# 25 个 AI 居民的小镇，如今是财富 500 强的决策沙盘 > Training Data No. 98 中文精读 - 原标题：Simulating Humans at Scale: Simile's Joon Sung Park - 发布日期：2026-06-16 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/098-simulating-humans-at-scale-simile-s-joon-sung-park-lfhFmw.html - 精读字数：约 4833 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 2023 年 2 月 13 日，斯坦福的一个虚拟小镇里，咖啡店老板 Isabella 决定办一场情人节派对。她提前一天出门张罗材料，挨个招呼熟客来玩。派对当天，一位叫 Klaus 的居民收到邀请，顺势约出了自己的暗恋对象。也有居民收到了邀请，转头就忘了。 没有人类写剧本。这 25 个居民全是 AI，做什么、说什么、跟谁交朋友，都是模型自己生成的。这个实验叫 Smallville，主持它的是当时还在斯坦福的 Joon Sung Park。 三年后，这个实验长成了一家公司，叫 Simile，定位是应用 AI 实验室，做的事情听起来更科幻：模拟人类行为和整个社会。客户名单里有 CVS，合作方里有盖洛普。他们用 1000 个模拟出来的美国人做验证，预测准确度达到了真人重测答案的 85%。 最近，Joon 在红杉资本的播客 Training Data 上，和主持人 Sonya Huang 聊了这门生意的来龙去脉。有几个判断，值得每个做产品、做研究的人听一听。 ## 一场没人写剧本的派对 先回到 Smallville。Joon 团队的核心观察是：大语言模型的训练数据里编码了大量人类行为，来自网页、社交媒体这些地方，只要从合适的角度去问，就能挖出很多微观行为。给一个具体场景，问「这个人会怎么做」，模型能给出相当像样的答案。 他们觉得这就是造复杂智能体一直缺的那块原料，于是把这件事推到极限：给 25 个 AI 居民每人一份人设，配上记忆、规划和反思机制，让他们在一个游戏小镇里生活。早上起床，按习惯做事，上班，交朋友，跟真人一个样。 情人节派对就是涌现出来的。Isabella 的人设是咖啡店老板，她自主决定办派对、邀请顾客、布置场地。Klaus 借着派对把暗恋对象约了出来，两人真的去赴了会。整个过程没有人下达指令。 实验发成论文后，Joon 收到大量主动找上门的邮件。最早是社会科学家，想在这个平台上跑实验和随机对照试验。很快，财富 500 强的高管和董事也来了，他们看过演示，问题很直接：我们每年花大钱做调研，很多关于市场的问题今天根本没法回答，能不能在模拟里跑一遍？ ## 从一篇综述到一条路线 Joon 的研究起点在 2020 年。那年 GPT-3 还没发布，他刚进斯坦福，跟着后来的联合创始人 Percy Liang 写了那篇著名的《基础模型的机会与风险》。写综述时，同事们惊讶于模型能做分类、能做简单生成，Joon 看到的却是另一件事：**这些模型编码了人类行为。把这件事推到头，会是什么？** 他出身人机交互里的社会计算方向。这个领域有个老大难问题：设计一个社交平台，界面好不好用容易测，但几十万、几亿人聚在一起会产生什么涌现现象，好坏都算，没法提前测。唯一的办法是上线实测。如果某个信息流设计更容易传播负面情绪，等你发现时，伤害已经发生了。 2022 年，也就是生成式代理论文的前一年，团队做了个叫 Social Simulacra 的项目。思路是：假设你要建一个 subreddit，怎么提前知道用户会在里面干什么？这对老手设计师都是难题。他们用 GPT-3 生成了几千个 persona 塞进去，模拟整个社区。有个模拟社区的主题是讨论匹兹堡去哪儿玩，跑着跑着，几个 persona 自己商量起来，组队规划了一次旅行。 回头看，这基本就是 2022 年版的 Moltbook，几年后这类 AI 代理社交网络真的火了起来，算是应验了。但当时团队更关心下一步：怎么从简单的 persona 升级成会随时间思考的复杂代理，以及怎么验证模拟结果靠不靠谱。 模型也在配合。GPT-3 时代没有指令微调，让模型听话得靠各种奇怪的提示词技巧。到生成式代理论文时，模型已经能听懂指令，代理才可能推理自己的记忆。Joon 的判断是，基础能力这一层，今天已经够了。 那为什么后来要离开实验室？Joon 的原话值得单拎出来： > 研究是台广度优先的机器，实验室里一群聪明人各守一小块论题，有些会开出惊人的花。但研究者有个老毛病，我们出了论文就撒手了。公司是台深度优先搜索的机器，认准一座山，把资源和人聚起来，毫不犹豫往一个方向爬。 生成式代理论文发表半年后，他有了这座山。三位创始人，他本人、Percy Liang、Michael Bernstein，后两位都是他在斯坦福的导师，一起合作了五六年，正式凑在一起讨论「这能不能是家公司」。 ## 今天的大模型，恰恰不擅长当人 接下来是整期播客里最有意思的一个判断。Joon 说，OpenAI、Anthropic 这些实验室的北极星，是造一台超级智能的理性机器，擅长解决有客观答案的问题。但人恰恰是非理性的，有主观的价值观、偏好和口味。 **模型规模往上走，模拟人类行为的能力却没有同步跟上，目前的建模范式已经撞上平台期。**这是 Joon 观察到的分叉：今天最强的模型，离「像人」这件事反而越来越远。要突破，需要一个专门为人类多样性设计的新前沿。 还有个更隐蔽的问题，叫言行差距。人说的和人做的，中间有条真实的缝。大模型的训练数据大部分是态度性数据，也就是大家在网上说过的话。用态度数据去预测行为，误差就出在这里。 Simile 的解法是收集行为数据，外加一类很特别的信息。他们 2024 年做验证研究时，会直接问受访者：讲讲你的人生故事。你从哪里长大、做过哪些艰难的决定，这类长尾信息，能架起一座从态度通往行为的桥。现在他们训练了一个访谈模型，用强化学习优化目标：花最少的时间，拿到关于一个人最大的信息量。至于政策立场这类离散选择题，还是用问卷，省时省数据。 对模型的定位，Joon 打了个比方。今天的前沿模型像智能单元里的 CPU，单一、理性、擅长解难题。Simile 要造的东西更像 GPU，很多小单元并行，每个单元代表一个真实子人群的观点。**他们不需要超人级的模型，需要的是尽可能像人的模型。**缺哪块就自研哪块，协调研究计划这类活儿则交给前沿模型。 数据上，他们手里囤着大批社会科学领域的随机对照试验，包括大量定价研究，正在训练一个字面意义上的「人类行为基础模型」：把 RCT 的行为信号编码进去，目标是能预测任何一项 RCT 的结果。客户那边也有想法，CVS 有 9000 万顾客，双方在谈怎么负责任地用上这些内部数据，造一个更贴合 CVS 人群的增强版模型。 ## CVS 是怎么用它的 拿 CVS 举例。买家是负责人类洞察的高级副总裁，读了 Joon 的验证论文后拍板要合作，因为他觉得自己被两件事卡住了：能实地测试的问题数量有限，以及人类社会的物理规律本身。问卷能问出态度，问不出一个决策在市场里的二阶影响。 合作怎么牵上的？这位副总裁的表亲认识 Joon。听起来偶然，但需求是真的。 流程的前半段和传统调研公司很像。客户说想理解某个人群，Simile 通过和盖洛普的战略合作去触达真人，用大约 15 分钟收集数据。诀窍在问题设计：哪些问题能在 15 分钟里最大程度还原一个人。拿到数据后生成模拟代理，加载到 SaaS 平台上，之后客户想问这群人什么都可以。 客户的使用路径通常从概念测试开始，这也是最直接的场景：新产品、新文案，扔给模拟人群听反馈。客户很快会意识到一件事，今天他们最多测 5 到 10 个想法，模拟可以把这个数字变成 1000 个想法乘以 1000 个子人群。 再往后是用法的深水区： - 给代理加上时间维度，让它真的去「体验」一个产品 10 分钟，回来报告看见了什么、感受如何； - 多代理模拟。让客户最意外的需求是模拟财报电话会，CEO 和董事会想知道听众会怎么反应，这个需求出现的频率高得超出 Joon 预期； - 二阶影响。一家车企的电动车卖爆了，市场对燃油车的看法会怎么变？整个产品线怎么平衡？这类问题今天没有任何工具能测，模拟可以。 Sonya 问了个尖锐的问题：为什么不直接投 1000 条 Facebook 广告，看真实的点击率？Joon 给了两个理由。一是规模和代表性，网上实验只有特定人群会响应，样本天然偏；Simile 花苦功夫保证人群的代表性，数量也不受平台人口限制。二是广告只能回答第一个问题，回答不了决策的下游连锁反应。他拿自动驾驶类比：先采真实路面数据，再让模型泛化到训练数据没覆盖的路况。一个道理，先见真人，再让模拟走得更远。 ## 85% 是怎么算出来的 模拟人类，最要命的问题是：怎么知道它准不准？ Joon 团队做了这样一个验证：模拟 1000 个真实的美国人，覆盖美国人口结构。基准设计得很聪明，让真人隔一段时间重做同一份问卷，看他自己前后能对上多少，这是人类自洽度的天花板。模拟代理的预测准确度，达到了这个天花板的 85%。 日常运营的北极星指标是 TVD，总变差距离，衡量模拟出的答案分布和真实分布贴得多近。**TVD 低于 0.15，他们认为是足以支撑决策的证据。**这个阈值覆盖了客户的核心场景，包括各类 RCT。 多代理模拟更麻烦，误差会像传话游戏一样层层累积。Joon 把模拟分成两类。一类收敛，误差累积没关系，因为系统有强大的向心力。他举了网络科学的例子：只要按人类行为复制社交网络，一定会出现枢纽节点，这正是 PageRank 的核心观察，无论网页网络怎么形成，总有页面拿到指数级更多的链接。另一类发散，比如模拟一场选举，同样的输入跑不出同样的赢家，就像「一战是否不可避免」这类问题。发散类模拟的评估靠跑 100 次看分布，用 bootstrap 重采样算置信度，把各种可能结局都摆出来，让人看清机制、提前准备。 这个领域有多早期？Joon 的类比是，现在的模拟相当于推断统计的第一天。当年学界吵了很久才接受 P 小于 0.05 算科学证据，Simile 想做的，就是给整个行业定下这样的阈值和标准。 理论上限当然存在，人回答同一个问题，两次都会给出略有差异的答案，随机性是真实的。但 Joon 认为，距离上限还有大量可以榨取的性能空间。 ## 一亿美元跑一次的模拟 聊到更大的图景，Joon 提了个人物：经济学家托马斯·谢林。上世纪七十年代，他用极简的代理模型研究种族隔离，每个代理只是一个红点或蓝点，每轮看看邻居颜色，同类占比低于阈值就搬家。就这么简单的规则，解释了宏观层面的隔离是怎么自发形成的。谢林后来拿了诺贝尔奖。 Joon 认为同样的机会现在摆在这代人面前，只是代理从红蓝点升级成了有完整人生故事的「人」。当年他就是这样说服两位导师入伙的：这件事做成了，诺贝尔奖是可以想的。 已经有经济学家来问过这些问题：银行挤兑什么时候发生？气候变化的死结是各国的集体行动困境，能不能模拟？一个民主政体崩溃前有什么信号？货币制度的起源是什么？ 他甚至给这个领域画了一条成本曲线：今天的模拟又快又便宜，但可以预见一种模拟，跑一次要花一亿美元、耗时几个月，跑完能解开一个社会的基础问题。政治也一样，一项政策改了，未来五到十年会发生什么，各方都有一套说辞，模拟至少能把所有下游影响摆上桌。 结尾聊到未来，Joon 说自己受科幻小说影响很深。技术成熟的科幻社会里总有两根支柱，一根是 AGI，另一根是指导社会的模拟。五年前他不敢想，现在他觉得自己有机会去搭第二根。 > 联合创始人 Percy 常说，最伟大的科学突破往往始于一次了不起的测量。哈勃望远镜改变了人类理解宇宙的轨迹。模拟可以成为人类社会的哈勃望远镜。 Joon 自己的说法更直白：造一台人类社会的 CERN。自然科学已经被测量工具反复刷新，社会科学还缺它的那台机器。 **明天就能用的三件事。**大多数读者暂时用不上 Simile，但这期播客里有三个提醒，今天听完明天就能试： - 做用户调研时，少问态度题，多问行为和经历。「你会买吗」和「讲讲你上次买这东西的经历」是两种问题，后者离真实选择近得多。实在没时间，试试「讲讲你的人生故事」，Joon 团队验证过，这是信息密度最高的一类问题。 - 测新想法时，把候选数量放大一个量级。今天测 5 个想法的预算，在模拟里够测 500 个。先广撒网，再挑几个去实地验证，顺序别反。 - 重大决策拍板前，除了「用户喜不喜欢」，强制自己列一遍二阶影响：这个产品成了，会怎么改变用户对我其他产品的看法？市场认知会怎么动？列不出来的部分，就是你的认知盲区。 言行之间的缝，模型补得上，前提是先承认这条缝存在。这是 Smallville 那场情人节派对之外，这期播客留下的最实用的提醒。