|
|
@@ -489,6 +489,63 @@ ELIZA的实践清晰地揭示了符号主义方法的核心矛盾：系统看似
|
|
|
|
|
|
既然现代智能体的核心是大型语言模型，那么深入理解其底层原理便至关重要。下一章将聚焦于大语言模型本身，探讨其基本概念，为后续在多智能体系统中的高级应用打下坚实的基础。
|
|
|
|
|
|
+
|
|
|
+
|
|
|
+## 习题
|
|
|
+
|
|
|
+> <strong>提示</strong>：以下的部分习题没有标准答案，旨在帮助学习者建立对智能体发展历史的系统性理解，并培养"以史为鉴"的技术洞察力。
|
|
|
+
|
|
|
+1. 物理符号系统假说<sup>[1]</sup>是符号主义时代的理论基石。请分析：
|
|
|
+
|
|
|
+ - 该假说的"充分性论断"和"必要性论断"分别是什么含义？
|
|
|
+ - 结合本章内容，说明符号主义智能体在实践中遇到的哪些问题对该假说的"充分性"提出了挑战？
|
|
|
+ - 大语言模型驱动的智能体是否符合物理符号系统假说？
|
|
|
+
|
|
|
+2. 专家系统MYCIN<sup>[2]</sup>在医疗诊断领域取得了显著成功，但最终并未大规模应用于临床实践。请思考：
|
|
|
+
|
|
|
+ > <strong>提示</strong>：可以从技术、伦理、法律、用户接受度等多个角度分析
|
|
|
+
|
|
|
+ - 除了本章提到的"知识获取瓶颈"和"脆弱性"，还有哪些因素可能阻碍了专家系统在医疗等高风险领域的应用？
|
|
|
+ - 如果让现在的你设计一个医疗诊断智能体，你会如何设计系统来克服MYCIN的局限？
|
|
|
+ - 在哪些垂直领域中，基于规则的专家系统至今仍然是比深度学习更好的选择？请举例说明。
|
|
|
+
|
|
|
+3. 在2.2节中，我们实现了一个简化版的ELIZA聊天机器人。请在此基础上进行扩展实践：
|
|
|
+
|
|
|
+ > <strong>提示</strong>：这是一道动手实践题，建议实际编写代码
|
|
|
+
|
|
|
+ - 为ELIZA添加3-5条新的规则，使其能够处理更多样化的对话场景（如谈论工作、学习、爱好等）
|
|
|
+ - 实现一个简单的"上下文记忆"功能：让ELIZA能够记住用户在对话中提到的关键信息（如姓名、年龄、职业），并在后续对话中引用
|
|
|
+ - 对比你扩展后的ELIZA与[ChatGPT](https://chatgpt.com/)，列举至少3个维度上存在的本质差异
|
|
|
+ - 为什么基于规则的方法在处理开放域对话时会遇到"组合爆炸"问题并且难以扩展维护？能否使用数学的方法来说明？
|
|
|
+
|
|
|
+4. 马文·明斯基在"心智社会"理论<sup>[7]</sup>中提出了一个革命性的观点：智能源于大量简单智能体的协作，而非单一的完美系统。
|
|
|
+
|
|
|
+ - 在图2.6"搭建积木塔"的例子中，如果 `GRASP` 智能体突然失效了，整个系统会发生什么？这种去中心化架构的优势和劣势是什么？
|
|
|
+ - 将"心智社会"理论与现在的一些多智能体系统（如[CAMEL-Workforce](https://docs.camel-ai.org/key_modules/workforce)、[MetaGPT](https://github.com/FoundationAgents/MetaGPT)、[CrewAI](https://github.com/crewAIInc/crewAI)）进行对比，它们之间存在哪些关联和不同之处？
|
|
|
+ - 马文·明斯基认为智能体可以是"无心"的简单过程，然而现在的大语言模型和智能体往往都拥有强大的推理能力。这是否意味着"心智社会"理论在大语言模型时代不再适用了？
|
|
|
+
|
|
|
+6. 强化学习与监督学习是两种不同的学习范式。请分析：
|
|
|
+
|
|
|
+ - 用AlphaGo的例子说明强化学习的"试错学习"机制是如何工作的
|
|
|
+ - 为什么强化学习特别适合序贯决策问题？它与监督学习在数据需求上有什么本质区别？
|
|
|
+ - 现在我们需要训练一个会玩超级马里奥游戏的智能体。如果分别使用监督学习和强化学习，各需要什么数据？哪种方法对于这个任务来说更合适？
|
|
|
+ - 在大语言模型的训练过程中，强化学习起到了什么关键性的作用？
|
|
|
+
|
|
|
+7. 预训练-微调范式是现代人工智能领域的重要突破。请深入思考：
|
|
|
+
|
|
|
+ - 为什么说预训练解决了符号主义时代的"知识获取瓶颈"问题？它们在知识表示方式上有什么本质区别？
|
|
|
+ - 预训练模型的知识绝大部分来自互联网数据，这可能带来哪些问题？如何缓解以上问题？
|
|
|
+ - 你认为"预训练-微调"范式是否可能会被某种新范式取代？或者它会长期存在？
|
|
|
+
|
|
|
+8. 假设你要设计一个"智能代码审查助手"，它能够自动审查代码提交（Pull Request），概括代码的实现逻辑、检查代码质量、发现潜在BUG、提出改进建议。
|
|
|
+
|
|
|
+ - 如果在符号主义时代（1980年代）设计这个系统，你会如何实现？会遇到什么困难？
|
|
|
+ - 如果在没有大语言模型的深度学习时代（2015年左右），你会如何实现？
|
|
|
+ - 在当前的大语言模型和智能体的时代，你会如何设计这个智能体的架构？它应该包含哪些模块（参考图2.10）？
|
|
|
+ - 对比这三个时代的方案，说明智能体技术的演进如何使这个任务从"几乎不可能"变为"可行"
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
## 参考文献
|
|
|
|
|
|
[1] NEWELL A, SIMON H A. Computer science as empirical inquiry: symbols and search[J]. Communications of the ACM, 1976, 19(3): 113-126.
|
Tsumugii24