标签
本文介绍了建构性对齐，这是一种重新定义AI对齐的范式，将其视为调控人类偏好随时间的演变，而非满足静态偏好。它提出了一个控制理论框架，用于规范AI系统如何影响价值轨迹。
本文介绍了一个基于桌游《爱的迷雾》的多智能体环境，用于评估基于亲和力的强化学习在赋予 AI 智能体美德行为方面的效果。作者证明，局部亲和力能够提升智能体在竞争性与合作性目标上的表现，推动机器伦理研究突破简单网格世界环境的局限。