基础模型（FMs）已经革新了计算的许多领域，包括自动规划与调度（APS）。例如，最近一项研究发现它们对规划问题很有用：计划生成、语言翻译、模型构建、多智能体规划、交互式规划、启发式优化、工具集成以及类脑规划。除 APS 之外，还有许多看似相关的任务，涉及生成一系列动作，并对这些动作实现预期目标的可执行性具有不同程度的保证；我们将这些任务统称为类规划（PL）任务，例如业务流程、程序、工作流和指南，研究人员已经考虑在其中使用 FMs。然而，以往工作主要关注预训练的现成 FMs，并选择性地对其进行微调。本文讨论了从零开始构建一个面向 PL 任务的综合性 FM 的必要性，并探讨了其设计考量。我们认为，这样的 FM 将为 PL 问题求解开辟新的高效途径，正如 LLM 正在为 APS 所创造的那样。
英文摘要：
Foundation Models (FMs) have revolutionized many areas of computing, including Automated Planning and Scheduling (APS). For example, a recent study found them useful for planning problems: plan generation, language translation, model construction, multi-agent planning, interactive planning, heuristics optimization, tool integration, and brain-inspired planning. Besides APS, there are many seemingly related tasks involving the generation of a series of actions with varying guarantees of their executability to achieve intended goals, which we collectively call planning-like (PL) tasks like business processes, programs, workflows, and guidelines, where researchers have considered using FMs. However, previous works have primarily focused on pre-trained, off-the-shelf FMs and optionally fine-tuned them. This paper discusses the need for a comprehensive FM for PL tasks from scratch and explores its design considerations. We argue that such an FM will open new and efficient avenues for PL problem-solving, just like LLMs are creating for APS.
Combining Offline Models and Online Monte-Carlo Tree Search for Planning from Scratch
Xiamen University（厦门大学）
随机和部分可观测环境中的规划问题是人工智能的一个核心问题。解决这类问题的一个常用技术是首先构建一个精确的模型。虽然最近已经提出了一些方法来学习模型不确定性下的最佳行为，先验知识的环境仍然需要保证所提出的算法的性能。利用预测状态表示（Predictive State Representations~（PSR））方法的状态表示和模型预测的优点，本文提出了一种从头开始规划的方法，该方法首先离线学习PSR模型，然后结合在线蒙特卡罗树搜索进行模型不确定性规划。通过与模型不确定性规划方法的比较，证明了所提出方法的有效性及其收敛性。我们所提出的方法的有效性和可扩展性也进行了测试的RockSample问题，这是不可行的最先进的BA-POMDP为基础的方法。
AppForge: From Assistant to Independent Developer -- Are GPTs Ready for Software Development?
Key Lab of HCST (PKU), MOE（HCST关键实验室（PKU））；School of Computer Science, Peking University, China（北京大学计算机科学学院）；Columbia University, USA（哥伦比亚大学）；Beijing Jiaotong University, China（北京交通大学）；University of Texas at Dallas, USA（德克萨斯大学达拉斯分校）；Hong Kong University of Science and Technology, Hong Kong SAR, China（香港科技大学）；Fudan University Institute of Systems for Advanced Computing, Shanghai, China（复旦大学先进计算系统研究所）；Simon Fraser University, Canada（西蒙弗雷泽大学）；Shanghai Institute of Systems for Open Computing, Shanghai, China（上海开放计算系统研究所）
Deep Learning for Generalised Planning with Background Knowledge
LAAS-CNRS（法国国家科学研究中心实验室分析与建筑系统实验室）；University of Toulouse（图卢兹大学）；The Australian National University（澳大利亚国立大学）；Czech Technical University in Prague（布拉格捷克理工大学）
