实选AI：可逆性、沉默与发布梯阶

我们将AI产品发布节奏，即安静时段、可逆补丁和较少见的方向性转变，建模为在声誉学习下的战略实时选择的最优行动。一个私人观察的技术状态遵循扩散过程。该公司控制两个升级选项，具有非对称成本和可逆性（一次廉价补丁和一次高成本方向性转变），以及一个出版频率时钟，是一个Cox过程，其强度决定何时披露噪声的公共性能和安全信号。对于足够低的时钟成本，最优政策会在 knife-edge 区域将可观察的时钟关闭窗口。这些窗口关闭公共信念的鞅部分，消除 knife-edge 混合，使行为简化为一个两层的发布梯阶，带有内生触发器、跳跃目标，以及没有室内混合。在stationary Markov 策略中，我们展示，这一梯阶唯一地由一个具有触发器处价值匹配和光滑粘贴以及在跳跃目标处的最优性的边界值系统特征化。我们对市场或平台采纳进行内生化，作为公共信念中的阈值规则，并展示杠杆创造了一个不可逆性槽缝：第一-best 与杠杆化剩余之间的差距由最不可逆性 rung 的收购切换成本所界定。补丁对债务不敏感；方向性转变可能被扭曲，但仅限于该界限。该框架预测 firm-authored 披露中的遥测信号：发布强度在披露强度上出现一个发布前的低潮，在主要重置之前关闭时钟；两次发布后披露性能中的平缓平台，符合补丁与方向性转变的跳跃目标；以及在高可逆性情境下，债务不敏感的补丁时机，杠杆效应集中在方向性转变上。与选项-implied 波动性激增不同，这些模式反映了 firm 自身对技术信号的节流，而非市场对事件风险的定价。