人工智能 （AI） 已经取得了长足的进步，大型语言模型 （LLM） 在自然语言处理方面展示了令人印象深刻的能力。这些模型改变了我们对 AI 理解和生成人类语言能力的看法。虽然他们擅长识别模式和综合书面知识，但他们很难模仿人类的学习和行为方式。随着 AI 的不断发展，我们看到模型从简单地处理信息转变为像人类一样学习、适应和行为的模型。
大型行为模型 （LBM） 正在成为 AI 的新前沿。这些模型超越了语言，专注于复制人类与世界互动的方式。与主要在静态数据集上训练的 LLM 不同，LBM 通过经验不断学习，使它们能够在动态的真实环境中适应和推理。LBM 使机器能够像人类一样学习，从而塑造 AI 的未来。
为什么行为 AI 很重要
事实证明，LLM 非常强大，但它们的功能本质上与其训练数据相关联。他们只能执行与他们在训练期间学到的模式一致的任务。虽然他们在静态任务中表现出色，但他们在需要实时决策或从经验中学习的动态环境中苦苦挣扎。
此外，LLM 主要侧重于语言处理。他们无法处理非语言信息，如视觉线索、身体感觉或社交互动，这些信息对于理解和应对世界都至关重要。这种差距在需要多模态推理的场景中尤为明显，例如解释复杂的视觉或社会背景。
另一方面，人类是终身学习者。从婴儿时期开始，我们就与环境互动，尝试新的想法，并适应不可预见的情况。人类学习的适应性和效率是独一无二的。与机器不同，我们不需要经历所有可能的场景来做出决策。相反，我们从过去的经验中推断，结合感官输入，并预测结果。
行为 AI 试图通过创建系统来弥合这些差距，这些系统不仅可以处理语言数据，还可以从交互中学习和成长，并且可以像人类一样轻松适应新环境。这种方法将范式从“模型知道什么”转变为“模型如何学习”。
什么是大型行为模型？
大型行为模型 （LBM） 旨在超越简单地复制人类所说的内容。他们专注于了解人类为什么以及如何以这种方式行事。与依赖静态数据集的 LLM 不同，LBM 通过与环境的持续交互来实时学习。这种主动学习过程帮助他们像人类一样通过试验、观察和调整来调整自己的行为。例如，学习骑自行车的孩子不仅仅是阅读说明或观看视频;他们与世界进行物理交互，跌倒、调整和再次尝试——LBM 旨在模仿这一学习过程。
LBM 也超越了文本。它们可以处理各种数据，包括图像、声音和传感输入，从而更全面地了解周围环境。这种解释和响应复杂动态环境的能力使 LBM 特别适用于需要适应性和上下文感知的应用程序。
LBM 的主要特点包括：
1.互动学习：LBM 经过培训，可以采取行动并接收反馈。这使他们能够从后果而不是静态数据集中学习。
2.多模态理解：他们处理来自不同来源的信息，例如视觉、声音和物理交互，以建立对环境的整体理解。
3.适应性：LBM 可以实时更新他们的知识和策略。这使得它们具有高度动态性，适用于不可预测的场景。
LBM 如何像人类一样学习
LBM 通过结合动态学习、多模态上下文理解和跨不同领域泛化的能力来促进类人学习。
1.动态学习： 人类不只是记住事实;我们适应新情况。例如，孩子不仅通过记住答案来学习解谜，而且通过识别模式并调整他们的方法。LBM 旨在通过使用反馈循环来完善与世界互动的知识，从而复制这一学习过程。他们无需从静态数据中学习，而是可以在遇到新情况时调整和提高自己的理解。例如，由 LBM 提供支持的机器人可以通过探索来学习导航建筑物，而不是依赖预加载的地图。
2.多模态情境理解： 与仅限于处理文本的 LLM 不同，人类可以无缝地整合视觉、听觉、触觉和情感，以深刻的多维方式理解世界。LBM 旨在实现类似的多模态上下文理解，他们不仅可以理解口头命令，还可以识别您的手势、语气和面部表情。
3.跨域泛化： 人类学习的标志之一是能够将知识应用于各个领域。例如，一个学会开车的人可以很快地将这些知识转移到操作船只上。传统 AI 的挑战之一是在不同领域之间传递知识。虽然 LLM 可以为法律、医学或娱乐等不同领域生成文本，但它们很难在各种上下文中应用知识。然而，LBM 旨在跨领域泛化知识。例如，受过培训帮助做家务的 LBM 可以轻松适应仓库等工业环境中的工作，在与环境互动时学习，而不需要再培训。
大型行为模型的实际应用
尽管 LBM 仍然是一个相对较新的领域，但它们的潜力在实际应用中已经显而易见。例如，一家名为 Lirio 的公司使用 LBM 来分析行为数据并创建个性化的医疗保健建议。通过不断从患者互动中学习，Lirio 的模型调整了其方法，以支持更好的治疗依从性和整体健康结果。例如，它可以查明可能错过服药的患者，并提供及时、激励性的提醒以鼓励依从性。
在另一个创新用例中，丰田与 MIT 和 Columbia Engineering 合作，探索使用 LBM 进行机器人学习。他们的“扩散策略”方法允许机器人通过观察人类动作来获得新技能。这使机器人能够更快、更高效地执行复杂的任务，例如处理各种厨房物品。丰田计划到 1 年底将此功能扩展到 000,2024 多项不同的任务，展示 LBM 在动态、真实环境中的多功能性和适应性。
挑战和道德考虑
虽然 LBM 显示出巨大的前景，但它们也带来了一些重要的挑战和道德问题。一个关键问题是确保这些模型无法从它们训练的数据中模仿有害行为。由于 LBM 从与环境的互动中学习，因此他们可能会无意中学习或复制偏见、刻板印象或不适当的行为。
另一个重要的问题是隐私。LBM 模拟类似人类行为的能力，尤其是在个人或敏感环境中，增加了操纵或侵犯隐私的可能性。随着这些模型越来越多地融入日常生活，确保它们尊重用户自主性和机密性将至关重要。
这些担忧凸显了对明确的道德准则和监管框架的迫切需求。适当的监督将有助于以负责任和透明的方式指导 LBM 的发展，确保其部署造福社会，而不会损害信任或公平。
最后
大型行为模型 （LBM） 正在将 AI 带向一个新的方向。与传统模型不同，它们不仅处理信息，而且学习、适应和行为更像人类。这使得它们在医疗保健和机器人等领域非常有用，在这些领域中，灵活性和背景很重要。
但挑战也存在。如果处理不当，LBM 可能会发现有害行为或侵犯隐私。这就是为什么明确的规则和谨慎的开发如此重要的原因。
通过正确的方法，LBM 可以改变机器与世界交互的方式，使它们比以往任何时候都更智能、更有用。
