从人物角色到个性化：角色扮演语言代理综述
从人物角色到个性化：角色扮演语言代理综述
随着人工智能技术的快速发展，角色扮演语言代理（RPLAs）作为一种专门设计用来模拟指定角色的AI系统，正逐渐成为人工智能领域的研究热点。近日，一篇来自复旦大学和上海大学等机构的研究综述，详细介绍了RPLAs的背景、分类、构建方法、评估标准、风险以及应用实践，为这一领域的研究和应用提供了全面的参考。
应用背景
近年来，大语言模型（LLMs）的显著进展极大地推动了RPLAs的崛起。数字化生活一直是人类数十年来的追求，反映了我们对技术和人类体验交叉点的深刻迷恋。RPLAs通过将这些角色以互动形式呈现，体现了数字化生活的概念。
随着人工智能越来越多地融入我们的日常生活，培育一个人类和这些智能体协同共存的繁荣社会至关重要，即推出角色扮演语言代理（RPLAs）。
人物角色分类
RPLAs可以根据其角色特征进行分类：
人口统计角色（Demographic Persona）：基于统计学上的刻板印象，模拟具有共同特征的人群。数据来源包括职业、性别、年龄、地域、个性类型等。应用案例包括教育、职业培训和市场研究等领域。
性格角色（Character Persona）：基于广泛认可的个体，包括名人、历史人物和虚构角色。数据来源包括传记、小说、电影和公共资料等。应用案例包括教育软件、角色扮演游戏和故事讲述等。
个性化角色（Individualized Persona）：基于个体的行为和偏好数据构建的数字档案。数据来源包括用户交互、个性化需求和行为历史等。应用案例包括个性化助理、定制化客户服务和用户克隆等。
RPLAs构建方法
结合LLMs的角色理解能力，可以根据自己的数据指导扮演特定的角色，从而形成角色RPLAs，构建方法分为参数化训练和非参数化提示、记忆机制三大类。
RPLAs评估
角色扮演能力评估：评估RPLAs在模拟角色行为和对话中的能力，避免说出不符合角色的话语。使用算法和指标来量化性能或者通过用户测试和调查来评估这种能力的好坏。
角色保真度评估：评估RPLAs在模拟特定角色时的准确性和真实性，减少“角色幻觉”的发生。使用与真实角色表现的比较或者用户调查和反馈来评估这种能力的好坏。
RPLAs风险
当前RPLAs相关的风险，主要涵盖以下领域：毒性、偏见、幻觉、侵犯隐私，以及实际部署中的技术挑战。
应用实践
具体来说，我们将现有产品中的RPLAs分为两类，即面向角色的RPLAs和面向任务的RPLAs：
面向角色的RPLAs：通常扮演特定的角色，这在各种娱乐应用程序中很流行，比如聊天机器人和游戏NPC。例如，国内的讯飞语音助手、小米小爱同学、京东JIMI，国外的Replika聊天伴侣软件等。
面向任务的RPLAs：通常以类似人类的方式进行交流，以促进用户接受，并作为领域专家为用户提供个性化服务，如人工智能医生和教练。例如，GitHub Copilot、GPT等。
总结与思考
该篇综述主要介绍了角色扮演语言代理，其作为专门设计用来模拟指定角色的AI系统，它们能够模拟从历史人物、虚构角色到真实个体的广泛角色。具体介绍RPLAs如何利用大语言模型（LLMs）的先进技术来模拟各种角色，同时分析了RPLAs在实际应用中可能面临的风险和挑战。
在应用实践中可以发现，该篇综述展示提供了RPLAs在不同领域的应用案例，如情感伴侣、互动视频游戏、个性化助理和数字克隆。
可以改进的地方：
- 在解决幻觉方面，目前主要通过微调来调整模型，教RPLAs忘记知识来避免，在之后可以探索替代遗忘策略的方案来解决幻觉问题；
- 在决策分析方面，需要更加先进的分析和深入的数据解释策略，以使RPLAs能够做出明智的决策；
- 可以收获的地方：
- 认识到在大语言模型基础下应运而生的RPLA，以及RPLA的具体类型介绍；
- 同时知道RPLA在实际应用中可能面临的一些风险和挑战，在未来会衍生出的社交模拟等方向；