Simile AI 如何用数字孪生重塑人类决策

Joon Sung Park 的职业轨迹颇为独特。他在韩国出生，11岁随父母移居波士顿，父亲是波士顿儿童医院的外科医生。他最初立志成为职业画家，后在大学期间逐渐转向技术领域。这段艺术背景并未被抛弃——他在访谈中多次将仿真类比为绘画：两者都是在有限媒介中对现实的近似再现，追求的不是完美复制，而是捕捉本质规律。这一视角深刻影响了他对仿真评估标准的理解。

2023年，Joon 在斯坦福发表的 Smallville 论文成为生成式智能体领域的里程碑。该研究构建了一个包含25个 AI 角色的虚拟小镇，角色能够自主记忆过去事件、制定日程计划、相互社交，并产生研究者事先未预设的涌现行为。论文迅速在学术界和工业界引发广泛讨论，也让 Joon 意识到一个更宏大的问题：如果能在做决策之前先模拟整个世界，会发生什么？这一追问直接催生了 Simile AI 的创业方向。

Simile 的核心技术路径是构建行为基础模型，而非简单调用现有大语言模型。Joon 指出，互联网文本数据记录的是人们说了什么，而非他们实际如何行动，这导致基于网络数据训练的模型天然偏向理性化表达。Simile 的数据采集涵盖长篇访谈、消费交易记录、观察性数据以及随机对照实验，并在此基础上对模型进行后训练，使其能够复现人类决策背后的因果机制，包括偏见、错误判断和非理性选择。

在评估体系上，Simile 对1000名真实用户建立数字孪生，并将模型预测与这些用户对自身行为的回忆进行对比。结果显示，数字孪生能以85%的准确率复现人类行为与态度，而人类自身对过去行为的回忆准确率也仅在同一量级。这一基准设计本身颇具洞见：评估仿真的标准不应是与某个绝对真相的距离，而是与人类自我认知的吻合程度。目前，Simile 已为 CVS 等大型企业客户运行数千万次仿真，替代成本高昂的真实焦点小组。

Joon 将仿真的扩展定律类比于计算领域的摩尔定律，认为随着数据质量提升和模型规模扩大，仿真精度将持续改善。他援引托马斯·谢林的智能体建模传统和阿西莫夫笔下的心理史学概念，描绘了一幅社会级仿真的图景：不仅预测个体行为，更要理解政策干预如何在整个社会系统中产生连锁反应。他估计，模拟全球80亿人口最终可能需要整个数据中心级别的算力投入。

在应用场景上，Simile 将市场调研定位为起点而非终点。更深远的目标包括：在产品上市前测试其社会影响、评估政策方案的非预期后果、研究全民基本收入等复杂社会实验，乃至监测民主制度崩溃的早期信号和探索气候变化的应对路径。Joon 认为，AGI 与仿真技术可能是高级文明的两项孪生核心技术——前者负责生成智能，后者负责在行动前理解世界。

要点

• Simile AI 完成20亿美元 B 轮融资，数字孪生模型在行为预测上达到85%至99%准确率，已服务多家财富100强企业。
• 有效的人类行为仿真需要在模型权重层面进行后训练，仅靠提示词工程无法让过度理性化的大模型准确复现人类的非理性决策。
• Simile 的数据策略超越互联网文本，融合长篇访谈、交易数据、观察记录和随机对照实验，以捕捉人类行为的因果机制。
• 仿真的终极目标不是预测未来，而是理解如何通过干预塑造未来，这一框架与传统预测模型存在本质区别。
• 模拟全球80亿人口的长期愿景可能需要数据中心级别的算力，Joon 将其与 AGI 并列为高级文明的核心技术支柱。