注意看，這個方塊人正在快速思考面前幾位「不速之客」的身份。
原來她是遇到了危險，意識到這一點之後，她馬上開始在腦海中搜索策略。
最終，她的方案是先逃跑然後尋求幫助，並馬上付諸行動。
與此同時，對面的人也在進行著和她一樣的思考……
這樣的一幅場景出現在了《Minecraft》當中，而其中所有的人物都是由AI控制的。
他們有著各自的身份設定，比如前面提到的女孩是一個17歲、智勇雙全的快遞員。
他們擁有記憶和思考能力，在這個以《Minecraft》為背景的小鎮中像人類一樣生活。
驅動他們的，是一款全新的、針對開放世界設計的、基於語言的AI角色扮演框架LARP。
這裡的LA指的是Language Agent，同時LARP又是實時（Live Action）角色扮演的縮寫，可謂是一語雙關。
除了擁有更高的認知複雜度，相比於傳統的智能體框架，LARP還縮小了智能體與開放世界遊戲之間的差距——
這類遊戲往往沒有特定的「通關標準」，而是由玩家在其中自由探索，而傳統的遊戲智能體常被用來完成特定目標。
此外，LARP的重點是突出模擬，使得智能體的行為更接近人類，為此研究者甚至特意引入了遺忘機制。
那麼，LARP具體如何實現？馬上就來一探究竟。
多模塊協同控制智能體
LARP的結構是模塊化的，具體包括了認知、人格、記憶、決策等組成部分。
其中，記憶模塊又由長期記憶、工作（短期）記憶和記憶處理系統三個部分組成。
流程上，角色觀察到的環境等信息會以自然語言形式輸入記憶處理模塊，經過編碼轉換並結合提取到的長期記憶，形成工作記憶；
然後工作記憶會輸入到決策模塊，最終產生決策或對話內容。
決策模塊的一個特點是會將一項大的目標拆解成子任務，同時利用其中的語言模型確定子任務的執行順序。
模型所做出的決策，會通過環境交互模塊調用API來執行，必要時還會調用回溯模塊進行代碼重建；
執行成功後，角色的新技能會被儲存，成為新的長期記憶。
在長期記憶的提取的過程中，人物會根據觀察到的內容進行自我提問，並通過邏輯語句、向量相似度和句子相似度三個維度進行查詢，從而提取答案。
其中邏輯語句用於語義（semantic）記憶的查詢，後兩者則用來查詢情景（episodic）記憶。
語義記憶是關於世界的一般性概念和事實知識，包含了遊戲規則和相關世界觀；情景記憶則是遊戲中的具體事件，與特定場景和經歷相關。
前者內容相對固定，而後者則會根據Agent的經歷不斷積累。
為了讓LARP控制的智能體更像真人，研究團隊還特意引入了隨時間變化的遺忘機制。
當衰減參數σ超過一定閾值時，記憶提取會失敗，從而模擬遺忘過程，σ的計算方式則是依據心理學定律設定的：
σ = αλN (1 βt) – ψ
λ代表記憶的重要性程度，N表示提取次數，t代表最後一次提取後經過的時間，ψ是角色自身的遺忘速率，α和β為縮放參數
這一公式由心理學家Wayne Wickelgren提出，是對艾賓浩斯遺忘曲線的一個補充。
而在人物性格的塑造上，研究人員在體現不同性格的數據集上預訓練出了基礎模型，並用專門構建的指令數據集進行監督微調。
同時，團隊還為角色的不同能力設計了多個數據集並訓練出了低秩適配模型，並於基礎模型動態整合，指導決策模塊生成符合人設的內容。
同時，LARP中還設置了行動驗證和衝突識別模塊，確保模型為agent生成的內容受遊戲環境數據和先驗知識規範約束。
目前，LARP的GitHub頁面已經建立，不過還處於空倉狀態，代碼暫未發布。
隨著大模型研究的深入，智能體和群體智能實驗如今已成AI研究最熱門方向之一。
比如去年爆火的斯坦福AI小鎮、清華推出的「AI遊戲公司」和「AI狼人殺」，都讓人們看到了多智能體協同的效益。
關於智能體的更多內容，量子位智庫推出的《2023十大前沿科技報告中》也有詳細介紹。
