高通官方預熱驍龍8Gen3 2023年驍龍峰會將以AI為主題

　　本文來自于微信公眾號 新智元(ID:AI_era)，作者:新智元。

　　AI智能體，竟然能反映人類的真實情感，還有人際關系中微妙的距離感?

　　最近，來自英偉達、華盛頓大學、港大的研究人員發(fā)布了類人智能體Humanoid Agents。

　　從名字就可以看出，這種智能體能夠反映人類的基本需求。

　　以往的智能體模擬，智能不完全地模仿人類行為，原因就在于，它們并沒有真正反映出人類的基本需求、真實情感及人際間微妙的距離感。

　　而Humanoid Agents的初衷，就是研發(fā)一個融合上述元素的、更貼近人類的智能體。

　　智能體受系統(tǒng)1思維和系統(tǒng)2思維的指導，系統(tǒng)1思維會響應具體條件(如基本需求)，而系統(tǒng)2思維則涉及明確的規(guī)劃

　　目前，論文已被EMNLP System Demonstrations2023接收。

　　從這個視頻可以看出，Humanoid Agents逼真地再現(xiàn)了《生活大爆炸》中謝耳朵和Penny交互的有趣場景。

　　正如原子、分子和細胞的計算模擬塑造了我們研究科學的方式，類人智能體的真實模擬，也成為了研究人類行為的寶貴工具。

　　要知道，以往的智能體有一個缺點，它們雖然可以完成看似可信的行動，但跟真實的人類思維方式并不像。

　　絕大多數(shù)人類，并不會提前制定計劃，然后在日常生活中精確到一絲不茍地執(zhí)行這些計劃。

　　為了減輕這個缺點的影響，研究者從心理學中汲取了靈感，提出了Humanoid Agents。

　　心理學家Kahneman認為，人類有兩個互補的思維過程:系統(tǒng)1(直覺的、輕松的、即時的)和系統(tǒng)2(邏輯的、有意的、緩慢的)。

　　而這次研究者提出的Humanoid Agents，就引入了系統(tǒng)1所需的三個要素——基本需求(飽腹感、健康和能量)、情感和關系親密程度，來讓智能體表現(xiàn)得更像人類。

　　利用這些元素，智能體就能調(diào)整自己的日�；顒�，以及和其他智能體的對話。

　　而且，智能體也會像人一樣，遵守馬斯洛需求理論。

　　如果它們沒有與他人充分地互動，它就會感到孤獨;如果沒有保持健康，就會得病;如果沒休息夠，就會感到疲勞。

　　如果僅靠系統(tǒng)2的規(guī)劃，就可以讓智能體規(guī)劃休息時間，滿足基本的需求。

　　然而如果沒有系統(tǒng)1的反饋，智能體即使感到疲倦，也無法在下午3點小憩，因為就寢時間安排在午夜。

　　而如果智能體感到憤怒，它就需要干一些能發(fā)泄情緒的事情，比如跑步或冥想。

　　并且，智能體之間的關系密切程度，也會影響它們之間互動的方式。

　　社會大腦假說提出，我們的認知能力很大程度上是為了追蹤社會關系的質(zhì)量而進化的。

　　這就意味著，人們經(jīng)常根據(jù)與他人相處的感覺和親密程度，來調(diào)整與他人的互動。

　　為了更好地模仿人類，研究者讓智能體能夠根據(jù)彼此之間的距離，來調(diào)整對話。

　　他們提出了一個平臺，可以在生活大爆炸、老友記、Lin Family中模擬人形智能體的行為，然后用Unity WebGL游戲界面將它們可視化，并使用交互式分析儀表板，顯示智能體隨時間變化的狀態(tài)。

　　實驗證明，對于系統(tǒng)1各方面的變化，Humanoid Agents都可以有效響應并推斷。

　　而且，這種系統(tǒng)還可以擴展到更多方面，比如個性、道德價值觀、同理心、樂于助人、文化背景等等。

　　工作原理

　　Humanoid Agents中，研究人員采用了OpenAI的ChatGPT-3.5。

　　第1步:根據(jù)用戶提供的種子信息初始化Agent。

　　簡單說，就是每個Agent的人物設定，它們的名字、年齡、日程、喜好等，對其做出人物規(guī)劃。

　　比如，「John Lin是一個Willow Market的藥店店主，喜歡幫助他人」，特點是友好和善良。

　　此外，Humanoid Agents的默認情緒被設置為7種可能的情緒:憤怒、悲傷、恐懼、驚訝、高興、中立和厭惡。

　　第2步:Agent開始計劃自己的一天。

　　第3步:Agent根據(jù)自己的計劃采取行動。如果同在一個地點，Agent可以相互交談，進而影響他們之間的關系。

　　Agent日計劃以1小時為間隔，能夠遞歸地分解計劃，然后，以15分鐘為間隔，來改進活動隨時間的邏輯一致性。

　　每15分鐘，Agent在它們的計劃中執(zhí)行一項活動。

　　不過，Agent可以根據(jù)內(nèi)部狀態(tài)，即情緒和基本需求，的變化更新計劃，或做補充。

　　比如，如果Agent目前非常饑餓，但計劃是在3個小時后吃一頓飯。

　　這里，Agent可以在繼續(xù)當前活動的同時，吃點零食，這就特別像打工人，開飯前可能發(fā)生的行為。

　　那么，這些Agent過利用情感和基本需求狀態(tài)，以及與其他Agent親密關系，將其轉(zhuǎn)換成自然語言描述，進而決定如何與Agent相處。

　　在對話結束時，每個Agent將通過對話歷史，來確定自己是否享受對話。

　　如果是這樣，它們與其他Agent的親密度將增加一倍，否則，親密度將減少一倍。

　　從親密關系逐漸改變，可以映射到人與人之間的關系如何隨著時間的推移而發(fā)展。

　　此外，談話歷史也用來來確定Agent的情緒是否受到談話的影響。

　　第4步:Agent評估所采取的行動是否改變了他們的基本需求和情緒。

　　第5步:根據(jù)基本需求和情感的滿足情況，Agent可以更新未來的計劃。

　　除了默認的五種需求(飽腹感、社交、健康、娛樂和能量)之外，還可以為Agent添加/刪除更多的基本需求。

　　為此，用戶需要按照以下格式，創(chuàng)建自己的default_agent_config.json文件: {"name":"fullness"，"start_value":5，"unsatisfied_adjective":"hungry"，"action":"eatingfood"，"decline_likelihood_per_time_step":0.05，"help":"from0to10，0ismosthungry;increasesordecreasesby1ateachtimestepbasedonactivity"} 基本需求對活動的影響

　　Humanoid Agents是一個動態(tài)系統(tǒng)，由許多組成部分組成，因此將每個基本需求對Agent活動的影響分離出來是一個挑戰(zhàn)。

　　為了調(diào)查每個基本需求的貢獻，研究人員模擬了一個Agent的世界。

　　這些Agent最初有一個基本需求設置為0，讓Agent在一天開始時，極度饑餓、孤獨、疲勞、不適或無聊。

　　作者研究了在一個模擬的一天中，Agent為了滿足基本需求而進行活動花費的時間。比如，為了克服饑餓而吃食物，為了緩解孤獨而進行社交活動。

　　然后，研究人員將其與Agent在正常情況下(每個基本需求設置為5，能量設置為10)執(zhí)行此類活動所花費的時間，進行比較，從而，計算出在測試條件下，用于滿足每種基本需求所花費時間的增加百分比。

　　如下表所示，當健康(156%)、能量(56%)和飽腹感(35%)等基本需求被初始化為0時，Humanoid Agents對其活動的適應程度最高。

　　馬斯洛將它們歸類為低層次的「生理和安全需求」，人們在滿足其他需求之前需要先滿足這些需求，這證明了其重要性。

　　在這種情況下，行為主體通常會看病、休息、覓食等等。

　　另一方面，當Agent因缺乏社會交往而感到孤獨時，它們只會稍微調(diào)整自己的行為(+12%)，與其他Agent進行更多的交流。此外，Agent社交和娛樂活動變化較小的另一個原因是:正常情況下，行為主體已經(jīng)花費大量的時間，來做滿足這些基本需求的活動。

　　平均而言，它們花費11個小時做自己喜歡的事，8.75個小時用于社交互動，只有5.75個小時用于休息，2.75個小時用于吃飯和做一些改善健康的事情。

　　這意味著，一開始將娛樂或社交設置為0的效果，在一天中很早時候消失，取而代之的是其他優(yōu)先事項，包括工作義務，比如Penny在芝士蛋糕坊工作。 情緒對活動的影響

　　這里，作者研究了在一天的模擬中，Agent進行表達每種情緒的活動的次數(shù)(間隔15分鐘)。

　　例如，當Agent生氣的時候，會跑步來發(fā)泄憤怒;當傷心的時候，會尋求一個值得信賴的朋友的傾訴;當厭惡的時候，會練習深呼吸和冥想;當感到驚訝的時候，會花時間來處理和思考這些令人驚訝的發(fā)現(xiàn)。然后，研究人員計算Agent在正常設置中，執(zhí)行此類活動的次數(shù)的差值。

　　在正常情況下，Agent通常不會表現(xiàn)出悲傷、憤怒、恐懼、厭惡或驚訝的行為，不過實驗結果顯示，與正常情況下的Agent相比，表達這些情緒的行為數(shù)量有所增加。

　　如上表所示，憤怒對行為主體影響最大(+15個活動) ，其次是悲傷和恐懼(各+10) ，然后是厭惡(+4)和驚訝(+1) ，最后是快樂(-2)。

　　負面情緒似乎比正面情緒更能影響Agent，因為Agent通常不會計劃做帶有負面情緒的活動，因此不得不顯著調(diào)整自己的計劃來管理負面情緒。

　　有趣的是，觀察到Agent在快樂的時候，為了使自己保持快樂，而減少做一些活動。 親密關系對活動的影響

　　另外，作者還研究了初始關系親密度對2個Agent之間對話的影響。

　　如下表所示，隨著親密度的增加，談話平均轉(zhuǎn)折點次數(shù)呈倒U形。

　　Agent距離較遠的時候說話少，距離近的時候說話多，但是在距離非常近的時候，又會逐漸減少。

　　這點與人類非常相似，當我們感覺與他人非常親近時，就不那么需要進行禮貌的談話。

　　有趣的是，在Lin’s Family中，這個轉(zhuǎn)折點發(fā)生在「rather close」處。而在老友記和生活大爆炸中，轉(zhuǎn)折點在發(fā)生在「close」處。

　　或許是因為，Lin中的兩個Agent是父子關系，在較低的親密程度下進行較少的交流就很舒服，不會讓關系緊張。

　　而在老友記和生活大爆炸中，Agent彼此之間是朋友和鄰居，需要更積極的溝通來維持關系。

　　為了評價Humanoid Agents的預測能力(比如活動是否滿足自己的基本需求、活動中自己會表現(xiàn)出什么情緒、對話是否會使兩個Agent更親近)，研究者將系統(tǒng)的預測與人類標注進行了比較。

　　三位人類標記者會使用和ChatGPT相同的指令，來標記林氏家族世界中一天的模擬。

　　每個標注者針對情感和基本需求都獨立標注了144項活動，針對用戶對話對則有30項標注。

　　然后，研究者對所有標注者進行多數(shù)投票，并計算了多數(shù)投票與系統(tǒng)預測之間的 micro-F1。

　　表1顯示，在所有基本需求、情感和關系親密程度方面，評分者之間的信度良好(Fleiss'κ>=0.556)。

　　研究者還發(fā)現(xiàn)，如果一項活動增加了飽腹感和能量，Agent就能在分類方面表現(xiàn)良好 (F1>=0.84) 。

　　而且Agent能在活動中表達出情緒，對話還能拉近不同Agent之間的距離。

　　然而，Agent在給活動是否滿足樂趣、健康和社交的基本需求時，卻表現(xiàn)不佳。

　　原因或許在于，Agent系統(tǒng)大大高估了滿足這些需求的活動數(shù)量。比如健康占Agent預測活動的34% vs 人類標注活動的4.9%，娛樂占44.4vs10.4%，社交占47.2% vs24.3%。

　　Agent會認為因為John Lin在藥房工作，這些活動就有助于Agent的身體健康;收到教授的反饋，或幫助老客戶買到藥物，就會令自己愉快。

　　研究者判斷，如果使用更理解常識的語言模型，可能會緩解這個問題。

　　都是用LLM構建AI智能體，創(chuàng)新在哪

　　斯坦福西部世界小鎮(zhèn)的里程碑式論文一出，業(yè)界被激發(fā)了許多想象力，用LLM構建可想象的人類行為智能體研究也層出不窮。

　　Humanoid Agents跟之前大熱的BabyAGI、AutoGPT等智能體，區(qū)別在哪里呢?

　　研究者指出，Humanoid Agents應該是目前唯一模擬類人智能體日常活動的工作，其他的工作一般都是實現(xiàn)外部定義的目標。

　　比如Langchain Agents 、BabyAGI、AutoGPT、AgentVerse、Voyager和CAMEL，都是構建以任務為導向的智能體，通過遞歸將用戶定義的任務分解為更簡單的子任務來解決。

　　而且根據(jù)情感、游戲角色描述和個人事實生成的多輪對話響應，并不是由智能體動態(tài)模擬出的，而是基于一組靜態(tài)的、與角色無關的文本信息。

　　這些先前的工作，并不能模擬出動態(tài)屬性的影響，比如無法反映出一對智能體之間親密度的變化。

　　而且，Humanoid Agents在生成對話響應時，可以同時考慮到基本需求、情感、親密度等多個方面，就像真正的人類一樣。

　　而此前的這些工作，一次只考慮了一個方面。 定制Agent

　　目前，系統(tǒng)支持三種內(nèi)置設置:

　　1. 生活大爆炸(Big Bang Theory) --map_filename../locations/big_bang_map.yaml\--agent_filenames../specific_agents/sheldon_cooper.json../specific_agents/leonard_hofstadter.json../specific_agents/penny.json 2.老友記(Friends) --map_filename../locations/friends_map.yaml\--agent_filenames../specific_agents/joey_tribbiani.json../specific_agents/monica_gellor.json../specific_agents/rachel_greene.json3.LinFamily --map_filename../locations/lin_family_map.yaml\--agent_filenames../specific_agents/eddy_lin.json../specific_agents/john_lin.json同時，用戶還可以通過自定義設置，創(chuàng)建自己的地圖和Agent。

　　需要注意的是，Agent和地圖并不是完全分離的。對于指定的每一個agent_filename，它的name字段都必須作為關鍵字包含在Agents下的map.yaml中。 分析面板

　　Agent在活動過程中所生成的數(shù)據(jù)，可通過交互式儀表盤直觀顯示。它包括基本需求圖和社會關系圖，以及相應的信息，包括情感和對話細節(jié)。 cdhumanoidagentspythonrun_dashboard.py--folder

　　所需參數(shù)

　　--folder是run_simulation.py生成的輸出結果存放的文件夾

　　--mode是從文件夾中選擇數(shù)據(jù)的方法。它有兩種模式:(1)all:顯示文件夾中的所有文件(2)date_range:顯示所選日期范圍內(nèi)的文件(需要在參數(shù)中說明)

　　可選參數(shù)

　　當--mode = date_range時，--start_date是起始日期(包含)。格式為YYYY-MM-DD，如2023-01-03

　　當--mode = date_range時，--end_date是結束日期(包含)。格式為YYYY-MM-DD，如2023-01-04

　　作者介紹

　　Zhilin Wang

　　Zhilin Wang是英偉達NeMo NLP團隊的高級應用科學家。此前，他曾獲得華盛頓大學碩士學位，學習的是自然語言處理，研究對話系統(tǒng)和計算社會科學。