精华简报：模拟成为新的规模法则——Joon Sung Park 与 Simile AI
来源：Latent Space
主题：从 Smallville 生成式智能体到人类行为基础模型，模拟如何从学术实验走向财富 100 强商业部署
核心人物：Joon Sung Park（Simile AI 联合创始人兼 CEO，Smallville/Generative Agents 论文作者）
一、背景：模拟式 AI 的“第二个夏天”
2024 年，Latent Space 曾提出“模拟式人工智能之夏”（Summer of Simulative AI），但当时判断其窗口期短暂。近期这一趋势强势回归：
- SimGym 于 4 月发布；
- Simile AI 完成 20 亿美元 B 轮融资，由 GreenOaks 和 Index Ventures 支持，知名支持者包括李飞飞、Andrej Karpathy；
- 已为 CVS 等财富 100 强客户运行数千万次模拟；
- 相较人类焦点小组，模拟结果达到 85–99% 准确率。
这标志着模拟不再只是学术概念，而是进入大规模商业验证阶段。
二、核心思想脉络：从生成式智能体到行为基础模型
Joon Sung Park 的学术起点是 2023 年里程碑论文 Smallville / Generative Agents，该研究证明 AI 角色能够记忆、规划、社交并产生涌现行为。如今他试图回答一个更大的问题：
如果我们能在做出决策之前先模拟这个世界，会怎样？
这一转变的本质是：从构建“会行动的 AI 角色”，转向构建人类行为的基础模型。其团队的核心追问是：“如果我们能直接重建我们所生活的世界，会怎样？”
三、技术方法：如何建模人类行为
Simile 的方法论强调多源数据 + 因果机制 + 分层建模，而非单纯依赖网络文本或前沿 LLM 提示。
1. 数据来源
- 长式访谈：捕捉个体深层动机与态度；
- 观察数据与交易数据：反映真实行为而非自我报告；
- 随机对照试验（RCT）：识别因果机制，而非仅相关性。
2. 模型架构
- 群体层面模型：构建具有代表性的模拟人口；
- 个体层面模型：创建个人数字孪生；
- 后训练：针对“人们做出决策背后的因果机制”进行训练，而非仅优化预测准确率。
3. 关键成果
- 创建了 1000 个真实人物的数字孪生；
- 在复现人类行为和态度方面，数字孪生达到人类复现自己回答时准确度的 85%；
- 商业场景中，模拟结果与人类焦点小组相比达到 85–99% 准确率。
四、关键洞察：为什么前沿 LLM 不足以模拟人类
Joon Sung Park 提出了几个反直觉但重要的判断：
-
网络数据捕捉的是人们“说什么”，而非“做什么”。真实行为数据（交易、观察）才能揭示实际决策模式。
-
被优化为理性的模型，往往无法模拟非理性的人类。好的模拟必须复现人类的偏见、错误和非理性行为，而不是消除它们。
-
提示工程存在局限。理解“社会物理学”可能需要改变模型权重，而不是仅仅对前沿 LLM 进行提示。记忆架构、Markdown 文件等外部手段只能部分弥补。
-
个人智能体需要深度的用户模型。真正有用的个人 AI 必须理解用户的深层行为模式，而非仅依赖对话历史。
-
预测未来不如理解如何塑造未来。模拟的核心价值不在于精确预测，而在于找到通往预期结果的违反直觉的路径。
五、商业验证与长期愿景
短期商业价值
- 替代昂贵的人类焦点小组和市场研究；
- 在产品、政策部署前进行低成本、大规模测试；
- 为财富 100 强企业提供决策支持。
长期雄心
- 模拟地球上全部 80 亿人；
- 对整个社会的涌现行为进行建模；
- 应对**气候变化、民主不稳定、全民基本收入（UBI）**等复杂社会问题；
- 未来模拟可能需要整个数据中心级别的计算资源。
思想渊源
- Thomas Schelling 的基于智能体建模（agent-based modeling）传统；
- 阿西莫夫《基地》中的心理史学（psychohistory）；
- 模拟与绘画的类比：模拟不是复制现实，而是提炼本质；
- 哲学问题：我们是否可能已经生活在模拟之中。
六、分析师评论
技术意义
Simile 代表了一种从“生成式 AI”向“模拟式 AI”的范式延伸。传统 LLM 擅长生成内容，但缺乏对真实人类行为因果机制的理解。Simile 通过 RCT 后训练和多源行为数据，试图构建行为基础模型，这可能是 AI 栈中的新层。
商业意义
如果 85–99% 的准确率可复制，Simile 将重塑市场研究、政策模拟、企业战略决策等领域的成本结构。焦点小组、问卷调查、试点测试等传统方法可能被大规模模拟部分替代。其 20 亿美元估值反映了市场对“决策前模拟”这一价值的认可。
风险与挑战
- 评估标准：如何区分真实模拟与“堆叠 LLM 幻觉”仍是难题；
- 伦理与隐私：个人数字孪生涉及深度行为数据，需严格治理；
- 计算成本：模拟 80 亿人需要数据中心级资源，规模法则尚未完全验证；
- 可复制性：学术成果（85% 复现准确率）能否在跨领域、跨文化场景中保持稳定，仍需观察。
关键判断
Simile 的核心主张——模拟是新的规模法则——如果成立，意味着 AI 竞争将从“更大的模型”转向“更真实的模拟”。这不仅是技术竞赛，更是对数据、因果机制和计算资源的综合考验。短期内，商业落地可能集中在市场研究和政策测试；长期看，社会级模拟可能成为治理复杂问题的工具，但也可能带来操纵风险。
一句话总结：Simile AI 正在将生成式智能体升级为人类行为基础模型，用多源数据和因果后训练构建数字孪生，其商业验证（85–99% 准确率）表明，模拟可能成为继模型规模之后的新增长曲线——核心不是预测未来，而是理解如何塑造未来。