《西部世界》真来了！斯坦福爆火「小镇」开源，25个AI智能体恋爱交友｜附保姆级教程

来源：“新智元”（ID:AI_era），作者：新智元

准备好，此前曾轰动整个AI社区的斯坦福智能体小镇，现在已经正式开源！

项目地址：https://github.com/joonspk-research/generative_agents

在这个数字化的「西部世界」沙盒虚拟城镇中，有学校、医院、家庭。

25个AI智能体不仅能在这里上班、闲聊、social、交友，甚至还能谈恋爱，而且每个Agent都有自己的个性和背景故事。

不过，它们对于自己生活在模拟中，可是毫不知情。

英伟达高级科学家Jim Fan评论道——

斯坦福智能体小镇是2023年最激动人心的AI Agent实验之一。我们常常讨论单个大语言模型的新兴能力，但是现在有了多个AI智能体，情况会更复杂、更引人入胜。
一群AI，可以演绎出整个文明的演化进程。

现在，首先受到影响的，或许就是游戏领域。

总之，前方有无限的新可能！

网友：众游戏厂商们，你们懂我意思吧？

很多人相信，斯坦福的这篇论文，标志着AGI的开始。

可以想象，各种RPG和模拟类游戏都会用上这种技术。

网友们也非常激动，脑洞大开。

有想看神奇宝贝的，有想看谋杀探案故事的，还有想看恋爱综艺的……

「我已经等不及看AI智能体之间的三角恋剧情了。」

「《动物之森》中重复、沉闷的对话，所有村民共有的一维人格系统，都太令人失望了。任天堂赶快学学吧！」

「可以让《模拟人生》移植一下这个吗？」

如果能在《神界》这样的经典RPG游戏中，看到AI在NPC上运行，整个游戏体验都会被颠覆！」

有人还畅想：这项技术在企业空间中也有很多应用场景，比如员工如何和不同的工作环境/流程变化互动。

当然，也有人表示，你们激动个啥？其实我们一直都生活在这样的模拟中，只不过我们的世界有更多的算力罢了。

是的，如果我们把这个虚拟世界放大到足够多倍，我们肯定能看到自己。

Karpathy：AI智能体，就是下一个前沿

此前，前特斯拉总监、OpenAI大牛Karpathy就表示，如今AI智能体才是未来最前沿的方向。

OpenAI的团队最近5年把时间花在了别的地方，但现在Karpathy相信，「Agent代表着AI的一种未来。」

如果某篇论文提出训练大语言模型的不同方法，OpenAI内部的Slack群组中就会有人说：「这个办法我两年半前尝试过，没什么用。」

然而每当有AI智能体从论文出现，所有同事都会很感兴趣。

Karpathy曾将AutoGPT称为快速工程的下一个前沿

「西部世界」中的25个AI智能体

在美剧《西部世界》中，被预设了故事情节的机器人被投放到主题公园，像人类一样行事，然后被重置记忆，在新一天再被投放进自己所在的核心故事情节。

而在今年4月，斯坦福和谷歌的研究者竟然构建出了一个虚拟小镇，让25个AI智能体在其中生存、从事复杂行为，简直堪称是《西部世界》走进现实。

论文地址：https://arxiv.org/pdf/2304.03442.pdf

架构

为了生成智能体，研究者提出了一种全新架构，它扩展了大语言模型，能够使用自然语言存储Agent的经历。

随着时间的推移，这些记忆会被合成为更高级别的反射，智能体可以动态检索它们，来规划自己的行为。

最终，用户可以使用自然语言和全镇的25个Agent都实现交互。

如上，生成式智能体的架构实现了一个「检索」功能。

这一功能将智能体的当前情况作为输入，并返回记忆流的一个子集传递给语言模型。

而检索功能有多种可能的实现方式，具体取决于智能体在决定如何行动时考虑的重要因素。

生成式智能体架构面临一个核心挑战，就是如何管理大量必须保留的事件和记忆。

为了解决这个问题，架构的核心是记忆流（memory stream），即一个记录智能体全部经验的数据库。

智能体可以从记忆流中检索相关记忆，这有助于它规划行动，做出正确反应，并且每次行动都会反馈记录到记忆流中，以便递归地改进未来行动。

另外，研究还引入了第二种类型的记忆——反思（reflection）。反思是智能体根据最近经历生成的高级抽象思考。

在这项研究中，反思是周期性触发的过程，只有当智能体判断最近一系列事件的重要性评分，累积超过设定阈值时，才会启动反思机制。

生成式智能体为了创建合理的规划，它们会自上而下递归生成更多的细节。

而这些规划最初只是粗略的描述了当日所要做的事情。

在执行规划的过程中，生成智能体会持续感知周围环境，并将感知到的观察结果存储到记忆流中。

通过利用观察结果作为提示，让语言模型决定智能体下一步行动：继续执行当前规划，还是做出其他反应。

在实验评估中，研究人员对这一框架进行了控制评估，以及端到端的评估。

控制评估是为了了解智能体能否独立产生可信个体行为。而端到端评估，是为了了解智能体的涌现能力以及稳定性。

比如，Isabella策划一个情人节party邀请大家来。12个智能体中，7个人还在考虑中（3个人有了别的计划，还有4个人没有想法）。

这一环节与人类相处模式很相似。

像真人一样交互

在这个名为Smallville的沙盒世界小镇中，区域会被标记。根节点描述整个世界，子节点描述区域（房屋、咖啡馆、商店），叶节点描述对象（桌子、书架）。

智能体会记住一个子图，这个子图反映了他们所看到的世界的各个部分。

研究者编写了一段自然语言，来描述每个智能体的身份，包括它们的职业、与其他智能体的关系，作为种子记忆。

比如，智能体John Lin的种子记忆就是这样的——

John Lin是一名药店店主，十分乐于助人，一直在寻找使客户更容易获得药物的方法。
John Lin的妻子Mei Lin是大学教授，儿子Eddy Lin正在学习音乐理论，他们住在一起，John Lin非常爱他的家人。
John Lin认识隔壁的老夫妇Sam Moore和Jennifer Moore几年了，John Lin觉得Sam Moore是一个善良的人。
John Lin和他的邻居山本百合子很熟。John Lin知道他的邻居TamaraTaylor和Carmen Ortiz，但从未见过他们。
John Lin和Tom Moreno是药店同事，也是朋友，喜欢一起讨论地方政治等等。

以下就是John Lin度过的一天早晨：6点醒来，开始刷牙、洗澡、吃早餐，在出门工作前，他会见一见自己的妻子Mei和儿子Eddy。

就这样，当模拟开始时，每个智能体都有属于自己的种子记忆。

这些智能体相互之间会发生社会行为。当他们注意到彼此时，可能会进行对话。

随着时间推移，这些智能体会形成新的关系，并且会记住自己与其他智能体的互动。

一个有趣的故事是，在模拟开始时，一个智能体的初始化设定是自己需要组织一个情人节派对。

随后发生的一系列事情，都可能存在失败点，智能体可能不会继续坚持这个意图，或者会忘记告诉他人，甚至可能忘了出现。

幸运的是，在模拟中，情人节派对真实地发生了，许多智能体聚在了一起发生了有趣的互动。

保姆级教程

配置环境

在配置环境之前，首先需要生成一个包含OpenAI API密钥的utils.py文件，并下载必要的软件包。

步骤1. 生成 Utils 文件

在reverie/backend_server文件夹中（reverie.py所在的文件夹），新建一个utils.py文件，并将下面的内容复制粘贴到文件中：

# Copy and paste your OpenAI API Keyopenai_api_key = ""# Put your namekey_owner = ""maze_assets_loc = "../../environment/frontend_server/static_dirs/assets"env_matrix = f"{maze_assets_loc}/the_ville/matrix"env_visuals = f"{maze_assets_loc}/the_ville/visuals"fs_storage = "../../environment/frontend_server/storage"fs_temp_storage = "../../environment/frontend_server/temp_storage"collision_block_id = "32125"# Verbose debug = True

将 替换为你的OpenAI API密钥，将 替换为你的姓名。

步骤 2. 安装requirements.txt

安装requirements.txt文件中列出的所有内容（强烈建议先设置一个虚拟环境）。

目前，团队已在Python 3.9.12上进行了测试。

运行模拟

要运行新的模拟，你需要同时启动两个服务器：环境服务器和智能体模拟服务器。

步骤 1. 启动环境服务器

由于环境是作为Django项目实现的，因此需要启动Django服务器。

为此，首先在命令行中导航到environment/frontend_server（manage.py所在的位置）。然后运行以下命令：

python manage.py runserver

然后，在你喜欢的浏览器中访问http://localhost:8000/。

如果看到「Your environment server is up and running」这个提示，意思就是服务器运行正常。确保环境服务器在运行模拟时持续运行，因此请保持这个命令行标签打开。

（注意：建议使用Chrome或Safari。Firefox可能会出现一些前端故障，但应该不会影响实际模拟。）

步骤 2. 启动模拟服务器

打开另一个命令行窗口（你在步骤 1 中使用的仍在运行环境服务器，需要保持不动）。导航到reverie/backend_server并运行reverie.py来启动模拟服务器：

python reverie.py

此时，会出现一个命令行提示询问以下内容：「Enter the name of the forked simulation: 」。

举个例子，现在我们要启动一个包含Isabella Rodriguez、Maria Lopez和Klaus Mueller这3个智能体的模拟，那么就是输入以下内容：

base_the_ville_isabella_maria_klaus

然后，提示将会询问：「Enter the name of the new simulation: 」。

这时只需要随意输入一个名称来表示当前的模拟即可（例如「test-simulation」）。

test-simulation

保持模拟器服务器运行。此阶段，它会显示以下提示：「Enter option」

步骤 3. 运行和保存模拟

在浏览器中访问http://localhost:8000/simulator_home，并保持标签打开。

现在你会看到小镇的地图，以及地图上活跃的智能体列表，并且可以使用键盘箭头在地图上移动。

要运行模拟，需要在提示「Enter option」的模拟服务器中输入以下命令：

run

请注意，需要将上述的 替换为一个整数，表示要模拟的游戏步数。

例如，如果要模拟100步游戏，就输入run 100。其中，一个游戏步骤表示游戏中的10秒。

现在，模拟就会开始运行，你可以在浏览器中看到智能体在地图上移动。

一旦运行完成，「Enter option」提示会再次出现。此时，你可以通过重新输入run命令并指定所需的游戏步数来继续模拟，或者输入exit退出但不保存，输入fin则是保存并退出。

下次运行模拟服务器时，只要提供模拟的名称就可以访问已保存的模拟。这样，你就可以从上次离开的位置重新启动模拟。

Step 4. 重放模拟

只需运行环境服务器，并在浏览器中访问到以下地址，即可重放已运行的模拟：http://localhost:8000/replay//。

其中，需要将替换为重放的模拟的名称，将替换开始重放的整数时间步。

Step 5. 演示模拟

你可能会发现，重放中所有角色的Sprite看起来都是一样的。这是因为重放功能主要用于调试，并不优先考虑优化模拟文件夹的大小或视觉效果。

要正确演示带有角色Sprite的模拟，首先需要压缩模拟。为此，请使用文本编辑器打开位于reverie目录中的compress_sim_storage.py文件。然后，执行压缩函数，并将目标模拟的名称作为输入。这样，模拟文件就会被压缩，从而可以进行演示。

启动演示，请在浏览器中打开以下地址：http://localhost:8000/demo///。

注意，和与上述提到的含义相同。可用于控制演示速度，其中1表示最慢，5表示最快。

定制模拟

你有两种可选方式来自定义模拟。

方法1：编写并加载智能体历史

第一种是在模拟开始时初始化具有独特历史记录的智能体。

为此，你需要执行以下操作：1）使用其中一个基本模拟开始，2）编写和加载智能体历史记录。

步骤1. 启动基本模拟

存储库中包含两个基本模拟：base_the_ville_n25（25个智能体）和base_the_ville_isabella_maria_klaus（3个智能体）。可以按照上述步骤加载其中一个基本模拟。

步骤2. 加载历史文件

然后，在提示输入「Enter option」时，需要使用以下命令加载智能体历史记录：

call -- load history the_ville/.csv

其中，需要将替换为现有历史文件的名称。

存储库中包含两个示例历史文件：agent_history_init_n25.csv（针对base_the_ville_n25）和agent_history_init_n3.csv（针对base_the_ville_isabella_maria_klaus）。这些文件包含了每个智能体的内存记录列表。

步骤3. 进一步的定制

要通过编写自己的历史文件来定制初始化，请将文件放在以下文件夹中：environment/frontend_server/static_dirs/assets/the_ville。

自定义的历史文件的列格式必须与附带的示例历史文件一致。因此，作者建议通过复制和粘贴存储库中已有的文件来开始该过程。

方法2：创建新的基本模拟

如果想要更深度地定制，就需要编写自己的基本模拟文件。

最直接的方法是复制和粘贴现有的基本模拟文件夹，然后根据自己的要求进行重命名和编辑。

参考资料：

https://github.com/joonspk-research/generative_agents

https://twitter.com/DrJimFan/status/1689315683958652928