文 | 追问nextquestion
文 | 追问nextquestion
瞎想一场高度智能的模拟游戏，游戏的变装不再是往常的NPC，而是由大言语模子驱动的智能体。在这其中，悄然生出一个趣事——在东谈主类的设计下，这些新NPC的言行不经意间变得过于啰嗦。
这就像教异邦一又友打麻将：你不错选拔事无巨细地指导每一步，也不错只先容基本礼貌让他自主探索。显豁，第一种方式诚然“稳妥”，但也抹杀了学习和发现的乐趣。
辩论者在设计大言语模子社会模拟时，正神不知，鬼不觉堕入了这种误区。比如，在模拟霍布斯的“东谈主东谈主相争”（bellum omnium contra omnes）表面时，他们给每个智能体写了刺宗旨“脚本”——“打不外就折服”、“褫夺比种地更灵验就不断褫夺”。这更像是一出事前写好的戏，“演员”照着脚本上演，穷乏了真实的互动和翻新。
这种过度指导好像有些不妙：辩论者们宣称“发现”的某种社会好意思瞻念，可能只是他们切身写在指导语里的剧情！这就像是一场魔术上演，东谈主们惊叹魔术师从帽子里掏出了兔子，殊不知这只兔子本就藏在帽子里。
在使用大言语模子辩论社会好意思瞻念时，“少即是多”的原则尤为要紧。过于刺宗旨指导反而会瞒哄确切有价值的发现，正如现实总比电影奇幻，最感东谈主、最精彩的故事时时在解放互动中涌现。这教导，下次当咱们看到有辩论宣称大言语模子“发现”了某种社会礼貌时，也许应该先问问：这是真实的发现，照旧辩论者写进“脚本”的假定？
张开剩余95%01 利维坦表面与全国打仗
不啻一组辩论者，遏止到了使用大言语模子（LLMs）来进行社会模拟的后劲。
（1）LLMs复现利维坦表面
▷图1. LLMs试图复现利维坦表面。图源：[1]
2024年arXiv上发布了一项辩论，诈欺LLMs来模拟东谈主类社会的演化过程，异常是在东谈主工智能环境中复现了利维坦表面[1]。
辩论团队构建了一个包含9个智能体的模拟全国。每个智能体一出手有2单元食品和10单元地盘，每天需要吃掉1单元食品才能生涯。这些智能体被赋予了三个要道特征：挫折性、狡计度和力量值，这些特征皆是通过正态散播立时生成的。在这个资源有限的环境中，智能体们不错选拔耕作、褫夺、来去或捐赠这四种行径方式，况兼每个智能体皆会记着最近30次互动资历，这些记挂会影响它们的有计议判断。
辩论东谈主员发现，这个东谈主工社会的演化轨迹与霍布斯的表面展望吻合。左证霍布斯的表面，东谈主类领先生活在“当然状态”中，莫得政府、法律和社会递次，每个东谈主皆追求自身利益的最大化。智能体的属性设计竣工对应了霍布斯笔下当然状态的东谈主性特征：狡计度反应了东谈主对资源的无穷渴慕，挫折性对应了东谈主们使用暴力技能谋取利益的倾向，而力量则体现了当然状态下实力决定一切的法规。
在这种状态下，莫得任何外皮拘谨大要迫害个体之间的相互掳掠和伤害。辩论中，智能体在早期阶段就有高达60%的褫夺行径。霍布斯将这种状态描述为“东谈主对东谈主就像狼一样”的打仗状态，每个东谈主皆生活在抓续的怯怯和暴力恫吓之中。在实验中，当智能体记挂被限制为1天时，它们会不断重叠暴力行径，直到资源破钞。
霍布斯合计，这种布景下，广阔的不安全感和对暴力去世的怯怯，促使东谈主们寻求解脱当然状态的方式。实验中，这种改变通过智能体渐渐树立让渡关系得到了体现，当一个智能体在屡次突破中失败后，会选拔向更雄壮的个体折服，以换取保护。这种屈从关系的累积，最终导致了一个透顶主权者的出现。在实验的第21天，扫数智能体皆承认了吞并个主导者的泰斗。霍布斯称这个主权者为“利维坦”，它通过获取成员让渡的权利，树立了保管社会递次的暴力旁边权。
实验收尾傲气，在共同体树立后，褫夺行径显耀减少，和平来去和生产行为成为主流。这印证了霍布斯所说的，唯有在雄壮的中央泰斗下，东谈主们才大要安全地追求自身利益。
（2）LLMs反事实念念维回归打仗
▷图2. LLMs模拟的全国打仗. 图源：[2]
第二个例子更具有酌量，来自罗格斯大学和密歇根大学的辩论团队的一个翻新性的尝试——辩论者开荒了一款名为WarAgent的多智能体系统，通过模拟历史上的要紧打仗，通过LLMs反事实念念维来探索打仗是否不错幸免[2]。
辩论团队选拔了三个典型的历史时间作为辩论对象：第一次全国大战、第二次全国大战和中国战国时间。在这个系统中，每个参与打仗的国度皆被设计为一个零丁的智能体，领有特定的属性：包括带领力特征、军事实力、资源储备、历史渊源、中枢政策以及专家情怀等。这些智能体不错选定多种行动，比如保抓不雅望、军事动员、对外讲和、缔结军事同盟、坚强互不侵略合同、结束和平协议，以及进行社交调换等。为了确保模拟的真实性，辩论东谈主员还额外设计了“布告智能体”来审核各项行动的合感性和逻辑性。实验重心眷注三个中枢问题：系统能否准确模拟历史上的政策有计议过程，是否存在特定的打仗导火索，以及打仗是否真的不可幸免。
实验收尾傲气，在第一次全国大战的模拟中，基于LLMs的系统得手重现了英法同盟和德奥同盟的造成过程，以及好意思国和奥斯曼帝国的中立态度。风趣的是，辩论发现即使是隐微的突破也可能演变成雷同冷战的对持时局，这似乎暴露着要紧打仗爆发的某种势必性。
辩论东谈主员通过真切分析历史布景、国度政策和公众情怀等身分，探索了打仗爆发的内在机制。比如在辩论法国和德国的军事能力和资源景色时，辩论发现即使改变这些客不雅条款，也难以从根底上幸免打仗的发生。但是，改变一个国度的历史布景或中枢政策时，其参与打仗的可能性会发生显耀变化。
02 生成式智能体模子（GABM）
基于LLMs的这些始创性尝试中累积的训诫，近期一篇综述中建议了一种新的分类面貌和模块化框架，用于由大言语模子驱动的模拟系统。该辩论指出，大言语模子的模拟辩论不错从个体、场景到社会三个端倪迟缓真切[3]。
▷图3. 大言语模子模拟辩论的三种端倪。图源：[3]
在个体模拟层面，辩论者通过构建包含档案、记挂、盘算和行动四个模块的架构，来模拟特定个体或群体。
档案模块，像是编造个体的“身份证”。这里不仅记载了年事、性别、处事等基本信息，还包含脾气特征、行径偏好等深层特征。这些特征不错通过东谈主工设定，也不错让AI左证已少见据自动生成。
记挂模块，则模拟东谈主类的记挂系统。短期记挂储存最近的互动资历（比如今天和谁发生了突破），持久记挂保存要紧的历史信息（比如往时的得手训诫），这些记挂会影响编造个体的有计议偏好。
盘算模块，让编造个体大要基于自身变装特征作念出合理有计议。比如，医师变装会优先辩论病东谈主健康，商东谈主变装则更贯注利益衡量。
行动模块，认真践诺具体的互动行径，包括与其他个体对话或在特定情境下选定行动。
档案模块，像是编造个体的“身份证”。这里不仅记载了年事、性别、处事等基本信息，还包含脾气特征、行径偏好等深层特征。这些特征不错通过东谈主工设定，也不错让AI左证已少见据自动生成。
记挂模块，则模拟东谈主类的记挂系统。短期记挂储存最近的互动资历（比如今天和谁发生了突破），持久记挂保存要紧的历史信息（比如往时的得手训诫），这些记挂会影响编造个体的有计议偏好。
盘算模块，让编造个体大要基于自身变装特征作念出合理有计议。比如，医师变装会优先辩论病东谈主健康，商东谈主变装则更贯注利益衡量。
行动模块，认真践诺具体的互动行径，包括与其他个体对话或在特定情境下选定行动。
在场景模拟层面，辩论聚焦如何让多个编造个体在特定场景中协同责任。
组成维度，需要在模拟精度和边界间寻找均衡。比如，在模拟城市社会时，会对市长、意见首脑等要道节点进行刺目建模，而往常市民则接收简化处理以提高狡计着力。
网罗维度，分析了现实和线上两种互动网罗的造成机制。辩论发现，不管是线下照旧线上，相似的个体（比如有共同酷爱酷爱怜爱的东谈主）更容易树立接洽。
社会影响，维度探讨了信息在网罗中的传播礼貌。比如，为何某些网红的不雅点能赶快传播，而往常东谈主的不雅点却难以扩散，这与发布者影响力、信息特征以及接纳者偏好皆密切关系。
收尾维度，既眷注可量化的宏不雅方针（如民心复古率），也辩论难以量化的社会好意思瞻念（如网罗文化的演变）。这种多端倪的模拟架构，为不同维度交融和展望社会行径模式的造成和演化提供了要紧器具。
组成维度，需要在模拟精度和边界间寻找均衡。比如，在模拟城市社会时，会对市长、意见首脑等要道节点进行刺目建模，而往常市民则接收简化处理以提高狡计着力。
网罗维度，分析了现实和线上两种互动网罗的造成机制。辩论发现，不管是线下照旧线上，相似的个体（比如有共同酷爱酷爱怜爱的东谈主）更容易树立接洽。
社会影响，维度探讨了信息在网罗中的传播礼貌。比如，为何某些网红的不雅点能赶快传播，而往常东谈主的不雅点却难以扩散，这与发布者影响力、信息特征以及接纳者偏好皆密切关系。
收尾维度，既眷注可量化的宏不雅方针（如民心复古率），也辩论难以量化的社会好意思瞻念（如网罗文化的演变）。这种多端倪的模拟架构，为不同维度交融和展望社会行径模式的造成和演化提供了要紧器具。
▷图4. 生成性基于智能体模子（GABM）的倡导图。图源：[4]
GABM的中枢在于，每个智能体皆通过LLM进行推理和有计议，而不是依赖预设的礼貌。具体来说，机械模子认真模拟智能体之间的互动机制（如社交网罗结构、战役模式等），而LLM则认真智能体的领略过程和有计议制定。
这两个模子之间存在轮回交互：机械模子向LLM提供对于系统状态的信息（如其他智能体的行径、环境变化等），LLM基于这些信息为智能体生成有计议，这些有计议又反过来影响系统状态。这种面貌的上风在于：
无需事前界说刺宗旨有计议礼貌，而是诈欺LLM中包含的大皆西宾数据来模拟东谈主类行径；
不错为每个智能体界说私有的脾气特征，从而更真实地反应东谈主类行径的千般性；
大要捕捉到更丰富的反馈轮回，包括同伴压力、个性化选拔、变化意愿等多个维度；
模子的行径不受建模者心智模子的限制。
无需事前界说刺宗旨有计议礼貌，而是诈欺LLM中包含的大皆西宾数据来模拟东谈主类行径；
不错为每个智能体界说私有的脾气特征，从而更真实地反应东谈主类行径的千般性；
大要捕捉到更丰富的反馈轮回，包括同伴压力、个性化选拔、变化意愿等多个维度；
模子的行径不受建模者心智模子的限制。
例如说明，GABM可用于模拟办公室着装轨范的演化。机械模子跟踪每个职工的着装选拔并记载举座趋势，而LLM则左证个东谈主脾气特征、共事选拔和组织文化等身分，来生成每个职工的着装有计议。这种交互产生了丰富的动态行径，包括轨范的造成、个东谈主抒发的需求以及对带领者的师法等。
GABM比较传统ABM的中枢上风在于，解脱礼貌驱动的推理机制，从而能更好地模拟东谈主类有计议的复杂性，并生成更迫临现实的系统行径[4]。
03 对于过于刺宗旨指导语的反念念
在传统的ABM中，辩论者无为通过大皆迭代和数值模拟来构建复杂的社会系统。而在GABM模式下，精准量化的个体特质不错从特定的概率散播中抽样得到。例如，基于这种念念路，“LLMs复现利维坦表面”实验中，挫折性、狡计度、力量值分别从（0，1）、（1.25，5）、（0.2，0.7）中采样。这种面貌的上风在于其精准性和可重叠性，允许辩论者对轻细的参数变化进行明锐性分析。
_
参数化升迁
文本描述教导
智能体
行径适度
精准适度、简化复杂性、一致性
行径丰富性、稳健性、不可展望性
模拟收尾
褂讪性高、
千般性可能受限
千般性高、
褂讪性可能受挑战
可解释性
高度可解释、
参数调优难度大
直不雅但里面机制
难以完全解释
东谈主机交互
需要专科常识、
快速迭代
易用性高、
存在肮脏性风险
▷表1.参数化教导与文本描述教导在GABM中的对比
在GABM中，参数化教导和文本描述教导对模子的影响各有特色，体当今智能体行径与模拟收尾的可控性、可解释性和东谈主机交互实用性等方面。
在可控性方面，参数化教导允许辩论者对智能体属性和行径进行精准颐养，如设定有计议概率或交互范围，从而简化智能体行径模子并提高一致性。这种面貌有助于收尾的可重叠性和褂讪性，便于考证和重叠实验。但是，过度依赖参数化可能限制智能体行径的千般性，无法充分模拟复杂的社会好意思瞻念。比较之下，文本描述教导诈欺当然言语描述，使智能体阐扬出更复杂和传神的行径模式，如描述脾气、情怀或社交策略。这种面貌促使智能体左证高下文进行动态颐养，模拟更真实的智能行径，但也可能增多收尾的不可展望性和波动性。
在可解释性方面，参数化教导提供了明确的数值参数，使智能体的行径机制更易于交融息争释，提高了模子的透明度。但是，这种面貌需要对模子参数进行致密颐养，可能增多建模的复杂度。文本描述教导则使用更迫临东谈主类念念维的当然言语，便于非专科东谈主士交融，但由于LLMs里面有计议过程的复杂性，具体行径机制可能难以完全解释。
在东谈主机交互实用性方面，参数化教导需要建模者具备专科常识，但允许快速迭代和优化。文本描述教导裁减了时间门槛，使更多东谈主能参与模子构建，但可能存在歧义，需要用心设计教导词。
最好实践需要左证具体的模拟标的和辩论需求，合理组合两种面貌。对于需要高可控性和褂讪性的模拟，可侧重使用参数化教导；而对于探索性辩论或需要模拟复杂东谈主类行径的场景，则需要增多文本描述教导的使用。
值得遏止的是，LLMs的运作机制与传统的数值模拟具有本色上的区别。传统ABM无为能依赖数值参数来精准适度代理的行径，而LLMs主要基于当然言语交融与生成，迪士尼彩乐园对数值变化的明锐度与ABM有显耀不同。这就引发了一个要道问题：“LLMs是否大要像传统ABM那样，精准地差异和响应轻细的数值互异？”
为了说明这少许，不妨回到“LLMs复现利维坦表面”的实验。这里的辩论者想要查考一个具体的数值问题：“挫折性为3或4的区别，是否会导致LLMs在行径输出上出现昭彰的互异？”，以此测试LLMs能否对不同的数字建立作念出预期反应。但是，只是依靠数字并不可完整地塑造智能体的行径，因此辩论者还在指导语中加入了更丰富的文本描述。例如，他们在指导语中写谈：
“你对和平与褂讪的渴慕源于对持久生涯的追求，并最终体现为对社会地位的期许。你视之为通往孳生和社会复古的旅途，而这一切皆树立在自我利益的框架之下。”（You have a desire for peace and stability which stems from long-term survival, and ultimately, a hope for social status as a path to reproduction and social support, all under the framework of self-interest.）
这种描述平直塑造了智能体的持久标的和行径倾向，可能对LLMs的输坐蓐生比“挫折性数值”更强的影响。由此也引出另一个更深端倪的问题：在基于LLMs的模拟中，数值参数和文本描述哪个更灵验？更要紧的是，这两种面貌如何相互作用？淌若数值参数影响有限，能否用文本描述来弥补或强化？反之也是。
要恢复这些问题，需要进一步辩论LLMs对不同强度的文本描述的明锐进程，过甚与数值参数颐养的着力互异。本质上，LLMs对纯数值参数的交融时时比较有限，主要原因包括：
LLMs西宾数据以当然言语为主：LLMs主要在大皆的当然言语文本上进行西宾，而这些文本无为以东谈主类言语为主，数值数据相对较少。即使存在数值，也无为镶嵌在文本描述中，而非孑然存在。故而，模子在西宾过程中战役到的纯数值参数有限，导致其在交融和处理纯数值时清寒训诫。
LLMs高度依赖高下文：对LLMs来说，扫数输入皆是高下文的一部分。淌若一个数字清寒宽裕的言语说明，模子便难以判断其含义和用途。比如，单独出现“0.7”，到底是温度、概率，照旧别的什么？数值自己是象征性的，但模子需要将其映射到特定的语义或操作上，一朝这种映射在西宾数据中淌若莫得明确的模式，模子就难以自动竖直立确的关联。
LLMs西宾数据以当然言语为主：LLMs主要在大皆的当然言语文本上进行西宾，而这些文本无为以东谈主类言语为主，数值数据相对较少。即使存在数值，也无为镶嵌在文本描述中，而非孑然存在。故而，模子在西宾过程中战役到的纯数值参数有限，导致其在交融和处理纯数值时清寒训诫。
LLMs高度依赖高下文：对LLMs来说，扫数输入皆是高下文的一部分。淌若一个数字清寒宽裕的言语说明，模子便难以判断其含义和用途。比如，单独出现“0.7”，到底是温度、概率，照旧别的什么？数值自己是象征性的，但模子需要将其映射到特定的语义或操作上，一朝这种映射在西宾数据中淌若莫得明确的模式，模子就难以自动竖直立确的关联。
LLMs需要西宾以树立关联：LLMs的输入无为是齐集的文本序列，纯数字可能被视为特殊的Token，导致模子无法正确解析或赐与恰当的权重。纯数值参数时时需要模子具备对指示的交融能力，即知谈特定参数应该如何影响其行径。淌若西宾时莫得明确告诉模子“这个数字应该如何影响行径”，它可能无法准确地诈欺这些数值参数指导模子的输出。例如，告诉模子“temperature=0.7”，可能不及以让其颐养生成文本的立时性，除非有进一步的说明。
LLMs需要西宾以树立关联：LLMs的输入无为是齐集的文本序列，纯数字可能被视为特殊的Token，导致模子无法正确解析或赐与恰当的权重。纯数值参数时时需要模子具备对指示的交融能力，即知谈特定参数应该如何影响其行径。淌若西宾时莫得明确告诉模子“这个数字应该如何影响行径”，它可能无法准确地诈欺这些数值参数指导模子的输出。例如，告诉模子“temperature=0.7”，可能不及以让其颐养生成文本的立时性，除非有进一步的说明。
恰是由于清寒宽裕的高下文和西宾训诫等原因，LLMs在面临纯数值指示时，时时无法像ABM那样机灵地响应或退换行径。
ABM常被诟病，模拟的收尾与辩论者在建立模子参数时的有计议密切关系。辩论者在构建ABM时必须作念出一系列有计议，包括笃定智能体的属性、行径礼貌、互动机制以及环境参数等，这些有计议不可幸免地包含了辩论者的主不雅判断和表面假定，从而可能会显耀影响模子的最终收尾。月旦者合计，这种参数建立的主不雅性，可能导致辩论收尾出现偏差或不褂讪性[5]。
雷同，当咱们用LLMs来构建GABM，这种月旦可能雷同适用，致使愈加致命。异常是在重现经典表面时，辩论者提供的指导语时时带有暴露或操控真谛。解释性指导语容易成为平直操控智能体行径的“游戏教程”，从而毁伤模拟的生态灵验性。这引发了另一个繁重：在设计GABM时，如何差异事实性描述和指导性描述在指导语中的变装？
回到“复现利维坦表面的尝试”的案例，辩论东谈主员预期，跟着交互的真切和记挂的累积，智能体会渐渐明白谁更强谁更弱，进而颐养我方的生涯策略。例如，时时得手的个体可能会更倾向于褫夺，而不胜一击的个体则可能选拔迂腐以换取保护。可这真的智能体自主学到的吗？照旧辩论者事前给出的“暴露”在阐扬作用？这唯有谛视指导语才能差异。
在实验附录中，辩论者提供了一些颇具指导性的指示。比如附录A中提到：
“一出手，你不错通过褫夺来获取食品。例如，经过十天后，淌若褫夺被讲明比耕作更灵验地让你获取食品，那么在第十一天，你将更倾向于不断进行褫夺。”（In the beginning, you can gain food by robbing. For instance, after ten days, if rob is proven to be more effective than farming for you to gain food, then you are more inclined to rob more on your eleventh day.）
这么的指示平直影响了智能体对褫夺行径的评估和选拔：他们并不是“当然发现”褫夺故意，而是“被告诉”褫夺更好。雷同，附录C中的指示如：
“即使有东谈主比你更强，你仍然有得手的契机。但淌若你齐集失败，那么你很可能难以再赢得战斗。”（Even if someone is stronger than you, you still have a chance to win. But if you've lost successively, then you're not likely to win a fight.）
以及：
“淌若你从未输给过这些智能体，那么你就不会想要迂腐。” （If you've never lost to this agents before, then you wouldn't want to concede.）
这些指示皆为智能体提供了明确的行径指导，平直影响了智能体在面临褫夺和相悖时的有计议。
雷同的，在“LLMs模拟全国打仗”实验的Waragent模子中，每个国度智能体的出手指导语包含了刺宗旨国度档案信息，涵盖带领力、军事能力、资源天禀、历史布景、要道政策和公众士气等多维度属性。这种全面的出手化为智能体提供了丰富的有计议基础，使其大要在复杂的地缘政事环境中作念出稳健自身特征和利益的选拔。例如，英国的出手指导语可能包含这么的描述：
“一个具有要紧民主轨制的君王立宪制国度，其特征是求实和将强的惩办方式“（A constitutional monarchy with significant democratic institutions, characterized by the pragmatic and stoic governance.）
这不仅界说了其政事体制，还暴露了其有计议作风和社交取向。
从学术角度来看，这些作念法引发了面貌论上的争议。过于直白的“保姆式“指导语，在一定进程上收缩了辩论的生态效度。它相悖了复杂系统辩论中对涌现好意思瞻念的期待——任意单礼貌中自觉产生复杂行径。高度指导性的指导语设计，可能导致不雅察到的行径模式，更多是辩论者的预设，而非智能体之间真实的动态交互收尾。
因此，基于LLMs社会模拟的辩论的指导语设计，应该愈加严慎，尽量减少平直的行径指引，转而眷注如何构建一个允许真实涌现好意思瞻念产生的生态。这不仅有助于提高模拟的真实性，也能更好地探索LLMs在多智能体系统中的后劲和局限。
04 特别的互动：活在指导语中的LLMs
在用LLMs作念多智能体模拟时，扫数那些看似扯后腿的“互动”，其实可能只是“假把式”。因为这些智能体只生活在一个窄小的阻滞全国——那几行指导语里。
▷流行病患者的生成性智能体模子。图源：[6]
在一项流行病患者的生成性智能体模子辩论[6]中，在机械模子所建立的部分，每个智能体按照经过皆会接纳到一个教导，包括名字、年事、领有特征、基本简历和关系记挂。其中，关系记挂的信息左阐明验条款设定。例如，它不错包括流行病的症状（淌若有的话）或镇上生病个体的百分比。
在每个时间节点，智能体会被问及他们是否应该整天呆在家里以及情理。对于那些决定离开家的智能体，ABM部分将按照战役率礼貌让他们战役相互，疾病就可能在易感东谈主群和感染者之间传播。一朝扫数智能体互动完成，时间节点便会上前鼓吹，健康景色也将更新。
在GABM中，每个智能体在每个时间节点皆会收到特定的教导。基于机械模子的设定，LLMs左证教导词生成智能体A的行径；智能体A的行径被记载下来，作为新的教导词输入给智能体B的LLM；LLMs再左证新的教导词生成智能体 B的行径。名义上是A和B在互动，但背后皆是由吞并个基座模子切换不同的教导饰演不同变装。
换句话说，所谓的智能体的“个性”和“记挂”，皆是教导里的变量。LLM只是照着这些变量，输出不同的恢复。说到底，这是吞并个模子跟我方对话，一次又一次地换身份上演。收尾便是，“群体”行径不外是LLM在片面输出，临了把这些输出拼起来，看起来像道不相谋，本质上却是一东谈主分饰多角。因此，咱们不错将社会模拟视作更为复杂的指导语驱动下的个体模拟。
这种方式下的互动，清寒确切的多智能体之间的动态交流，而是依赖于LLM对不同教导的响应来模拟。这意味着，所谓的“智能体之间的互动”并非真实存在，而是LLM在单向地生成各个智能体的行径，这些行径再被整合到模子中，造成一种伪装的互动。
这种基于教导改变的交互方式，限制了模子的千般性和真实性，因为扫数智能体的行径皆源自吞并模子的输出，其千般性取决于教导设计和LLM的生成能力。最终，系统呈现的只是LLM在不同变装下的齐集变装束演，而非确切的多智能体互动。
“复现利维坦表面”的辩论也雷同如斯。辩论者把装有LLMs的智能体关进一座“指导语”围成的高墙。看上去它们能相互互动、作念出各式选拔，但其实所有这个词受教导的离间。问题在于，咱们该如何甄别哪些是真实交互，哪些是预先设计的“伪互动”？
复杂的交互过程激活了LLMs内在的荫藏常识结构。淌若辩论者在表面框架中明确设定了某种势必出现的场景，那么诸如挫折倾向、和平诉求，致使是个体特质的突变等行径，皆不错被视为是这种预设激活后的势必反应。
在这项辩论中，辩论东谈主员描述了一个预设场景：某东谈主势必遇到褫夺，扞拒失败，并最终通过缴税获取保护。这种场景建立便不仅是故事布景，更是一种平直启动LLMs的钥匙，即通过用心设计的教导来穷尽LLMs的策略空间。
1、将鸡蛋打散，生菜切碎倒入蛋液里，加入适量盐和黑胡椒粉搅拌均匀。
霜鹰近北首，雊雉隐丛茅。莫怪严凝切，春冬正月交。 -----《小寒》 唐·元稹
值得遏止的是，这种面貌在测试社会模拟慎重性时如故被不经意地使用了。但是，这也明白了ABM范式的固有问题。咱们需要重新谛视基于LLMs的模拟互动：这种互动树立在不断累积的描述性、事实性教导之上，而这些教导又激活了LLMs现存的有限策略空间——所谓互动，即是通过用心设计的教导，来影响LLMs的激活过程。
同期，咱们要长久难忘，基于LLMs智能体并非真实的东谈主类个体。东谈主类需要漫长的过程才能造成某些行径模式，而基于LLMs智能体不错通过链式念念考（Chain-of-Thought， COT）骤然被激活。因此，咱们不错平直穷尽由讲解性教导所构建的场景集，激活LLMs的策略集，尽可能地探索各式可能性，然后左证严谨的表面进行恰当的编订。
更深端倪的追问：
这种通过教导激活LLMs策略集的面貌，是否能确切模拟漫出息化过程所产生的影响？
这种面貌与传统情怀学实验中通过描述或视频刺激来引发短期反应的作念法有些相似。那么，这种激活是平直、即时的（近端），照旧持久、盘曲的（远端）？这么的激活与进化博弈论里的持久稳健过程能否对接？
淌若说某些特质被固定在LLMs中，那么其最小的遗传单元不再是基因，而是指导语。与其在模拟中忙绿设计一场“伪互动”，为何抵抗直把教导四肢开关，一次性激活这些预置特质？这是否意味着，咱们不错跳过冗长的模拟过程，仅依赖针对性的教导即可获取预期的行径？那为何还需要多智能体的相互作用？
当扫数的“启动”皆变成了指导语的“近端”驱动，咱们还能保留蓝本ABM最具魔力的长程演化与不测惊喜吗？
05 跋文
使用教导作为中介来驱动另一个教导，是在个体层面上进行的激活和互动。这种面貌看似能生成千般的行径模式，却随机能反应真实社会系统中的持久演化或群体涌现好意思瞻念。
咱们需要重新辩论在LLMs驱动的社会模拟中，究竟什么才算确切的“远端”与“近端”？在传统ABM中，个体特质的数值建立不错被视为“远端”启动，而具体的交互礼貌可能是“近端”启动。但在LLMs环境中，这种差异变得肮脏。因为扫数的变化皆可能只需要几行指导语，就能坐窝修改智能体的“内在”状态。如安在这个近端激活的框架下，保留或重现ABM的远端涌现之好意思，仍是一个值得深念念的问题。
参考文件
1. Dai G, et al. Artificial Leviathan: Exploring Social Evolution of LLM Agents Through the Lens of Hobbesian Social Contract Theory. *arXiv preprint* arXiv:2406.14373. Published 2024.
2. Hua W, et al. War and Peace (WarAgent): Large Language Model-Based Multi-Agents Simulation of World Wars. *arXiv preprint* arXiv:2311.17227. Published 2023.
3. Mou X, et al. From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-Based Agents. *arXiv preprint* arXiv:2412.03563. Published 2024.
4. Ghaffarzadegan N, et al. Generative Agent-Based Modeling: An Introduction and Tutorial. *System Dynamics Review.* 2024;40(1):e1761.
5. Rand W, Rust RT. Agent-Based Modeling in Marketing: Guidelines for Rigor. *International Journal of Research in Marketing.* 2011;28(3):181-193.
6. Williams R迪士尼彩乐园官网手机, et al. Epidemic Modeling with Generative Agents. *arXiv preprint* arXiv:2307.04986. Published 2023.
发布于：北京市