Beyond Recall: Behavioral Specification as an Interpretive Layer for AI Personalization
本文引入了“行为规范”（Behavioral Specification）这一解释层，通过将用户数据压缩为模式，显著提升了人工智能的表征准确性及其与人类意图的一致性，在仅消耗极小上下文成本的情况下实现了接近原始语料库的性能，并区分了解释性理解与简单的事实检索。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个扮演个人助理角色、能代表你做出决策的计算机程序。为了让这种助手真正发挥作用，它必须不仅仅是记住你过去的对话或关于你的事实。它需要理解你是如何思考的。如果你被给予一组事实，你可能会通过自己独特的视角来解读它们，例如对风险的权衡方式不同，或者优先考虑他人可能忽略的价值观。这种内在框架——即特定的人如何处理信息以得出结论的过程——就是研究人员所称的“解释”（interpretation）。目前的人工智能系统在召回事实方面表现出色，但它们往往难以捕捉到这种更深层的个人推理过程。它们可以告诉你发生了什么，但无法可靠地预测你在面对新情况时会如何反应，因为它们缺乏一张描绘你特定思维模式的地图。
一项新研究通过测试一种赋予人工智能“行为规范”（Behavioral Specification）的方法，来解决这一差距。这是一种结构化的文档，作为一个人如何进行推理的总结，并从其自身的文字中提炼而成。研究人员并没有将成千上万页的原始文本喂给计算机，而是创建了一份简洁的指南，捕捉了一个人在判断、价值观和反应中的重复模式。随后，他们测试了向人工智能提供这份指南是否能帮助它预测该个体在从未见过的场景中会如何表现。研究发现，当人工智能获得这份解释性指南时，它预测该个体行为的能力显著提高，特别是对于那些人工智能在其通用训练数据中并不熟悉的个体。这份指南让人工智能从猜测或拒绝回答，转向了做出符合该人真实性格的具体且准确的预测。
研究人员使用十四位历史人物的生平故事进行了这项实验，这些人物涵盖了从古代哲学家到19世纪探险家的广泛范围。他们将每位人物的自传一分为二：一半用于创建“行为规范”——一份大约相当于一篇短篇杂志文章长度的文档，编码了该人物核心的推理习惯；另一半则保持隐藏，用于生成测试问题。随后，人工智能被要求预测这位历史人物会对这些新问题做出何种反应。研究人员比较了人工智能在不同条件下的表现：当它没有任何额外信息时、当它可以使用自传的原始文本时、当它拥有提取的事实列表时，以及当它拥有“行为规范”时。
结果显示出一个清晰的模式。对于人工智能在其通用训练中了解极少的九位历史人物，行为规范带来了巨大的差异。在没有指南的情况下，人工智能往往无法应对问题，或者给出不符合该特定人物特征的通用回答。有了指南后，人工智能的预测能力显著提升，通常是从完全失败转变为对该人可能行为的正确理解。在许多情况下，指南帮助人工智能跨越了从拒绝回答到提供实质性、具有个人特性的响应的门槛。研究发现，这份结构化指南回收了约四分之三的整个原始自传的预测能力，但它仅使用了约二十五分之一的文本量。这意味着，通过阅读指南，人工智能比尝试处理庞大的原始文本能更高效地理解一个人的推理过程。
至关重要的是，研究证明了这种进步源于指南的具体内容，而不仅仅是因为人工智能获得了一份结构化文档。当研究人员给人工智能一份为另一个人编写的指南时，表现就会下降，且人工智能通常能识别出这种不匹配。这证明了该系统学习的是特定个体的推理模式，而非仅仅遵循一个通用的模板。指南在处理需要“解释”的问题（例如决定一个人将如何处理道德困境或复杂的社交情境）时最为有效。而在涉及直接事实的简单问题上，指南有时几乎没有价值，甚至会干扰人工智能，这表明该指南是一个理解性格的工具，而非事实词典的替代品。
研究人员还观察到，指南帮助人工智能停止了“对冲”（hedging）。在没有指南的情况下，人工智能经常拒绝做出预测，声称信息不足。当提供“行为规范”后，人工智能变得更加自信，即使在原始事实稀缺的情况下也能做出具体的预测。这表明，指南为人工智能提供了必要的语境，使其能够信任自己对其人格特征的推理。研究结论指出，要让人工智能真正代表一个人行事，它需要的不仅仅是对那个人说过的话的记忆，更需要对其思考方式的准确呈现。研究人员认为，这种呈现是使人工智能与个人人类推理保持一致的关键，从而让这项技术成为一个人思维的真实延伸，而非仅仅是一个检索信息的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。