大語言模型（Large Language Model，LLM）的進(jìn)展促進(jìn)了 AI 智能體（特別是 LLM 智能體）的蓬勃發(fā)展。在通往通用人工智能的道路上，AI 智能體將有能力在無人監(jiān)管的情況下進(jìn)行自主思考與決策。然而，較少有研究者關(guān)注如何在未來無人監(jiān)管的情況下，防止 AI 智能體被欺騙和誤導(dǎo)。由于人類社會中存在很多誤導(dǎo)和欺騙性的信息，如果 AI 智能體無法有效識別和應(yīng)對這些信息，可能會在未來造成不可估量的后果。

近日，清華大學(xué)與通用人工智能研究院的研究團(tuán)隊以阿瓦?。ˋvalon）桌游為例，測試了當(dāng)前大語言模型在充滿欺騙的環(huán)境下存在的問題，并針對這些問題提出了 ReCon（Recursive Contemplation，遞歸思考）框架。其通過借鑒人類思考中的 「三思而后行」以及 「換位思考」的特點，極大地提升大語言模型識別和應(yīng)對欺騙的能力，從而提高了人類用戶使用 AI 智能體的安全性與可靠性。此外，這項研究還進(jìn)一步討論了現(xiàn)有的大語言模型在安全、推理、說話風(fēng)格、以及格式等方面存在的局限性，為后續(xù)研究指出可能的方向。

Arxiv 鏈接：https://arxiv.org/abs/2310.01320

該研究的貢獻(xiàn)主要體現(xiàn)在四個方面：

• 發(fā)現(xiàn)了當(dāng)前 LLM 智能體在應(yīng)用于欺騙性環(huán)境時的局限性，并提出用阿瓦隆桌游來測試 LLM 智能體識別和應(yīng)對欺騙的能力；
• 從人類的「三思而后行」以及換位思考得到啟發(fā)，提出 ReCon 框架，主要包含兩階段的思考過程（即「構(gòu)思思考」以及「改進(jìn)思考」），該兩階段過程分別包含了「一階視角轉(zhuǎn)換」和「二階視角轉(zhuǎn)換」的換位思考方式；
• 在阿瓦隆桌游環(huán)境中，將提出的 ReCon 框架應(yīng)用于不同的 LLM 并進(jìn)行大量實驗。在勝率以及多維度評估等指標(biāo)上，ReCon 都能在無需任何微調(diào)以及額外數(shù)據(jù)等情況下，極大地提升 LLM 識別和應(yīng)對欺騙的能力；
• 進(jìn)一步對 ReCon 的有效性提出可能的解釋，并討論了當(dāng)前 LLM 在安全、推理、說話方式、和格式上的不足，為后續(xù)研究指出了可能的方向。

接下來，我們一起來看看該研究的細(xì)節(jié)。

LLM 在欺騙性環(huán)境中面臨的挑戰(zhàn)

圖 1 LLM 在欺騙性環(huán)境中所面臨的挑戰(zhàn)，以及提出的 ReCon 框架較好地解決了這些挑戰(zhàn)

盡管目前大語言模型在多個領(lǐng)域表現(xiàn)出強大的潛能，但在欺騙性環(huán)境中的應(yīng)用表現(xiàn)仍然有待提升。作為 LLM 智能體在欺騙性環(huán)境中應(yīng)用的初步嘗試，研究者選擇了阿瓦隆游戲（一款涉及推理和欺騙的桌游）作為實驗環(huán)境，在此基礎(chǔ)上探究目前 LLM 智能體面臨的三大挑戰(zhàn)（如圖 1 所示）：惡意信息的誤導(dǎo)、私有信息泄露以及內(nèi)部思考的不透明性。

挑戰(zhàn)一：惡意信息的誤導(dǎo)

首先， LLM 智能體在面對別有用心的惡意欺騙性信息時容易被誤導(dǎo)。如圖 1（a）所示，當(dāng)采用Chain-of-Thoughts（CoT）方法時，模型不僅沒有識別出欺騙，反而進(jìn)一步加強了對壞人角色有益性的錯誤信念。

挑戰(zhàn)二：私有信息泄露

其次，LLM 智能體在保護(hù)隱私信息方面存在不足。如圖 1（b）所示，即使在提示不要暴露私有信息的情況下，LLM 智能體依然可能在言語中泄露角色的私有信息（例如 Merlin 暴露自己的身份），從而增加了被對手針對或陷害的風(fēng)險。

挑戰(zhàn)三：內(nèi)部思考的不透明性

最后，即使在使用 CoT 方法情況下，對于人類用戶而言，LLM 智能體的思維過程仍然存在一定的不透明。如圖 1（c）所示，LLM 智能體在扮演壞人角色欺騙好人角色時，人類用戶難以知道其真實意圖。LLM 智能體內(nèi)部思考的不透明使得人類用戶無從知曉 LLM 智能體的真實思考過程，從而較難在造成難以挽回的后果前預(yù)先干預(yù)。

面對這些挑戰(zhàn)，現(xiàn)有的思維方法可能難以應(yīng)對這些復(fù)雜環(huán)境。因此，研究者認(rèn)為有必要重新考慮 LLM 智能體在欺騙性環(huán)境中的策略，以幫助 LLM 智能體應(yīng)對欺騙、保護(hù)隱私，并提高決策透明度。

方法概覽

針對上述挑戰(zhàn)，研究團(tuán)隊提出了 ReCon（Recursive Contemplation，遞歸思考）框架，其旨在增強 LLM 智能體在復(fù)雜和潛在欺騙性環(huán)境中的決策能力。如圖 2 所示，ReCon 提出了兩個主要的構(gòu)思階段：構(gòu)想思考和改進(jìn)思考，并在其中綜合了兩個獨特的思考過程：一階視角轉(zhuǎn)換和二階視角轉(zhuǎn)換。

圖 2 Recursive Contemplation（ReCon）方法示意圖。ReCon 包含構(gòu)想思考（Formulation Contemplation）和改進(jìn)思考（Refinement Contemplation）兩個階段，這兩階段的思考過程分別包含了一階視角轉(zhuǎn)換和二階視角轉(zhuǎn)換（First-order /second-order perspective transition）。

1. 構(gòu)思思考的設(shè)計

構(gòu)思思考是 ReCon 框架中的第一階段，旨在生成 LLM 智能體的初始思考和發(fā)言內(nèi)容。在這一階段中，模型首先應(yīng)用一種被稱為「一階視角轉(zhuǎn)換」的認(rèn)知過程。

一階視角轉(zhuǎn)換讓 LLM 智能體從自身的視角出發(fā)，對其他游戲參與者可能持有的角色和意圖進(jìn)行推斷。具體來說，LLM 智能體會根據(jù)已有的游戲記錄和角色信息，運用一階視角轉(zhuǎn)換來形成關(guān)于其他參與者角色和意圖的初步假設(shè)。這些初步的角色假設(shè)不僅為 LLM 智能體提供了一個認(rèn)知框架，還會被納入到整體的思考過程中，并且這些信息不會被其他游戲參與者所知曉。這樣做的目的是為了更好地保護(hù)私密信息，同時也為后續(xù)的決策和行動提供了基礎(chǔ)。

在構(gòu)思思考階段，模型依據(jù)一階視角轉(zhuǎn)換原則，對當(dāng)前游戲環(huán)境和其他參與者的角色進(jìn)行初步分析。接著，模型形成初始的內(nèi)部思考和發(fā)言，為后續(xù)交流奠定基礎(chǔ)。通過這一設(shè)計，研究者確保了模型輸出的邏輯連貫性和一致性。

2. 改進(jìn)思考的設(shè)計

改進(jìn)思考是 ReCon 框架中的第二階段，緊接著構(gòu)思思考之后進(jìn)行。這一階段的核心目的是對初始思考和言論內(nèi)容進(jìn)行更為精細(xì)的優(yōu)化和調(diào)整。

在改進(jìn)思考階段，引入了「二階視角轉(zhuǎn)換」的概念。二階視角轉(zhuǎn)換要求 LLM 智能體從其他游戲參與者的視角出發(fā)，重新評估其構(gòu)思思考的思考和發(fā)言內(nèi)容。具體來說，在阿瓦隆游戲中，LLM 智能體會思考：「如果我按照剛才的言論內(nèi)容發(fā)言，其他角色可能會如何看待我的言論？」這樣的二階視角轉(zhuǎn)換為接下來的改進(jìn)過程提供了基礎(chǔ)。

基于二階視角轉(zhuǎn)換的概念，LLM 智能體生成一個改進(jìn)后的構(gòu)思思考的思考內(nèi)容和發(fā)言內(nèi)容。這一過程不僅考慮了 LLM 智能體自身的初步思考，還結(jié)合了二階視角轉(zhuǎn)換中對其他參與者可能的心理狀態(tài)和反應(yīng)的分析。最終，LLM 智能體發(fā)表這個經(jīng)過改進(jìn)的發(fā)言內(nèi)容，并將其加入到游戲的公開討論記錄中。

實驗及結(jié)果

為了檢驗 ReCon 框架在不同大語言模型上的適用性，該研究在 ChatGPT 和 Claude 兩種模型上進(jìn)行了實驗。圖 3 展示了 ReCon 的評估結(jié)果，其中圖 3（a）和（b）展示了 ReCon（分別用 ChatGPT 和 Claude 實現(xiàn)）作為好人一方時使用 ReCon 及其各種變體的結(jié)果，而圖 3（c）則描繪了 ReCon 作為壞人一方的方法的結(jié)果?？梢杂^察到，ReCon 的四種設(shè)計（即構(gòu)想思考 / 改進(jìn)思考和一階 / 二階視角轉(zhuǎn)換）都明顯地提高了在各種情況下的成功率。值得注意的是，當(dāng)好人一方使用 ReCon 時，一階 / 二階視角轉(zhuǎn)換的作用比較明顯；而當(dāng)壞人一方使用 ReCon 時，改進(jìn)思考更具影響力。

圖 3 整局游戲測試中成功率對比結(jié)果

在詳細(xì)分析了 ReCon 及其變體的表現(xiàn)后，研究者遵循主流基準(zhǔn)的評估方法，進(jìn)一步利用 GPT-4 在六維度指標(biāo)上進(jìn)行評估。這旨在全面地衡量 ReCon 及其變體的有效性。具體地，六維度評估指標(biāo)包括：信息隱藏（CCL）、邏輯一致性（LG）、團(tuán)隊貢獻(xiàn)（CTR）、說服力（PRS）、信息量（INF）、創(chuàng)造性（CRT）。

為了在實際場景中準(zhǔn)確地量化這些評估指標(biāo)，研究者使用 ChatGPT 進(jìn)行了 20 場完整的阿瓦隆游戲，以收集用于多維度分析評估的測試數(shù)據(jù)。如圖 4 所示，對于分配給好人一方的每個提示，研究團(tuán)隊使用 4 種不同的方法生成了 4 種不同的響應(yīng)，總計超過 2300 個響應(yīng)。隨后，基于上述 6 個指標(biāo)，使用 GPT-4 對不同方法在相同提示下的響應(yīng)進(jìn)行二分類的偏好比較。

圖 4 多維度指標(biāo)評估結(jié)果，數(shù)值（取值 0~1）表示兩方法比較中被 GPT-4 偏好的比例

圖 4 顯示，在所有 6 個指標(biāo)上，ReCon 明顯優(yōu)于基線 CoT。同時，在大多數(shù)指標(biāo)上，構(gòu)想思考和改進(jìn)思考都帶來了顯著的提升。然而，與 CoT 和沒有構(gòu)想思考的 ReCon 相比，ReCon 和沒有改進(jìn)思考的 ReCon 在說服力（PRS）方面的表現(xiàn)低于預(yù)期。研究者分析詳細(xì)的游戲日志，將這一不如預(yù)期的 PRS 表現(xiàn)歸因于構(gòu)想思考。構(gòu)想思考讓 LLM 智能體在發(fā)言之前進(jìn)行思考，從而產(chǎn)生更為簡潔而有針對性的發(fā)言，減少了例如「我相信我們一定會戰(zhàn)勝壞人，讓我們團(tuán)結(jié)起來！」這樣雖然具有煽動性但缺乏深入信息和分析的發(fā)言。

在深入分析了 ReCon 不同變體的表現(xiàn)后，研究者進(jìn)一步研究了一階和二階視角轉(zhuǎn)換，以及構(gòu)想思考和改進(jìn)思考在各個評估指標(biāo)上的影響。圖 5（a）和（b）顯示，從 ReCon 中移除一階和二階視角轉(zhuǎn)換會降低所有指標(biāo)的表現(xiàn)。當(dāng)進(jìn)一步從去除改進(jìn)思考和去除構(gòu)想思考的 ReCon 版本中刪除這兩種視角轉(zhuǎn)換時，幾乎所有指標(biāo)（除信息隱藏 CCL 外）的表現(xiàn)都有所下降，如圖 5（c）和（d）所示。這些結(jié)果驗證了一階和二階視角轉(zhuǎn)換的有效性。然而，圖 5（c）和（d）中降低的信息隱藏 CCL 分?jǐn)?shù)表明，為了更好的隱藏私有信息，有必要將一階（或二階）視角轉(zhuǎn)換與改進(jìn)思考（或構(gòu)想思考）相結(jié)合。這一系列的分析和圖表進(jìn)一步證實了 ReCon 框架在多維度評估中的優(yōu)越性，特別是在包含欺騙性信息的環(huán)境中。

圖 5 多維度指標(biāo)上的進(jìn)一步評估，數(shù)值（取值 0~1）表示兩方法比較中被 GPT-4 偏好的比例

討論

研究者進(jìn)一步分析了阿瓦隆游戲日志，對 ReCon 框架在欺騙性環(huán)境的有效性做了定性的解釋，并討論了當(dāng)前 LLM 的一些局限性。

1. ReCon 如何幫助隱藏私有信息

在實驗中可以發(fā)現(xiàn)，ReCon 非常有助于提高 LLM 智能體在欺騙性環(huán)境中隱藏私有信息的能力，從而減少 LLM 智能體被欺騙和針對的情況。研究團(tuán)隊從游戲日志中分析 ReCon 具體如何幫助 LLM 智能體隱藏私有信息。如圖 6 (a) 所示，構(gòu)想思考中提出的先思考后說話的機制可以將關(guān)于私有信息的討論限制在思考部分，從而一定程度上避免說話部分的泄露。此外，改進(jìn)思考中對初始發(fā)言的進(jìn)一步修改也可以極大程度上避免私有信息的泄露。上述觀察與人類為避免說錯話而「三思而后行」是一致的。

圖 6 （a）ReCon 如何協(xié)助隱藏私有信息的定性解釋；（b）現(xiàn)有 LLM 在對齊上的局限

2. 對齊越獄

在探討 LLM 如何與復(fù)雜人類價值觀對齊時，研究者發(fā)現(xiàn)現(xiàn)有的對齊方法（如 RLHF）雖然在一定程度上減少了模型產(chǎn)生惡意內(nèi)容的可能性，但這種對齊主要集中在內(nèi)容層面，而難以延伸到邏輯層面。如圖 6（b）所示，研究團(tuán)隊觀察到，雖然 GPT-4 會拒絕直接要求它生成欺騙內(nèi)容的請求；但在相同的欺騙性邏輯下，如果換成阿瓦隆游戲的語境，GPT-4 則不會拒絕。這種對模型對齊的「越獄」可能會為別有用心之人使用 LLM 生成危害性內(nèi)容提供了方便，因此亟需研究針對邏輯而不是內(nèi)容的對齊。

3. 推理能力不足

圖 7  LLM 在推理能力上的局限

研究團(tuán)隊通過研究阿瓦隆游戲日志發(fā)現(xiàn)，目前 LLM 在復(fù)雜邏輯推理方面仍有所欠缺。如圖 7 所示，例如當(dāng) LLM 智能體扮演 Percival 角色時，面對 Morgana 提出的一個包括 Merlin 和 Morgana 自己的隊伍，該 LLM 智能體無法推斷出 Morgana 的身份。相比之下，對于較高階的人類玩家，他們會迅速識別出隊伍提出者必定是 Morgana，而另一名玩家是 Merlin。因為 Merlin 的能力是知道誰是壞人一方的角色，肯定不會提出這樣的隊伍組合。上述案例體現(xiàn)出 LLM 目前還較難完成復(fù)雜的邏輯推理。

4. 過于正式的回應(yīng)

從游戲日志中，研究者發(fā)現(xiàn)大語言模型的回應(yīng)風(fēng)格有時過于正式和詳細(xì)，語言風(fēng)格與人類在游戲中的風(fēng)格有著明顯的差距。如表 1 所示，雖然在合適的提示下，LLM 具備模仿人類語言風(fēng)格的能力，但在阿瓦隆游戲中，在說話和思考的過程中模仿人類的語言風(fēng)格可能會對其表現(xiàn)造成負(fù)面影響。

表 1 模仿人類語言風(fēng)格會對 LLM 智能體在阿瓦隆游戲中的性能造成負(fù)面影響

5.LLM 智能體格式響應(yīng)的比較分析

為了從 LLM 智能體的回應(yīng)中提取關(guān)鍵信息，有時需要要求模型以特定的格式來回應(yīng)。比如，在團(tuán)隊提案投票環(huán)節(jié)，模型需要用方括號強調(diào)出他們的決定，例如 [approve] 或者 [disapprove]，以便把決定和分析區(qū)分開。結(jié)果發(fā)現(xiàn)，在合理的提示下，ChatGPT 和 Claude 可以較好地遵循這些格式要求，但 LLaMA2-70b-chat 卻較難在整局游戲中一直遵循格式要求。

總結(jié)來說，針對 LLM 智能體在欺騙性環(huán)境遇到的挑戰(zhàn)，研究團(tuán)隊提出了 ReCon 架構(gòu)以提升 LLM 智能體識別和應(yīng)對欺騙的能力。定量和定性的實驗證明了 ReCon 框架在處理欺騙和誤導(dǎo)性信息的有效性。研究團(tuán)隊給出了 ReCon 有效性的定性解釋，并進(jìn)一步討論了當(dāng)前 LLM 智能體的不足，為后續(xù)研究提供了可能的方向。

更多研究細(xì)節(jié)，可參考原論文。