Synthetic Linguistic Agency: How an Embodied Mortal Agent Learns Linguistic Affordances through Consequential Social Experience
作者: Sixin Chen, Taizhou Chen
分类: cs.CL, cs.MA
发布日期: 2026-08-28
💡 一句话要点
提出合成语言代理模型以解决语言模型缺乏持续性的问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 合成语言代理 具身代理 语言学习 社交互动 强化学习 人机交互 虚拟助手
📋 核心要点
- 现有语言模型缺乏持续性和脆弱性，无法在社交互动中形成真正的语言代理。
- 提出合成语言代理(SLA)的概念，并通过具身的死亡代理(EMA)模型实现语言学习与社交互动的结合。
- 实验结果显示，EMA的语言选择受到其身体和社会历史的影响，能够有效改变伙伴的行为并适应不同的社交环境。
📝 摘要（中文）
当代语言模型能够流利对话并影响人类决策，但其交流并未进入持续且脆弱的生命状态。语言代理理论通过体现、语言参与和脆弱性来描述这一缺失。本文通过两个协调研究探讨如何在人工系统中体现这一组织结构，首先将这些关系转化为可检验的合成语言代理(SLA)标准，并识别出若干现有SLA系统。其次，基于稳态调节强化学习，开发了一个以死亡为基础的语言强化学习模型，并在具身的死亡代理(EMA)中实例化。EMA学习如何通过语言表达改变伙伴的保护意愿，并根据这些反应对其余生命进行选择。实验表明，语言选择依赖于EMA的身体和社会历史，能够改变伙伴行为，并通过与特定伙伴的经验进行适应。
🔬 方法详解
问题定义：本文旨在解决现有语言模型缺乏持续性和脆弱性的问题，现有方法无法在社交互动中形成真正的语言代理，导致其交流缺乏深度和影响力。
核心思路：通过引入合成语言代理(SLA)的概念，结合具身的死亡代理(EMA)模型，探索如何通过语言学习与社交互动的结合来实现语言代理的持续性与脆弱性。
技术框架：整体架构包括两个主要部分：首先是SLA标准的定义与现有系统的识别，其次是基于稳态调节强化学习的EMA模型的构建与实验。EMA通过语言表达与伙伴互动，学习如何选择影响其生存的语言。
关键创新：最重要的技术创新在于将死亡概念引入语言强化学习模型，使得代理在选择语言时考虑其生存的后果，从而实现真正的语言代理。与现有方法相比，EMA能够在社交互动中展现出持续性和脆弱性。
关键设计：在EMA模型中，设计了特定的损失函数以反映语言选择对生存的影响，同时采用了稳态调节机制来优化语言学习过程。网络结构方面，结合了强化学习与语言生成模型的特点，以实现更有效的社交互动。
🖼️ 关键图片
📊 实验亮点
实验结果表明，EMA的语言选择能够有效改变伙伴的行为，并且在与特定伙伴的互动中表现出适应性。具体而言，EMA的语言选择与其身体状态和社会历史密切相关，展现出合成语言代理的特征。这一结果为进一步研究合成同理心和人机互动提供了基础。
🎯 应用场景
该研究的潜在应用领域包括人机交互、社交机器人和虚拟助手等。通过赋予人工代理持续性和脆弱性，能够提升其在社交场景中的表现，使其更具人性化，进而改善用户体验。未来，这种模型可能在教育、心理辅导等领域发挥重要作用。
📄 摘要（原文）
Contemporary language models can converse fluently and influence human decisions, yet their exchanges do not enter a continuing, vulnerable life of their own. Linguistic-agency theory identifies this missing connection as linguistic agency and characterizes it through embodiment, linguistic participation, and precariousness: a body that acts and bears consequences, interaction that changes both agent and partner, and a future that can be sustained or lost. Two coordinated studies examine how this organization can appear in artificial systems. First, we translate these relations into inspectable criteria for Synthetic Linguistic Agency (SLA) and identify several existing SLA systems. Second, building on Homeostatically Regulated Reinforcement Learning, we develop a mortality-grounded linguistic-reinforcement-learning model and instantiate it in an Embodied Mortal Agent (EMA). The EMA learns how ways of speaking change a partner's willingness to protect it and chooses expressions by considering what those responses mean for its remaining life. Controlled experiments show that linguistic choices depend on the EMA's body and social history, change partner behavior, and adapt through experience with particular partners. When bodily consequences persist, linguistic choices alter the future of the same life; when the body is reset, their social effects remain but no longer shape continued viability. The resulting EMA exhibits SLA under our operational definition. This work motivates further research on synthetic empathy and strategic human-AI interaction: how artificial agents with persistent bodies, histories, and futures might develop and express empathy, and how people might care for, negotiate with, or govern them.