本文是LLM系列文章,针对《Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective》的翻译。
计算实验与基于大型语言模型的代理:A调查与展望
摘要
计算实验已经成为研究复杂系统的一种有价值的方法,包括反事实的算法。然而,由于人类的多样性和复杂性,包括有限理性和异质性,在基于代理的建模(ABM)中准确地表示真实的社会系统是具有挑战性的。为了解决这一限制,已经提出了大型语言模型(LLM)的集成,使代理能够拥有拟人化的能力,如复杂推理和自主学习。这些代理被称为基于LLM的代理,有可能增强ABM中缺乏的拟人化。尽管如此,LLM中缺乏明确的可解释性严重阻碍了它们在社会科学中的应用。相反,计算实验擅长于对个体行为和复杂现象进行因果分析。因此,将计算实验与基于LLM的Agent相结合具有巨大的研究潜力。本文旨在对这种融合进行全面的探索。首先,它概述了代理结构的历史发展及其向人工社会的演变,强调了它们在计算实验中的重要性。然后阐述了计算实验和基于LLM的Agent相互提供的优势,并考虑了基于LLM Agent用于计算实验的前景,反之亦然。最后,本文阐述了该研究领域的挑战和未来趋势,为后续的相关研究提供了指导。