Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective

828 篇文章

已下架不支持订阅

本文探讨了大型语言模型(LLM)在基于代理的建模(ABM)中的应用,以增强社会系统建模的准确性。通过计算实验,LLM代理能够提升复杂推理和自主学习能力,但LLM的不可解释性成为社会科学应用的障碍。计算实验则有助于LLM代理的因果分析和可解释性增强。文章分析了LLM代理与计算实验的相互作用,指出了面临的挑战及未来研究方向,旨在推动通用人工智能的发展。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective》的翻译。

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。

1 引言

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值