智能体如何拥有唱歌功能

在上一节中，我们讨论了智能体如何感受和表达情绪。紧接着，我们面临的下一个问题是如何设计一个拟人化智能体，或者说如何构建情感驱动的智能体。设计过程中涉及多个维度，这些维度通常是基于人类视角来考量的。大家看下方的图表，这张图展示了如何设计一个拟人化的角色。从图中我们可以看到，设计过程始于角色的基础信息，包括姓名、性别、年龄和职业等。不管是设计什么角色，这些都是最为基础和必要的。紧接着，我们需要考虑角色的背景和经历。这些元素与基础信息密切相关，它们之间存在着强烈的相互影响。虽然在某些情况下，这种关联可能不那么明显，但通常情况下，角色的身份背景和经历在很大程度上决定了他们的基本特征，反之亦然。让我们通过一个例子来说明这一点：假设我们正在设计一个从事低收入职业的角色。在这种情况下，我们可以合理推测，这个角色可能来自相对贫困的背景，教育程度可能不高。角色的背景和经历对人物形象的塑造有着深远的影响，尤其体现在爱好、特长、性格和价值观等方面。这些特质并非凭空而来，而是由角色的生活经历和成长环境共同塑造而成，它们之间存在着紧密的关联性。接下来，我们会看到一个相对弱关联的元素：规划和目标。这些可以是短期的，也可以是长期的愿景。让我们用一个现实生活中的例子来说明：假设一个角色特别喜欢唱歌，这个爱好很可能会影响他的长期规划，比如梦想成为一名专业歌手。这样的设定既合乎逻辑，又能为角色增添深度和动力。再看图表的右侧，我们可以看到性格和价值观这两个关键元素。这两者对角色的人际关系、社交能力以及语言风格都有直接的影响。例如，如果我们设定一个角色是典型的I型人格（性格内向），我们可以合理推断他可能不善言辞，社交圈子可能相对狭小。这种性格特征会直接反映在他的对话方式和社交行为中。

人工智能写的诗，能和人比吗？当我们站在赏鉴的角度再看诗歌相机的成诗，可以感受到人工智能和诗人作诗上的差异所在，人工智能写的诗有更明显地「描述」和「顺序」，用词上更连贯，比如「日光透过褪色的薄纱」「天花板的影子之舞，」，更像是用文雅的词描述一个场景，其中缺少了诗歌难以描述的抽象感和意象美。就像诗刊社在《GPT时代，诗歌的意义和价值所在？》里提到的，「 GPT的出现是对文本顺序的改变，它省略了世界与作者的概念，中间加入的是标准化、数字算法，却没法模仿诗歌的意象。」诗人夏宇所写的现代诗｜图源：夏宇诗人欧阳江河也曾在采访里说到「写作背后的广阔性是人的生命、人的世界观。这些包括了生命的感动、生命的升华、生命的伤痛、生命的恐惧、生命的黑暗、生命的爱、生命的愚蠢、生命的局限性。但人工智能不可能有生命，人工智能太聪明了，它没有疼痛，没有生命的脆弱感和恐惧，而诗歌正是这些的产物。如果没有这样的来源，只剩下漂亮的句子是没有意义的。」诗不像围棋或公式，诗没有确定的答案，当我们质疑人工智能写诗的能力，我们更多是在质疑它诗的由来。就像在1982年的科幻电影《银翼杀手》里，人造人罗伊·巴蒂在死前留下了全片最富有诗歌气息的台词，这意味着人类，至少《银翼杀手》的创作团队相信，在共同经历了对生命的感受之后，人工智能体也能创作出优美且富有人性的诗歌。罗伊·巴蒂死前独白｜图源：银翼杀手

很明显OpenAI是有计划的抢先发布，因为Google在第二天的I/O 2024大会上准备宣布他们最新的研究项目Project Astra，一个类似GPT-4o全模态模型，结果研究团队拿手机精心录制的与环境实时交互的视频，让OpenAI给提前一天全部展示了，而且功能更强大，完成度更高。OpenAI会在几个月内陆续更新ChatGPT应用，通过GPT-4o让其具备Assistant Agent能力，一个能够像人类一样互动的“数字形态”全能助理；Google也计划在今年内推出Gemini Live支持类似功能，我们可以把这种能沟通还能感知环境的AI称之为智能体（Intelligent Agent）。除了端到端的多模态之外，另一个重要的特点就是实时性，之前所有的交互都是回合对话式，包括API的调用；现在我们要从文字语音聊天升级到视频直播了，智能体保持一直在线。可以想像，用流媒体的形式来消耗Token，这对算力的开销得有多大，所以大家必须保持模型能力不变的情况下缩小参数规模，升级架构来提升性能；最好让终端也参与进来分担一部分模型的计算量。让科技变简单，是技术民主化最重要的一个趋势，没有人能抵挡住这种毫无机械感、完全类人化的交互方式。用这样的思路，可以设计从未有过的硬件产品，也能重新设计现有的产品，例如多年以前的Google Glass就可以因此而复活了；因为语音交互的流畅，智能体还能用手机之外的设备来实现视觉感知，那么手机的设计也会因此而进化，触摸交互更简单，在很多情况下，都只需要放在口袋里，给你的智能体提供本地算力。