基于智能體的建模與仿真已發展成為模擬復雜系統的強大工具，提供了對涌現行為和多樣智能體之間互動的洞見。

將大語言模型整合到基于智能體的建模和仿真中，為增強仿真能力提供了有希望的途徑。

本文調研了在基于智能體的建模與仿真中利用大語言模型的領域格局，考察了它們的挑戰和有希望的未來方向。

論文地址：https://arxiv.org/abs/2312.11970

在這項綜述中，由于這是一個跨學科領域，我們首先介紹基于智能體的建模與仿真以及大語言模型賦能智能體的背景。

然后，我們討論將大語言模型應用于基于智能體的仿真的動機，并系統分析在環境感知、人類協調、行為生成和評估中的挑戰。

最重要的是，我們提供了大語言模型賦能的基于智能體的建模與仿真在多種場景下的最新工作綜述，這些場景可分為四個領域：網絡、物理、社會和混合，涵蓋了現實世界和虛擬環境的仿真。

最后，由于這個領域是新的且快速發展的，我們討論了開放性問題和有希望的未來方向。

仿真作為一種計算工具，涵蓋了通過使用數學公式、算法或計算機生成的表示來模擬現實世界過程或系統，以模仿其行為或特征。

基于智能體的建模與仿真專注于通過模擬個體智能體及其在環境中的相互作用來模擬復雜系統。

它通過賦予這些智能體特定的行為、屬性和決策能力來運作，使我們能夠檢查由智能體相互作用和環境動態產生的涌現現象。

仿真的重要性跨越多個領域，是理解、分析和預測實際生活中可能難以或無法直接觀察的復雜現象的寶貴工具。

它促進了實驗、假設測試和情景分析，提供了在不同條件下系統行為的洞見，并在經濟學、生物學、社會學和生態學等領域的決策過程中提供幫助。

獲得和使用語言的能力是區分人類和其他生物的關鍵方面。大語言模型（LLMs）的出現是機器學習中的一個最新里程碑，展示了在自然語言處理任務和文本生成方面的巨大能力。

利用它們強大的能力，LLMs在通過更細膩和現實的方式表示智能體的決策過程、溝通和適應模擬環境方面顯示出了提升基于智能體仿真的前景。

將LLMs整合到基于智能體的建模和仿真中，有潛力豐富仿真的真實性和復雜性，可能會深入洞察系統行為和涌現現象的原因如下：

首先，LLM 智能體可以根據環境做出自適應反應并執行任務，而無需預定義的明確指令。其次，LLM 智能體具有很強的智能，可以像人一樣做出反應，甚至主動采取具有自導向的規劃和調度的行動。

LLM智能體的行動空間既不局限于文本，對于文本，工具用法和內部行動模塊允許代理采取各種行動。

最后，LLM智能體可以與人類或其他智能體進行互動和交流。

憑借以上三點優勢，LLM智能體已被廣泛接受使用。

從這個角度看，LLM智能體顯然可以作為一種新的模擬范例，賦予代理以人類水平的智能。

由于LLM智能體的巨大潛力，近來這一領域的研究工作呈現出蓬勃發展的態勢。

然而，迄今為止，還沒有一份綜述能系統地總結相關工作、討論尚未解決的問題，并為重要的研究方向提供一瞥。

在本綜述中，我們分析了為什么大語言模型在仿真的基本問題中至關重要，尤其是對于基于智能體的仿真而言。

在討論了如何在這一新范式中設計智能體之后，我們仔細而廣泛地討論并介紹了各個領域的現有著作，其中大部分是近期發表的。

本綜述的貢獻可歸納如下。

- 我們首先回顧了基于大語言模型的智能體建模與仿真的現有著作。

與現有方法相比，我們系統地分析了為什么大型語言模型可以作為基于智能體建模與仿真的先進解決方案。

具體而言，我們首先從自主性、社會能力、反應性和主動性四個方面廣泛闡述了基于智能體的建模與仿真對智能體能力的要求。

然后，我們分析了大型語言模型如何應對這些挑戰，包括感知、推理和決策、適應性和異質性。

- 我們將基于智能體的建模與仿真分為物理、網絡、社會和混合四個領域。

這四個領域可以涵蓋主流的仿真場景和任務，之后我們介紹了相關的工作，對如何設計仿真環境以及如何構建由大型語言模型驅動的仿真代理進行了詳細的討論。

- 除了這一新領域的現有工作外，我們還討論了四個重要的研究方向，包括改進仿真的擴展性、開放仿真平臺、魯棒性、倫理風險等，相信這將對未來的研究有所啟發。

大語言模型和LLM驅動的智能體

大語言模型（LLMs），如 ChatGPT、Gemini、LLaMA、Alpaca和GLM，是語言模型的最新范式，從早期的統計語言模型發展到神經語言模型，再到預訓練語言模型，最后發展到大型語言模型。

憑借數十億個參數和廣泛的預訓練語料庫，LLM不僅在文本生成、總結、翻譯等自然語言處理任務中表現出驚人的能力，而且在解決數學問題等復雜推理和規劃任務中也表現出驚人的能力。

在大規模語料庫上進行的預訓練為零點泛化奠定了基礎。此外，預訓練模型還可以針對特定任務進一步微調，以適應特定的應用場景。

此外，在過去一年中，大型語言模型（如ChatGPT和GPT-4）的進步已經實現了類似人類的推理能力，這是一個里程碑，現在被認為是人工通用智能（AGI）的種子。

具體來說，獲取和使用語言的能力是我們人類區別于其他生物的一個關鍵方面。語言是我們與環境互動的最重要機制之一，語言為高級能力奠定了基礎。

因此，由于在感知環境和做出決策方面具有類似人類的智能，構建大型語言模型賦能的智能體是大有可為的。

首先，LLM智能體能夠根據環境做出自適應反應并執行任務，而無需預定義的明確指令。此外，在模擬過程中，LLM智能體甚至可以形成新的想法、解決方案、目標等。

例如，AutoGPT在給出一組可用工具和最終任務目標時，可以自動安排計劃，體現了LLM在構建智能體方面的巨大潛力。

同時，BabyAGI創建了一個運行無限循環的LLM驅動腳本，該腳本持續維護任務列表，其中每個任務都由ChatGPT API根據任務上下文完成。

其次，LLM智能體具有足夠的智能，可以像人類一樣做出反應，甚至主動采取行動，進行自我導向的規劃和調度。環境輸入并不局限于文本，

最近的多模態融合模型還可以輸入其他類型的信息，如圖像或音頻。LLM 智能體的行動空間既不局限于文本，對于文本，工具使用能力允許智能體采取更多行動。

最后，LLM 智能體具有與人類或其他人工智能智能體互動和交流的能力。在仿真，尤其是基于智能體的仿真中，代理的交流能力將個體仿真提升到了群體層面。

一個 LLM 驅動的智能體可以生成文本，另一個智能體可以接收并理解文本，進而為智能體之間或人類與智能體之間可解釋的交流提供基礎。

此外，社區層面的模擬需要智能體的異質性，而 LLM 智能體可以滿足這些要求，在社會中扮演不同的角色。

由LLM智能體構建的人工社會可以進一步揭示具有集體智能體行為的蜂群智能體的出現，類似于人類社會中的群體智慧。

如上所述，仿真系統廣泛采用了基于智能體的建模范式，這就要求智能體具有高級能力，很好地激發了大語言模式智能體在仿真場景中的應用。

基于智能體建模和仿真的LLM關鍵能力

基于智能體建模與仿真的大語言模式關鍵能力 如上所述，基于智能體的建模與仿真是許多領域仿真的基本方法，但它仍然面臨幾個關鍵挑戰。

大語言模式驅動的智能體不僅能滿足基于智能體的仿真要求，還能依靠其強大的感知、推理、決策和自我進化能力來解決這些限制，如圖1所示。

感知 

基于智能體的建模與仿真的核心是模擬單個智能體如何與環境進行交互，這就要求智能體能夠準確感知來自上述環境的各類信息。至于大語言模型賦能的智能體，語言能力能使智能體直接或間接地理解和應對多樣化的環境。

一方面，理解和生成文本的基本能力使智能體能夠進行復雜的對話、談判和信息交換，并支持直接交互。另一方面，智能體與環境之間的界面可以通過文本進行操作，從而實現間接交互。

當然，除了智能體與環境的視角外，這種能力也支持不同智能體之間的交流。

值得一提的是，僅僅具備與環境和其他智能體互動的能力還不足以實現類人模擬。更具體地說，還要求基于大型語言模型的智能體 "設身處地"，從而讓智能體想象自己確實身處環境之中。

也就是說，LLM 智能體應能從 "第一視角視線"出發，理解、感知并響應不同情境下的不同需求、情感和態度。這種能力能使模型更好地理解來自環境或其他智能體的信息，并產生更真實的反應。

推理和決策 

傳統基于代理的仿真面臨的一個關鍵挑戰是，基于規則甚至基于神經網絡的代理不夠智能。也就是說，智能體無法做出正確或最優決策，如在交通仿真中選擇擁擠的道路，或在社交網絡仿真中發送錯誤的信息。

這可以解釋為，傳統的基于神經網絡的人工智能仍不如真人智能。相比之下，大語言模型賦能的智能體則表現出更強的推理能力，使其能夠在模擬中做出更明智的決策并選擇合適的行動。

盡管能做出合適的決策，但大型語言模型賦能的智能體支持更好的基于智能體的建模和仿真的另一個關鍵優勢是自主性。

只需有限的指導、規定和目標，配備大型語言模型的智能體就能自主采取行動，為給定目標制定計劃，甚至實現新目標，而無需顯式編程或預定義規則。

也就是說，自主性使LLM智能體能夠根據實際情況動態調整自己的行動和策略，有助于提高仿真的真實性。

自適應學習和演化 

對于基于智能體的建模與仿真而言，系統始終具有不確定性和不可控性。

換句話說，與模擬初始階段相比，環境和智能體的狀態可能完全不同。正如《瑞普·凡·溫克爾》（Rip Van Winkle）的古老故事所講述的那樣，一個人在山中睡著了，醒來后發現周圍的世界在他沉睡期間發生了巨大的變化。

也就是說，在長期的社會網絡模擬中，環境是不斷變化的；智能體應該能夠適應新的環境，制定的決策策略可能會大大偏離其原來的策略。

顯然，自適應學習和進化對于傳統方法來說具有挑戰性，但幸運的是，基于大型語言模型的智能體可以解決這個問題。

具體來說，憑借不斷從新數據中學習并適應不斷變化的語境的能力，LLM 智能體可以隨著時間的推移不斷演化行為和決策策略。

智能體可以吸收新信息，分析數據中新出現的模式，并根據情境中的學習相應地修改自己的反應或行動，這反映了現實世界實體的動態性質。

這種適應性通過模擬智能體在應對不同刺激時的學習曲線和行為演變，增強了模擬的真實性。

異質性和個性化 

俗話說，一人之肉，眾人之毒。對于基于智能體的仿真來說，具有異質個體的復雜社會或經濟系統，智能體的異質性至關重要。

具體來說，在基于智能體的建模和仿真中，智能體的異質性涉及表現個體之間的不同特征、行為和決策過程。與傳統仿真方法相比，基于智能體的仿真因其能夠適應不同的規則或參數而脫穎而出，具體討論如下。

首先，現有方法的參數設置極其復雜。在

這些模型中，影響智能體行為的變量繁多--從個人特征到環境因素--使得選擇和校準這些參數變得十分困難。這種復雜性往往會導致過度簡化，影響模擬在描述真實異質性方面的準確性。

此外，獲取準確、全面的數據為參數選擇提供信息也是另一項挑戰。也就是說，現實世界中能捕捉到不同情境下不同個體行為的數據可能很有限，或者很難收集到。

此外，根據真實世界的觀察結果驗證所選參數以確保其可靠性，也增加了另一層復雜性。

其次，規則或模型無法涵蓋異質性的所有方面，因為現實世界中的個體非常復雜。使用規則驅動智能體行為只能捕捉到異質性的某些方面，但可能缺乏深度，無法囊括多樣化行為、偏好和決策過程的全部內容。

此外，隨著模型能力的提高，試圖在單一模型中涵蓋異質性的所有方面未免過于理想化。

因此，如何平衡模型的簡潔性和智能體建模的準確性成為基于智能體建模和仿真的關鍵挑戰，從而導致對智能體異質性某些方面的過度簡化或忽視。

與傳統方法不同的是，基于LLM的智能體支持：1）通過內部類似人類的認知復雜性來捕捉復雜的內部特征；2）通過提示、上下文學習或微調來實現專業化和定制化特征。

結語

基于智能體的建模與仿真是各領域復雜系統建模的重要方法之一。

大語言模型的最新進展重塑了基于智能體的建模與仿真范式，為構建類似人類的智能體而不是由簡單規則或有限智能神經模型驅動的智能體提供了新的視角。

在本文中，我們首先對基于智能體的大語言模型建模與仿真進行了綜述。我們系統地分析了基于智能體的建模與仿真為什么需要 LLM 智能體，以及如何應對關鍵挑戰。

隨后，我們廣泛總結了網絡、物理、社會和混合四個領域的現有工作，仔細闡述了如何設計仿真環境、如何構建大語言模型賦能的智能體，以及基于智能體的仿真要觀察和實現什么。

最后，考慮到現有研究尚未解決的局限性和這一快速發展的新領域，我們討論了有待解決的問題，并指出了重要的研究方向，希望能對未來的研究有所啟發。