Generative Agent Simulations of 1,000 People

人类行为模拟的前景——能够跨领域复制人类行为的通用计算代理——可能在政策制定和社会科学中实现广泛的应用。我们提出了一种新颖的代理架构，该架构模拟了1052名真实个体的态度和行为——通过将大型语言模型应用于关于他们生活的定性访谈，然后测量这些代理在多大程度上能够复制其所代表个体的态度和行为。生成式代理在一般社会调查中的回答准确性达到了参与者两周后重复自己答案的85%，并且在预测人格特质和实验复制结果方面表现相当。与仅提供人口统计描述的代理相比，我们的架构减少了跨种族和意识形态群体的准确性偏差。这项工作为开发能够帮助研究个体和集体行为的新工具奠定了基础。

该论文试图通过开发一种新型的代理架构来模拟人类行为，以解决在政策制定和社会科学中应用广泛的问题。这一问题虽然不完全是新的，但该研究试图在准确性和减少偏见方面取得进展。

论文的关键思路是利用大型语言模型和定性访谈数据来构建能够模拟1,052个真实个体态度和行为的计算代理。这种方法不仅能够生成与真实个体高度相似的行为模式，还能在不同种族和意识形态群体中减少准确性偏差。与仅提供人口统计描述的代理相比，这是一个显著的进步。

该研究通过多个实验验证了代理的有效性，包括在General Social Survey中的表现和对人格特质及实验结果的预测。此外，该代理在两周期间的自我复制测试中达到了85%的准确率，显示出其稳定性和可靠性。研究还提供了开源代码，为未来的研究者提供了进一步探索的基础。值得继续深入研究的方向包括扩展代理的应用场景、提高模型的可解释性以及探索更复杂的交互模式。

近年来，关于人类行为模拟的研究不断涌现，例如《Behavioral Simulation Using Agent-Based Models: A Review》和《Large-Scale Agent-Based Modeling of Human Behavior》等论文。这些研究主要集中在使用代理模型来模拟社会动态和群体行为，但大多数方法在减少偏见和提高准确性方面仍有待改进。