AI控制存在“记忆效应”：历史路径影响调控负担

自适应智能体通常以其外部行为表现作为评价标准，但最新研究表明，维持系统稳定所需的内部调控负担可能被忽视。当智能体在噪声、延迟或需求变化环境下运行时，两个达到相似状态的系统可能隐藏着完全不同的控制成本。

研究团队通过计算模型探究调控负担是否具有历史依赖性。实验中，研究人员让智能体经历不确定性目标的连续变化后反向调整，而不重置其内部状态。结果显示，调控增益形成了可复现的滞后回线——同一目标所需控制强度因智能体处于“前进”或“返回”状态而显著不同。

时序因素同样关键：在扰动暴露前进行稳定化调控，所需自适应增益明显低于事后恢复的情况。状态一致性指标虽也呈现路径依赖，但调控增益的时序效应更为突出。这表明前瞻性调控并非产生全新状态，而是以更低的控制需求实现可比拟的稳定行为。

该研究提示，评估自适应智能体不应仅关注其是否保持有序，更需考察维持有序所需的调控资源消耗。这对设计鲁棒AI系统、优化实时控制策略具有重要参考价值。