安全志愿悖论——人工智能志愿推荐的拥堵外部性与机制设计

人工智能志愿填报工具依据同一套公开数据为大量相似考生筛选保底志愿，推荐结果高度趋同，在容量刚性的平行志愿市场中制造拥堵外部性：把某一项目当作保底的考生越多，该项目越不安全。本文将推荐工具建模为有限注意力下的考虑集塑造者，证明共同模型状态使申请负载发生均值不变的凸序扩张，降低期望容量利用；顺序递补可完全吸收推荐组合内部的同步，浪费仅源于投档一次性与覆盖容量不足；部分服从均衡中拥堵自我削弱但不消失，并伴随搜索耗散；拥堵价格加类型内配额的容量感知推荐可将外部性内部化，且自我实施。政策上，治理重心应从追求预测精度转向监测推荐的同步性与覆盖容量，并由官方系统统筹市场层面的容量感知分流。