人类- AI 团队何时能超越个人成员？带不可行性保证的紧密界限

人类- AI 团队在 70% 的研究中未能超过其最佳成员，但没有理论指定在何处可实现互补性。我们通过将信号检测理论与信息论分析集成，推导了广泛以置信度为基础的聚合规则的紧密界限，得出四项结果：（1）互补性定理（团队优于个人当且仅当错误相关系数 $\rho_{HM} < \rho^*$，其中 $\rho^* \approx a$ 在对称近机会情境下）；（2）最小最大界限显示收益按 $\Theta(\sqrt{\Delta d})$ 比例增长，涉及元认知灵敏度差异；（3）不可行性结果证明当 $\rho_{HM} \geq \rho^*$ 时，任何置信度为基础的聚合规则均无法实现互补性；（4）多分类推广 $\rho^*_K \approx \rho^*/\sqrt{K-1}$。预测在 ImageNet-16H 上 ($R = 0.94$) 和 CIFAR-10H 上 ($R = 0.91$) 上吻合观察到的团队准确率，在人类数据上 ($R = 0.93$, $K = 16$) 验证了多分类阈值比例。该框架解释了为何互补性罕见，并提供可操作的设计公式；结果适用于聚合，而非产生新答案的人类互动 deliberation。