1. 斯坦福“AI小镇”，《西部世界》真的来了？
在4月，来自斯坦福大学以及谷歌的人工智能研究团队创造了一个完全由AI主导的虚拟世界——“Smallville”。这个世界有25位居民（generative agents），均由AI控制，在设置好了基础的建筑设施，人物性格后，研究人员便不再插手。居民的行动在图中会以emojis表情的形式呈现。这些居民每天都有各自的日常安排，并根据计划决定自己的行动。另外，这些居民相互之间也会交流，交流的内容经过传播，会对这个世界产生一系列的变化。这些行为都是通过调用的LLM自行生成，而不需要事先写定。举例来说，如果居民Isabella Rodriguez被初始化要在咖啡店举行情人节派对，那么她会找她的朋友Maria来帮助她布置场地，而Maria又暗恋Klaus，因此她也邀请了Klaus来参加派对。最终有5人参加了派对。一旦初始化结束，后续居民之间的交流互动，信息传播都将自动发起。
对于这个事件，如果对于每个居民简单的接入一个LLM，居民之间也会交互，但居民很可能不能根据自己过往的经历给出合适的反应。如Maria的记忆中包含她暗恋Klaus，但在大量的记忆中，这条重要的记忆不能在需要的时候被提出用于影响当前的行动（如Maria邀请Klaus参加情人节派对）。基于这样的问题，我们可以将LLM与检索和合成信息的机制相结合，通过合成信息将记忆变成更高级的记忆，并将这些记忆（包括了普通记忆和合成得到的更高级的记忆）进行检索，从而得到更重要的记忆用于影响当前的行动。换言之，就是通过检索和合成信息的机制来影响LLM的输出。
具体来说，当Isabella被初始化以后，她接下来的行动大概可以分为如下几步：
- 计划布置活动场地和邀请朋友或咖啡店的顾客来参加活动。
- 布置活动场地，在这个过程中她看到了Maria光顾咖啡店（这一步是感知）。
- 她开始从自己的记忆流中检索，从中挑选出了“Maria是Isabella的好朋友”这条重要的记忆。
- 根据第三步中检索出的记忆以及她目前的计划（正在布置场地），她询问Maria能否帮助她布置场地（做出行动），Maria同意了。
Maria检索自己的记忆流，进行反思，其中她暗恋Klaus和布置情人节活动等记忆形成了更高级的记忆，使得她做出了邀请Klaus参加情人节活动的决定。
Generatieve agents有着广阔的应用前景：
- 在游戏领域中，可以提升游戏自由度。可以大大丰富了游戏中NPC的自由度，提升游戏的可玩性。从过去“选择选项”式的NPC沟通变为更接近真实世界的自然语言沟通，从而缩小不真实感。还可以降低游戏设计成本，不用再依赖人类策划绞尽脑汁设计情节，游戏设计者只需要对NPC给定一个文本描述，然后NPC就可以自己决定自己在游戏中的决策与规划。
- 在社会实验领域中，政府在发布重大公告前，可以初始化一个庞大的虚拟人群，并在人群里投放公告，通过仿真迭代来测试公告在人群中的反应，从而来修正公告内容。
2. Seedmodeler，让数学建模自动化！
在日常生活中，数学建模似乎离我们很遥远。但实际上，日常生活中运用到数学模型解决问题的事例俯拾皆是：打车系统里，算法会匹配距离乘客更近的司机、规划最快到达目的地的行程路线；购物平台上，算法会调配库存充足的出货仓、计算中途的运转站和物流配送车辆……
求解这些问题的过程主要涉及四个具体的步骤：首先，明确待解决的业务问题，对业务问题建立数学模型（定义优化问题的三要素），将该模型导入到求解器中求得最优解或可行解，最后参考解法进行决策。
其中，建立数学模型无疑是件门槛很高的事情。建立什么样的数学模型，什么样的数学模型适合面临的业务问题，什么样的数学模型相对容易求解，在建模问题中需要考虑很多问题，即使是有建模经验的工程师，也往往需要一周甚至更多的时间建立模型和修改模型，企业所对应的人力成本和时间成本被拉高。
晞德求索科技，对于这一痛点，将ChatGPT和求解器相结合，提出了SeedModeler。SeedModeler是一款针对运筹优化场景的自动数学建模工具，只需要使用自然语言输入需求，就可以实现自动数学建模、自动生成数学模型代码并求解。
https://github.com/joonspk-research/generative_agents
https://arxiv.org/pdf/2304.03442.pdf
https://reverie.herokuapp.com/arXiv_Demo/
https://www.leiphone.com/category/ai/9EeTUjmyrGhCh9cE.html
https://seedmodeler.seedmath.com/betatest/0
