你掌控你的状态：为何人类结果可通过因果状态干预实现可控

来源：arXiv cs.AI 作者：Suraj Biswas 提交日期：2026年5月26日（v1），2026年5月28日（v2）

背景

在行为科学以及面向人类的人工智能（Human-facing AI）领域，存在一个长期未解的核心谜题：个体内部的变异性（Within-person variability）。

传统模型往往假设，相同的可观测输入会导致相似的结果，或者通过收集更多的协变量（Covariates）就能完全预测个体的行为。然而，现实情况是：同一个人在面对相同的可观测输入时，在不同场合会产生不同的结果；不同的人在相同情境下也会产生截然不同的结果，且没有任何单一的、可观测的协变量能够完全预测这种差异。

这种“不可预测性”并非噪声，而是行为科学和AI个性化面临的最大挑战。现有的相关性模型无法解释这种动态波动，因此，研究者需要一种新的框架，将这种变异性纳入考量，并探索其背后的因果机制。

核心内容

本文提出了一种基于**因果状态干预（Causal State Intervention）**的新框架，旨在解释并控制人类结果的变异性。文章的核心论点在于：人类结果的差异并非随机，而是源于个体在决策瞬间的“动态潜在状态”。

1. 重新定义“状态”（State）

文章将“状态”定义为一个随时间索引的加权向量（Time-indexed weighting vector）。这个向量作用于个体生物学、生理学和神经心理学处理下一个事件并转化为决策与结果的各个维度上。

• 动态性：该加权向量并非固定不变，而是在日内（Sub-daily）的时间尺度上发生动态变化。
• 因果性：状态、决策与结果之间的关系是因果性的（Causal），而非仅仅是相关性的。这意味着，通过改变状态，可以直接改变结果。

2. 意识通道的瓶颈效应

文章指出，人类通过意识通道报告结果的过程存在一个狭窄的注意力瓶颈（Attentional bottleneck）。

• 这个瓶颈的内容本身是**状态依赖（State-dependent）**的。
• 这意味着，个体在特定时刻能“感知”和“处理”的信息，完全取决于其当下的生理和心理状态。

3. 可控性的逻辑推导

基于上述定义，文章推导出一个关键结论：给定事件的结果在条件上是可控的（Conditionally Controllable）。

• 如果我们在决策形成的时刻，针对个体的“状态轨迹”（State-trajectory）及其权重进行干预，就可以精确地控制最终的结果。
• 这种控制不是模糊的统计趋势，而是操作意义上的精确控制。

4. 实证基础与证据支撑

为了证明该框架的有效性，作者结合了六大领域的既定证据：

1. 因果推断（Causal Inference）
2. 预测处理（Predictive Processing）
3. 稳态调节（Allostasis）
4. 注意力瓶颈理论
5. 生物节律学（Chronobiology）
6. 计算精神病学（Computational Psychiatry）

此外，文章还基于一个部署了24个月的观察性数据基础，该数据来自一个行为平台，涵盖了超过 200,000名 签署同意书的用户，涉及四种职业角色（Research Period: 2023-2026）。

5. 预测与要求

基于此框架，作者推导出了 7个可测试的预测（Testable Predictions），并列出了状态感知系统（State-aware systems）必须满足的 6个操作要求（Operational Requirements）。

关键要点

• 变异性属于状态：个体内部的差异和不可预测性，应被归因于动态的潜在状态，而非外部输入或测量误差。
• 状态即加权向量：状态是个体处理信息的生物学、生理学和神经心理学维度的动态权重组合，随时间在日内尺度快速变化。
• 因果而非相关：状态直接因果地影响决策和结果，改变状态即可改变结果。
• 注意力是状态依赖的：意识报告的结果受限于狭窄的注意力瓶颈，而该瓶颈的内容由当前状态决定。
• 条件可控性：在决策形成的时刻，通过对状态轨迹进行干预，可以实现对人类结果的精确、操作性控制。
• 多学科证据融合：该框架并非纯理论推导，而是建立在因果推断、预测处理、稳态调节、注意力理论、生物节律和计算精神病学六大支柱之上。
• 大规模实证支持：基于2023-2026年间超过20万用户的部署平台数据，验证了该框架的现实可行性。
• 落地应用导向：提出了7个可测试预测和6个系统操作要求，直接指向数字健康、教育、AI个性化和个人能动性（Personal Agency）的实际应用。

意义与影响

这篇论文对行为科学和人工智能领域具有深远的启示意义：

1. 从“相关性”到“因果性”的范式转移： 传统AI个性化往往依赖于用户历史行为的相关性分析。本文指出，若不考虑个体的动态生理和心理状态，任何个性化都是不完整的。未来的AI系统必须从“预测用户行为”转向“理解并干预用户状态”。

2. 数字健康与精准医疗的新路径： 通过监测和干预用户的“状态轨迹”，数字健康应用可以更精准地管理心理健康、压力反应和慢性病患者。例如，在用户处于高压力状态（特定状态权重）时，系统可以调整干预策略，而非仅仅基于用户的历史偏好。

3. 教育个性化的深化： 学生的学习效果不仅取决于教材（输入），更取决于其当下的认知负荷和注意力状态（状态）。状态感知的教育系统可以根据学生的实时状态动态调整教学节奏和内容，从而提高学习效率。

4. AI个性化与个人能动性（Personal Agency）： 文章强调“你掌控你的状态”，这赋予了用户更多的主体性。AI不应仅仅是被动地适应用户，而应帮助用户识别和优化自己的状态，从而增强个人对自身结果的控制力。这为解决AI伦理中关于“操控”与“赋能”的争议提供了新的理论视角。

5. 系统设计的操作化要求： 提出的6个操作要求为工程师和数据科学家提供了具体的设计指南，使得“状态感知”不再是一个抽象概念，而是可以工程化实现的功能模块。

总之，这篇文章通过引入“动态潜在状态”这一概念，为解决人类行为中的不可预测性提供了因果解释框架，并为构建更智能、更人性化、更具控制力的AI系统奠定了理论基础。