Emergence：通过主动查询克服非对称具象智能体中的特权信息偏差
人工智能
2025-12-19 v1 多智能体系统
机器人学
摘要
大型语言模型（LLMs）是强大的推理引擎，但在具象环境中处理“符号 grounding”存在困难，尤其当信息分布不均时。我们调查了特权信息偏差（或“知识诅咒”），即具备知识的“领袖”代理因缺乏理论心智（Theory of Mind）而难以指导感知受限的“跟随者”。为量化此现象，我们提出一种新的非对称辅助推理框架，置于AI2-THOR中。我们的实验揭示了显著的“成功差距”：尽管领袖在35.0%的剧集中成功感知目标，但协作团队仅在17.0%时成功，表明近50%的可行计划仅因沟通 grounding 错误而失败。我们证明，“拉式”协议（主动查询）比标准的“推式”指令更为稳健，成功剧集中澄清请求频率为2倍。该研究孤立了主动不确定性降低作为安全的人机和机器人-机器人协作的先决条件。
引用
@article{arxiv.2512.15776,
title = {Emergence: Overcoming Privileged Information Bias in Asymmetric Embodied Agents via Active Querying},
author = {Shaun Baek and Sam Liu and Joseph Ukpong},
journal= {arXiv preprint arXiv:2512.15776},
year = {2025}
}
备注
12 pages, 9 pages of content, 6 tables, 5 figures