斯坦福大學的論文《Generative Agents》探討了使用AI生成式代理來模擬人類行為的方法。這種方法可以帶來以下幾個方面的應用:

2. 行為建模。生成式代理可以用來建模和預測人類在各種環境下的行為模式。這可以用於交通流量規劃、疾病傳播建模、城市規劃等方面。它還可以用於模擬群體行為,為管理和決策提供參考。

3. AI輔助測試。生成式代理可以自動生成各種輸入來測試其他AI系統和軟體。這可以減輕測試工程師的工作量,提高測試效率。特別是對需要大量測試用例的軟體來說,這一技術可以發揮很大作用。

4. 對話和互動。生成式代理可以用來進行開放域的長對話,模擬人類的互動行為。這可以應用於客戶服務聊天機器人、AI老師、AI醫生等領域。它可以生成連貫、符合語境的回覆,提供更加流暢的使用者體驗。

5. 個性化推薦。生成式代理可以用於預測個人的興趣愛好和使用偏好,提供個性化的推薦和建議。這可以應用於各種推薦系統中,提供受眾定製的內容推薦。

所以,這篇論文提出的生成式代理方法,可以在輔助創作、行為建模、AI測試、對話互動和個性化推薦等多個領域,發揮重要作用並帶來許多應用前景。但技術的成熟度還需要進一步發展,還需要更多的研究和實踐來驗證其潛力。

如果你用 AI 填充一個虛擬城鎮並將它們放開，會發生什麼？事實證明，他們刷牙並且彼此非常友善！但這個平淡無奇的結果對做這件事的研究人員來說是個好訊息，因為他們想要製作“可信的人類行為模擬物”，並且做到了。 由斯坦福大學和谷歌研究人員撰寫的描述該實驗的論文尚未經過同行評審或在任何地方被接受發表，但它仍然值得一讀。他們的想法是看看他們是否可以應用機器學習模型的最新進展來產生“生成代理”，以適應他們的情況並輸出現實的行動作為迴應。 這就是他們得到的。但在您被可愛的影象和對反射、對話和互動的描述所吸引之前，讓我們確保您瞭解這裡發生的事情更像是一個即興劇團在 MUD 上進行角色扮演，而不是任何一種原始天網。 （只有千禧一代會理解前面的句子。） 這些小人物並不完全是他們看起來的樣子。這些圖形只是本質上是多個 ChatGPT 例項之間的一堆對話的視覺化表示。代理不會上下左右走動，也不會靠近櫃子與之互動。所有這一切都是透過一個複雜且隱藏的文字層發生的，該文字層綜合並組織了與每個代理有關的資訊。 25 個代理，25 個 ChatGPT 例項，每個代理都提示類似格式的資訊，使其扮演一個虛構城鎮中的人的角色。下面是這樣一個人，John Lin，是如何建立起來的：John Lin 是 Willow Market and Pharmacy 的一名藥店店主，他樂於助人。他一直在尋找使客戶更容易獲得藥物的方法。 John Lin 與大學教授妻子 Mei Lin 和正在學習音樂理論的兒子 Eddy Lin 住在一起； John Lin 非常愛他的家人； John Lin 認識隔壁的老夫婦 Sam Moore 和 Jennifer Moore 幾年了； John Lin 認為 Sam Moore 是一個善良善良的人……

有了這些資訊，然後要求代理人根據時間和情況提出他們的下一步行動。例如，他們可能會告訴 John 代理人現在是早上 8 點，他剛剛醒來。他做什麼的？嗯，他刷牙，親吻他的妻子（希望按這個順序），穿好衣服，然後去廚房。 同時，另一個代表 John 的兒子 Eddy 的完全獨立的 ChatGPT 例項也收到了自己的資訊提示。它也起床，刷牙，然後去廚房。 現在實驗的總體結構開始了：代表 John 和 Eddy 的代理人並不都“在”同一個虛擬空間或任何地方。相反，當約翰穿好衣服並說他要去廚房時，實驗框架會通知他他的兒子埃迪在那裡，因為在它自己的例項中，埃迪決定在實驗中的重疊時間搬進廚房-級別的“天”，基於對各種行動需要多長時間的估計。 由於他們同時在房間裡，實驗裝置會通知他們另一個人在那裡——以及諸如沒有人坐在桌子旁、爐子開著等資訊。他們做了什麼接下來做什麼

父母和孩子之間多麼美好、正常的互動啊。然後梅進來了，他們也進行了愉快的互動。這一切都是透過詢問完全獨立的聊天機器人來完成的，如果在一個虛構的小鎮中，這個人有這樣的家庭，並且此時在一個房間裡，發生這種情況……“他們”會怎麼做一個真正的人，做嗎？ 因此 ChatGPT 會猜測一個人在那種情況下會做什麼，並給出他們的答案，就像他們在玩文字冒險一樣。如果你隨後告訴它，“天黑了，你很可能被一隻咕嚕咕嚕吃掉了”，它可能會說它點亮了一個火炬。但相反，實驗讓角色一分一秒地繼續他們的一天，購買雜貨，在公園散步，然後去上班

使用者還可以寫下事件和環境，例如滴水的水龍頭或計劃聚會的願望，代理會做出適當的迴應，因為對他們來說，任何文字都是現實。 所有這些都是透過費力地提示所有這些 ChatGPT 例項以及代理當前情況的所有細節來執行的。

這些例項很快就會忘記重要的事情，因為這個過程太冗長了，所以實驗框架位於模擬之上，提醒他們重要的事情或將它們合成為更便攜的部分。 例如，在代理人被告知公園的一種情況後，有人坐在長椅上與另一位代理人交談，但長凳上還有草地和背景以及一個空座位……這些都不重要.什麼是重要的？從所有這些可能構成代理文字頁面的觀察中，您可能會“反映”“Eddie 和 Fran 是朋友，因為我在公園看到他們在一起。”這會進入代理的長期“記憶”——一堆儲存在 ChatGPT 對話之外的東西——剩下的就可以忘記了。

那麼，所有這些繁瑣的事情加起來是什麼？可以肯定的是，雖然不是本文提出的真正的生成代理，但也是一個非常引人注目的早期建立它們的嘗試。當然，Dwarf Fortress 做同樣的事情，但是透過手工編碼每一種可能性。這不能很好地擴充套件！ 像 ChatGPT 這樣的大型語言模型對這種處理的反應並不明顯。畢竟，它並不是為了長期模仿任意虛構人物或推測一個人一天中最令人麻木的細節而設計的。但如果處理得當——並進行大量按摩——不僅一個代理人可以做到這一點，而且當你將它們用作某種虛擬立體模型的碎片時，它們也不會破裂。

這對人類互動的模擬具有潛在的巨大影響，無論它們是否相關——當然在遊戲和虛擬環境中它們很重要，但這種方法仍然非常不切實際。重要的不是它是每個人都可以使用或玩的東西（儘管很快，我毫不懷疑），而是該系統可以正常工作。我們已經在 AI 中看到了這一點：如果它可以做一些不好的事情，那麼它完全可以做的事實通常意味著它做好這件事只是時間問題。