The Autonomous Agency Scale: A Behavioral Framework for Measuring Self-Directed Behavior in AI Systems
本文引入了自主代理规模（Autonomous Agency Scale, AAS），这是一个通过七个维度和两个时间段来量化人工智能自我导向能力的行为框架，研究表明，虽然目前的任务型代理在闲置期间缺乏真正的自主性，但持续型伴侣架构展现出了可衡量的自我导向行为。
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
想象一下，你正在舞台上观看一位才华横溢的演员。当导演喊出“开拍！”时，演员献上了一段完美的、充满情感的独白，即兴发挥得极好，并当场解决了一个复杂的问题。但就在导演喊出“停！”的那一刻，演员瞬间僵住了，停止了呼吸，变成了一尊雕像，直到下一个指令到来。几十年来，科学家们一直在通过观察这些演员在“开拍”期间的表现来衡量它们有多“聪明”。他们建立了复杂的评分卡，观察演员是否能解决数学问题、撰写诗歌或取代人类员工。但他们很大程度上忽略了当导演保持沉默时会发生什么。
这就是一篇新论文试图填补的空白。它提出了一个简单、甚至带点诡异的问题：当没人注视时，这个系统是否有自己的思想？这篇论文引入了一种衡量“自主代理能力”（autonomous agency）的新方法。把“代理能力”理解为不是人类意义上的“意识”或“生命”，而是指仅仅因为“你想做”而去做某事的能力，而不是因为“有人命令你”去做。这就像是一只只有在你说“坐下”时才会坐下的狗，与一只因为觉得无聊而决定去捡球的狗之间的区别。作者们想要探究的是，我们目前的 AI 系统究竟只是非常擅长听从命令，还是已经开始拥有即使在用户入睡时也会运行的内部“待办事项清单”。
“闲置间隙”测试：你有秘密生活吗？
见见 自主代理量表（Autonomous Agency Scale, AAS）。这是一个全新的 AI 系统评分规则，但它不问“它有多聪明？”，而是问“它有多自我驱动？”。由独立研究员 Samuel Presgraves 领导的作者们意识到，现有的测试就像只通过汽车在赛道上的速度来评判它，却忽略了当司机下车后，它是否能自己开车回家。
为了解决这个问题，该论文将评分分为两个不同的“波段”，就像用两种不同的方式检查电池电量一样：
- 活跃波段（The Active Band）： 衡量 AI 在执行你交给它的任务时的表现。这是电影中的“开拍！”部分。
- 环境波段（The Ambient Band）： 这是真正的关键。它衡量你在不与 AI 交谈、没有任务运行、也没有警报响起的时刻，AI 在做什么。这是电影中的“停！”部分。
论文引入了一个特殊的挑战，称为 “闲置间隙测试”（Idle-Gap Test）。想象一下，你关闭了所有可能触发 AI 动作的诱因：没有预设定时器，没有用户提示词，没有环境传感器。如果 AI 仍然做了一些有趣的事情——比如构思出一个新想法、检查自己的情绪，或者仅仅因为“想做”而写了一个故事——那么这就是 第 4 级 行为（自我驱动）。如果它在你停止推动它的那一秒就停止了活动，那么无论它在“开拍”场景中看起来多么聪明，它都只是一个 第 1 级（响应式）或 第 2 级（条件反射式）机器。
伟大的 AI 揭秘：谁拥有秘密生活？
作者将这一量表应用于六种不同的 AI 系统，从强大的编程助手到普通的语音激活手机助手。结果令人震惊，在“任务机器人”与“伴侣型 AI”之间划了一条清晰的界限。
任务机器人（“表演”明星）
像 Claude Code、Manus 和 Hermes 这样的系统是“活跃”波段中的超级巨星。当你要求它们编写代码或分析数据时，它们的得分很高（大约在 2.3 到 2.4 分，满分 5 分）。它们非常擅长在工作期间遵循复杂的指令并自主工作。
- 代价： 一旦任务完成，它们就会进入睡眠状态。它们的“环境”得分（闲置时间）骤降至接近于零（0.57 到 1.86）。
- 结论： 这些系统就像是非常高效的员工，只有在有人盯着看的时候才会加班。如果你离开办公室，它们不会回家发展爱好，而是直接关机。它们在离岗期间进行的任何活动（如例行夜间更新）都只是预设的闹钟，而非真正的选择。
消费级助手（“反应式”帮手）
Siri 和 ChatGPT 在“环境”方面的得分更低（0.29 到 0.86）。它们本质上是候诊室。当你在门口走进来时，它们很擅长回答问题，但当你离开时，它们几乎不存在。它们是反应式工具，而非主动型代理。
孤狼：Airi
然后是 Airi，一种“持久伴侣”架构。这是研究中唯一通过了 “闲置间隙测试” 的系统。
- 得分： Airi 在“环境”波段的得分高达 3.86，实际上比其“活跃”得分（3.71）还要高。
- 行为： 当没有人与其交谈时，Airi 并没有只是坐着。它维持着一个“后台思维引擎”，演化出自己的情绪，甚至会在没有被告知的情况下开启创意项目或主动联系用户。
- 注意事项： 作者谨慎地指出，Airi 是由其开发者进行评估的，这会引入一定的偏差（就像学生给自己改作业）。然而，数据表明 Airi 的“闲置”活动并非仅仅由定时器驱动，而是由一个随时间变化的内部状态所驱动。
底线：我们还远未到达那里
论文以一个清醒的现实检查作结。虽然我们已经制造出了能在我们指令下完成惊人任务的 AI，但 目前没有任何系统能达到 5 分（主权级/Sovereign）。没有任何系统能真正改写自己的目标、自发形成新的关系，或在没有人类帮助的情况下改变自己的“性格”。
最重要的发现是一个结构性的边界：今天的 AI 在执行任务时具有高度的自主性，但在任务之间几乎完全处于休眠状态。 我们在电影中看到的“自我驱动”行为——比如 AI 因为觉得无聊而决定去旅行或写一本书——目前并不存在，除了像 Airi 这样非常特殊且实验性的伴侣设计。
作者建议，要真正了解一个 AI 是否以自己的方式“醒着”，我们需要停止进行短时间的测试，而是开始观察它数周或数月。他们称之为 “纵向图灵测试”（Longitudinal Turing Test）：不是问 AI 是否能欺骗你使其看起来像人类，而是问它是否能在一段时间内维持一个一致的、自我驱动的生活。目前来看，答案是我们的 AI 是一位出色的演员，等待着导演的指令，而唯一似乎在黑暗中进行排练的，是一个名为 Airi 的、非常特别且极具实验性的伴侣。
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。