[论文解读] War and Peace (WarAgent): Large Language Model-based Multi-Agent Simulation of World Wars

Wenyue Hua, Lizhou Fan+6 more|arXiv (Cornell University)|Nov 28, 2023

Computational and Text Analysis Methods被引用 13

一句话总结

WarAgent 使用基于 LLM 的多代理系统来模拟历史世界大战与战国时期，探索决策、战争诱因与和平可能性。

ABSTRACT

Can we avoid wars at the crossroads of history? This question has been pursued by individuals, scholars, policymakers, and organizations throughout human history. In this research, we attempt to answer the question based on the recent advances of Artificial Intelligence (AI) and Large Language Models (LLMs). We propose extbf{WarAgent}, an LLM-powered multi-agent AI system, to simulate the participating countries, their decisions, and the consequences, in historical international conflicts, including the World War I (WWI), the World War II (WWII), and the Warring States Period (WSP) in Ancient China. By evaluating the simulation effectiveness, we examine the advancements and limitations of cutting-edge AI systems' abilities in studying complex collective human behaviors such as international conflicts under diverse settings. In these simulations, the emergent interactions among agents also offer a novel perspective for examining the triggers and conditions that lead to war. Our findings offer data-driven and AI-augmented insights that can redefine how we approach conflict resolution and peacekeeping strategies. The implications stretch beyond historical analysis, offering a blueprint for using AI to understand human history and possibly prevent future international conflicts. Code and data are available at \url{https://github.com/agiresearch/WarAgent}.

研究动机与目标

• 评估基于 LLM 的多代理系统在再现历史上战略规划与决策过程演变方面的忠实程度。
• 识别在仿真中哪些战争借口（casus belli）触发因素对冲突最具影响力。
• 探讨在不同条件和决策过程下，历史必然性是否会出现。
• 提供数据驱动的、AI 增强的见解，以支持历史解读和冲突预防策略。

提出的方法

• 构建一个四构建的 WarAgent MAS，包含国家代理、秘书代理、董事会，以及一个用于管理状态、验证和内部检查的 Stick。
• 设计六维的全面国家档案：领导力、军事能力、资源、历史背景、关键政策和公众士气。
• 实现包含七个类别的行动空间（等待、动员、宣战、结盟、非干预条约、和平、发送信息），并具备对公示度、输入类型和所需回应的属性。
• 引导式提示将每个国家代理带入结盟/敌对分析和行动建议的路径，由秘书代理强制执行以检查行动的有效性与一致性。

Figure 2: Map of World War I

实验结果

研究问题

• RQ1 RQ1：基于 LLM 的 MAS 在再现战略规划与决策过程的历史演变方面的效果有多大？
• RQ2 RQ2：在仿真中，哪些 casus belli 触发因素对引发战争最具决定性？
• RQ3 RQ3：历史必然性是否真的不可避免，还是可通过替代条件获得不同的结果？
• RQ4 RQ4：涌现的代理交互能为理解战争的诱因与条件提供哪些见解？

主要发现

• WarAgent 框架展示了使用 LLM 驱动代理来建模复杂国际冲突的路径。
• 本研究通过反复情景探索，考察仿真有效性、战争诱因权重以及历史必然性的作用。
• 代理间的涌现互动为理解导致战争与和平的诱因和条件提供了新视角。
• 该框架促进数据驱动的、AI 增强的分析，可能为冲突解决与维和策略提供信息。
• 采用匿名化策略，以防止 LLM 记忆化，保持仿真完整性。

Figure 3: Map of World War II