Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective
本文属于LLM系列文章，对《Computational Experiments Meet Large Language Model Based Agents: A Survey and Perspective》的翻译工作
计算实验与基于大型语言模型的代理：A调查与展望
- 摘要
- Introduction
- Conceptual Foundation: Transition from AGI-based Modeling to Computational Experiments
- LLM-driven Agents in Computational Experiments
- Computational Experiments in LLM-driven Agent Applications
- 实验
- 结论
摘要
计算实验作为一种研究复杂系统的重要手段，具有显著的价值，其中包含反事实算法的特性。然而，由于人类的多样性和复杂性，以及有限理性和异质性的存在，在基于代理的建模（ABM）中准确地表征真实的社会系统仍然面临巨大挑战。为了解决这一局限性，学者们提出了将大型语言模型（LLM）与代理系统相结合的方案，赋予代理系统拟人化的能力，如复杂的推理能力和自主学习机制。这些被称为基于LLM的代理系统，有望弥补ABM中缺乏拟人化的不足。然而，LLM系统在透明性和解释性方面的不足，严重限制了其在社会科学领域的应用。尽管如此，计算实验在分析个体行为和复杂现象方面具有独特的优势。因此，将计算实验与基于LLM的智能体（Agent）相结合，不仅在方法论上，而且在应用层面都具有广阔的研究前景。本文旨在系统性地探讨这一融合研究的各个方面。首先，本文概述了代理系统的历史发展及其在向人工社会演进过程中的演变，强调了代理系统在计算实验中的重要作用。其次，阐述了计算实验与基于LLM的Agent之间相互提供的优势，包括方法论的创新和应用潜力。同时，也探讨了基于LLM的Agent在计算实验中的应用前景，以及计算实验在反向工程LLM Agent方面的潜在价值。最后，本文深入分析了这一研究领域的挑战和未来发展方向，为相关研究的进一步推进提供了理论指导和实践参考。
1 引言
2 概念基础：从基于AGENT的建模到计算实验
3 基于LLM的代理用于计算实验
4 计算实验用于基于LLM的代理
5 实验
6 结论
新一代信息通信技术的快速发展，深刻地改变了人与环境、社会之间的互动关系。由此而产生的复杂系统性问题解决系统（Complex Problem Solving System，CPSS）呈现出高度开放性、动态性以及交互性等复杂特征。作为研究复杂系统的关键方法，计算实验需要与基于大型语言模型（LLM）的智能体相结合，从而实现相互补充。这不仅有助于真实系统与人工社会的完美对应，使计算实验在复杂系统研究中取得突破性进展，而且通过生成实验能够显著提升基于LLM的智能体的可解释性，从而让基于LLM的智能体通过生成演绎实现决策智能。这为探索通用人工智能的发展道路提供了新的思路。本文旨在将基于LLM的智能体引入计算实验领域。为此，有必要回顾计算实验中构建智能体和人工社会的传统方法，这有助于研究人员更好地理解当前计算实验面临的主要挑战。随后，在计算实验中，将基于LLM的智能体与传统构建方法进行对比实验，以展示基于LLM智能体对传统Agent和人工社会的显著提升作用。此外，本文从“生成解释”的角度探讨了计算实验如何进一步提升基于LLM的智能体的可解释性，从而增强其辅助决策的能力。通过从两个角度分析，即基于LLM的计算实验Agent（CE Agent）与基于LLM的智能体的计算实验，本文揭示了它们相互结合所带来的优势。最后，本文对实现计算实验与基于LLM的智能体结合所面临的主要挑战和未来发展方向进行了深入探讨，并提出了切实可行的解决方案，为后续研究工作提供了重要的指导和参考。