From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps
本文通过重构控制语义，在连接历史认知架构与现代语言智能体之间建立了一种机制层面的综述，旨在识别独立的收敛模式，并针对解决记忆、规划和资源治理等自适应机制耦合中的五个关键差距，提出一个可证伪的研究议程。
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
想象一下，你正在建造一个能够思考、规划和解决问题的机器人。在人工智能的世界里，这种机器人被称为“智能体”（agent）。长期以来，科学家们一直试图通过赋予它们记忆（用来记住事物）、规划能力（用来规划步骤）和工具（用来与世界互动）来让这些智能体变得更聪明。这就像是给一名学生一本笔记本、一个日历和一套螺丝刀。但棘手的部分在于，仅仅拥有这些物品并不意味着学生知道如何将它们结合使用。你可能有一本笔记本，但如果你不知道何时该在上面记录，或者在遇到困难时如何翻页，你仍然会陷入困境。
最近，随着由大型语言模型（那种可以聊天和写故事的模型）驱动的新型 AI 智能体涌现，出现了一股新浪潮。这些新的智能体能力极其强大，但它们往往感觉像是一个装满了酷炫小玩意儿的盒子，却缺少一份关于这些小玩意儿如何相互通信的清晰说明书。科学家们开始回顾过去四十年里经典的“思维机器”蓝图，看看这些旧设计是否能帮助组织这些现代且混乱的小玩意儿。核心问题在于：新的 AI 智能体是无意中发明了与旧蓝图相同的聪明技巧，还是真的向它们学习了？更重要的是，是否缺少了一些关键的“胶水”部件，导致整个系统无法完美运行？
这篇论文就像是一个宏大的侦探故事，作者扮演着取证工程师的角色。他们选取了十个著名的旧式“思维机器”蓝图，并将其与四十二个现代高科技 AI 系统进行了对比。他们并没有仅仅停留在标签层面——比如简单地说“这个有记忆”或“那个有记忆”——而是深入观察内部，查看齿轮究竟是如何转动的。他们想知道：当 AI 陷入困境时，它是否真的会停下来进行不同的思考，还是只是在不停地瞎猜？当它学会一个新技巧时，它是以一种以后可以再次使用的方式保存这个技巧，还是会将其遗忘？
作者发现，现代 AI 智能体在完成许多旧蓝图所描述的困难任务方面表现得惊人地出色。它们已经学会了如何调整自身的记忆、从错误中恢复，甚至能为一项工作挑选出最合适的工具团队。事实上，他们发现对于一项特定的技能集（称为“技能治理”，skill governance），一个名为 GraSP 的现代系统已经构建出了一个完整且可运行的旧方案版本。这就像是发现一辆现代汽车已经完美实现了 1970 年代蓝图中的引擎设计。
然而，论文也揭示了故事尚未结束。虽然各个独立的部件都存在，但将它们粘合在一起的“胶水”往往是缺失的。作者确定了现代智能体在五个特定领域仍然有些摇摆不定。例如，它们可能拥有优秀的记忆系统和优秀的规划系统，但却缺乏一条规则来告诉记忆系统，根据计划的效果究竟应该如何改变其行为。这就像是拥有一位卓越的图书管理员和一位卓越的建筑师，却没有人告诉图书管理员应该从书架上取下哪些书来帮助建筑师完成房屋建设。
作者并不是说旧蓝图是唯一的答案，也不是说新的 AI 有缺陷。相反，他们建议 AI 的未来不在于从零开始建造一台全新的机器，而在于仔细连接这些现有的、强大的部件。他们提出了一个包含五个特定连接点的“待办事项清单”，建议科学家们下一步尝试去构建这些连接。如果我们能够建立这些连接，我们或许最终能得到那些不仅仅是看起来聪明，而且真正能像人类一样思考、学习和适应的 AI 智能体。论文总结道，尽管我们已经取得了巨大的进步，但真正的魔力存在于部件之间的空间里，而那正是下一个重大突破可能发生的地方。
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。