Simile 創始人：別讓 AI 裝人了，沒用

"每當我讀到那些科技高度發達的科幻社會，總會看到兩個共同的支柱：一個是 AGI，另一個是某種模擬系統，幫助這個社會預判風險、指引方向。我不會在五年前說出這番話，但今天我確實相信，我們已經站在了真正構建這個模擬的起點上。"

說這話的人叫 Joon Sung Park——斯坦福大學計算機科學博士，人機交互與自然語言處理方向研究者，2023 年憑借"Generative Agents"論文（即 Smallville 實驗）在 AI 領域一舉成名，隨后創立 Simile，擔任聯合創始人兼 CEO。

Simile 是一家應用 AI 實驗室，核心目標是用 AI Agent 大規模模擬人類行為與社會。聯合創始人陣容頗為強大：Percy Liang 是斯坦福基礎模型研究中心（CRFM）負責人，Micah Bernstein 是斯坦福 HCI 組研究員。公司戰略合作方是全球頂級調研機構蓋洛普（Gallup），已簽約的客戶涵蓋 CVS 等財富 500 強企業。

這期播客由風投背景的主持人對 Park 進行深度專訪，話題從 Smallville 實驗的誕生講到 Simile 的商業落地，再到他們對"用模擬解答人類社會最難命題"的長遠野心。內容信息量極大，涉及模型架構、數據方法論、客戶案例、準確性評估以及超越商業的社會科學愿景。

以下是完整編譯。

1

Smallville：一個會自發辦情人節派對的虛擬小鎮

故事從 2023 年 4 月的斯坦福開始。

Park 和他的團隊做了一個后來被廣泛引用的實驗，代號 Smallville——一個由 25 個 AI Agent 組成的虛擬小鎮。每個 Agent 有自己的身份設定，可以每天早晨起床、按時上班、發展人際關系。團隊的核心觀察是：大語言模型在訓練數據中編碼了大量人類行為模式，只要從正確的角度"探測"，就能得到令人驚訝的逼真微觀行為。

實驗中最震動他們的一幕，發生在情人節前夜。

一位名叫 Isabella 的咖啡館老板 Agent，在沒有任何預設指令的情況下，自發決定舉辦一場情人節派對。她主動準備食材，逐一邀請顧客。到了情人節當天，咖啡館里涌來了一群 Agent，其中一位叫 Klaus 的，收到邀請后順帶約了自己的暗戀對象一起赴約。

"非常超現實，"Park 說，"這些行為完全是自發涌現的，我們沒有編程讓他們這么做。"

1

從論文到公司：一條被需求推著走的路

Smallville 并不是 Park 研究模擬的起點，而更像是多年探索后水到渠成的爆發點。

早在 2020 年，GPT-3 尚未正式發布，Park 就參與撰寫了斯坦福那份奠基性的《基礎模型：機遇與風險》報告。2022 年，他發表了 Social Simulacra 論文——用 AI 模擬 Reddit 社區，這是 Smallville 的直接前身。彼時他們搭建了一個討論"匹茲堡旅游景點"的虛擬社區，結果 AI 角色們不只討論景點，還開始互相邀約共同規劃旅行。那一刻，Park 意識到這件事的潛力已經超越了學術范疇。

Smallville 論文發表后，兩類完全不同的人同時找上了門：社會科學家希望在這個平臺上跑 RCT（隨機對照實驗），而財富 500 強的高管們在看完演示后問的是："我們能用這個做市場研究嗎？"

有了真實需求，團隊開始嚴肅驗證：他們用自研架構和模型，測試能否以足夠高的準確率還原真實用戶的行為——最終達到了 85% 的預測準確率。這個數字，讓他們有底氣在 2023 年下半年正式成立 Simile。

1

為什么直接問 Claude 不夠用？

一個自然的疑問是：難道不能直接告訴 Claude "你是一個 35 歲、住在海岸城市的女性"，讓它模擬出真實的人嗎？

Park 的回答直指現有大模型的核心盲區：Say-Do Gap（言行差距）。

現有前沿模型的訓練數據，幾乎全部是人類說過的話——文章、評論、對話、社交媒體——而非人類真實的行為。兩者之間存在顯著的鴻溝。一個人在問卷里表達的政治傾向，和他真實投票行為之間，可能差距懸殊。

Simile 彌補這個差距的方式，不是問結構化問題，而是收集敘事性數據。他們不問"你的政治傾向是什么"，而是問："告訴我你的人生故事——你在哪里長大？你一生中做過哪些艱難的決定？" 這類深層敘事，才能搭建起"態度"到"行為"之間真正可靠的橋梁。

Park 打了一個精準的比喻：現有前沿模型像 CPU——單一、超強、極度理性；而 Simile 需要的模型更像 GPU——并行、多樣、充滿人性的局限與矛盾。前者的目標是超級智能，后者的目標是盡可能像一個真實的、普通的人。

1

CVS 案例：用 15 分鐘訪談，回答無限個問題

Simile 的第一個標桿客戶是 CVS——美國最大的連鎖藥店。

合作的起點，是 CVS 負責"消費者洞察"的高級副總裁讀到了 Park 團隊的驗證論文。CVS 的調研長期被兩個瓶頸困住：每次問卷的問題數量有限，而且無法模擬"一個決策在整個市場中引發的二階影響"。

合作流程是這樣運轉的：CVS 告知目標人群（比如 30 到 45 歲的女性健康消費者），Simile 通過戰略合作方 Gallup 觸達這批真實用戶，用一次 15 分鐘的高效訪談采集關鍵數據，然后基于這些數據構建對應的 AI Agent 群體。之后，CVS 的研究人員可以通過 SaaS 平臺隨時向這些 Agent 提問——而問題的范圍，遠遠超出最初那份問卷。

CVS 看到這個系統后，提出了一個更大的想象：他們坐擁 9000 萬用戶數據，能不能用這些內部數據來進一步微調 Simile 的模型，讓模擬更加精準？這開啟了一場關于如何合規使用企業數據的深度對話，也指向了 Simile 商業模式最具價值的一層——用真實企業數據強化模擬能力。

1

模擬有多準？誤差是敵人還是價值？

Simile 用"總變差距離（TVD）"來量化模擬的準確性。TVD 低于 0.15，他們認為結果可以支撐真實決策。這個指標同時覆蓋定量問答和 RCT 結果預測。

但更有意思的，是 Park 對"誤差"本身的重新定義。

他把模擬分為兩類。第一類是收斂型模擬：比如模擬社交網絡，必然會涌現出"樞紐節點"（類似 Google PageRank 的冪律分布），這類宏觀結論對基礎誤差有天然的容忍度，跑很多次結果都趨于一致。第二類是發散型模擬：比如模擬選舉——同一套參數跑 100 次，可能給出截然不同的結果。

發散聽起來像是系統的缺陷，但 Park 認為恰恰相反。發散本身就是信息：它展示的是可能的未來光譜，讓決策者看到不同路徑的概率分布，從而為多種情境同時做好準備。Simile 用 Bootstrap 置信度來呈現這種不確定性——跑 100 次，告訴你有多少次結果倒向 A，有多少次倒向 B。

1

最終的野心：人類社會的哈勃望遠鏡

商業應用只是起點。Park 和他的聯合創始人 Percy Liang 的真正野心，在于用這套系統回答人類最難的那些問題。

他們談到了宏觀經濟學（貨幣政策會如何傳導到真實消費者行為？銀行擠兌的觸發機制是什么？）、氣候變化（多國集體行動困境如何打破？）、政治學（民主體制崩潰前有哪些可識別的早期信號？）。他們甚至問：一戰是否不可避免？

Percy 的比喻令人印象深刻：最偉大的科學突破，往往始于一次偉大的測量。哈勃望遠鏡徹底改變了人類對宇宙的理解——而模擬，可以成為人類社會的哈勃望遠鏡。

Park 相信，這個領域做對了，有望誕生諾貝爾獎。他援引了經濟學家托馬斯·謝林（Thomas Schelling）的故事——謝林當年用極度簡化的 Agent 模型，揭示了種族隔離如何從個體的微小偏好中自發涌現，最終獲得諾貝爾獎。而今天，我們手中的 Agent 已遠比那時復雜與真實。

點個“愛心”，再走 吧