Przegląd
Agenci generatywni to postacie AI zasilane modelami językowymi, które pamiętają, planują i reagują jak wiarygodni ludzie. Umieszczone razem w symulowanym świecie tworzą maleńkie społeczności, w których zachowania społeczne pojawiają się same.
Agenci generatywni i symulowane społeczności to techniczny element konstrukcyjny, który wpływa na jakość modelu, koszt infrastruktury, opóźnienia i niezawodność na dużą skalę.
Głębokie nurkowanie
W ramach projektu Smallville realizowanego przez Stanford i Google w 2023 r. badacze umieścili 25 agentów napędzanych przez GPT-3.5 w miasteczku typu sandbox i obserwowali, jak zachowują się jak społeczność. Każdy agent miał krótką biografię i budził się, gotował śniadanie, szedł do pracy i rozmawiał z sąsiadami. Co najważniejsze, zachowanie nie było zaplanowane. Jeden z agentów zdecydował się urządzić przyjęcie walentynkowe i w ciągu dwóch symulowanych dni zaproszenie rozeszło się pocztą pantoflową, agenci ustalili terminy i kilku z nich pojawiło się razem. Architektura łączy strumień pamięci, odzyskiwanie, refleksję i planowanie, dzięki czemu agenci działają spójnie przez długie okresy czasu, zamiast zapominać o tym, co wydarzyło się kilka minut temu.
Wgląd techniczny
Podstawową sztuczką jest strumień pamięci: długi, oznaczony znacznikiem czasu dziennik wszystkiego, co zaobserwuje agent. Aby działać, agent odzyskuje odpowiednie wspomnienia oceniane według aktualności, ważności i podobieństwa do bieżącej sytuacji, a następnie wprowadza je do podpowiedzi modelu językowego. Okresowe etapy refleksji podsumowują surowe wspomnienia w spostrzeżenia wyższego poziomu (na przykład wywnioskowanie, że ktoś pasjonuje się badaniami), które są gromadzone i stanowią wskazówkę dla przyszłego planowania i dialogu.
Opanowanie agentów generatywnych i symulowanych społeczeństw
Agenci generatywni to postacie AI zasilane modelami językowymi, które pamiętają, planują i reagują jak wiarygodni ludzie. Umieszczone razem w symulowanym świecie tworzą maleńkie społeczności, w których zachowania społeczne pojawiają się same. Agenci generatywni i symulowane społeczności to techniczny element konstrukcyjny, który wpływa na jakość modelu, koszt infrastruktury, opóźnienia i niezawodność na dużą skalę. Aby zbudować głębokie zrozumienie, traktuj agentów generatywnych i symulowane społeczeństwa jako model operacyjny, a nie pojedynczą funkcję: zdefiniuj pożądane wyniki, wyjaśnij założenia i oddziel to, co system może niezawodnie zrobić, od tego, co wciąż wymaga fachowej oceny.
W praktyce silne zespoły korzystające z agentów generatywnych i symulowanych społeczeństw optymalizują wybór architektury, danych i infrastruktury pod kątem niezawodności i kosztów. Dokumentują wyraźne kryteria sukcesu, testują realistyczne dane i przepływy pracy oraz wykonują iteracje w oparciu o zaobserwowane wzorce niepowodzeń, a nie jednorazowe zwycięstwa w testach porównawczych. W tym miejscu teoretyczne zrozumienie zamienia się w trwałe możliwości w zakresie produktu, polityki i operacji.
Decyzje dotyczące architektury wpływają na wydajność i koszty operacyjne przez lata. Jednocześnie optymalizacja jednego testu porównawczego może ukryć szersze słabości systemu. Najbardziej odporne podejście polega na połączeniu szybkości eksperymentowania z dyscypliną zarządzania: przeprowadzanie programów pilotażowych, gromadzenie dowodów, publikowanie dzienników decyzji i ciągłe aktualizowanie zabezpieczeń w miarę ewolucji zachowań modelu, oczekiwań użytkowników i wymagań prawnych.
Wpływ strategiczny
Decyzje dotyczące architektury wpływają na wydajność i koszty operacyjne przez lata.
Decyzje dotyczące architektury wpływają na wydajność i koszty operacyjne przez lata. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Edukacja techniczna pomaga zespołom wybrać odpowiedni stos, a nie tylko najnowszy.
Edukacja techniczna pomaga zespołom wybrać odpowiedni stos, a nie tylko najnowszy. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Lepsze wybory inżynieryjne zmniejszają liczbę incydentów związanych z niezawodnością w produkcji.
Lepsze wybory inżynieryjne zmniejszają liczbę incydentów związanych z niezawodnością w produkcji. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Implementacja w świecie rzeczywistym
Symulacja Smallville w Stanford, w której 25 agentów samodzielnie zorganizowało przyjęcie walentynkowe i wzięło w nim udział
Wiarygodni, kierujący się pamięcią NPC w grach wideo, którzy pamiętają przeszłe interakcje z graczami i chowają urazy lub przyjaźnie
Syntetyczne grupy fokusowe, które odgrywają role różnych klientów w celu wstępnego przetestowania przekazów marketingowych lub cech produktu
Symulatory szkoleniowe, w których mieszkańcy AI reagują na decyzje uczestnika podczas ćwiczeń w zakresie reagowania na katastrofy lub ćwiczeń dyplomatycznych
Wzorce implementacyjne
Agenci generatywni i symulowane społeczeństwa w praktyce
Symulacja Smallville w Stanford, w której 25 agentów samodzielnie zorganizowało przyjęcie walentynkowe i wzięło w nim udział.
Symulacja Smallville w Stanford, w której 25 agentów samodzielnie zorganizowało przyjęcie walentynkowe i wzięło w nim udział. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agenci generatywni i symulowane społeczeństwa w praktyce
Wiarygodni, kierujący się pamięcią NPC w grach wideo, którzy pamiętają przeszłe interakcje z graczami i chowają urazy lub przyjaźnie.
Wiarygodni, bazujący na pamięci NPC w grach wideo, którzy zapamiętują przeszłe interakcje z graczami i chowają urazy lub przyjaźnie. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agenci generatywni i symulowane społeczeństwa w praktyce
Syntetyczne grupy fokusowe, które odgrywają role różnych klientów w celu wstępnego przetestowania przekazów marketingowych lub cech produktu.
Syntetyczne grupy fokusowe, które odgrywają role różnych klientów w celu wstępnego przetestowania komunikatów marketingowych lub funkcji produktu. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agenci generatywni i symulowane społeczeństwa w praktyce
Symulatory szkoleniowe, w których mieszkańcy AI reagują na decyzje uczestnika podczas ćwiczeń w zakresie reagowania na katastrofy lub ćwiczeń dyplomatycznych.
Symulatory szkoleniowe, w których mieszkańcy AI reagują na decyzje uczestnika podczas ćwiczeń w zakresie reagowania na katastrofy lub ćwiczeń dyplomatycznych. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Zagrożenia i poręcze
Optymalizacja jednego testu porównawczego może ukryć szersze słabości systemu.
Koszty infrastruktury i utrzymania są często niedoszacowane.
W miarę jak systemy stają się coraz bardziej złożone, luki w bezpieczeństwie i obserwowalności mogą się zwiększać.
Plan wdrożenia
Przed wdrożeniem zdefiniuj docelowe opóźnienia, jakość i koszty.
Przed wdrożeniem zdefiniuj docelowe opóźnienia, jakość i koszty. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Test porównawczy w realistycznych warunkach obciążenia i danych.
Test porównawczy w realistycznych warunkach obciążenia i danych. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Monitorowanie przyrządu pod kątem błędów, dryftu i wpływu użytkownika.
Monitorowanie przyrządu pod kątem błędów, dryftu i wpływu użytkownika. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Przed skalowaniem przygotuj ścieżki wycofywania zmian i reakcji na incydenty.
Przed skalowaniem przygotuj ścieżki wycofywania zmian i reakcji na incydenty. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.