張俊林：大語(yǔ)言模型帶來的交互方式變革

7 月 8 日，在機(jī)器之心舉辦的 2023 WAIC AI 開發(fā)者論壇上，新浪微博新技術(shù)研發(fā)負(fù)責(zé)人張俊林先生發(fā)表了主題演講《自然語(yǔ)言交互：大語(yǔ)言模型帶來的交互方式變革》。在演講中，他主要介紹了大型語(yǔ)言模型為人機(jī)交互方式帶來的變革，其中的核心觀點(diǎn)是：無論是人機(jī)交互還是 AI 之間的交互，都采用自然語(yǔ)言的方式，由此人操作數(shù)據(jù)的方式將變得更加簡(jiǎn)單與統(tǒng)一。而大語(yǔ)言模型處于人機(jī)交互的中心位置，復(fù)雜的中間過程將會(huì)隱藏到幕后，由語(yǔ)言模型通過 Planning+Programming 的方式解決。

以下為張俊林先生的演講內(nèi)容，機(jī)器之心進(jìn)行了不改變?cè)獾木庉嫛?/p>

現(xiàn)在國(guó)內(nèi)外很多人都在做大模型；而做大模型考慮的核心問題有兩個(gè)：

第一是基座大模型。打造功能強(qiáng)大的基座需要大量數(shù)據(jù)、算力和資金。盡管 ChatGPT 出來震驚了世界，但主要原因不在基座模型。強(qiáng)大的基座大模型不是在 ChatGPT 出現(xiàn)時(shí)橫空出世的，而是慢慢發(fā)展起來的 —— 從 2020 年開始國(guó)外開發(fā)的模型規(guī)模逐步增大，效果也在逐漸變好，ChatGPT 的基座大模型可能相比之前效果有所提升，但并沒有發(fā)生質(zhì)的飛躍。所以 ChatGPT 影響力如此大的主要原因不是基座大模型。

第二是大模型的命令理解能力。如果要考慮 ChatGPT 為什么有這么大的影響力這個(gè)問題，主要原因在此。ChatGPT 做到了讓大模型能夠理解人的語(yǔ)言和命令，這個(gè)可能是最關(guān)鍵的因素，也是 ChatGPT 比過去大模型更加獨(dú)特的地方。

有一句古詩(shī)特別適合形容大模型的這兩個(gè)關(guān)鍵組件：「舊時(shí)王謝堂前燕，飛入尋常百姓家?！?/p>

「堂前燕」就是基座大模型，但是在 ChatGPT 時(shí)代之前，主要是研究人員在關(guān)注和改進(jìn)?！革w向?qū)こ０傩占摇故侵?RLHF，也就是 Instruct Learning（指示學(xué)習(xí)），是 RLHF 讓我們所有人都能用自然語(yǔ)言和大模型進(jìn)行交互。這樣一來，每個(gè)人都能用它，每個(gè)人都能體會(huì)到它基座模型的強(qiáng)大能力。我認(rèn)為這是 ChatGPT 可以引起這么大轟動(dòng)的根本原因。

今天我要分享的主題是「自然語(yǔ)言交互」，我認(rèn)為這可能是 ChatGPT 為主的大型語(yǔ)言模型（LLM）帶給我們的最根本的變革。

傳統(tǒng)人機(jī)交互方式

首先我們看一下傳統(tǒng)的人機(jī)交互方式。

人機(jī)交互的本質(zhì)是人和數(shù)據(jù)的關(guān)系問題。人在環(huán)境中進(jìn)行一些行為，會(huì)產(chǎn)生各種類型的數(shù)據(jù)，這些數(shù)據(jù)可以分成兩大類：一類是非結(jié)構(gòu)化數(shù)據(jù)，如文本、圖片、視頻；另一類是結(jié)構(gòu)化數(shù)據(jù)。企業(yè)可能更關(guān)注結(jié)構(gòu)化數(shù)據(jù)，因?yàn)槠髽I(yè)的內(nèi)部數(shù)據(jù)很多都是以數(shù)據(jù)庫(kù)或表格的形式存在的。人需要處理各種類型的數(shù)據(jù)，典型的行為比如創(chuàng)作、增、刪、改、查等。

在大模型出來之前，人和數(shù)據(jù)怎么發(fā)生關(guān)系？人不能直接與數(shù)據(jù)發(fā)生關(guān)系，需要通過一個(gè)中介，這個(gè)中介就是應(yīng)用軟件。舉個(gè)例子，即使你做最簡(jiǎn)單的文本編輯，你也需要一個(gè)文本編輯器，高級(jí)一點(diǎn)的文本處理工具就是 Word；要是做表格就需要 Excel，操作數(shù)據(jù)庫(kù)就需要 MySQL，加工圖像就需要 PhotoShop。

從這里可以看到傳統(tǒng)交互方式的一個(gè)特點(diǎn)：處理不同類型的數(shù)據(jù)要用不同的應(yīng)用軟件，這是多樣化的一種交互接口。另一個(gè)特點(diǎn)是傳統(tǒng)交互方式很復(fù)雜繁瑣，很多數(shù)據(jù)需要專業(yè)人士來處理。以處理圖像為例，即使給你提供了 PhotoShop， 普通人可能也很難很好地處理圖像，因?yàn)槠渲猩婕暗胶軓?fù)雜的操作，需要從多級(jí)菜單中找到自己想要的功能，只有經(jīng)過訓(xùn)練的專業(yè)人士才能勝任。

總結(jié)起來，在大模型出現(xiàn)之前，我們和數(shù)據(jù)的關(guān)系以及交互方式是復(fù)雜繁瑣且多樣化的。

大模型時(shí)代的人機(jī)交互方式

大模型出現(xiàn)之后，情況發(fā)生了什么本質(zhì)的變化呢？

其實(shí)關(guān)鍵的變化只有一個(gè)：大語(yǔ)言模型站到了人機(jī)交互的中心位置。

過去人是通過某個(gè)應(yīng)用軟件與某種數(shù)據(jù)交互，現(xiàn)在變成了人和大模型交互，而且方式很直接、很統(tǒng)一，就是自然語(yǔ)言。也就是說，如果你要做什么事，你就直接跟大模型說就行了。

其實(shí)這本質(zhì)上還是人和數(shù)據(jù)的關(guān)系，只是由于大模型的出現(xiàn)，應(yīng)用軟件被屏蔽到了幕后。

再看看將來的發(fā)展趨勢(shì)。短期來看，對(duì)于文本類或非結(jié)構(gòu)化的數(shù)據(jù)，LLM 可以替代一些應(yīng)用軟件，比如多模態(tài)大模型對(duì) PhotoShop 的取代。也就是說，LLM 可以自行完成一些常見任務(wù)，不再需要幕后應(yīng)用的功能支持。目前來看多數(shù)結(jié)構(gòu)化數(shù)據(jù)還是需要對(duì)應(yīng)的管理軟件，只是大模型走到前臺(tái)了，管理軟件被隱藏在后臺(tái)。而如果把目光放得更長(zhǎng)遠(yuǎn)一點(diǎn)，大模型可能會(huì)逐步替代各種功能軟件，我們?nèi)舾赡暌院笤倏?，很可能只有中間的大模型了。

這就是有了大模型之后，人和數(shù)據(jù)的交互方式出現(xiàn)的根本性變化。這是非常重要的變化。

大模型時(shí)代的人機(jī)交互看起來非常簡(jiǎn)單，如果想做什么事，只需要說就行了，剩下的交給 LLM 去做。但背后的事實(shí)是怎樣呢？

舉個(gè)例子說明一下，蘋果公司做的產(chǎn)品口碑特別好，為什么？是因?yàn)樗麄優(yōu)橛脩籼峁┝撕?jiǎn)單到極致的操作，而把復(fù)雜的部分都隱藏到了幕后。

大模型就和蘋果公司做軟件的思路類似。看起來 LLM 與人的交互模式很簡(jiǎn)單，但其實(shí)復(fù)雜的事情都是 LLM 在背后替用戶做了。

LLM 需要做的復(fù)雜事情可分為三大類：

一、理解自然語(yǔ)言。目前大模型的語(yǔ)言理解能力很強(qiáng)，即使小規(guī)模的大模型，語(yǔ)言理解能力也非常強(qiáng)。

二、任務(wù)規(guī)劃。對(duì)于復(fù)雜的任務(wù)，最好的解決方法是把它先拆成若干個(gè)簡(jiǎn)單任務(wù)，然后再逐個(gè)解決，一般這樣效果才會(huì)好。這就是任務(wù)規(guī)劃要負(fù)責(zé)的工作。

三、形式化語(yǔ)言。盡管人和機(jī)器交互用的是自然語(yǔ)言，但后續(xù)的數(shù)據(jù)處理一般需要用到形式化語(yǔ)言，比如 Programming（程序）、API、SQL、模塊調(diào)用。形式有很多，但歸根結(jié)底都是 Programming，因?yàn)?API 本質(zhì)上就是函數(shù)調(diào)用外部工具，SQL 是一種特殊的程序語(yǔ)言，模塊調(diào)用其實(shí)就是 API。我相信隨著大模型往后發(fā)展，其內(nèi)部的形式化語(yǔ)言很可能會(huì)統(tǒng)一成 Programming 的邏輯。也就是說，復(fù)雜任務(wù)在規(guī)劃成更簡(jiǎn)單的子任務(wù)后，每個(gè)子任務(wù)解決方案的外在形式往往是 Programming 或 API 調(diào)用這種形式。

下面我們看看針對(duì)不同類型的數(shù)據(jù)，在大模型時(shí)代，人和數(shù)據(jù)是怎么交互的？文本類的就無需多提了，ChatGPT 就是典型。

使用自然語(yǔ)言操作非結(jié)構(gòu)化數(shù)據(jù)

我們從非結(jié)構(gòu)化的數(shù)據(jù)說起，首先是圖片。

如圖所示，這是典型的 Planning+Programming 模式，可以充分說明上面提到大模型在幕后做的三件事。在這個(gè)例子中，人通過語(yǔ)言來操作圖片，包括增刪改查等等。這個(gè)工作叫 Visual Programming，獲得了 CVPR 2023 的最佳論文獎(jiǎng)。

以圖中下方《生活大爆炸》的劇照為例。用戶提交了一張合影照片，并給大模型提出了一個(gè)任務(wù)：「在圖片上標(biāo)記電視劇《生活大爆炸》中 7 個(gè)主角的名字」

LLM 怎么完成這個(gè)任務(wù)呢？首先，LLM 將這個(gè)任務(wù)映射成程序語(yǔ)句（下面五行）。為什么有五行？這就是 Planning，每一行都是一個(gè)子任務(wù)，按順序執(zhí)行。

簡(jiǎn)單解釋一下每行程序的含義：第一句程序語(yǔ)句的含義是把這張圖片中的人臉識(shí)別出來；第二句是讓語(yǔ)言模型發(fā)出一個(gè)查詢，找到《生活大爆炸》主角的名字；第三句是讓模型把人臉和人名對(duì)應(yīng)起來，這是分類任務(wù)；第四句是讓模型把圖片里的人臉框出來，并且打上名字。第五句輸出編輯好的圖片。

可以看到，這個(gè)過程中包含 Planning 和 Programming，它們兩位一體，集成在一起，不太容易看到 Planning 這一步，其實(shí)是有的。

對(duì)于視頻也是類似。給你一段視頻，你可以用自然語(yǔ)句問問題，比如：「這個(gè)視頻里面這個(gè)人在干嘛？」

當(dāng)然，這個(gè)任務(wù)本質(zhì)上是一個(gè)多模態(tài)任務(wù)。可以看到，模型首先要對(duì)視頻進(jìn)行編碼，圖中上方是編碼文本信息，下方是編碼視覺信息。其中文本來自于語(yǔ)音識(shí)別。所以這是集成了文本和圖片的模型，盡管圖里沒有畫出來，但其內(nèi)部同樣會(huì)做各種規(guī)劃以及推理。

這里跑題一下，我談?wù)剬?duì)多模態(tài)大模型的看法。現(xiàn)在大家普遍看好多模態(tài)方向，但我個(gè)人對(duì)多模態(tài)大模型的發(fā)展沒有大多數(shù)人那么樂觀。原因很簡(jiǎn)單：雖然現(xiàn)在很多同時(shí)處理文本和圖像的模型效果還可以，但究其原因，并不是圖像或視頻技術(shù)獲得了突破，而是文本模型能力太強(qiáng)，是它帶著圖像模型在飛。也就是說，從技術(shù)能力上講，文本和圖像模型并不對(duì)等，而是文強(qiáng)圖弱，以文補(bǔ)圖。實(shí)際上現(xiàn)在圖像和視頻方面還有嚴(yán)重的技術(shù)障礙沒有突破。在圖像處理上方盤旋著一朵 “技術(shù)烏云”，如果無法突破，多模態(tài)就面臨著陰影和極大障礙，在應(yīng)用方面很難取得重大進(jìn)展。

使用自然語(yǔ)言操作結(jié)構(gòu)化數(shù)據(jù)

下面來看結(jié)構(gòu)化數(shù)據(jù)，這類數(shù)據(jù)包含三類典型：表格、SQL、知識(shí)圖譜。

首先來看表格。我們能夠通過自然語(yǔ)言操作表格數(shù)據(jù)，微軟的 Office Copilot 已經(jīng)做到了。問題是怎么做到的？當(dāng)然我們不知道微軟到底是怎么做的，但其他研究者也有類似的研究工作。

這里看個(gè)例子。對(duì)于一張銷售數(shù)據(jù)表，其中有很多列，列和列之間的數(shù)據(jù)有關(guān)系，比如一列是銷量、一列是單價(jià)、一列是銷售額。LLM 能很好地處理表格，因?yàn)?LLM 在預(yù)訓(xùn)練模型里面學(xué)到很多知識(shí)，比如銷售額 = 單價(jià) × 銷量。LLM 能夠利用學(xué)到的知識(shí)來處理表格數(shù)據(jù)。

對(duì)于這張銷售數(shù)據(jù)表，用戶可以發(fā)出一個(gè)查詢：「把銷售額在 200-500 之間的記錄點(diǎn)亮?！?/p>

LLM（這里是 GPT-4）首先會(huì)把這個(gè)任務(wù)規(guī)劃成子任務(wù)，這里是三個(gè)子任務(wù)：1）先篩選出銷售額在 200-500 之間的條目；2）把背景點(diǎn)亮成藍(lán)色；3）把點(diǎn)亮的數(shù)據(jù)嵌入回表格。

對(duì)于第一步的篩選過程，模型是怎么做的呢？這里簡(jiǎn)單介紹一下這個(gè)流程。首先是寫 prompt。圖中可以看到，這個(gè) prompt 特別長(zhǎng)。

現(xiàn)在寫 prompt 已經(jīng)成為一門學(xué)問。有人說 prompt 就像是念咒語(yǔ)，我認(rèn)為這更像是給大模型做 PUA。我們可以把大模型比作能扮演各種不同類型角色的人，為了讓它做好當(dāng)前的任務(wù)，我們需要把它調(diào)整為最適合做這個(gè)任務(wù)的角色。為此，我們需要寫 prompt 把這個(gè)角色誘導(dǎo)出來：「你是很博學(xué)的，你特別適合干這個(gè)事兒，你應(yīng)該干的更專業(yè)點(diǎn)，不要太隨意?！?。諸如此類。

然后再把表格的 schema（即表格每一列的含義）告訴它。GPT-4 就會(huì)生成一個(gè) API，這個(gè) API 是一個(gè)過濾器，可從所有數(shù)據(jù)中過濾出滿足 200-500 的數(shù)據(jù)。但看標(biāo)紅的地方，模型在生成 API 時(shí)參數(shù)寫錯(cuò)了。這時(shí)候怎么辦？我們可以給它一些文檔，讓 GPT-4 學(xué)習(xí)，文檔中有很多例子告訴它這種情況應(yīng)該怎么調(diào)用 API 和寫參數(shù)。GPT-4 看完之后，就把 API 改了一下，就改對(duì)了。

然后就是執(zhí)行，就篩選出所需數(shù)據(jù)。

另一種結(jié)構(gòu)化數(shù)據(jù)是數(shù)據(jù)庫(kù)。我們的目的是用自然語(yǔ)言操作數(shù)據(jù)庫(kù)，本質(zhì)上就是將人的自然語(yǔ)言映射成 SQL 語(yǔ)句。

舉個(gè)例子，這是谷歌的 SQL-PaLM，基于 PaLM 2。PaLM 2 是谷歌 4 月份重新訓(xùn)練的一個(gè)基座大模型，是為了對(duì)標(biāo) GPT-4 做的。

SQL-PaLM 操作數(shù)據(jù)庫(kù)的方式有兩種。一是在上下文學(xué)習(xí)（in-context learning）， 也就是給模型一些例子，包括數(shù)據(jù)庫(kù)的 schema、自然語(yǔ)言的問題和對(duì)應(yīng)的 SQL 語(yǔ)句，然后再問幾個(gè)新問題，要求模型輸出 SQL 語(yǔ)句。另一種方式是微調(diào)（fine-tuning）。

現(xiàn)在這個(gè)模型的表現(xiàn)如何呢？在比較復(fù)雜的數(shù)據(jù)庫(kù)表上，其準(zhǔn)確率為 78%，已經(jīng)接近實(shí)用化水準(zhǔn)了。這意味著隨著技術(shù)的進(jìn)一步快速發(fā)展，很可能 SQL 語(yǔ)句不需要人寫了；未來你說話把要啥說清楚就行，剩下的交給機(jī)器做就可以了。

另一個(gè)典型的結(jié)構(gòu)化數(shù)據(jù)是知識(shí)圖譜。問題還是一樣：我們?cè)鯓佑米匀徽Z(yǔ)言操作知識(shí)圖譜？

這里用戶提出一個(gè)問題：「奧巴馬是哪個(gè)國(guó)家的？」大語(yǔ)言模型怎么給出答案的？它一樣會(huì)進(jìn)行規(guī)劃，把任務(wù)拆成知識(shí)圖譜可操作的 API；這會(huì)查詢得到兩個(gè)子知識(shí)，再去做推理，就能輸出正確答案「美國(guó)」。

大模型和環(huán)境的關(guān)系

上面講的是人和數(shù)據(jù)的關(guān)系，另外還有大模型和環(huán)境的關(guān)系。最典型的是機(jī)器人，現(xiàn)在一般叫具身智能，也就是說怎么給機(jī)器人以大腦，讓機(jī)器人在世界里游走。

具身智能有五個(gè)核心要素：理解語(yǔ)言、任務(wù)規(guī)劃、身體執(zhí)行動(dòng)作、接受環(huán)境反饋、從反饋中學(xué)習(xí)。

大模型階段的具身智能和之前最大的不同是這五個(gè)環(huán)節(jié)的核心現(xiàn)在都可由大模型接管。如果你要指揮機(jī)器人，只需用自然語(yǔ)言發(fā)出需求即可，所有這五個(gè)步驟都由大模型去規(guī)劃與控制。大模型可以給機(jī)器人一個(gè)強(qiáng)大的大腦，更好理解人類的語(yǔ)言與命令，使用大模型學(xué)到的世界知識(shí)指導(dǎo)行為，在這些方面比以前的方法有質(zhì)的提升。

但是有一個(gè)問題：很多研究人員并不看好這個(gè)方向。原因是什么？如果你要用實(shí)體機(jī)器人在現(xiàn)實(shí)生活中學(xué)習(xí)鍛煉，會(huì)面臨成本高、數(shù)據(jù)獲取效率低的問題，因?yàn)閷?shí)體機(jī)器人非常貴，在真實(shí)世界里行動(dòng)范圍有限，獲取數(shù)據(jù)的效率非常低，學(xué)習(xí)的速度就慢，而且還不能摔倒，因?yàn)樗さ挂馕吨艽笠还P維修費(fèi)。

更多人的做法是創(chuàng)造一個(gè)虛擬環(huán)境，讓機(jī)器人在虛擬環(huán)境中探索。虛擬環(huán)境能緩解成本高、數(shù)據(jù)獲取效率低的問題?！段业氖澜纭肪褪且粋€(gè)常用的虛擬環(huán)境。這是一個(gè)開放世界，類似于荒野求生，游戲角色在里面學(xué)會(huì)更好地生存就行了，所以特別適合用來代替機(jī)器人在真實(shí)世界的活動(dòng)。

虛擬環(huán)境的成本非常低，數(shù)據(jù)獲取效率非常高。但也有問題：虛擬世界的復(fù)雜性遠(yuǎn)遠(yuǎn)比不上真實(shí)世界。

英偉達(dá)開發(fā)的 Voyager 就是讓機(jī)器人在《我的世界》里對(duì)陌生環(huán)境進(jìn)行探索，它背后起到最主要驅(qū)動(dòng)作用的大模型也是基于 GPT-4，機(jī)器人和 GPT-4 之間也是通過自然語(yǔ)言進(jìn)行交流。圖中左側(cè)可以看到，模型會(huì)循序漸進(jìn)、由易到難地學(xué)做各種不同任務(wù)難度的事，從最簡(jiǎn)單的伐木到后面做桌子、打僵尸等，一般機(jī)器學(xué)習(xí)語(yǔ)境下，我們把這種 “由易到難、循序漸進(jìn)” 的學(xué)習(xí)模式叫做 “課程學(xué)習(xí)”。而 “課程學(xué)習(xí)” 這些任務(wù)都是由 GPT-4 根據(jù)當(dāng)前狀態(tài)產(chǎn)生的，你只要在 prompt 里 PUA 大模型讓它由易到難地產(chǎn)生下一步任務(wù)就行了。

假設(shè)現(xiàn)在的任務(wù)是打僵尸。面對(duì)這個(gè)任務(wù)，GPT-4 會(huì)自動(dòng)生成能在《我的世界》環(huán)境下運(yùn)行的對(duì)應(yīng)的 “打僵尸” 的函數(shù)及程序代碼，在寫這個(gè)函數(shù)的時(shí)候，可以復(fù)用解決之前比較簡(jiǎn)單任務(wù)時(shí)形成的工具，比如角色之前學(xué)會(huì)制作的石劍和盾牌，此時(shí)把這些工具通過 API 函數(shù)調(diào)用來直接使用。形成 “打僵尸” 函數(shù)后，可以執(zhí)行代碼來和環(huán)境交互，如果發(fā)生錯(cuò)誤，把錯(cuò)誤信息反饋給 GPT-4，GPT-4 就會(huì)進(jìn)一步修正程序。假如程序執(zhí)行成功，那么這些經(jīng)驗(yàn)就會(huì)作為一個(gè)新的知識(shí)放到工具庫(kù)里面，下一次還能用。之后依據(jù) “課程學(xué)習(xí)”，GPT-4 會(huì)產(chǎn)生下一個(gè)更有難度的任務(wù)。

未來的大模型

上面是從人和數(shù)據(jù)的關(guān)系，以及大模型和環(huán)境的關(guān)系角度，來說明自然語(yǔ)言交互無處不在。接下來，我們看下自然語(yǔ)言交互在 AI 和 AI 交互過程中是如何發(fā)揮作用的。

最近大半年基座大模型方面有什么值得關(guān)注的研究進(jìn)展？除了模型規(guī)模在繼續(xù)變大，總體而言進(jìn)展不太大，大部分新進(jìn)展集中在 instruct 部分，這得益于 Meta 開源的 LLaMA 模型。要說基座模型的進(jìn)展，我認(rèn)為值得關(guān)注的有兩個(gè)，一是模型輸入窗口長(zhǎng)度的快速增長(zhǎng)，這塊技術(shù)進(jìn)展非常快，目前看開源模型 100K 長(zhǎng)度甚至更長(zhǎng)的輸入很快能夠達(dá)到；二是大模型增強(qiáng)。

我相信未來大模型大概率會(huì)是上圖這個(gè)模式。之前的大模型是靜態(tài)的單個(gè)大模型，將來的應(yīng)該是由多個(gè)不同角色的智能體（agent）構(gòu)成的大模型，它們之間通過自然語(yǔ)言進(jìn)行通訊與交流，一起聯(lián)合起來做任務(wù)。智能體還可以通過自然語(yǔ)言接口調(diào)用外部工具解決現(xiàn)有大模型的缺點(diǎn)，比如數(shù)據(jù)過時(shí)、幻覺嚴(yán)重、計(jì)算能力弱等。

目前大模型使用工具的模式比較統(tǒng)一，如圖所示，可以通過一個(gè) API 管理平臺(tái)來管理大量可用的外部工具。用戶給出問題后，模型根據(jù)問題需求，判斷是否應(yīng)該使用工具，如果覺得需要使用工具，則進(jìn)一步?jīng)Q定需要使用哪個(gè)工具，并調(diào)用對(duì)應(yīng)工具的 API 接口，填寫對(duì)應(yīng)的參數(shù)，調(diào)用完成后整合工具返回的結(jié)果形成答案，再把答案返回給用戶。

智能體是非常值得關(guān)注的技術(shù)，但大模型時(shí)代的智能體我們目前對(duì)其還沒有統(tǒng)一的定義。你可以認(rèn)為智能體是對(duì)大語(yǔ)言模型賦予的不同角色，這些角色通過分工的方式完成任務(wù)。智能體是有悠久歷史的研究方向，幾十年歷史肯定有了，只是在大模型時(shí)代，由于 LLM 的能力加持，使得智能體有了完全不同的能力，并蘊(yùn)含著巨大的技術(shù)潛力。另外，關(guān)于其定義，我覺得傳統(tǒng)的智能體定義可能無法滿足新形勢(shì)下的情況，大模型時(shí)代可能需要重新定義智能體的含義。

上面展示了一個(gè)類似游戲沙盒環(huán)境下的模擬人類社會(huì)的智能體系統(tǒng)，每個(gè)智能體有自己的職業(yè)身份，不同智能體可以通過自然語(yǔ)言進(jìn)行交流，并能舉辦各種聚會(huì)活動(dòng)，看上去就是科幻劇《西部世界》的雛形。

如果歸納下 Agent 之間的協(xié)作方式，主要有兩種：競(jìng)爭(zhēng)型和協(xié)作型。競(jìng)爭(zhēng)型就是不同 Agent 之間互相質(zhì)疑、爭(zhēng)吵、討論，以此可以得到更好的任務(wù)結(jié)果。協(xié)作型就是通過角色和能力分工，各自承擔(dān)任務(wù)環(huán)節(jié)中的一個(gè)，通過互相幫助和協(xié)作來共同完成任務(wù)。

最后我們討論一下自然語(yǔ)言交互的優(yōu)勢(shì)和問題。用自然語(yǔ)言進(jìn)行交互的好處是比較自然、比較便捷、比較統(tǒng)一，用戶做事情幾乎不需要學(xué)習(xí)成本；但是自然語(yǔ)言也有模糊性和語(yǔ)言歧義等缺點(diǎn)。

自然語(yǔ)言的模糊性是說有時(shí)候你用自然語(yǔ)言不容易講清楚真實(shí)的意圖，你以為你說明白了，其實(shí)并沒有，但是你未必會(huì)意識(shí)到你沒說清楚。這也是為什么現(xiàn)在用好大模型對(duì)于寫 prompt 的要求比較高，畢竟如果用戶說不清楚自己的意圖，模型也不可能做好。

自然語(yǔ)言的歧義問題是一直存在且普遍存在的。比如「把蘋果拿給我」其實(shí)有不同的含義，聽者也可以有不同的理解，你怎么讓大模型知道到底是哪個(gè)含義？

考慮到自然語(yǔ)言的模糊性和歧義性，從人機(jī)交互的角度來講，將來大模型應(yīng)該增強(qiáng)交互的主動(dòng)性，也就是說讓模型主動(dòng)向用戶發(fā)問。如果模型覺得用戶的話有問題，不確定到底什么意思，它應(yīng)該反問「你到底什么意思」或者「你說的是不是這個(gè)意思」。這點(diǎn)是大模型未來應(yīng)該加強(qiáng)的部分。