多智能体新进展||斯坦福大学提出新模型'Hypothetical Minds'，让AI更懂人类思维
AI论文解读轻松掌握AI前沿技术进展，实时追踪AI动态，互动交流，共同成长进步
标题：Hypothetical Minds: Scaffolding Theory of Mind for Multi-Agent Tasks with Large Language Models
作者：Logan Cross, Violet Xiang, Agam Bhatia, Daniel L.K. Yamins, Nick Haber
机构：Stanford University
论文链接：https://arxiv.org/pdf/2407.07086
本文提出了一种名为“Hypothetical Minds”的模型，该模型结合了大语言模型和多智能体强化学习，通过在自然语言处理的框架下生成、评估和细化关于其他智能体策略的假设，来提高智能体在多智能体环境中的表现。该模型在多种竞争性、合作性和混合动机的多智能体环境中均显示出优越的性能，特别是在处理隐藏信息和策略推理方面。
Hypothetical Minds模型简介
1. 模型架构与组件
Hypothetical Minds模型是一个基于大型语言模型（LLM）的自主智能体，它通过整合感知、记忆和两级抽象层次的层次化规划的模块化组件，来应对MARL中的挑战。该模型的架构包括多个认知模块，如感知模块、记忆系统以及理论心智（Theory of Mind, ToM）和子目标（Subgoal）模块，后两者分别负责输出高层次的目标和行动计划。
2. 理论心智（Theory of Mind, ToM）模块的作用
ToM模块在Hypothetical Minds模型中扮演着核心角色，它通过生成关于其他智能体策略、目标和能力的假设来促进有效的协调或对策。这些假设是以自然语言形式表达的，并嵌入到高层次的规划过程中，以指导智能体的决策。ToM模块不仅生成假设，还负责评估和迭代细化这些假设，通过强化那些能够正确预测其他智能体行为的假设来优化决策过程。此外，ToM模块还能够根据生成的假设动态调整智能体的策略，以适应推断出的其他智能体的策略，从而在多智能体环境中实现更高的奖励和更好的适应性。
模型实现：从假设生成到高级规划
1. 生成假设
在多智能体环境中，理解其他智能体的行为是至关重要的。Hypothetical Minds模型通过其理论心智（Theory of Mind, ToM）模块来生成关于其他智能体策略、目标和能力的假设。这些假设是基于自然语言生成的，使得智能体能够在不直接观察到这些变量的情况下，通过语言的抽象层面进行推理。
2. 假设评估与细化
生成的假设需要通过实际的环境反馈来评估其有效性。ToM模块会对每个假设进行评分，这一过程涉及到预测其他智能体的行为并将预测结果与实际行为进行对比。有效的假设会在模型的记忆中得到强化，而不准确的假设则会被调整或舍弃。这一过程是迭代的，随着更多的交互数据被积累，假设的准确性逐渐提高。
3. 高级规划与执行
在假设验证通过后，ToM模块会利用这些验证过的假设来指导高级规划。这些高级规划不仅包括策略的制定，还涉及到具体行动的序列化，即如何将策略转化为一系列具体的、可执行的行动。这一过程中，智能体需要考虑如何在保持对当前目标的追求的同时，适应环境的变化和其他智能体的策略变动。
实验设计与基准测试
1. Melting Pot基准的多场景测试
Hypothetical Minds模型在Melting Pot多智能体强化学习基准中进行了广泛的测试。这一基准包括多种不同的社会动态和挑战，如合作烹饪、剪刀石头布游戏等。通过这些多样化的测试场景，模型的适应性、策略生成能力以及与其他智能体的交互效果得到了全面的评估。
2. 与基线模型的比较
Hypothetical Minds模型的性能与几个基线模型进行了比较，包括传统的强化学习模型和其他基于LLM的智能体模型。通过这些比较，研究人员能够评估ToM模块在假设生成、评估和细化方面的效果，以及这些功能如何帮助Hypothetical Minds模型在复杂多智能体环境中取得优异的表现。这些比较结果不仅证明了模型的有效性，也突出了理论心智模块在处理复杂社会交互中的重要性。
实验结果与分析
1. 竞争环境中的表现
在“Running With Scissors”（剪刀石头布）的竞争环境中，Hypothetical Minds（HM）模型展现出了显著的优势。该环境要求两名玩家在地图上移动并收集代表剪刀、石头、布的资源。通过与对手进行“交互”，一方将获得正向奖励，而另一方则获得相应的负向奖励。HM模型能够有效地推断对手的策略，并根据这些信息调整自己的策略，从而在多数情况下获得高于基线模型的奖励。特别是在面对多变策略的对手时，HM通过其理论心智模块生成假设，并不断调整策略以适应对手的变化，显示出较强的适应性和策略洞察力。
2. 协作与混合动机环境的适应性
在“Collaborative Cooking Asymmetric”环境中，两名玩家需要在厨房的两侧合作制作番茄汤。HM模型在所有测试场景中均表现优异，尤其是在与功能性合作伙伴互动时。这表明HM能够根据合作伙伴的能力和行为有效地调整自己的行动策略，优化协作效率。此外，在“Prisoner's Dilemma”（囚徒困境）的混合动机环境中，HM在动态合作伙伴场景中表现尤为突出，能够通过更一致的合作行为和适时的宽恕策略，有效地打破恶性报复循环，实现更高的总体福利。