焦点评述

随着生成式人工智能技术的突破，以大语言模型为核心的基础模型为社会科学研究带来了范式革新的契机。传统社会科学研究方法在可扩展性、动态推演和实验复现等方面存在局限，难以应对复杂社会系统的建模需求。大模型驱动的社会模拟这一新兴交叉领域，深度融合计算科学、社会理论和复杂系统理论，通过构建基于大模型智能体的“数字社会”，支持对人类行为和社会现象的精细化建模与动态推演。相较于传统解释性研究，大模型驱动的社会模拟拓展了前瞻性模拟与推演能力。它既可服务于社会科学的机制研究与反事实实验，也可用于舆论传播、群体行为和社会现象的动态分析，并为政策评估、风险预警和前瞻性决策提供技术支持。

当前研究沿着模拟对象复杂度不断提升的路径展开，既关注真实个体的精准刻画，也逐步扩展到大规模多智能体交互及人与AI共同参与的复杂社会技术系统。

1. 个体精准建模与社会心智模拟

大模型社会模拟日益重视个体差异的细粒度刻画，研究内容逐步纳入经历、记忆、情绪和社会关系等更丰富的信息。斯坦福大学(Stanford University)相关团队先在Smallville虚拟小镇中模拟25个生成式智能体的持续社会互动，后基于1052名真实参与者的深度访谈构建对应智能体，其美国综合社会调查(General Social Survey，GSS)回答达到真人两周后自我复测一致性的85%。MatrAIx开放研究社区以1290项标准属性构建覆盖83亿个人物画像的模拟用户基础设施，并在问卷、对话、数字环境操作等任务中开展大规模异质用户模拟。加州大学圣迭戈分校(UC San Diego)等研究者提出CoBRA，将经典社会科学实验转化为社会智能体认知偏差的测量与调节工具，通过闭环机制控制智能体表现出的认知特征，提高不同模型间社会行为模拟的稳定性和可复现性。复旦大学Fudan DISC团队研发的SocioVerse依托千万级真实用户池，通过社会环境、用户、场景和行为引擎实现多维现实对齐，并在新闻传播、选情预测、社会经济调查等场景开展验证。中科院计算所（智能算法安全全国重点实验室）发布的“知境”社会智能技术体系聚焦个体社会心智建模，其中SoMBench覆盖71类社会心智任务，并结合Zing模型和智能体框架提升对个体内在状态及社会行为的建模能力，为社会模拟中的社会智能体构建提供支撑。

2. 多智能体社会模拟与大规模系统推演

社会模拟也开始更多关注大规模异质主体的持续互动，以及个体行为如何累积形成群体和宏观效应。谷歌DeepMind(Google DeepMind)提出Concordia，通过Game Master协调智能体行动与环境规则，为生成式智能体社会模拟提供通用框架。麻省理工学院媒体实验室(MIT Media Lab)提出Large Population Models与AgentTorch，通过GPU加速和可微分模拟提升人口级仿真的计算效率，并在纽约840万人口模拟基准中显著缩短计算时间。国内学者在大规模社会模拟平台与社会实验基础设施方面也形成了多条技术路线。清华大学FIB Lab研发的AgentSociety2面向微观实验、社交媒体和城市级场景，将社会模拟、干预、分析纳入统一科研流程，并复现了既有社会科学研究的主要定性规律。中国人民大学高瓴人工智能学院“玉兰-万象”支持自然语言自动构建模拟场景，并通过分布式架构支持最高10万智能体仿真，可自动完成社会模拟的主要科研流程。上海人工智能实验室等机构联合研发的OASIS面向社交媒体场景，将用户交互与平台机制纳入统一环境，并支持最高百万级智能体模拟。北京大学武汉人工智能研究院与北京通用人工智能研究院研发“大型社会模拟器”，已在武汉东湖高新区构建上百万智能体的虚拟社会，用于评估社会决策的长期影响。

3. 以人为中心的人智协同社会技术系统模拟

随着AI持续参与人类决策与平台运行，社会模拟开始关注人智协作及其长期系统影响。Aptima公司(Aptima, Inc.)、亚利桑那州立大学(ASU)与卡内基梅隆大学(CMU)联合研究团队通过模拟实验与真人实验对照，研究个体特征和AI设计属性如何影响目标部分一致场景中的人智协作，为交互模拟提供经验验证。比萨高等师范学校(Scuola Normale Superiore)与意大利国家研究委员会(CNR)相关团队则构建人—AI反馈循环模型，模拟用户行为与推荐算法持续相互塑造的过程，并分析其对集体选择和内容多样性的长期影响。复旦大学CISL实验室围绕“以人为中心的协同计算”，形成从个体行为建模到群体互动和系统推演的研究链条。个体层面，RAH通过大模型多智能体助手及“学习—行动—评判”迭代反思机制，理解并模拟用户细粒度偏好；群体层面，SimuLine将内容生产者、消费者与平台算法纳入统一建模框架，揭示质量反馈、兴趣—质量混淆等群体演化机制，并支持全生命周期模拟与干预验证。系统层面，RECOSIM通过模块化建模刻画在线社区中的行为反馈与系统演化，支持百万级、多场景、长跨度模拟。实验室正推进多角色、全周期、跨尺度的人智协同生态模拟，研究微观交互的长期系统效应。

总体来看，大模型社会模拟正在不断提升与真实世界的对齐能力，并在此基础上扩大模拟规模、加强不同社会层级之间的关联建模，使其逐渐具备面向真实社会技术系统开展长期推演和干预的能力。

1. 社会模拟的现实一致性与多层次评估

未来社会模拟将更加重视模拟结果与真实世界的一致性，并以真实世界数据作为验证模拟有效性的重要参照。评估范围也将由单个智能体逐步延伸到不同社会层级：微观层面关注个体行为、态度、偏好与真实数据的一致程度；宏观层面考察传播规模、群体意见及其变化趋势是否与现实世界相符；系统层面关注模拟系统的运行效率、资源消耗及可扩展性。通过建立覆盖不同层级的评估方法，社会模拟能够形成更加系统的现实验证机制，为后续的大规模推演和实际应用提供可靠基础。

2. 大规模跨尺度社会模拟

在模拟结果具备现实可信性的基础上，如何扩展主体规模并刻画不同社会层级之间的作用关系，成为社会模拟面向复杂社会系统发展的关键问题。未来研究需要提升大规模智能体模拟能力，在控制计算成本的同时保留对关键主体和重要交互的细粒度刻画。跨尺度建模则要解释个体行为如何改变群体关系，并由此形成宏观涌现，使社会模拟能够在可控环境中还原复杂社会现象的生成过程。

3. 面向人智协同社会技术系统的闭环推演与调控

当社会模拟具备现实校准和跨尺度建模能力后，其研究价值将更多体现在对复杂社会技术系统的长期推演与干预。随着AI成为社会活动的持续参与者，推演需要突破对单一人类行为反应的刻画，转而关注人与AI相互影响、持续适应的动态过程。研究可围绕“供给侧策略响应—算法排序—用户再学习—数据再训练”的闭环，通过设置不同的算法机制与人智协同情景，比较其对系统长期演化的影响。结合反事实实验和持续数据反馈，推演结果可服务于效能预估、策略优化与风险监测等任务，为人智协同社会技术系统的设计与治理提供依据。

点击底部阅读原文，有兴趣的都可以免费学习

目录

点击底部“阅读原文”，可免费学习第120期详细内容

点击“阅读原文”浏览《CCF数图焦点》第120期详细内容。