藏品）中，該效應(yīng)消失；而在日常消費(fèi)品類別中，該效應(yīng)更強(qiáng)。

機(jī)械助推的興起對市場設(shè)計(jì)、監(jiān)管以及人機(jī)交互的未來具有廣泛影響。本文通過提供形式化框架、測量策略以及首個(gè)大規(guī)模實(shí)證證據(jù)，邁出了第一步，表明機(jī)械助推已在重塑在線市場環(huán)境。

2 背景

我們現(xiàn)在回顧助推（nudges）、貝葉斯勸說（Bayesian persuasion）與V-可用信息（V-usable information）——這三者構(gòu)成了我們在§3中對機(jī)械助推（mecha-nudges）進(jìn)行形式化的基礎(chǔ)要素。

2.1 助推

行為經(jīng)濟(jì)學(xué)的早期研究發(fā)現(xiàn)，由于認(rèn)知資源是有限的，選擇呈現(xiàn)的方式對人類決策有顯著影響 [Tversky and Kahneman, 1981]。例如，用存活率而不是死亡率來框架化醫(yī)療治療方案，會(huì)使患者同意的可能性大大增加 [McNeil et al., 1982]。Thaler 和 Sunstein [2008] 引入了“選擇架構(gòu)”（choice architecture）一詞來描述決策環(huán)境的刻意設(shè)計(jì)，其中助推（nudges）指該架構(gòu)中任何能在不移除選項(xiàng)或改變激勵(lì)的情況下改變?nèi)祟愋袨榈牟糠帧?/p>

助推作為一種政策工具已被廣泛采納，因?yàn)閷x擇架構(gòu)的微小改變在實(shí)踐中能產(chǎn)生巨大效果。例如，美國退休計(jì)劃中的自動(dòng)注冊機(jī)制將新員工的參與率從 49% 提高到了 86% [Madrian and Shea, 2001]。在丹麥，退休賬戶的自動(dòng)繳款被證明比昂貴的稅收補(bǔ)貼有效得多，后者每支出 1 美元僅產(chǎn)生 1 美分的額外儲(chǔ)蓄 [Chetty et al., 2014]。社會(huì)比較——以將居民用電量與鄰居進(jìn)行比較的信件形式——平均降低了約 2% 的能源消耗 [Allcott, 2011]。

助推最常作為特定情境的干預(yù)措施被非正式地討論。然而，它們可以在某些框架下進(jìn)行數(shù)學(xué)形式化。例如，顯著性（salience）形式化了情境依賴注意力的概念，其中決策取決于人類如何在決策環(huán)境的離散屬性中進(jìn)行選擇；助推可以被框架化為對這些屬性的權(quán)重 [Bordalo et al., 2013]。理性忽視（Rational inattention）提出，由于信息獲取成本，隱藏信號(hào)可能不值得調(diào)查；助推可以被框架化為這些成本的變化 [Matˇejka and McKay, 2015, Sims, 2003]。助推也可以通過前景理論（prospect theory）的視角進(jìn)行分析，視為對結(jié)果框架化的改變 [Tversky and Kahneman, 1992, Goldin and Reck, 2018]。我們指引讀者參閱附錄 F 以獲取更多細(xì)節(jié)。

2.2 貝葉斯勸說

在信息設(shè)計(jì)領(lǐng)域，貝葉斯勸說（Bayesian persuasion）框架為助推提供了一種流行的數(shù)學(xué)形式化方法 [Kamenica and Gentzkow, 2011, Taneva, 2019, Kamenica, 2019]。簡而言之：

當(dāng)可能的信號(hào)集很大且非結(jié)構(gòu)化時(shí)（例如自由文本），明確指定信號(hào)方案并計(jì)算精確的貝葉斯更新變得難以處理（intractable）。然而，最大化機(jī)器可用信息——這是可處理的（tractable）——可以被視為當(dāng)接收者被限制在特定模型類時(shí)的貝葉斯勸說的類比（命題 1）。

2.3 可用信息

V-可用信息（V-usable information）是香農(nóng)信息的一種相對于觀察者的泛化形式。為了理解其用處，考慮一個(gè)模型族 V，它能夠?qū)W習(xí)將英文句子 X 映射為其法文翻譯 Y。如果我們對 X 進(jìn)行加密，X 所包含的關(guān)于 Y 的香農(nóng)信息量將保持不變，但翻譯它將變得困難得多，因?yàn)槠渲邪男畔⒉辉倏杀?V 所用 [Xu et al., 2020]。相反，如果我們解密加密文本，我們將增加可用信息的數(shù)量。盡管這違反了數(shù)據(jù)處理不等式，但它有助于理解許多現(xiàn)實(shí)世界現(xiàn)象，例如為何表示學(xué)習(xí)有益，以及為何某些數(shù)據(jù)集比其他數(shù)據(jù)集更難從中學(xué)習(xí) [Ethayarajh et al., 2022]。

Xu 等人 [2020] 提出通過一個(gè)稱為預(yù)測 V-信息（predictive V-information）的框架來衡量 V-可用信息的數(shù)量。我們現(xiàn)在將重述該框架中的形式化定義（以及 Ethayarajh 等人 [2022] 將其擴(kuò)展至逐點(diǎn)示例的部分）。

3 機(jī)械助推的形式化

考慮一位希望增加特定產(chǎn)品在線銷量的店主。她首先重新設(shè)計(jì)網(wǎng)頁，以更好地吸引人們關(guān)注其優(yōu)勢；這助推了人類的購買行為。但她也不希望每位訪客都購買該產(chǎn)品——例如，她希望預(yù)算充足的顧客選擇利潤率更高的替代品。她希望人們做出的“選擇”與“放棄”的決策是一個(gè)隨機(jī)變量 Y ，其條件取決于隨機(jī)變量 X （ X 代表她可以控制的決策環(huán)境 E ，如網(wǎng)頁，以及她無法控制的買家特征 U ）。她日益發(fā)現(xiàn)，AI 代理要么自己購買該產(chǎn)品，要么將其推薦給人類，而不僅僅是像搜索引擎優(yōu)化（SEO）那樣重新排列選項(xiàng)供人類最終決定。她必須轉(zhuǎn)換網(wǎng)頁形式，使得 AI 代理也能以期望的方式做出決策，同時(shí)又不會(huì)疏遠(yuǎn)人類。

我們將店主的困境形式化為一種決策環(huán)境的轉(zhuǎn)換，該轉(zhuǎn)換旨在最大化機(jī)器可用信息，同時(shí)不實(shí)質(zhì)性地減少人類可用信息。

該約束隱含的假設(shè)是人類和 AI 代理在相同的決策環(huán)境中運(yùn)作。操作化公式 (7) 可能需要 H 的代理變量，例如人類行為的學(xué)習(xí)模型 [Santurkar et al., 2023] 或結(jié)構(gòu)模型 [Tversky and Kahneman, 1992]。在某些應(yīng)用中，人們可以通過制度來證明該約束的合理性——例如通過市場或監(jiān)管壓力——或者通過選擇足夠大的 ? ? 使其不具約束力從而完全放松該約束。

4 機(jī)械助推的系統(tǒng)性證據(jù)

我們現(xiàn)在提供實(shí)證證據(jù)，表明已實(shí)現(xiàn)的機(jī)械助推（realized mecha-nudging）已經(jīng)在大規(guī)模發(fā)生。我們在 §3 中形式化所基于的“店主困境”并非僅僅是假設(shè)。因此，我們選擇研究 Etsy（一個(gè)面向獨(dú)立賣家的全球市場平臺(tái)）上的商品列表。Etsy 獨(dú)特地暴露于 AI 環(huán)境中：不僅超過 20% 的引薦流量來自 ChatGPT [Smith, 2025]，而且它是第一個(gè)允許在其平臺(tái)上直接在 ChatGPT 中購買產(chǎn)品的平臺(tái) [OpenAI, 2025]，并且已經(jīng)為買家和賣家集成了 AI 驅(qū)動(dòng)的功能 [Etsy, 2025]。這為賣家通過修改商品列表來進(jìn)行機(jī)械助推創(chuàng)造了激勵(lì)。

4.1 數(shù)據(jù)

這些結(jié)果的穩(wěn)定性與人類可用信息的實(shí)質(zhì)性下降不一致，反而與文本變化是增加了針對機(jī)器的信號(hào)（這些信號(hào)對人類買家來說最壞情況下也是冗余的）相一致。這種間接測試依賴于上述的響應(yīng)性假設(shè)，該假設(shè)是溫和的——任何人類通過閱讀產(chǎn)品描述獲取價(jià)值的模型都隱含了這一點(diǎn)，正如調(diào)查證據(jù)所表明的那樣。在這一假設(shè)下，我們的結(jié)果提供了存在具有非平凡（non-trivial）人類側(cè)約束的已實(shí)現(xiàn)機(jī)械助推的證據(jù)。若無此假設(shè)，它們至少提供了存在無約束的已實(shí)現(xiàn)機(jī)械助推的證據(jù)。

4.2 方法

4.3 結(jié)果

ChatGPT 發(fā)布后，機(jī)器可用信息顯著上升。 ChatGPT 發(fā)布后創(chuàng)建的 Etsy 商品列表比此前創(chuàng)建的列表包含顯著更多的機(jī)器可用信息，估計(jì)增幅為 0.143 比特（ p < 0.01 ）。時(shí)間動(dòng)態(tài)也提供了重要信息。如圖 1 所示，與 2022 年 7 月至 10 月期間相比，之前的半年并未包含更多的機(jī)器可用信息，半年系數(shù)在零附近波動(dòng)。發(fā)布后不久，PVI（預(yù)測 V-信息）出現(xiàn)急劇且具有統(tǒng)計(jì)顯著性的躍升，隨后穩(wěn)步下降——除其他可能的機(jī)制外——這也與賣家意識(shí)到 ChatGPT 和其他大語言模型（LLMs）僅在其歷史訓(xùn)練數(shù)據(jù)中抓取列表的情況一致。然而，隨著 2024 年 10 月能夠?yàn)g覽實(shí)時(shí)列表的 ChatGPT Search 發(fā)布，PVI 再次開始穩(wěn)步攀升，并在我們數(shù)據(jù)中最近的半年（2025 年 1 月至 6 月）達(dá)到峰值。

這一結(jié)果對于各種可能的混淆變量具有穩(wěn)健性。 如圖 3 所示，改變詞元對（token pairs）、提示詞表述、標(biāo)注模型和微調(diào)模型，均得出了關(guān)于可用信息變化的正向且顯著的估計(jì)，其中大多數(shù) β 的點(diǎn)估計(jì)值落在 [ 0.09 , 0.17 ] 范圍內(nèi)。加入所有列表級別的控制變量使系數(shù)從 0.143 降至 0.117，但其仍然顯著（ p < 0.01 ）——考慮到某些控制變量（如評論數(shù)量）本身也是均衡結(jié)果，這一結(jié)果令人欣慰（詳見附錄 D）。

該效應(yīng)無法用 AI 輔助文案撰寫來解釋。 為了測試商品列表的 AI 輔助文案撰寫是否能解釋這些結(jié)果，我們考慮了兩個(gè)安慰劑測試。首先，我們使用 GPT-5-mini 改寫了 ChatGPT 發(fā)布前（即公眾開始廣泛使用大語言模型之初）的 Etsy 列表，在保留所有事實(shí)內(nèi)容的同時(shí)允許模型改變措辭和風(fēng)格。PVI 的估計(jì)增幅僅為 0.018，比基準(zhǔn)效應(yīng)低一個(gè)數(shù)量級：機(jī)械式改寫無法復(fù)現(xiàn)機(jī)械助推所實(shí)現(xiàn)的信息增益。其次，我們在 DailyMed 的藥品標(biāo)簽上復(fù)現(xiàn)了該分析，在該場景中，文本由監(jiān)管事務(wù)專業(yè)人員按照標(biāo)準(zhǔn)化模板撰寫，這意味著不存在 ChatGPT 的采用會(huì)改變內(nèi)容的合理渠道。ChatGPT 發(fā)布后 PVI 的估計(jì)變化與零無顯著差異，從而排除了數(shù)據(jù)中存在普遍時(shí)間趨勢的可能性（圖 3）。此外，不同產(chǎn)品類別間效應(yīng)量的變化也暗示了審慎的干預(yù)：在買家表面上對 AI 使用敏感的領(lǐng)域（例如藝術(shù)品和收藏品），效應(yīng)量與零無顯著差異；而對于普通日常消費(fèi)品，效應(yīng)量則高于平均水平（圖 4，右）。

詞元級模式為理解該機(jī)制提供了一個(gè)局部窗口。 雖然我們無法觀察到機(jī)械助推是如何設(shè)計(jì)的，但我們可以識(shí)別出有助于產(chǎn)生整體效應(yīng)的粗略詞元級模式。對于自然語言處理（NLP）中三個(gè)情感和觀點(diǎn)詞典 [Hu and Liu, 2004, Hutto and Gilbert, 2014, Fast et al., 2016] 中的每個(gè)詞，我們計(jì)算將其從 X 中省略時(shí) PVI 的平均變化。這個(gè) Δ PVI 指標(biāo)是在文本數(shù)據(jù)中尋找詞元級信號(hào)的公認(rèn)方法 [Ethayarajh et al., 2022]。高度正的 Δ PVI 意味著該詞平均而言使機(jī)器的行為更具可預(yù)測性，而高度負(fù)的 Δ PVI 意味著它使機(jī)器的行為更不可預(yù)測。例如，移除 cheery（令人愉快的）會(huì)將包含它的列表的估計(jì) PVI 從大約 0.18 增加到 0.75，使其成為一個(gè)負(fù) Δ PVI 詞（圖 4，左）。

高 Δ PVI 組中的一類詞匯關(guān)注產(chǎn)品的稀缺程度（例如，scarce [稀缺]，oddities [奇珍異寶]）；另一類關(guān)注其市場價(jià)值可能是什么（例如，junk [垃圾]，unwanted [不需要的]）。相比之下，許多低 Δ PVI 詞匯帶有明顯的積極情感，這表明情感化文案可能會(huì)使模型的行為變得不那么可預(yù)測。這是一個(gè)更多樣化詞匯大列表的子集（附錄 E，表 11），這些發(fā)現(xiàn)應(yīng)被視為描述性的而非解釋性的。這些模式并未指向行為經(jīng)濟(jì)學(xué)中那種單一、清晰的干預(yù)措施；相反，它們表明 Etsy 上機(jī)械助推的機(jī)制是復(fù)雜的，可能反映了一個(gè)涌現(xiàn)式的試錯(cuò)過程。此外，并非所有賣家都可能有意嘗試對 AI 代理進(jìn)行機(jī)械助推；其他人可能是在模仿成功的賣家，或者僅僅是將大語言模型（LLMs）視為人類的代理——這仍然算作已實(shí)現(xiàn)的機(jī)械助推（定義 3.2）。我們將更完整的機(jī)制性解釋留待未來的工作。

5 局限性與未來工作

Etsy 上機(jī)械助推的機(jī)制是微妙且復(fù)雜的；我們僅能夠識(shí)別出一些粗略的詞元級模式（§4.3）。未來工作的方向包括識(shí)別更細(xì)微的風(fēng)格和語義轉(zhuǎn)變（特別是那些特定于領(lǐng)域的轉(zhuǎn)變），以及這種優(yōu)化是直接進(jìn)行的還是模仿更成功的賣家進(jìn)行的。建立因果路徑需要要么 AI 暴露度的外生變異，要么關(guān)于個(gè)體賣家行為和意識(shí)的細(xì)粒度數(shù)據(jù)，這在 Etsy 數(shù)據(jù)中不可用，但在其他情境中可能可用。此外，盡管我們廣泛的穩(wěn)健性檢查為我們發(fā)現(xiàn)的穩(wěn)定性提供了信心，但實(shí)證分析源自單一平臺(tái)——由于數(shù)據(jù)可用性有限——將其擴(kuò)展到其他市場將進(jìn)一步驗(yàn)證機(jī)械助推的概念。

我們的框架本身可以在多個(gè)方向上進(jìn)行擴(kuò)展。首先，該框架可以從單一結(jié)果設(shè)置擴(kuò)展到多結(jié)果設(shè)置，例如通過解決比公式 (7) 具有更多約束的設(shè)計(jì)問題，來區(qū)分列表是助推代理推薦賣家自己的產(chǎn)品還是第三方替代品。其次，與其測量現(xiàn)有的干預(yù)措施，不如通過學(xué)習(xí)一個(gè)變換 ψ 來設(shè)計(jì)最優(yōu)干預(yù)措施，該變換最大化條件 V-可用信息 [Hewitt et al., 2021]。第三，隨著 AI 代理變得更加異構(gòu)，優(yōu)化差異化針對它們的干預(yù)措施將變得重要，例如影響知曉來源的代理，同時(shí)對爬蟲保持中立。盡管我們的工作表明市場壓力可以協(xié)調(diào)人類和 AI 的需求，但隨著代理進(jìn)行越來越多的在線活動(dòng)，代理體驗(yàn)可能會(huì)被置于人類體驗(yàn)之上，從而導(dǎo)致人類行動(dòng)者的逐漸賦權(quán)喪失 [Kulveit et al., 2025]。

6 結(jié)論

我們引入了機(jī)械助推（mecha-nudges）的概念，即對決策環(huán)境所做的改變，能夠系統(tǒng)性地影響人工智能代理的行為，同時(shí)不會(huì)實(shí)質(zhì)性地降低人類所面臨的決策環(huán)境質(zhì)量，并使用 V-可用信息對其進(jìn)行了形式化。以 Etsy 為案例研究，我們發(fā)現(xiàn)，在 ChatGPT 發(fā)布后時(shí)期創(chuàng)建的商品列表，相較于 ChatGPT 發(fā)布前時(shí)期的列表，包含了更多關(guān)于機(jī)器產(chǎn)品選擇的機(jī)器可用信息。這一增長在提示詞、標(biāo)注模型和微調(diào)架構(gòu)之間均具有穩(wěn)健性，且無法通過安慰劑式改寫或通用時(shí)間控制數(shù)據(jù)集復(fù)現(xiàn)。該模式暗示了審慎的適應(yīng)性調(diào)整：在人類買家對 AI 使用較為敏感的產(chǎn)品類別（如藝術(shù)品）中，該效應(yīng)并不存在。機(jī)械助推的精確機(jī)制是復(fù)雜的，盡管我們發(fā)現(xiàn)了一些粗略的詞元級趨勢。我們的研究結(jié)果首次提供了大規(guī)模實(shí)證證據(jù)，表明經(jīng)濟(jì)主體已在為機(jī)器消費(fèi)優(yōu)化內(nèi)容，而我們的框架則為跨領(lǐng)域衡量這一現(xiàn)象提供了一個(gè)通用工具。

原文鏈接：https://arxiv.org/pdf/2603.23433