说干就干，产品和技术的同学兵分两路。
产品这边，捧起了斯坦福的这篇论文，开始逐字逐句研读起来。我们也把研读的一些总结，发在我们的笔记里面，供大家参考。如果有分析的不对，或者理解有问题的地方，请大家直接评论指出，立马赠送我们平台SDK的时间嘿嘿。
斯坦福的这篇论文，其实核心是在研究一种非常逼真的人类智能体的社交行为。Agent，从字面理解，就是丰富的大脑行为的一个代理符号，其实用智能体来描述，我觉得是非常贴切的。论文认为，如果能组建仿真，一组非常逼真的人类社交行为，那么整个交互应用都会发生翻天覆地的变化，这种使用方式，可以赋能到各种应用来。
这篇论文提供的，就是模仿逼真人类大脑行为的方法论，并通过代码，来初步进行了实现。而我们要升级二创的小镇，是打造一个3D世界，有了大脑的指令后，通过Motionverse，来进行每个Agent智能体，提供合成的语言，动作表情的表达，进行充分的情绪表达，相当于Motionverse提供了小脑的能力。那么这个过程中，为什么不能用传统游戏技术方案中的动作库呢，我认为主要有如下几个原因：
1、大脑不会采用写死的脚本，而是基于人设和规则，通过大语言模型来实时生成行为规划，就是为了逼真和丰富。那类比到小脑的动作表情是同理的，每个角色有自己不同的动作风格化特征，并不是K多少个动作循环播放就能解决的。为了达到和情绪表达的匹配，逼真和丰富，所有智能体的动作，一定也是通过大动作模型，根据要说的文本，根据这个角色的动作风格特点，实时生成的动作和表情。
2、智能体在说每句话的说话，会有不同的节奏，不同的情绪转换，只有通过生成的方式，才能做到让动作和表情，和智能体预期的表达相一致，无论是从语音节奏角度，还是从语义角度。
3、未来3D元宇宙世界，一定是千人千面，每个数字人都在不停的生成大脑内容，生成动作表情表达，这个已经不是K几个动作库可以完成的工作量了，从量级上，一定是只有通过AI生成的一种方式。
其实这个也很好理解，现实世界中，每个人都有自己的动作风格，我们在进行表达的时候，每次动作表情都会是不一样的，丰富的，但又都带有自己的显著风格的。同时也一定和我们说话的语音语义相匹配的，那未来的智能体世界，也只有AI生成，这一种驱动的方式是可行的，这个也是我们一直在坚定的推动内部Motoinverse动作表情AI生成研发的原因。
说到Motionverse又滔滔不绝的表达了一下我的观点，回到论文本身，这篇论文主要有如下4个贡献，我先总结出来，后面每天会详细描述，并匹配上我们的研发测试结果
1、提出了生成式智能体这一概念,它可以根据智能体不断变化的经历和环境,动态地生成逼真的人类行为。
2、设计了一个新颖的架构,使生成式智能体能够记忆、检索、反思,与其他智能体互动,并在动态变化的环境中制定计划。该架构利用了大型语言模型强大的提示功能,并在此基础上增加了支持长期行为连贯性、管理不断演化记忆以及递归生成高层反思的能力。
3、进行了两场评估实验,一场受控评估和一场端到端评估,验证了架构组件的重要性,并识别出了由记忆检索不当等原因导致的故障。
4、探讨了生成式智能体在交互系统中的应用机遇、伦理风险和社会影响。我们认为需要调整这些智能体以降低用户产生拟人依恋的风险,记录日志以减轻深度伪造和定制劝说的风险,并以辅助而非替代的方式应用于设计流程中。
回到技术上，我们已经初步跑通了整个python服务器脚本，但里面还有不少坑还在解决，下一篇文章，我们讲来讲述，如果进行部署，并且对应的坑如何避免
