用更少数据学习模仿：国际象棋中的高效个体行为建模
人工智能
2025-07-30 v1
摘要
随着人类寻求与人工智能系统协作、向其学习并更好地理解它们，开发能够准确模仿个体决策过程的人工智能变得越来越重要。国际象棋作为一个拥有精确技能测量的长期人工智能基准，为人类与人工智能的对齐提供了理想的试验场。然而，现有的个体行为建模方法需要从每个个体获取大量数据，这使其对于新用户或稀疏用户来说不切实际。在这项工作中，我们引入了Maia4All，一个旨在即使数据有限也能高效学习和适应个体决策风格的框架。Maia4All通过一个两阶段优化过程实现这一点：(1) 丰富步骤，通过一个原型丰富模型桥接群体和个体层面的人类行为建模，以及 (2) 民主化步骤，利用能力水平或用户原型以最少的数据初始化和细化个体嵌入。我们的实验结果表明，Maia4All能够高保真地准确预测个体走棋并刻画行为模式，为国际象棋中个性化类人人工智能行为建模设立了新标准。Maia4All仅需20盘棋即可实现国际象棋中的个体人类行为建模，而之前需要5000盘棋，这代表了数据效率的显著提升。我们的工作提供了一个示例，展示了群体人工智能系统如何通过原型丰富模型作为桥梁，灵活地适应个体用户。这种方法超越了国际象棋，正如我们在特立独行的大语言模型案例研究中所展示的，突显了其在个性化人工智能适应方面更广泛应用的潜力。
引用
@article{arxiv.2507.21488,
title = {Learning to Imitate with Less: Efficient Individual Behavior Modeling in Chess},
author = {Zhenwei Tang and Difan Jiao and Eric Xue and Reid McIlroy-Young and Jon Kleinberg and Siddhartha Sen and Ashton Anderson},
journal= {arXiv preprint arXiv:2507.21488},
year = {2025}
}