视频介绍了一个近年来发展很快的方向：研究者利用大语言模型构造大量虚拟个体，让这些个体生活在同一个数字环境中，相互交流、行动和影响，再观察群体行为和社会现象如何逐渐形成。

视频下面的评论也很有意思。有人联想到数值模拟和数字孪生，有人想到阿西莫夫《银河帝国》中的心理史学，也有人追问，AI能够模拟常见的社会变化，那么黑天鹅事件怎么办？还有人进一步设想，如果把一种社会制度放进计算机中长期运行，能不能观察几十年甚至上百年以后可能出现的结果。

这些讨论都指向一个值得关注的问题：如果计算机开始能够模拟人的行为，并进一步模拟人与人之间持续的互动，社会科学的研究方式会发生什么变化？

本文以这期视频为线索，并结合近几年相关研究，对大语言模型智能体和社会模拟的发展做一次梳理。

过去，社会科学研究主要依靠现实世界中的调查、实验和行为数据来分析已经发生的社会现象。随着大语言模型智能体的发展，研究者开始能够在计算机中构造具有不同个体、关系和环境的社会情境，让其中的智能体持续互动，再比较不同条件下可能出现的行为和群体结果。社会模拟因此正在成为一种新的研究工具，为社会科学研究提供了观察和比较不同可能情境的方式。

一、社会模拟是怎么回事

讨论AI社会模拟之前，可以先区分“虚拟”和“模拟”两个概念。虚拟主要强调对象存在于数字环境中，例如游戏中的NPC、数字人和虚拟城市。模拟则更关注现实世界中的结构、关系和变化过程。研究者从现实中选择与问题相关的因素，将其转化为模型，再观察这些因素在不同条件下如何变化。

天气预报就是一种典型的模拟。研究者利用温度、气压、湿度和风场等数据建立模型，再计算天气可能怎样变化。工程中的风洞实验也采用相似的思路，通过控制关键条件，观察飞机在不同环境下的表现。社会模拟延续了这种研究方式，只是研究对象从天气和物理系统变成了人及其社会互动。

社会科学很早就开始使用基于智能体的建模（Agent-Based Modeling，ABM）。研究者在计算机中创建大量虚拟个体，为不同个体设定行为规则，再观察这些个体持续互动以后会形成什么群体现象。例如，价格上涨可能降低消费者的购买意愿，身边使用某种产品的人越来越多可能提高个人的采用概率，投资者观察到其他人持续买入后可能出现从众行为，观点相近的人长期交流也可能推动群体观点进一步分化。

当大量个体在同一个环境中持续行动和相互影响时，研究者就可以考察一个社会科学中的经典问题：个体层面的行为如何逐渐形成群体层面的社会现象。 ABM因此被广泛应用于经济学、管理学、社会学、传播学、金融、城市研究和公共政策等领域。

这类模型长期面临的一个困难，是人的行为很难完全转化为预先设定的规则。现实中的人会记住过去的经历，会理解语言，也会结合身份、目标、情绪、社会关系和当前环境作出判断。同样的信息面对不同的人可能产生完全不同的影响，同一个人在不同情境下也可能采取不同的行动。

大语言模型为社会模拟增加了一种新的能力。智能体开始能够理解语言、保存经历、结合情境形成判断，并据此生成下一步行动。 这也成为近年来生成式社会模拟快速发展的重要基础。

二、智能体开始模拟人的日常行为

2023年，斯坦福大学和Google研究团队发表了 Generative Agents: Interactive Simulacra of Human Behavior（Park et al., 2023）。研究者构建了一个类似《模拟人生》的虚拟小镇 Smallville，并让25个由大语言模型驱动的智能体生活在其中。

这些智能体拥有各自的身份、经历和日常安排，同时具备记忆、反思和规划能力。它们会起床、工作、去咖啡馆，也会在小镇中遇到其他人、交谈和交换信息。过去发生的事情会被保留下来，并影响之后的计划和行动。这样一来，每个智能体的行为就不再局限于当前的一次输入，而开始表现出一定的连续性。

论文中的情人节派对案例很好地展示了这一点。研究者只给其中一个智能体加入了举办情人节派对的想法，随后让小镇继续运行。这个消息在智能体之间逐渐传播，有人收到邀请，有人把消息告诉其他朋友，也有人根据新的安排调整自己的日程。最终出现的一系列互动，并没有被研究者提前逐条写进程序。

这一实验说明，当智能体具备记忆、反思、规划和交流能力以后，一些群体行为可以在持续互动中逐渐形成。 研究者仍然需要设定人物特征、环境和基本目标，但具体行为可以由智能体结合当时的情境生成，并随着新的经历不断调整。

社会模拟也由此出现了一种新的发展方向，即生成式社会模拟（Generative Social Simulation）。研究

三、从人物画像到具体个体

有了能够持续行动的智能体以后，一个更关键的问题随之出现：这些虚拟人物能在多大程度上接近现实中的人？

2024年，Joon Sung Park等研究者招募了1052名美国成年人，并对每位参与者进行了约两个小时的半结构化访谈（Park et al., 2024）。访谈内容除了年龄、性别、收入和学历等基本信息，还涉及成长经历、家庭、工作、价值观、人生体验以及对不同社会问题的看法。研究人员随后根据这些资料，为每位参与者构建一个对应的智能体，并让这些智能体回答调查问卷、完成人格测量、参与经济博弈和接受实验处理，再将结果与真人表现进行比较。研究发现，基于真实个体资料构建的智能体，已经能够在一定程度上复现原参与者的回答和部分行为模式（Park et al., 2024）。

这类研究也有助于理解人物画像、合成个体和智能体之间的差别。人物画像（Persona）通常由一组相对稳定的基本属性构成，例如年龄、职业、地区、收入和兴趣等。随着成长经历、价值观、态度、偏好和行为倾向等信息不断加入，这个人物会变得更加具体，可以进一步理解为一个合成个体。再加入记忆、行动能力、环境和社会关系以后，合成个体便开始具备持续行动和互动的能力，也就进一步成为智能体（Agent）。

因此，这一过程可以概括为 人物画像 → 合成个体 → 智能体。当大量智能体进入同一个环境，并在其中持续交流、合作、竞争和相互影响时，研究对象也从单个数字个体进一步扩展到由个体、关系和环境共同构成的合成社会（Synthetic Society）。

四、83亿人物画像意味着什么

视频中另一个引人注意的案例，是MatrAIx提出的Persona 8B。MatrAIx构建了83亿条人物画像记录，并通过大量属性描述不同人物之间的差异。这里的83亿，可以理解为一个规模巨大的人物画像总体（Persona Population）。

每条人物画像包含年龄、职业、教育、收入、家庭情况、兴趣和生活方式等个人特征。开展实验时，研究者可以按照研究需要从中抽取相应的人物画像，再结合大语言模型生成能够行动和回应的智能体，让它们进入调查问卷、聊天、网页或应用程序等不同环境。

这种做法扩大了社会模拟能够覆盖的人群范围。过去，一项社会科学实验通常招募几百到几千名参与者；在合成环境中，研究者可以构造数量更大、人口特征更加丰富的数字样本，并比较不同群体在相同情境下的反应。

例如，同一种产品进入市场以后，不同年龄群体可能形成不同的采用路径；价格发生变化以后，不同收入群体的消费调整可能存在差异；面对同一条信息，不同经历和价值观的人也可能形成不同判断。

社会模拟的研究对象由此从少量虚拟人物，逐渐扩展到具有复杂人口差异的合成社会。

五、社会科学的预实验世界

当研究者能够构造大量具有差异的智能体以后，社会模拟可以进一步用于正式研究之前的预实验。

假设一个管理学研究者想考察公开员工绩效排名是否会加剧组织内部竞争。传统研究通常需要提出假设，再寻找企业、设计实验、招募参与者或收集真实制度变化前后的数据。智能体模拟可以在这些步骤之前增加一次探索。

研究者可以先建立一个虚拟组织，放入数百名具有不同能力、性格、目标和社会关系的员工智能体，再改变绩效制度、奖励机制、领导方式和团队结构，让整个组织持续运行。随着互动不断发生，合作、竞争、知识分享、人员流动和团队绩效都可以被记录下来。

模拟还可能帮助研究者提前发现原有理论中没有充分考虑的问题。例如，公开排名主要影响哪些员工，奖励差距扩大到什么程度以后竞争明显增强，某种领导方式是否能够改变这种关系。这些发现可以用于调整理论模型、提出新的假设，并进一步指导真人实验、问卷调查或实地研究。

这样一来，一部分社会科学研究可能形成新的研究流程：

现实数据 → 智能体构建与校准 → 合成社会模拟 → 发现可能机制 → 现实研究验证

智能体模拟在其中承担的是前期探索和机制发现的作用，相当于为后续研究提供一个可以反复运行的试验场。

六、从分析现实到运行可能世界

过去二十年，计算社会科学的发展很大程度上得益于大规模数字行为数据。社交媒体、移动设备、在线平台和电子商务不断留下人的行为记录，研究者据此分析消费、社交、信息传播、用户留存和金融市场情绪等问题。

这类研究通常从已经发生的现实出发。现实世界产生行为，行为留下数据，研究者再通过数据分析寻找其中的规律。

大语言模型智能体提供了另一种研究方式。研究者可以先构造一个环境，把具有不同特征的智能体放入其中，改变部分条件，让整个系统持续运行，再比较不同条件下出现的结果。

例如，研究经济环境长期变化对消费、就业、婚育和社会信任的影响时，可以建立若干具有相似初始人口结构的合成社会，分别设置经济稳定、长期衰退、高失业率、福利调整或全民基本收入等情境，再比较这些社会在持续运行后的变化。

清华大学团队开发的 AgentSociety 已经进行了类似的大规模探索。研究人员让超过一万个大语言模型智能体产生约500万次互动，用于研究社会极化、煽动性信息传播、全民基本收入、灾害冲击和城市可持续发展等问题（Piao et al., 2025）。

这种思路与自然科学中的模拟具有一定相似性。气象研究可以运行天气模型，工程研究可以使用风洞，材料科学可以模拟分子运动。随着智能体技术的发展，社会科学也开始出现可以反复设置情境和运行实验的社会模拟器（Social Simulator）。

从这一角度看，大语言模型智能体正在为**生成式社会科学（Generative Social Science）**提供新的技术条件。

七、社会模拟能够预测什么

视频评论区有人提出一个很重要的问题：AI能够模拟社会以后，它真的能够预测未来吗？

这个问题需要区分两类任务。一类是在明确条件下进行情景推演。例如价格提高10%以后，不同收入群体可能怎样调整消费；公司取消远程办公以后，哪些员工的离职倾向可能提高；社交平台改变推荐机制以后，不同群体之间的信息传播可能发生什么变化。

这些问题都有比较清楚的前提。研究者关心的是，当某个条件发生变化以后，系统可能沿着哪些方向发展。

另一类问题涉及尚未出现、缺少历史先例的事件，例如下一次金融危机何时发生，一项全新技术会不会突然改变某个行业，或者某种罕见社会事件将以怎样的方式扩散。这类问题受到偶然冲击、非线性变化和低概率事件的共同影响，预测难度明显更高。

大语言模型主要从历史文本和已有数据中学习行为模式。历史上反复出现的现象通常拥有更多可供学习的经验，而缺少先例的事件能够提供的参照很少。因此，合成社会目前更适合用于比较不同条件下可能出现的变化，而对具体未来事件给出确定预测仍然需要谨慎。

例如政策研究可以比较政策A、政策B和政策C实施以后，不同人群可能作出怎样的反应，以及这些反应是否会进一步形成连锁影响。这类用途更接近情景分析、机制推演和反事实实验。

合成社会的价值，很大程度上就在于能够构造多个条件不同的可能世界，并比较它们的发展路径。

八、模拟中的群体现象从哪里来

视频评论区还有一个很有启发性的观点：大语言模型在训练过程中已经学习了大量关于人类社会的知识，当这些知识被放入动态的多智能体环境以后，会随着互动重新表现出来。

大语言模型接触过海量关于消费、工作、组织、金融、政治和社会关系的文本。它能够生成消费者比较商品、员工考虑离职、投资者应对市场波动或者不同观点的人发生争论等行为。这些社会知识已经以某种形式存在于模型中。

当研究者为智能体加入身份、经历、记忆和环境，再让它与其他智能体持续互动时，模型会利用这些已有知识生成行为。由此也带来一个重要的方法问题：多智能体系统中出现的群体现象，在多大程度上来源于互动过程，又在多大程度上来源于模型已经学习到的社会模式？

假设一百个智能体持续互动以后出现明显的从众现象。一种可能是个体在不断观察和影响彼此的过程中逐渐形成了从众；另一种可能是模型已经掌握了人在类似情境下通常会从众的模式，因此多个智能体分别生成了相似行为。

两种情况最终都可能表现为从众，但对应的形成机制不同。

因此，未来生成式社会模拟需要进一步区分互动过程中形成的涌现和预训练模型已有社会知识的再现。这对于社会科学尤其重要，因为研究者最终关心的仍然包括现象背后的形成过程和作用机制。

九、社会模拟可以研究什么

目前最容易看到的应用是合成消费者和市场研究，但社会模拟能够覆盖的研究问题要广得多。只要研究对象涉及人的判断、行为以及人与人之间持续的互动，都可能进入这一研究框架。

在管理学中，可以建立由员工、团队和管理者组成的虚拟组织，通过改变绩效考核、奖励制度、领导方式、组织结构或远程办公政策，观察合作、竞争、知识分享、冲突和人员流动如何变化。

在市场营销中，消费者智能体可以浏览商品、比较价格、阅读评论、观看广告，并受到其他消费者的影响。研究者由此可以分析品牌传播、价格策略、口碑扩散、新产品采用以及不同消费者群体之间的差异。

在传播学中，智能体可以具有不同的信息来源、社会关系和观点。研究者向社会网络中加入一条信息以后，可以观察信息怎样扩散，哪些人更容易改变观点，意见领袖怎样形成，以及群体极化如何逐渐出现。

在金融研究中，可以建立由散户、机构投资者、基金经理、分析师、媒体和上市公司组成的虚拟市场，再加入不同的信息冲击，观察投资者预期、市场情绪、羊群行为和不同交易策略之间的相互作用。

行为科学同样适合这类方法。态度改变、说服、从众、社会比较、信任、合作和冲突都包含持续互动过程。多智能体环境能够把观察范围从一次刺激后的即时反应，进一步扩展到较长时间尺度上的行为演化。

公共政策和制度研究则提供了更大的实验空间。视频评论区有人提出，如果建立一个特定制度下的社会，并让它持续运行很长时间，会发生什么？

这个问题很容易让人想到阿西莫夫《银河帝国》中的心理史学（Psychohistory）。小说中的心理史学试图通过对大规模人口行为的研究，推演社会长期发展的方向。现实技术距离这种设想还有很远，但其中的一部分研究思想已经开始具有实现条件。

如果能够建立大量具有差异的智能体，过去主要依赖历史比较和思想实验的一些问题，就有可能增加计算实验这一研究方式。研究者可以改变福利制度、教育制度、税收政策、市场规则、组织制度、推荐算法或信息环境，再观察个体行为、资源分配、合作关系和群体结构如何随时间变化。

这类研究可以理解为一种制度的计算实验。

十、智能体能在多大程度上代表真人

随着模拟越来越逼真，一个基础问题也会越来越重要：智能体到底在多大程度上能够代表真实的人？

已有研究发现，大语言模型生成的回答在总体平均水平上有时能够接近真人数据，但进一步分析仍然可以观察到明显差异。

Bisbee等人的研究发现，合成调查数据可能表现出更低的方差，变量之间的关系也可能与真人样本不同。模型版本、提示词和运行条件发生变化以后，结果也可能随之变化（Bisbee et al., 2024）。

因此，对社会模拟的评价需要覆盖多个层面。除了比较单个智能体的回答与真人是否接近，还需要考察不同群体之间的差异能否被保留下来，变量之间的关系是否与现实一致，人际互动过程是否合理，群体层面的结果是否稳定，以及相同实验能否重复得到相似结果。

现实数据因此仍然是生成式社会科学的重要基础。一个较为稳妥的研究流程可以是：

真人数据 → 智能体构建与校准 → 合成社会模拟 → 现实世界验证

现实数据可以用于构建和校准智能体，合成社会则提供大规模、低成本和可重复的实验环境。模拟得到的结果随后还可以利用真人实验、历史数据或实地数据进行检验。

随着这类验证研究逐渐积累，智能体在哪些研究问题上具有较好的有效性，又在哪些场景下容易产生偏差，也会变得更加清楚。

十一、从生成文字到运行社会

过去几年，大语言模型的能力不断向外扩展。最初，人们主要关注模型能否生成接近人类表达的文字。随后，模型开始调用工具、搜索信息和完成任务，AI Agent逐渐发展起来。

进一步的发展，是利用Agent模拟具有特定身份、经历和偏好的个体。当越来越多的智能体进入同一个环境并持续互动以后，研究对象也从单个个体扩展到了群体和社会。

这个过程可以概括为：

语言生成 → 行动生成 → 个体模拟 → 群体互动 → 社会模拟

过去二十年的大数据发展，使社会科学能够以前所未有的规模观察现实世界。社交媒体、数字平台、移动设备和在线交易系统留下了大量行为记录，研究者由此可以分析许多过去难以观察的社会过程。

智能体和合成社会进一步提供了运行不同情境的能力。数据库记录现实世界已经发生了什么，社会模拟器则可以帮助研究者比较，当制度、信息、资源或环境发生变化以后，可能出现哪些不同结果。

未来的一项社会科学研究，可能先从现实世界获得数据，再据此构建和校准智能体。研究者随后建立合成社会，改变部分条件，让整个系统持续运行，并观察个体行为和群体结构的变化。模拟中发现的关系和机制，再通过现实世界的数据和实验进一步验证。

模型偏差、外部效度、黑天鹅事件、涌现机制、计算成本和结果可重复性等问题，目前都还有很大的研究空间。

不过，一种新的研究能力已经开始出现。

社会科学研究正在从分析已经发生的世界，进一步拓展到构造和比较不同的可能世界。

研究者开始能够在计算机中设置一个社会环境，让其中的个体持续互动，再观察制度、信息和环境变化可能带来的结果。这可能是大语言模型智能体对社会科学最值得关注的研究价值之一。

参考文献

[1]Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B., & Larson, J. M. (2024). Synthetic replacements for human survey data? The perils of large language models. Political Analysis. https://doi.org/10.1017/pan.2024.5 [2]Gao, C., Lan, X., Li, N., Yuan, Y., Ding, J., Zhou, Z., Xu, F., & Li, Y. (2024). Large language models empowered agent-based modeling and simulation: A survey and perspectives. Humanities and Social Sciences Communications, 11. https://doi.org/10.1057/s41599-024-03611-3 [3]Mou, X., Ding, X., He, Q., Wang, L., Liang, J., Zhang, X., Sun, L., Lin, J., Zhou, J., Huang, X., & Wei, Z. (2024). From individual to society: A survey on social simulation driven by large language model-based agents. ACM Computing Surveys, 58, 1–41. https://doi.org/10.1145/3800683 [4]Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology. Association for Computing Machinery. https://doi.org/10.1145/3586183.3606763 [5]Park, J. S., Zou, C. Q., Shaw, A., Hill, B. M., Cai, C. J., Morris, M. R., Willer, R., Liang, P., & Bernstein, M. S. (2024). Generative agent simulations of 1,000 people [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2411.10109 [6]Piao, J., Yan, Y., Zhang, J., Li, N., Yan, J., Lan, X., Lu, Z.-H., Zheng, Z., Wang, J.-Y., Zhou, D., Gao, C., Xu, F., Zhang, F., Rong, K., Su, J., & Li, Y. (2025). AgentSociety: Large-scale simulation of LLM-driven generative agents advances understanding of human behaviors and society [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.08691