我們能否創(chuàng)造一個(gè)世界？在那個(gè)世界里，機(jī)器人能夠像人類一樣生活、工作、社交，去復(fù)刻人類社會(huì)的方方面面。

這種想象，曾在影視作品《西部世界》的設(shè)定中被完美地還原出來：眾多預(yù)裝了故事情節(jié)的機(jī)器人被投放到一個(gè)主題公園內(nèi)，它們可以像人類一樣行事，記得自己看到的東西、遇到的人、說過的話。每天，機(jī)器人都會(huì)被重置，回到它們的核心故事情節(jié)中。

(相關(guān)資料圖)

《西部世界》劇照，左邊人物為預(yù)裝了故事情節(jié)的機(jī)器人。

再把想象力擴(kuò)張一下：放在今天，如果我們想把 ChatGPT 這樣的大語言模型變成西部世界的主人，又會(huì)怎么做？

在最近爆火的一篇論文中，研究者們成功地構(gòu)建了一個(gè)「虛擬小鎮(zhèn)」，25 個(gè) AI 智能體在小鎮(zhèn)上生存，它們不僅能夠從事復(fù)雜的行為（比如舉辦情人節(jié)派對(duì)），而且這些行為比人類角色的扮演更加真實(shí)。

論文鏈接：https://arxiv.org/pdf/2304.03442v1.pdfDemo 地址：https://reverie.herokuapp.com/arXiv_Demo/

從《模擬人生》這樣的沙盒游戲到認(rèn)知模型、虛擬環(huán)境等應(yīng)用，四十多年來，研究者們一直設(shè)想去創(chuàng)建能夠?qū)崿F(xiàn)可信人類行為的智能體。在這些設(shè)想中，由計(jì)算驅(qū)動(dòng)的智能體的行為會(huì)與其過往經(jīng)驗(yàn)一致，并對(duì)環(huán)境做出可信的反應(yīng)。這種人類行為的模擬可以用現(xiàn)實(shí)社會(huì)現(xiàn)象填充虛擬空間和社區(qū)，訓(xùn)練「人們」去處理罕見但困難的人際關(guān)系、測試社會(huì)科學(xué)理論、制作理論和可用性測試的人類處理器模型、提供泛在計(jì)算應(yīng)用和社交機(jī)器人動(dòng)力，還能為在開放世界（Open World）中駕馭復(fù)雜人類關(guān)系的 NPC 角色奠定基礎(chǔ)。

但人類行為的空間是巨大而復(fù)雜的。盡管在大型語言模型可以模擬單個(gè)時(shí)間點(diǎn)上的可信人類行為，但要想確保長期一致性，通用智能體需要一個(gè)架構(gòu)來管理不斷增長的記憶，因?yàn)樾碌幕?dòng)、沖突和事件隨著時(shí)間推移而出現(xiàn)和消退，同時(shí)還要處理多個(gè)智能體之間展開的級(jí)聯(lián)社會(huì)動(dòng)態(tài)。

如果一種方法能夠在很長一段時(shí)間內(nèi)檢索相關(guān)的事件和互動(dòng)，對(duì)這些記憶進(jìn)行反思，并歸納和得出更高層次的推論，并應(yīng)用這種推理來創(chuàng)建對(duì)當(dāng)下和長期智能體行為有意義的計(jì)劃和反應(yīng)，那么距離夢想實(shí)現(xiàn)就不遠(yuǎn)了。

這篇新論文介紹了「Generative Agents」（生成式智能體），一種利用生成模型來模擬可信人類行為的智能體，并證明它們能產(chǎn)生可信的個(gè)人和突發(fā)群體行為的模擬：

能夠?qū)ψ约?、其他智能體和環(huán)境進(jìn)行廣泛的推斷；能夠創(chuàng)建反映自身特點(diǎn)和經(jīng)驗(yàn)的日常計(jì)劃，執(zhí)行這些計(jì)劃，做出反應(yīng)，并在適當(dāng)?shù)臅r(shí)候重新計(jì)劃；能夠在終端用戶改變環(huán)境或用自然語言命令它們時(shí)做出反應(yīng)。

「Generative Agents」背后是一個(gè)新的智能體架構(gòu)，能夠存儲(chǔ)、合成和應(yīng)用相關(guān)的記憶，使用大型語言模型生成可信的行為。

舉個(gè)例子，「Generative Agents」如果看到它們的早餐正在燃燒，會(huì)關(guān)掉爐子；如果浴室有人，會(huì)在外面等待；如果遇到想交談的另一個(gè)智能體，會(huì)停下來聊天。一個(gè)充滿「Generative Agents」的社會(huì)是以新興的社會(huì)動(dòng)態(tài)為標(biāo)志的，在這個(gè)社會(huì)中，新的關(guān)系被形成，信息被擴(kuò)散，并在智能體之間產(chǎn)生協(xié)調(diào)。

具體而言，研究者在這篇論文中公布了幾點(diǎn)重要細(xì)節(jié)：

Generative Agents，是對(duì)人類行為的可信模擬，它以智能體不斷變化的經(jīng)驗(yàn)和環(huán)境為條件進(jìn)行動(dòng)態(tài)調(diào)整；一個(gè)新穎的架構(gòu)，使 Generative Agents 有可能記住、檢索、反思、與其他智能體互動(dòng)，并通過動(dòng)態(tài)演變的環(huán)境進(jìn)行規(guī)劃。該架構(gòu)利用了大型語言模型的強(qiáng)大 prompt 能力，并對(duì)這些能力進(jìn)行了補(bǔ)充，以支持智能體的長期一致性、管理動(dòng)態(tài)演變的記憶能力，以及遞歸地產(chǎn)生更多的世代；兩項(xiàng)評(píng)估（對(duì)照評(píng)估和端到端評(píng)估），確定架構(gòu)各組成部分的重要性的因果關(guān)系，以及確定因記憶檢索不當(dāng)?shù)仍蚨a(chǎn)生的故障；討論了交互系統(tǒng)中 Generative Agents 的機(jī)會(huì)和倫理及社會(huì)風(fēng)險(xiǎn)。研究者認(rèn)為應(yīng)該對(duì)這些智能體進(jìn)行調(diào)整，減輕用戶形成寄生社會(huì)關(guān)系的風(fēng)險(xiǎn)，對(duì)其進(jìn)行記錄以減輕由 deepfake 和定制說服所帶來的風(fēng)險(xiǎn)，并在設(shè)計(jì)過程中以補(bǔ)充而非取代人類利益相關(guān)者的方式進(jìn)行應(yīng)用。

文章一經(jīng)發(fā)布，就引起了全網(wǎng)的熱議。本就看好「AutoGPT」方向的 Karpathy 連連贊嘆，認(rèn)為「Generative Agents」比之前玩概念的「Open World」高了不是一點(diǎn)半點(diǎn)：

更有研究者斷言，這項(xiàng)研究的發(fā)布，意味著「大型語言模型實(shí)現(xiàn)了新的里程碑式進(jìn)展」：

「Generative Agents」行為及其交互

為了使「Generative Agents」更加具體化，該研究將它們實(shí)例化為沙盒世界中的角色。

25 個(gè)智能體居住在名為 Smallville 的小鎮(zhèn)，每個(gè)智能體由一個(gè)簡單的化身表示。所有的角色都可以：

與別人和環(huán)境交流；記住并回憶它們所做的和觀察到的事情；反思這些觀察結(jié)果；制定每天的計(jì)劃。

研究者用自然語言描述了每個(gè)智能體的身份，包括它們的職業(yè)以及與其他智能體的關(guān)系，并將這些信息作為種子記憶。舉例來說，智能體 John Lin 有如下描述（本文截取了一段）：

「John Lin 是一名藥店店主，他樂于助人。他一直在尋找使客戶更容易獲得藥物的方法。John Lin 的妻子是大學(xué)教授 Mei Lin ，它們和學(xué)習(xí)音樂理論的兒子 Eddy Lin 住在一起；John Lin 非常愛它的家人；John Lin 認(rèn)識(shí)隔壁的老夫婦 Sam Moore 和 Jennifer Moore 好幾年了……」

身份設(shè)定好之后，接著就是智能體如何與世界交互了。

在沙盒的每個(gè) step 內(nèi)，智能體都輸出一個(gè)自然語言語句，以描述它們當(dāng)前的動(dòng)作，例如語句「Isabella Rodriguez 正在寫日記」、「Isabella Rodriguez 正在查看郵件」等。然后這些自然語言被轉(zhuǎn)化為影響沙盒世界的具體動(dòng)作。動(dòng)作以一組表情符號(hào)的形式顯示在沙盒界面上，這些表情符號(hào)提供了動(dòng)作的抽象表征。

為了實(shí)現(xiàn)這一點(diǎn)，該研究采用了一種語言模型，可以將動(dòng)作轉(zhuǎn)換為一組表情符號(hào)，這些表情符號(hào)出現(xiàn)在每個(gè)智能體化身上方的對(duì)話框中。例如，「Isabella Rodriguez 正在寫日記」顯示為，「Isabella Rodriguez 正在查看郵件」顯示為。除此以外，通過單擊智能體頭像可以訪問完整的自然語言描述。

智能體之間用自然語言進(jìn)行交流，假如智能體意識(shí)到在其周圍有其他智能體，它們會(huì)思考要不要走過去進(jìn)行聊天。例如 Isabella Rodriguez 和 Tom Moreno 就即將到來的選舉進(jìn)行了對(duì)話：

除此以外，用戶還可以指定智能體扮演什么角色，例如，指定其中一個(gè)智能體為記者，你就可以向該智能體咨詢新聞方面的內(nèi)容。

智能體與環(huán)境的交互

Smallville 小鎮(zhèn)有許多公共場景，包括咖啡館、酒吧、公園、學(xué)校、宿舍、房屋和商店。此外，每個(gè)公共場景還包括自身具有的功能以及對(duì)象，例如房子中有廚房、廚房中有爐子 (圖 2)。在智能體的生活空間中還有床、桌子、衣柜、架子，以及浴室和廚房。

智能體可以在 Smallville 內(nèi)隨處走動(dòng)，進(jìn)入或離開一座建筑，導(dǎo)航前行，甚至去接近另一個(gè)智能體。智能體的移動(dòng)由 Generative Agents 的架構(gòu)和沙盒游戲引擎控制：當(dāng)模型指示智能體移動(dòng)到某個(gè)位置時(shí)，該研究會(huì)計(jì)算其在 Smallville 環(huán)境中到達(dá)目的地的步行路徑，然后智能體開始移動(dòng)。

此外，用戶和智能體還可以影響該環(huán)境下其他物體的狀態(tài)，例如，當(dāng)智能體睡覺時(shí)床是被占用的，當(dāng)智能體用完早餐冰箱可能是空的。最終用戶還可以通過自然語言重寫智能體環(huán)境。例如用戶在 Isabella 進(jìn)入浴室時(shí)將淋浴器狀態(tài)設(shè)置為漏水，之后 Isabella 會(huì)從客廳找到工具并嘗試修復(fù)漏水問題。

智能體一天的生活

從一段描述開始，智能體開始計(jì)劃一天的生活。隨著時(shí)間在沙盒世界中的流逝，智能體的行為隨著彼此之間的交互以及與世界的互動(dòng)、自身建立的記憶等逐漸改變。下圖為藥店店主 John Lin 一天的行為。

在這個(gè)家庭中，John Lin 早上七點(diǎn)第一個(gè)起床，然后刷牙、洗澡、穿衣服、吃早餐，接著在客廳的餐桌旁瀏覽新聞。早上 8 點(diǎn)，John Lin 的兒子 Eddy 也跟著起床準(zhǔn)備上課。他臨出門時(shí)和 John 進(jìn)行對(duì)話，內(nèi)容為：

Eddy 出發(fā)后不久，他的媽媽 Mei 也醒了過來，Mei 問起兒子，John 回憶起它們剛剛的對(duì)話，然后有了下面對(duì)話

社交能力

除此以外，「Generative Agents」還表現(xiàn)出社會(huì)行為的涌現(xiàn)。通過相互交互，「Generative Agents」在 Smallville 環(huán)境下交換信息，形成新的關(guān)系。這些社會(huì)行為是自然產(chǎn)生的，而不是預(yù)先設(shè)定好的。例如當(dāng)智能體注意到對(duì)方的存在時(shí)，可能會(huì)進(jìn)行一場對(duì)話，對(duì)話信息可以在智能體之間傳播。

讓我們看幾個(gè)例子：

信息傳播。當(dāng)智能體注意到對(duì)方，它們可能會(huì)進(jìn)行對(duì)話。當(dāng)這樣做時(shí)，信息可以從智能體傳播到另一智能體。例如，在 Sam 和 Tom 在雜貨店的對(duì)話中，Sam 告訴了 Tom 他在當(dāng)?shù)剡x舉中的候選資格：

當(dāng)天晚些時(shí)候，在 Sam 離開后，從另一個(gè)渠道聽到消息的 Tom 和 John 討論了 Sam 贏得選舉的機(jī)會(huì)：

漸漸地，Sam 的候選資格成為了鎮(zhèn)上的話題，有人支持他，也有人猶豫不決。

關(guān)系記憶。隨著時(shí)間的推移，小鎮(zhèn)上的智能體形成了新的關(guān)系，并記住了它們與其他智能體的互動(dòng)。例如，Sam 一開始并不認(rèn)識(shí)拉 Latoya Williams。在約翰遜公園散步時(shí)，Sam 碰到了 Latoya，互相做了自我介紹，Latoya 提到自己正在進(jìn)行一個(gè)攝影項(xiàng)目：「我在這里為正在進(jìn)行的一個(gè)項(xiàng)目拍攝照片。」在后來的互動(dòng)中，Sam 與 Latoya 的互動(dòng)表明了對(duì)這件事的記憶，Sam 問道：「Latoya，你的項(xiàng)目進(jìn)展如何？」Latoya 回答：「進(jìn)展得很好！」

協(xié)調(diào)能力。Isabella Rodriguez 經(jīng)營一家 Hobbs 咖啡館，打算在 2 月 14 日下午 5 點(diǎn)到 7 點(diǎn)舉辦一場情人節(jié)派對(duì)。從這個(gè)種子開始，當(dāng) Isabella Rodriguez 在 Hobbs 咖啡館或其他地方遇到朋友和顧客時(shí)，就會(huì)發(fā)出邀請。13 日下午，Isabella 開始裝飾咖啡館。Isabella 的?？秃兔苡?Maria 來到咖啡館。Isabella 請求 Maria 幫忙布置派對(duì)，Maria 同意了。Maria 的角色描述是它喜歡 Klaus。那天晚上，Maria 邀請它的暗戀對(duì)象 Klaus 一起參加派對(duì)，Klaus 欣然接受。

情人節(jié)那天，包括 Klaus 和 Maria 在內(nèi)的五名智能體在下午 5 點(diǎn)出現(xiàn)在 Hobbs 咖啡館，它們享受著慶?；顒?dòng)（圖 4）。在這個(gè)場景中，終端用戶只設(shè)置了 Isabella 舉辦派對(duì)的初始意圖和 Maria 對(duì) Klaus 的迷戀：傳播信息、裝飾、約對(duì)方、到達(dá)派對(duì)以及在派對(duì)上互動(dòng)的社交行為 ，由智能體架構(gòu)發(fā)起。

架構(gòu)

Generative Agents 需要一個(gè)框架來指導(dǎo)其在開放世界中的行為，旨在讓 Generative Agents 能夠與其他智能體進(jìn)行交互并對(duì)環(huán)境變化做出反應(yīng)。

Generative Agents 將其當(dāng)前環(huán)境和過去的經(jīng)驗(yàn)作為輸入，生成行為作為輸出。Generative Agents 的架構(gòu)將大型語言模型和合成與檢索相關(guān)信息的機(jī)制結(jié)合到一起，以調(diào)節(jié)語言模型的輸出。

如果沒有合成與檢索機(jī)制，大型語言模型可以輸出行為，但 Generative Agents 可能不會(huì)根據(jù)智能體過去的經(jīng)驗(yàn)做出反應(yīng)，以至于無法做出重要的推理，也可能無法保持長期的連貫性。即使使用當(dāng)前性能最好的模型（例如 GPT-4），長期規(guī)劃和連貫性方面的挑戰(zhàn)仍然存在 。

由于 Generative Agents 會(huì)產(chǎn)生大量必須保留的事件和記憶流（memory stream），因此其架構(gòu)的核心挑戰(zhàn)是確保在需要時(shí)檢索和合成智能體記憶中最相關(guān)的部分。

Generative Agents 的架構(gòu)中心是記憶流 —— 一個(gè)全面記錄智能體經(jīng)驗(yàn)的數(shù)據(jù)庫。智能體會(huì)從記憶流中檢索相關(guān)記錄，以規(guī)劃智能體的動(dòng)作行為并對(duì)環(huán)境做出適當(dāng)反應(yīng)，并且每次行為都會(huì)被記錄以遞歸合成更高級(jí)別的行為指導(dǎo)。Generative Agents 架構(gòu)中所有的內(nèi)容都被記錄下來并以自然語言描述的形式來進(jìn)行推理，從而使智能體能夠利用大型語言模型的推理功能。

當(dāng)前，該研究實(shí)現(xiàn)了使用 ChatGPT 的 gpt3.5-turbo 版本。研究團(tuán)隊(duì)預(yù)計(jì) Generative Agents 的架構(gòu)基礎(chǔ) —— 記憶、規(guī)劃和反思 —— 可能會(huì)保持不變。較新的語言模型（例如 GPT-4）擁有更好的表達(dá)能力和性能，這會(huì)進(jìn)一步擴(kuò)展 Generative Agents。

記憶與檢索

Generative Agents 的架構(gòu)實(shí)現(xiàn)了一個(gè)檢索功能，該功能將智能體的當(dāng)前情況作為輸入并返回記憶流的一個(gè)子集以傳遞給語言模型。檢索功能有多種可能的實(shí)現(xiàn)方式，具體取決于智能體在決定如何行動(dòng)時(shí)考慮的重要因素。

反思

該研究還引入了第二種類型的記憶，稱為「反思」。反思是由智能體生成的更高層次、更抽象的思想。反思是周期性產(chǎn)生的，在該研究中，只有當(dāng)智能體對(duì)最近事件的重要性分?jǐn)?shù)總和超過某個(gè)閾值，智能體才會(huì)開始反思。

實(shí)際上，該研究提出的 Generative Agents 每天大約反思兩到三次。反思的第一步是讓智能體確定要反思的內(nèi)容，方法是根據(jù)智能體最近的經(jīng)歷確定可以提出的問題。

規(guī)劃與反應(yīng)

規(guī)劃被用于描述智能體未來行動(dòng)的順序，并幫助智能體隨著時(shí)間的推移保持行為一致。規(guī)劃應(yīng)該包含位置、開始時(shí)間和持續(xù)時(shí)間。

為了創(chuàng)建合理的規(guī)劃，Generative Agents 會(huì)自上而下遞歸地生成更多細(xì)節(jié)。第一步是制定一個(gè)計(jì)劃，粗略地概述當(dāng)天的「日程」。為了創(chuàng)建初始規(guī)劃，該研究向語言模型 prompt 智能體的總體描述（例如，姓名、特征和它們最近經(jīng)歷的摘要等等）。

在執(zhí)行規(guī)劃的過程中，Generative Agents 會(huì)感知周圍環(huán)境，感知到的觀察結(jié)果會(huì)存儲(chǔ)在它們的記憶流中。該研究用這些觀察 prompt 語言模型來決定智能體是應(yīng)該繼續(xù)它們的現(xiàn)有規(guī)劃，還是做出其他反應(yīng)。

實(shí)驗(yàn)及評(píng)估

該研究對(duì) Generative Agents 進(jìn)行了兩項(xiàng)評(píng)估：一項(xiàng)是控制評(píng)估，以測試智能體是否能獨(dú)立地產(chǎn)生可信的個(gè)體行為；另一項(xiàng)是端到端評(píng)估，其中多個(gè) Generative Agents 在兩天的游戲時(shí)間內(nèi)開放式交互，這是為了了解智能體的穩(wěn)定性和涌現(xiàn)（emergent）社會(huì)行為。

比如，伊莎貝拉計(jì)劃舉辦一場情人節(jié)派對(duì)。她傳播了這個(gè)信息，在模擬結(jié)束時(shí)，12 個(gè)角色已經(jīng)知道了這件事。其中 7 個(gè)人「猶豫不決」——3 個(gè)人已有其他計(jì)劃，4 個(gè)人沒有表露想法，這和人類的相處一樣。

在技術(shù)評(píng)估層面，該研究通過用自然語言「采訪」智能體，來評(píng)估智能體保持「性格」、記憶、規(guī)劃、反應(yīng)和準(zhǔn)確反思的能力，并進(jìn)行了消融實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，這些組成部分中的每一個(gè)對(duì)于智能體在任務(wù)中的出色表現(xiàn)都至關(guān)重要。

在實(shí)驗(yàn)評(píng)估中，智能體出現(xiàn)的最常見錯(cuò)誤包括：

其未能檢索相關(guān)記憶；對(duì)智能體記憶進(jìn)行捏造修飾；從語言模型中「繼承」過于正式的言語或行為。

感興趣的讀者可以閱讀論文原文，了解更多研究細(xì)節(jié)。

關(guān)鍵詞：