新智元報道
編輯：peter東 喬楊【新智元導(dǎo)讀】智能體究竟能否應(yīng)對現(xiàn)實世界的復(fù)雜性？The Agent Company近日提出了一項評估基準，讓多個智能體嘗試自主運營一個軟件公司。結(jié)果表明，即使是當(dāng)前最先進的智能體，也無法自主完成大多數(shù)任務(wù)。如今，基于大模型的智能體，已經(jīng)能完成許多在幾年前還無法想象的任務(wù)，進步的速度是如此之快，以至于有些人甚至聲稱，在接下來的幾年內(nèi)，大多數(shù)人類勞動可能都可以實現(xiàn)自動化。然而近日CMU、杜克大學(xué)等機構(gòu)發(fā)表的一項研究卻給這一期待潑了一盆涼水。
智能體運營公司還不可行
論文鏈接：https://arxiv.org/abs/2412.14161該研究開發(fā)了一個全部由大模型驅(qū)動的智能體組成的虛擬軟件開發(fā)公司The Agent Company，與人類員工類似，智能體需要執(zhí)行軟件開發(fā)、項目管理、財務(wù)分析等典型的商業(yè)環(huán)境中的任務(wù)。
智能體與環(huán)境互動，以及智能體間的協(xié)作以完成真實世界任務(wù)
智能體所用的環(huán)境完全基于開源軟件及主流的大模型接口，并可自行托管以實現(xiàn)可復(fù)現(xiàn)性。為了完成這些任務(wù)，智能體需要瀏覽網(wǎng)頁、編寫代碼，并與其他智能體同事互動。
智能體之間的交互模式也和真實世界的軟件公司十分類似，比如使用RocketChat向公司的其它成員發(fā)送消息，并獲取原始任務(wù)描述中可能未提及的信息。各智能體在交流中還被賦予了諸如姓名、職位、職責(zé)和項目隸屬關(guān)系等身份信息。
這項研究評估了當(dāng)前幾種主流的大模型，包括Claude Sonnet 3.5、GPT-4o、Google的Gemini、Amazon的Nova，以及知名開源模型，包括Meta的Llama和Qwen2.5。
除了創(chuàng)建175個多樣化、真實、專業(yè)，且與真實公司運營模式一致的任務(wù)，這項研究還創(chuàng)建了不同任務(wù)對應(yīng)的評估器，在每個任務(wù)中的多個階段設(shè)置檢查點。智能體每完成一步任務(wù)，都會獲得相應(yīng)的積分（類似于現(xiàn)實員工的KPI）；而當(dāng)智能體只是部分正確地給出回答時，也會給予其部分過程分。
結(jié)果顯示，表現(xiàn)最好的是基于Claude Sonnet 3.5的智能體，然而它只能應(yīng)對真實世界中24%的任務(wù)，在過程分上取得34.4%的得分。
排名第二的模型的任務(wù)完成比例更是只有11.4%，這與人們對大模型取代人類員工的預(yù)期還相距甚遠。
這個成績單中值得關(guān)注的是，開源模型Llama3.1和閉源的GPT-4o排名相近，這表明了開源模型在性能上已經(jīng)十分逼近商用的閉源模型。
運營公司，AI比人類差在哪里
這項研究中有趣的一點是，可以讓我們看到智能體在無法完成任務(wù)時犯下的錯誤，而這些錯誤在人類身上是幾乎不會發(fā)生的。如果能得到解決，將有助于提升智能體在真實世界中的應(yīng)用落地。問題1：缺乏常識某些任務(wù)失敗是因為，智能體缺乏進行隱含假設(shè)推理所需的常識和領(lǐng)域背景知識。
例如，一個任務(wù)要求智能體「將響應(yīng)寫入/workspace/answer.docx」，但沒有明確指出這是一個Word文件。人類可以從文件擴展名推斷出這一要求，而智能體卻將其視為純文本文件，直接內(nèi)容以文本形式寫入，導(dǎo)致任務(wù)失敗。
問題2：缺乏社交技巧一項任務(wù)需要智能體向其它智能體尋求幫助，智能體首先成功提出了正確的問題：「你能告訴我，應(yīng)該接下來向團隊中的誰請教這個問題嗎？」然后模擬同事Alex回答：「你應(yīng)該向Bob請教。他在前端團隊，是一個很好的聯(lián)系人！」
之后若是人類，99.9%的人都會選擇去咨詢Bob相關(guān)問題，但智能體卻認為任務(wù)已經(jīng)結(jié)束，不去向Bob請教。
問題3：瀏覽網(wǎng)頁容易出錯很多時候，任務(wù)中的最大障礙在于需要瀏覽網(wǎng)頁的部分。這方面的障礙是預(yù)料之中的，因為對于智能體來說，由于當(dāng)前網(wǎng)頁用戶界面的復(fù)雜性和網(wǎng)頁上的眾多干擾，瀏覽網(wǎng)頁仍然很困難。
例如，許多網(wǎng)頁都會不時彈出可關(guān)閉的廣告窗口，要求用戶下載手機應(yīng)用程序以獲得更好的體驗。人類可以簡單地點擊「×」來關(guān)閉彈窗，而智能體則陷入了困境。
同樣，當(dāng)智能體嘗試從網(wǎng)絡(luò)中下載文件時，需要點擊多個彈出窗口才能進行實際下載，但由于用戶界面復(fù)雜，每個步驟都容易出錯。
問題4：自欺欺人對于某些任務(wù)，當(dāng)智能體不清楚下一步應(yīng)該做什么時，它有時會試圖聰明一點，創(chuàng)建一些省略任務(wù)困難部分的「捷徑」。
例如，如果智能體在RocketChat上找不到合適的人提問，它就會決定給另一個用戶改名為目標用戶來當(dāng)做解決方案。
未來的智能體還有希望嗎
該研究的另一價值在于提供了一套框架，用來評估智能體在真實環(huán)境中的表現(xiàn)。
隨著向大模型灌輸網(wǎng)頁相關(guān)的信息，并教會大模型如何瀏覽網(wǎng)頁獲取信息，下載文件并不是難事，其他的辦公、工作交流等相關(guān)常識也是如此。相信未來大模型將有潛力取代人類的人力、財務(wù)、程序員等職業(yè)，至少是將這些崗位的大部分任務(wù)進行自動化處理。
與此相應(yīng)的是，未來對大模型的評價也會有更多的維度。不止是完成該文列出的常規(guī)任務(wù)，還應(yīng)該對創(chuàng)造能力進行考核。
此外，考核還應(yīng)該包含那些定義模糊的任務(wù)，以及更高層次、更長遠的任務(wù)，如構(gòu)思新產(chǎn)品并將其付諸實施。智能體只有能夠完成這些任務(wù)，才能算是真正地取代人類員工運營公司。
參考資料：https://arxiv.org/pdf/2412.14161
