論文の概要: Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective

• arxiv url: http://arxiv.org/abs/2605.06347v1
• Date: Thu, 07 May 2026 14:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.904998
• Title: Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective
• Title（参考訳）: 人間とAIの共進化と疫学の崩壊--動的システムの視点から
• Authors: Xuening Wu, Yanlan Kang, Qianya Xu, Kexuan Xie, Jiaqi Mi, Honggang Wang, Yubin Liu, Zeping Chen,
• Abstract要約: 人間と言語モデルは、使用、生成、再訓練のフィードバックループによってリンクされた結合された動的システムを形成する。 我々は,AIへの依存度の増加が,低ダイバーシティ,準最適均衡への移行をもたらすことを示す。 結果は、AIシステムの軌道はモデル設計だけでなく、人間とAIの共進化のダイナミクスによって形成されていることを示唆している。
• 参考スコア（独自算出の注目度）: 2.1061291753905405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are reshaping how knowledge is produced, with increasing reliance on AI systems for generation, summarization, and reasoning. While prior work has studied cognitive offloading in humans and model collapse in recursive training, these effects are typically considered in isolation. We propose a unified perspective: humans and language models form a coupled dynamical system linked by a feedback loop of usage, generation, and retraining. We introduce a minimal model with three variables -- human cognition, data quality, and model capability -- and show that this feedback can give rise to distinct dynamical regimes. Our analysis identifies three regimes: co-evolutionary enhancement, fragile equilibrium, and degenerative convergence. Through a simple simulation, we demonstrate that increasing reliance on AI can induce a transition toward a low-diversity, suboptimal equilibrium. From an information-theoretic perspective, this transition corresponds to an emergent information bottleneck in the human-AI loop, where entropy reduction reflects loss of diversity and support under closed-loop feedback rather than beneficial compression. These results suggest that the trajectory of AI systems is shaped not only by model design, but by the dynamics of human-AI co-evolution.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、生成、要約、推論に対するAIシステムへの依存を増し、知識の作り方を変えつつある。 以前の研究では、人間の認知的オフロードと再帰的トレーニングにおけるモデル崩壊について研究されてきたが、これらの効果は典型的には孤立していると考えられている。 我々は、人間と言語モデルが、使用、生成、再学習のフィードバックループによってリンクされた結合力学系を形成する、統一された視点を提案する。 人間の認識、データ品質、モデル能力の3つの変数を持つ最小限のモデルを導入し、このフィードバックが、異なる動的レジームを生み出す可能性があることを示す。 本分析では, 共進化的拡張, 脆弱均衡, 縮退収束の3つの制度を同定した。 簡単なシミュレーションにより、AIへの依存度の増加は、低ダイバーシティ、準最適均衡への移行を誘発することを示した。 情報理論の観点から見ると、この遷移は人間-AIループにおける創発的な情報ボトルネックに対応しており、エントロピーの低減は、有益な圧縮ではなく、クローズドループフィードバックの下での多様性とサポートの喪失を反映している。 これらの結果は、AIシステムの軌道はモデル設計だけでなく、人間とAIの共進化のダイナミクスによって形成されていることを示唆している。

関連論文リスト

• Evolutionary Systems Thinking -- From Equilibrium Models to Open-Ended Adaptive Dynamics [1.2691047660244335]
  複雑な変化はしばしば、経済、政策、数値、技術において「進化的」と表現される。 本稿では、進化力学は生物学的メタファーとしてではなく、核となるシステム思考問題として扱うべきであると論じる。
  論文  参考訳（メタデータ） (2026-02-17T19:17:50Z)
• Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI [0.8481798330936976]
  ファンデーションモデルは、複数の抽象化スケールのアクションと、合成生成アーキテクチャとエピソディックメモリを統合するべきだ、と我々は主張する。 ファンデーションモデルにこれらの欠落したコンポーネントを追加することで、現在の障害に対処する方法について説明する。 私たちは、歴史的に実りある脳科学とAIのアイデアの交換が、安全で解釈可能な人間中心のAIへの道を開くのに役立ちます。
  論文  参考訳（メタデータ） (2025-12-27T11:54:54Z)
• Guided Self-Evolving LLMs with Minimal Human Supervision [53.111086364268566]
  無誘導の自己進化システムは、しばしば訓練として素早く、または劣化する。 R-Fewはガイド付きセルフプレイチャレンジャー(Self-Play Challenger)買収フレームワークで、コンテキスト内接地と混合トレーニングを通じて、軽量な人間の監視を取り入れている。 R-Fewは、数学と一般的な推論ベンチマークで一貫した反復的な改善を実現している。
  論文  参考訳（メタデータ） (2025-12-02T07:06:11Z)
• The Universal Landscape of Human Reasoning [60.72403709545137]
  情報フロー追跡(IF-Track)を導入し,情報エントロピーの定量化と,各推論ステップにおけるゲインの定量化を行う。 IF-Trackは,本質的な推論特徴を捉え,系統的な誤りパターンを識別し,個人差を特徴付ける。 このアプローチは理論と測定の間の定量的な橋渡しを確立し、推論のアーキテクチャに関する機械的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:26:36Z)
• ECHO: Ego-Centric modeling of Human-Object interactions [71.17118015822699]
  ECHO (Ego-Centric Modeling of Human-Object Interaction) を開発した。 人間のポーズ、物体の動き、そしてそのような最小限の観察から接触の3つのモダリティを回復する。 同じ柔軟性を提供しない既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-08-29T12:12:22Z)
• From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
  大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。 本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
  論文  参考訳（メタデータ） (2025-05-21T16:29:00Z)
• Shifting Attention to You: Personalized Brain-Inspired AI Models [3.0128071072792366]
  人間の行動洞察とミリ秒スケールのニューラルネットワークを微調整CLIPベースモデルに統合することで、修正されていないCLIPベースラインと比較して、行動性能が2倍になることを示す。 我々の研究は、適応型AIシステムを設計するための、新しい解釈可能なフレームワークを確立し、神経科学、パーソナライズドメディカル、人間とコンピュータの相互作用に幅広い意味を持つ。
  論文  参考訳（メタデータ） (2025-02-07T04:55:31Z)
• Learning by Surprise: Surplexity for Mitigating Model Collapse in Generative AI [1.6545633988217645]
  合成コンテンツがWebに浸透するにつれて、生成的AIモデルは自身の出力で再訓練される可能性がある。 これによってモデルが崩壊し、世代間でパフォーマンスと多様性が徐々に失われます。 本稿では,モデルの次点確率分布から直接崩壊を特徴付ける新しい尺度を提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:02:48Z)
• Closely Interactive Human Reconstruction with Proxemics and Physics-Guided Adaption [64.07607726562841]
  既存の人間再建アプローチは主に、正確なポーズの回復や侵入を避けることに焦点を当てている。 本研究では,モノクロ映像から密に対話的な人間を再構築する作業に取り組む。 本稿では,視覚情報の欠如を補うために,確率的行動や物理からの知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-04-17T11:55:45Z)
• Human-AI Coevolution [48.74579595505374]
  Coevolution AIは、人間とAIアルゴリズムが相互に連続的に影響を及ぼすプロセスである。 本稿では,AIと複雑性科学の交点における新たな研究分野の基盤として,Coevolution AIを紹介した。
  論文  参考訳（メタデータ） (2023-06-23T18:10:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。