Este artículo de IA de Stanford y Google introduce agentes generativos agentes computacionales interactivos que simulan el comportamiento humano’.

Este artículo de IA de Stanford y Google introduce agentes generativos que simulan el comportamiento humano.

Sin lugar a dudas, los bots de IA pueden generar un lenguaje natural de alta calidad y fluidez. Durante mucho tiempo, investigadores y profesionales han reflexionado sobre la construcción de una civilización de sandbox llena de agentes con comportamientos humanos para aprender sobre diferentes tipos de interacciones, conexiones interpersonales, teorías sociales y más. Representantes creíbles del comportamiento humano pueden impulsar diversas aplicaciones interactivas, desde la realidad virtual hasta el entrenamiento en habilidades sociales y la creación de programas prototipo. Investigadores de la Universidad de Stanford y Google Research presentan agentes que emplean modelos generativos para imitar comportamientos individuales y colectivos emergentes similares a los humanos en respuesta a sus identidades, experiencias cambiantes y entornos.

Las principales contribuciones del grupo se resumen de la siguiente manera:

• Los agentes cuyo comportamiento es plausible porque se condiciona de manera dinámica a las experiencias y entornos en evolución de los agentes se llaman agentes generativos.
• Un marco revolucionario para permitir las capacidades de los agentes generativos para la memoria a largo plazo, recuperación, reflexión, interacción social y planificación de escenarios en condiciones cambiantes rápidamente.
• Se utilizan dos tipos de pruebas (un ensayo controlado y una prueba de extremo a extremo) para determinar el valor de las diferentes partes de la arquitectura y encontrar problemas como la recuperación de memoria defectuosa.
• Se discuten las ventajas y los peligros potenciales para la sociedad y la ética planteados por los sistemas interactivos que emplean agentes generativos.

El objetivo del grupo era crear un marco virtual de mundo abierto en el que los agentes inteligentes lleven a cabo su vida diaria e interactúen entre sí en un lenguaje natural para programar sus días, intercambiar información, forjar amistades y coordinar actividades grupales en respuesta a señales ambientales e históricas. Al combinar un modelo de lenguaje grande (LLM) con mecanismos que sintetizan y extraen datos basados en las salidas del LLM, el equipo ha creado una arquitectura de agente novedosa que permite a los agentes aprender de errores pasados y hacer inferencias en tiempo real más precisas mientras se preserva la coherencia del carácter a largo plazo.

• Creando un Chatbot con FalconAI, LangChain y Chainlit
• Herramientas principales de detección de contenido de Inteligencia Artificial (IA)
• Top Herramientas/Startups de Datos Sintéticos para Modelos de Aprendizaje Automático en 2023

Los comportamientos complejos pueden ser guiados por la síntesis recursiva de los agentes de grabaciones en observaciones de mayor nivel. La secuencia de memoria del agente es una base de datos que contiene un registro completo de las experiencias previas del agente. Para adaptarse a su entorno cambiante, el agente puede acceder a datos relevantes de su secuencia de memoria, procesar este conocimiento y formular un plan de acción.

Los investigadores reclutaron evaluadores humanos y 25 de sus agentes generativos sugeridos funcionaron como personajes no jugadores (NPC) en un entorno de sandbox Smallville desarrollado con el marco de desarrollo de juegos en línea Phaser. Las representaciones consistentes de los agentes de sus personajes y sus imitaciones convincentes de la memoria, planificación, reacción y reflexión similares a las humanas fueron características destacadas del experimento. Se comunicaron entre sí en lenguaje natural durante dos días completos de juego.

Aplicaciones

• Al combinar agentes generativos con modelos multimodales, algún día se podrán tener robots sociales que puedan interactuar con humanos en línea y fuera de línea. Gracias a esto, ahora se pueden prototipar sistemas y ideas sociales, probar nuevas experiencias interactivas y construir modelos cada vez más realistas del comportamiento humano.
• El proceso de diseño centrado en el ser humano es otra área en la que se pueden utilizar modelos cognitivos como GOMS y el Modelo de Nivel de Tipeo.
• El uso de agentes generativos como representantes de los usuarios permite aprender más sobre sus necesidades y preferencias, lo que lleva a interacciones tecnológicas más personalizadas y eficientes.

Con el potencial de uso en juegos de rol, prototipado social, entornos inmersivos y juegos, este estudio contribuye al avance de simulacros basados en LLM poblados por agentes con comportamientos humanos dinámicos e interactivos. Los componentes de la arquitectura de agentes generativos sugeridos en este trabajo se pueden desarrollar aún más en futuros estudios. Por ejemplo, se pueden ajustar las funciones de relevancia, actualidad y significado que componen la función de recuperación para mejorar la capacidad del módulo de recuperación de encontrar el material más relevante en un contexto específico. También se pueden tomar medidas para mejorar el rendimiento de la arquitectura y ahorrar costos.

Investigaciones futuras deberían buscar examinar el comportamiento de los agentes generativos durante un período de tiempo más largo para adquirir un conocimiento completo de sus capacidades y límites, ya que la evaluación de su comportamiento en este trabajo se limitó a un plazo muy corto.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!