本文旨在将心理学的社会认知能力引入到人工智能的社交互动代理中，并提出了一个名为 SocialAI school 的工具，用于进行与社会性和认知能力有关的实 现实验的参数化环境。

Jul, 2023

构建社交智能 AI 代理（Social-AI）是一个跨学科、多模态的研究目标，涉及创建能够感知、理解、推理、学习并回应其他代理（人类或人工）的情感、行为和认知的代理。过去十年，在自然语言处理、机器学习、机器人技术、人机交互、计算机视觉和语音等几个计算社区中，社交智能 AI 取得了进展。这篇立场论文中，我们确定了一组潜在的技术挑战和开放性问题，以促进社交智能 AI 的研究，并结合社交智能概念和以往的研究进展进行讨论。

Apr, 2024

本文介绍了一种交互式的 “体现代理” 系统，它具有适应性，能够有效地处理自然语言指令，并提供反馈。同时，还介绍了一种用于收集有关该系统的大量文本指令的众包工具，以及该系统具有学习能力的数据集和基线模型。

May, 2023

该论文旨在提出一种 “基础” 的视角，启发人工智能的进步，包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向，以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分，以建立人类一样的语言能力。

Jan, 2022

提出自动内在动机代理 (autotelic agents) 的 Vygotskian 模型，通过对话语言和实体环境交互学习，实现自我生成目标和内化交互成为认知工具，进而形成人工认知功能，从而推进社会化学习的人工智能研究应用前景。

Jun, 2022

通过证据的汇集，展示了自然智能是通过不同尺度的互动网络中的智能集体、社会关系和主要进化转变而产生的，这些过程通过种群压力、军备竞赛、马基雅维利选择、社会学习和积累文化等机制促进了新数据的产生，将这些机制整合到智能代理的视角中，表明通过持续的新数据生成实现类人复合创新的可能路径。

May, 2024

通过行为克隆和自我强化训练，我们提出了交互学习方法 SOTOPIA-π，进一步提高语言代理的社交智能。我们展示了该训练方法使得一个 7B LLM 达到了专家模型（基于 GPT-4 的代理）的社交目标完成能力，同时提高了语言代理的安全性并在 MMLU 基准测试中保持了通用问答能力。我们还发现这种训练范式揭示了 LLM-based 评估社交智能的一些困难：LLM-based 评估者高估了专门用于社交互动训练的语言代理的能力。

Mar, 2024

通过在 SOTOPIA 环境中对人工智能系统进行角色扮演与互动，对其社交智能进行评估，我们发现在 SOTOPIA-hard 场景下，GPT-4 比人类表现更差，难以展示社交常识推理和战略沟通技巧，这显示了 SOTOPIA 作为评估和提升人工智能社交智能的通用平台的潜力。

Oct, 2023

本文提出了使用多模式深度 Q 网络（MDQN）的方法，通过试错法让机器人从与人类的互动中收集数据并从高维感知信息中学习人类的交互行为，以使机器人能够具备与人类一样的交互技能。在与人类的相互作用 14 天后，本文表明机器人成功地学会了基本的人机交互技能。

Feb, 2017

通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

Dec, 2020