From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps
Dit artikel presenteert een overzicht op mechanistisch niveau dat historische cognitieve architecturen en moderne taalagenten overbrugt door hun controle-semantiek te reconstrueren om onafhankelijke convergentiepatronen te identificeren en een falsifieerbare agenda voor te stellen voor het aanpakken van vijf kritieke hiaten in de koppeling van adaptieve mechanismen zoals geheugen, planning en middelenbeheer.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot bouwt die kan denken, plannen en problemen kan oplossen. In de wereld van kunstmatige intelligentie wordt zo'n robot een "agent" genoemd. Een lange tijd hebben wetenschappers geprobeerd deze agenten slimmer te maken door ze "geheugen" te geven om dingen te onthouden, "planningsvaardigheden" om stappen uit te stippen, en "gereedschap" om met de wereld te interageren. Denk erbij aan het geven van een notitieblok, een kalender en een set schroevendraaiers aan een student. Maar hier zit de lastige kant aan: alleen al het hebben van deze items betekent niet dat de student weet hoe hij ze samen moet gebruiken. Je hebt misschien een notitieblok, maar als je niet weet wanneer je erin moet schrijven of hoe je een pagina omslaat als je vastloopt, sta je nog steeds stil.
Onlangs is er een nieuwe golf van AI-agents opgekomen, aangedreven door enorme taalmodellen (het soort dat kan chatten en verhalen kan schrijven). Deze nieuwe agents zijn ongelooflijk bekwaam, maar ze voelen vaak aan als een verzameling coole gadgets die in een doos zijn gegooid zonder een duidelijke handleiding over hoe de gadgets met elkaar communiceren. Wetenschappers hebben teruggekeken naar oude, klassieke blauwdrukken voor "denkende machines" van de afgelopen veertig jaar om te zien of die oudere ontwerpen kunnen helpen bij het organiseren van deze nieuwe, chaotische gadgets. De grote vraag is: hebben de nieuwe AI-agents per ongeluk dezelfde slimme trucjes uitgevonden als de oude blauwdrukken, of hebben ze er echt van geleerd? En nog belangrijker: ontbreken er cruciale "lijm"-onderdelen die voorkomen dat het hele systeem perfect werkt?
Dit artikel is als een enorme detectiveverhaal waarin de auteurs optreden als forensisch ingenieurs. Ze hebben tien beroemde, oude blauwdrukken van "denkende machines" vergeleken met achtenveertig moderne, hoogtechnologische AI-systemen. In plaats van alleen naar de labels te kijken — zoals zeggen "dit heeft geheugen" en "dat heeft geheugen" — hebben ze onder de motorkap gekeken om precies te zien hoe de tandwielen draaiden. Ze wilden weten: als de AI vastloopt, pauzeert hij dan echt en denkt hij anders na, of blijft hij gewoon gokken? Wanneer de AI een nieuwe truc leert, slaat hij die truc dan op een manier op zodat hij die later kan gebruiken, of vergeet hij het?
De auteurs ontdekten dat moderne AI-agents verrassend goed zijn in het doen van veel van de moeilijke dingen die de oude blauwdrukken beschreven. Ze hebben ontdekt hoe ze hun geheugen kunnen aanpassen, fouten kunnen herstellen en zelfs het juiste team van gereedschappen voor een klus kunnen kiezen. Sterker nog, ze ontdekten dat voor een specifieke set vaardigheden (genaamd "skill governance"), een modern systeem genaamd GraSP al een volledige, werkende versie van het oude idee heeft gebouwd. Het is alsof je een moderne auto vindt die het motorontwerp uit een blauwdruk uit de jaren 1970 al perfect heeft geperfectioneerd.
Echter, het artikel onthult ook dat het verhaal nog niet af is. Hoewel de individuele onderdelen aanwezig zijn, ontbreeft vaak de "lijm" die ze bij elkaar houdt. De auteurs identificeerden vijf specifieke gebieden waar de moderne agents nog steeds een beetje wankel zijn. Ze hebben bijvoorbeeld misschien een geweldig geheugensysteem en een geweldig planningsysteem, maar ze hebben geen regel die het geheugensysteem precies vertelt hoe het gedrag moet veranderen op basis van hoe nuttig het plan is gebleken. Het is alsof je een briljante bibliothecaris en een briljante architect hebt, maar niemand die de bibliothecaris vertelt welke boeken hij uit de kast moet pakken om de architect te helpen het huis af te maken.
De auteurs zeggen niet dat de oude blauwdrukken het enige antwoord zijn, noch zeggen ze dat de nieuwe AI kapot is. In plaats daarvan suggereren ze dat de toekomst van AI niet gaat over het bouwen van een volledig nieuwe machine vanaf nul, maar over het zorgvuldig verbinden van deze bestaande, krachtige onderdelen. Ze stellen een "to-do lijst" voor van vijf specifieke verbindingen die wetenschappers als volgende moeten proberen te bouwen. Als we deze verbindingen kunnen bouwen, kunnen we eindelijk AI-agents krijgen die niet alleen slim lijken, maar die ook echt denken, leren en zich aanpassen op een manier die menselijk aanvoelt. Het artikel concludeert dat hoewel we enorme stappen hebben gezet, de echte magie gebeurt in de ruimtes tussen de onderdelen, en dat is waar de volgende grote doorbraken waarschijnlijk vandaan zullen komen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.