Let's Make AGI Real

【本系列博文读者对象：对AI感兴趣的哲学社会人文学科的研究人员、相关学科研究生、文科科研管理人员】

第七章：在代码中构建世界：用“LLM-智能体”模型创造逼真的社会模拟

回答问题：如何通过“LLM-智能体”的混合建模构建更逼真的社会模拟？ 

如果说用LLM模拟个体行为（如回答问卷或解决伦理困境）是社会科学AI应用的第一波浪潮，那么将LLM与“基于智能体的建模”（Agent-Based Model, ABM）相结合，则开启了第二波更为壮阔的浪潮。这一融合被视为计算社会科学领域最重大的方法论突破之一，它允许我们不再局限于模拟孤立的个体，而是能够在代码中构建出由成百上千个能够进行复杂、逼真互动的“智能体”组成的微型社会。

传统的ABM是计算社会科学的有力工具，它通过为大量“智能体”设定简单的行为规则，来模拟这些微观互动如何涌现出宏观的社会现象（如交通拥堵、市场波动或舆论形成）。然而，传统ABM的一大局限在于其智能体的“大脑”过于简单。它们通常基于预设的、形式化的数学规则或if-then逻辑进行决策，这使得模拟复杂的人类行为——尤其是那些受语言、文化、情感和信念驱动的行为——变得异常困难。

LLM的出现，为解决这一难题提供了革命性的方案。通过将LLM作为智能体的核心“大脑”或决策引擎，研究者可以创造出行为模式远比以往逼真的“生成式智能体”（Generative Agents）38。这些智能体不再依赖僵化的规则，而是能够基于自然语言的理解、记忆和推理来做出决策。斯坦福大学研究者朴俊松（Joon Sung Park）等人开创性的“生成式智能体”研究，在一个虚拟小镇中创造了25个拥有独立个性和记忆的LLM智能体，它们能够自主地进行日常活动、形成社会关系、甚至组织派对，展现了惊人的“人类行为的交互式模拟”能力。

这种“LLM-ABM”混合框架的潜力是巨大的。它使得模拟那些以往难以量化的社会动态成为可能。例如，研究者可以构建模型来探究：

• 信息传播：模拟一则虚假信息如何在具有不同信念和性格特征的智能体网络中传播、变异和被证伪。
• 社会合作：观察在没有强制规则的情况下，智能体如何通过沟通和互动自发形成合作或冲突的模式。
• 政策评估：在一个模拟社会中引入一项新政策，如“全民基本收入”（Universal Basic Income），并观察它对智能体的就业、消费和社交行为产生的长期影响。
• 舆论极化：模拟政治观点各异的智能体在社交媒体环境中的互动，观察“回音室效应”和群体极化是如何形成的 40。

为了更好地理解和规范这一新兴领域，已有学者提出了一个“六层框架”来对LLM在社会科学中的应用进行分级。这个框架从最基础的、作为静态文本处理工具的“LLM即工具”（0级），逐步升级到拥有记忆和反思能力的“反思式智能体”（2级），再到能够自主行动的“LLM智能体”（3级），最终达到由大量智能体构成、能够涌现出复杂群体行为的“多智能体社会”（4/5级）。

当然，这一强大的新技术也带来了新的挑战。LLM的“黑箱”特性与ABM传统上对模型透明度和规则明确性的强调形成了鲜明对比。我们很难精确地追溯一个LLM智能体做出某个特定决策的完整逻辑链，这为模型的验证和解释带来了困难。

尽管如此，“LLM-ABM”混合模型的重要性不言而喻。它不仅仅是对现有模拟技术的改良，更是一种方法论上的飞跃。它使我们能够首次对那些由文化、语言和主观诠释驱动的社会现象进行计算建模。这在计算方法与诠释主义这两种看似迥异的社会科学传统之间，架起了一座前所未有的桥梁，预示着一个整合性的计算社会科学新纪元的到来。