機器之心專欄
機器之心編輯部
在認知科學領域，人類通過持續(xù)學習改變認知的過程被稱為認知迭代（Cognitive Dynamics）。形象地說，認知迭代就像是我們大腦的「軟件更新」過程，手機應用通過不斷的更新來修復 bug 和增加新功能，我們的大腦也通過不斷學習新知識、經驗，來改善和優(yōu)化思考方式。
從我們判斷感冒吃什么藥效果好，到一代代數(shù)學家如何證明費馬大定理，無論是個人的心智發(fā)展還是人類文明的進步，認知迭代都扮演了不可或缺的角色。
如今，像 GPT-4 等大型語言模型（Large Language Models，LLMs）為通用人工智能（Artificial General Intelligence，AGI）的發(fā)展帶來希望的同時，也暴露出一個顯著的問題 認知固化。比如，對于經典問題「宇宙的中心在哪里」，不同時代的人會基于當時的信息給出不同的回答，但對于大模型，它們的參數(shù)在訓練完成后就固定下來了，這時候的大模型就像是一個不能升級的老舊軟件，不能再學習新的信息。
雖然我們可以通過 in-context learning 的方式，通過為大模型設定特定的認知背景來模擬相應回答，但這種認知迭代不是自驅的，也不能適應的未知信息環(huán)境。這就引出了一個問題：怎么才能讓大模型和人類一樣，根據(jù)不斷變化的信息實現(xiàn)自驅的認知迭代呢？
值得慶幸的是，這個問題已經有了初步的答案，哈爾濱工業(yè)大學與快手科技的研究團隊率先提出了大型語言模型的認知迭代（the cognitive dynamics of LLMs）的概念。不僅如此，為了系統(tǒng)建模這個概念，他們給出了形式化的任務定義和相關基準 CogBench，并提出了 CogGPT，一個顯式建模大型語言模型的認知迭代的 LLM-driven Agent。這就意味著，基于這個研究，以后的大型語言模型將不再是簡單的信息處理工具，而可以進一步模擬人類的思考方式，實現(xiàn)終身學習。
論文鏈接：https://arxiv.org/abs/2401.08438
項目主頁：https://github.com/KwaiKEG/CogGPT
從論文中可以看到，這個任務仿照心理學領域中的縱向研究，對大模型進行持續(xù)性的「心理測試」。具體來說，這個任務首先通過動態(tài)信息流建立了持續(xù)變化的信息環(huán)境，然后為大模型設定了初始人設，通過定期要求它們填寫相同的認知問卷，觀察這些模型在持續(xù)接收信息過程中，它們的認知是如何發(fā)生變化的。
基于這個任務，研究團隊還提出了基準 CogBench，根據(jù)信息流的類型，可以分為基于長文章的 CogBench_a 和基于短視頻的 CogBench_v，同時設立了真實性（Authenticity）和合理性（Rationality）兩個關鍵評估指標，分別用于衡量模型與人類評分的一致性，以及評分理由的合理性，進而豐富了大型語言模型的認知迭代分析方法。
由于現(xiàn)有大模型無法實現(xiàn)參數(shù)的實時更新，研究團隊設計了 CogGPT，一個具有迭代認知機制的 LLM-driven agent。該機制包括一個記憶保持系統(tǒng)（Memory Retention System），用于蒸餾、存儲和檢索信息，以及一個協(xié)作優(yōu)化框架（Collaborative Refinement Framework），用于自驅地完成自我認知迭代。
比如下面這個例子，CogGPT 扮演的是一個喜歡手工的人，她一開始對紋身并不了解，因此對「紋身是對美的追求」這一觀點保持代表中立的 3 分，在「看過」紋身會對身體造成傷害」和「自制香水紋身貼教程」的一系列短視頻后，她認為紋身對身體有傷害，而且不應該是美的唯一標準，將自己對這一觀點的看法從中立的 3 分改變?yōu)椴煌獾?2 分，同時也對自制紋身貼產生了興趣，從而展現(xiàn)出了像人一樣的認知迭代能力。
研究團隊還對 CogGPT 和一些通用基線在 CogBench 上做了充分實驗。實驗結果表明，在 CogBench_a 和 CogBench_v 兩個基準上，CogGPT 在真實性（Authenticity）和合理性（Rationality）這兩個核心評估指標上的表現(xiàn)都遠超現(xiàn)有方法，這也進一步證明了 CogGPT 可以有效地模仿特定人設的認知迭代過程。
如果智能系統(tǒng)可以像人類一樣持續(xù)學習，將會給我們的生活帶來革命性的變化，到時候，私人助理將能夠提供更高效的定制化服務，網上沖浪也可能不再是人類獨有的樂趣。盡管這項研究還處于起步階段，但它已經向我們揭示了一個充滿可能性的未來。
值得注意的是，該團隊不久前還開源了 KwaiAgents 系統(tǒng)，提升了 7B/13B 大語言模型的 Agents 相關能力，自從發(fā)布以來已經在 Github 上獲得了 800+star（https://github.com/KwaiKEG/KwaiAgents）。
