新智元报道

　　编辑：编辑部

　　斯坦福 25 个 AI 智能体「小镇」终于开源了，GitHub 狂揽 1.4k 星，《西部世界》即将走进现实。

　　准备好，此前曾轰动整个 AI 社区的斯坦福智能体小镇，现在已经正式开源！

　　项目地址：https://github.com/joonspk-research/generative\_agents

　　在这个数字化的「西部世界」沙盒虚拟城镇中，有学校、医院、家庭。

　　25 个 AI 智能体不仅能在这里上班、闲聊、social、交友，甚至还能谈恋爱，而且每个 Agent 都有自己的个性和背景故事。

　　不过，它们对于自己生活在模拟中，可是毫不知情。

　　英伟达高级科学家 Jim Fan 评论道——

斯坦福智能体小镇是 2023 年最激动人心的 AI Agent 实验之一。我们常常讨论单个大语言模型的新兴能力，但是现在有了多个 AI 智能体，情况会更复杂、更引人入胜。 一群 AI，可以演绎出整个文明的演化进程。

　　现在，首先受到影响的，或许就是游戏领域。

　　总之，前方有无限的新可能！

　　网友：众游戏厂商们，你们懂我意思吧？

　　很多人相信，斯坦福的这篇论文，标志着 AGI 的开始。

　　可以想象，各种 RPG 和模拟类游戏都会用上这种技术。

　　网友们也非常激动，脑洞大开。

　　有想看神奇宝贝的，有想看谋杀探案故事的，还有想看恋爱综艺的……

　　「我已经等不及看 AI 智能体之间的三角恋剧情了。」

　　「《动物之森》中重复、沉闷的对话，所有村民共有的一维人格系统，都太令人失望了。任天堂赶快学学吧！」

　　「可以让《模拟人生》移植一下这个吗？」

　　如果能在《神界》这样的经典 RPG 游戏中，看到 AI 在 NPC 上运行，整个游戏体验都会被颠覆！」

　　有人还畅想：这项技术在企业空间中也有很多应用场景，比如员工如何和不同的工作环境/流程变化互动。

　　当然，也有人表示，你们激动个啥？其实我们一直都生活在这样的模拟中，只不过我们的世界有更多的算力罢了。

　　是的，如果我们把这个虚拟世界放大到足够多倍，我们肯定能看到自己。

　　Karpathy：AI 智能体，就是下一个前沿

　　此前，前特斯拉总监、OpenAI 大牛 Karpathy 就表示，如今 AI 智能体才是未来最前沿的方向。

　　OpenAI 的团队最近 5 年把时间花在了别的地方，但现在 Karpathy 相信，「Agent 代表着 AI 的一种未来。」

　　如果某篇论文提出训练大语言模型的不同方法，OpenAI 内部的 Slack 群组中就会有人说：「这个办法我两年半前尝试过，没什么用。」

　　然而每当有 AI 智能体从论文出现，所有同事都会很感兴趣。

　　Karpathy 曾将 AutoGPT 称为快速工程的下一个前沿

　　「西部世界」中的 25 个 AI 智能体

　　在美剧《西部世界》中，被预设了故事情节的机器人被投放到主题公园，像人类一样行事，然后被重置记忆，在新一天再被投放进自己所在的核心故事情节。

　　而在今年 4 月，斯坦福和谷歌的研究者竟然构建出了一个虚拟小镇，让 25 个 AI 智能体在其中生存、从事复杂行为，简直堪称是《西部世界》走进现实。

　　论文地址：https://arxiv.org/pdf/2304.03442.pdf

　　架构

　　为了生成智能体，研究者提出了一种全新架构，它扩展了大语言模型，能够使用自然语言存储 Agent 的经历。

　　随着时间的推移，这些记忆会被合成为更高级别的反射，智能体可以动态检索它们，来规划自己的行为。

　　最终，用户可以使用自然语言和全镇的 25 个 Agent 都实现交互。

　　如上，生成式智能体的架构实现了一个「检索」功能。

　　这一功能将智能体的当前情况作为输入，并返回记忆流的一个子集传递给语言模型。

　　而检索功能有多种可能的实现方式，具体取决于智能体在决定如何行动时考虑的重要因素。

　　生成式智能体架构面临一个核心挑战，就是如何管理大量必须保留的事件和记忆。

　　为了解决这个问题，架构的核心是记忆流（memory stream），即一个记录智能体全部经验的数据库。

　　智能体可以从记忆流中检索相关记忆，这有助于它规划行动，做出正确反应，并且每次行动都会反馈记录到记忆流中，以便递归地改进未来行动。

　　另外，研究还引入了第二种类型的记忆——反思（reflection）。反思是智能体根据最近经历生成的高级抽象思考。

　　在这项研究中，反思是周期性触发的过程，只有当智能体判断最近一系列事件的重要性评分，累积超过设定阈值时，才会启动反思机制。

　　生成式智能体为了创建合理的规划，它们会自上而下递归生成更多的细节。

　　而这些规划最初只是粗略的描述了当日所要做的事情。

　　在执行规划的过程中，生成智能体会持续感知周围环境，并将感知到的观察结果存储到记忆流中。

　　通过利用观察结果作为提示，让语言模型决定智能体下一步行动：继续执行当前规划，还是做出其他反应。

　　在实验评估中，研究人员对这一框架进行了控制评估，以及端到端的评估。

　　控制评估是为了了解智能体能否独立产生可信个体行为。而端到端评估，是为了了解智能体的涌现能力以及稳定性。

　　比如，Isabella 策划一个情人节 party 邀请大家来。12 个智能体中，7 个人还在考虑中（3 个人有了别的计划，还有 4 个人没有想法）。

　　这一环节与人类相处模式很相似。

　　像真人一样交互

　　在这个名为 Smallville 的沙盒世界小镇中，区域会被标记。根节点描述整个世界，子节点描述区域（房屋、咖啡馆、商店），叶节点描述对象（桌子、书架）。

　　智能体会记住一个子图，这个子图反映了他们所看到的世界的各个部分。

　　研究者编写了一段自然语言，来描述每个智能体的身份，包括它们的职业、与其他智能体的关系，作为种子记忆。

　　比如，智能体 John Lin 的种子记忆就是这样的——

John Lin 是一名药店店主，十分乐于助人，一直在寻找使客户更容易获得药物的方法。 John Lin 的妻子 Mei Lin 是大学教授，儿子 Eddy Lin 正在学习音乐理论，他们住在一起，John Lin 非常爱他的家人。 John Lin 认识隔壁的老夫妇 Sam Moore 和 Jennifer Moore 几年了，John Lin 觉得 Sam Moore 是一个善良的人。 John Lin 和他的邻居山本百合子很熟。John Lin 知道他的邻居 TamaraTaylor 和 Carmen Ortiz，但从未见过他们。 John Lin 和 Tom Moreno 是药店同事，也是朋友，喜欢一起讨论地方政治等等。

　　以下就是 John Lin 度过的一天早晨：6 点醒来，开始刷牙、洗澡、吃早餐，在出门工作前，他会见一见自己的妻子 Mei 和儿子 Eddy。

　　就这样，当模拟开始时，每个智能体都有属于自己的种子记忆。

　　这些智能体相互之间会发生社会行为。当他们注意到彼此时，可能会进行对话。

　　随着时间推移，这些智能体会形成新的关系，并且会记住自己与其他智能体的互动。

　　一个有趣的故事是，在模拟开始时，一个智能体的初始化设定是自己需要组织一个情人节派对。

　　随后发生的一系列事情，都可能存在失败点，智能体可能不会继续坚持这个意图，或者会忘记告诉他人，甚至可能忘了出现。

　　幸运的是，在模拟中，情人节派对真实地发生了，许多智能体聚在了一起发生了有趣的互动。

　　保姆级教程

　　配置环境

　　在配置环境之前，首先需要生成一个包含 OpenAI API 密钥的 utils.py 文件，并下载必要的软件包。

　　步骤 1. 生成 Utils 文件

　　在 reverie/backend\_server 文件夹中（reverie.py 所在的文件夹），新建一个 utils.py 文件，并将下面的内容复制粘贴到文件中：

# Copy and paste your OpenAI API Key
openai_api_key = "<Your OpenAI API>"
# Put your name
key_owner = "<Name>"

maze_assets_loc = "../../environment/frontend_server/static_dirs/assets"
env_matrix = f"{maze_assets_loc}/the_ville/matrix"
env_visuals = f"{maze_assets_loc}/the_ville/visuals"

fs_storage = "../../environment/frontend_server/storage"
fs_temp_storage = "../../environment/frontend_server/temp_storage"

collision_block_id = "32125"

# Verbose 
debug = True

　　将替换为你的 OpenAI API 密钥，将替换为你的姓名。

　　步骤 2. 安装 requirements.txt

　　安装 requirements.txt 文件中列出的所有内容（强烈建议先设置一个虚拟环境）。

　　目前，团队已在 Python 3.9.12 上进行了测试。

　　运行模拟

　　要运行新的模拟，你需要同时启动两个服务器：环境服务器和智能体模拟服务器。

　　步骤 1. 启动环境服务器

　　由于环境是作为 Django 项目实现的，因此需要启动 Django 服务器。

　　为此，首先在命令行中导航到 environment/frontend\_server（manage.py 所在的位置）。然后运行以下命令：

python manage.py runserver

<span>　　然后，在你喜欢的浏览器中访问 http://localhost:8000/。</span>

　　如果看到「Your environment server is up and running」这个提示，意思就是服务器运行正常。确保环境服务器在运行模拟时持续运行，因此请保持这个命令行标签打开。

　　（注意：建议使用 Chrome 或 Safari。Firefox 可能会出现一些前端故障，但应该不会影响实际模拟。）

　　步骤 2. 启动模拟服务器

　　打开另一个命令行窗口（你在步骤 1 中使用的仍在运行环境服务器，需要保持不动）。导航到 reverie/backend\_server 并运行 reverie.py 来启动模拟服务器：

python reverie.py

<span>　　此时，会出现一个命令行提示询问以下内容：「Enter the name of the forked simulation: 」。</span>

　　举个例子，现在我们要启动一个包含 Isabella Rodriguez、Maria Lopez 和 Klaus Mueller 这 3 个智能体的模拟，那么就是输入以下内容：

base_the_ville_isabella_maria_klaus

<span>　　然后，提示将会询问：「Enter the name of the new simulation: 」。</span>

　　这时只需要随意输入一个名称来表示当前的模拟即可（例如「test-simulation」）。

test-simulation

<span>　　保持模拟器服务器运行。此阶段，它会显示以下提示：「Enter option」</span>

　　步骤 3. 运行和保存模拟

　　在浏览器中访问 http://localhost:8000/simulator\_home，并保持标签打开。

　　现在你会看到小镇的地图，以及地图上活跃的智能体列表，并且可以使用键盘箭头在地图上移动。

　　要运行模拟，需要在提示「Enter option」的模拟服务器中输入以下命令：

run <step-count>

<span>　　请注意，需要将上述的替换为一个整数，表示要模拟的游戏步数。</span>

　　例如，如果要模拟 100 步游戏，就输入 run 100。其中，一个游戏步骤表示游戏中的 10 秒。

　　现在，模拟就会开始运行，你可以在浏览器中看到智能体在地图上移动。

　　一旦运行完成，「Enter option」提示会再次出现。此时，你可以通过重新输入 run 命令并指定所需的游戏步数来继续模拟，或者输入 exit 退出但不保存，输入 fin 则是保存并退出。

　　下次运行模拟服务器时，只要提供模拟的名称就可以访问已保存的模拟。这样，你就可以从上次离开的位置重新启动模拟。

　　Step 4. 重放模拟

　　只需运行环境服务器，并在浏览器中访问到以下地址，即可重放已运行的模拟：http://localhost:8000/replay//。

　　其中，需要将替换为重放的模拟的名称，将替换开始重放的整数时间步。

　　Step 5. 演示模拟

　　你可能会发现，重放中所有角色的 Sprite 看起来都是一样的。这是因为重放功能主要用于调试，并不优先考虑优化模拟文件夹的大小或视觉效果。

　　要正确演示带有角色 Sprite 的模拟，首先需要压缩模拟。为此，请使用文本编辑器打开位于 reverie 目录中的 compress\_sim\_storage.py 文件。然后，执行压缩函数，并将目标模拟的名称作为输入。这样，模拟文件就会被压缩，从而可以进行演示。

　　启动演示，请在浏览器中打开以下地址：http://localhost:8000/demo/。

　　注意，和与上述提到的含义相同。可用于控制演示速度，其中 1 表示最慢，5 表示最快。

　　定制模拟

　　你有两种可选方式来自定义模拟。

　　方法1：编写并加载智能体历史

　　第一种是在模拟开始时初始化具有独特历史记录的智能体。

　　为此，你需要执行以下操作：1）使用其中一个基本模拟开始，2）编写和加载智能体历史记录。

　　步骤 1. 启动基本模拟

　　存储库中包含两个基本模拟：base\_the\_ville\_n25（25 个智能体）和 base\_the\_ville\_isabella\_maria\_klaus（3 个智能体）。可以按照上述步骤加载其中一个基本模拟。

　　步骤 2. 加载历史文件

　　然后，在提示输入「Enter option」时，需要使用以下命令加载智能体历史记录：

call -- load history the_ville/<history_file_name>.csv

<span>　　其中，需要将替换为现有历史文件的名称。</span>

　　存储库中包含两个示例历史文件：agent\_history\_init\_n25.csv（针对 base\_the\_ville\_n25）和 agent\_history\_init\_n3.csv（针对 base\_the\_ville\_isabella\_maria\_klaus）。这些文件包含了每个智能体的内存记录列表。

　　步骤 3. 进一步的定制

　　要通过编写自己的历史文件来定制初始化，请将文件放在以下文件夹中：environment/frontend\_server/static\_dirs/assets/the\_ville。

　　自定义的历史文件的列格式必须与附带的示例历史文件一致。因此，作者建议通过复制和粘贴存储库中已有的文件来开始该过程。

　　方法2：创建新的基本模拟

　　如果想要更深度地定制，就需要编写自己的基本模拟文件。

　　最直接的方法是复制和粘贴现有的基本模拟文件夹，然后根据自己的要求进行重命名和编辑。

　　参考资料：

　　https://github.com/joonspk-research/generative\_agents

　　https://twitter.com/DrJimFan/status/1689315683958652928

来自: mp.weixin.qq.com