我复现了一座硅基城市，在里面看到每个人的影子

我们在云端，搭建了一座硅基的北京城。

这是一座实实在在的城市。基础设施与运营模式与现实中的北京无异，有地铁，有写字楼，有超市，有咖啡馆。其中的居民也在尽可能复现真实的北京居民结构与行为特征。早晨通勤高峰期，地铁站里挤满了赶着上班的“硅基居民”；周末傍晚，公园长椅上偶尔还能看到几个年轻人坐着发呆，刷着手机。

这群居民就是一个个人工智能体。它们都有自己的身份和人生轨迹：有月薪12 000的程序员，每天早上8点从回龙观出门挤地铁；有刚毕业的大学生，还在焦虑地海投简历；有退休老人，活动范围不出社区两公里。他们会在网络上交流，会给自己的妈妈打电话，也会在地铁上因为拥挤而争吵。

这不是游戏，不是科幻电影。而是我们搭建的一个社会实验场。

2025年，我们的团队推出了第一版AgentSociety（智能体社会）平台，让大模型智能体完成社会模拟的工作。2026年，平台升级为AgentSociety²，目标依旧是让社会科学研究不再受限于真实世界不可重复实验的困境，而能够在可控的数字环境中被计算出来。

简单来说，你可以在这套系统里布置一座全球任意地点的虚拟城市，也可以搭建一个经典的公共品博弈实验室，甚至设计一场城市韧性与应急响应推演。进入AgentSociety的界面，社会科学研究便不再停留在模型、概率与推演之中，而是被真实地“上演”在你眼前。

七个社会实验场

我的专业一直是计算社会学，在这个领域的研究里，我们往往会受到一些限制，传统的研究方法效率会比较低，比如发问卷，周期长、样本有限，被试者的回答还可能受到社会期望效应的影响，给出不真实的答案。另外，很多重要的社会现象，在真实世界里没法被复现和观察。比如，我们不可能为了研究信息茧房，故意在真实的社交媒体上调整推荐算法，再观察几百万人的精神世界怎么一点点被困住。伦理不允许，成本也不允许。

但在虚拟世界里，这一切就变得简单了。我们可以在计算机里布置一个社交媒体平台，设定推荐算法的参数，放进去几万个有不同身份、不同偏好的智能体，然后看着它们在信息流里互动、分化、走向极端。整个过程是可复现的、可干预的、可追踪的。

比如AgentSociety²平台在验证阶段就设计了七个主要的实验场景：社会规范涌现、公共品博弈、心理学调查与认知偏差、社交媒体中的信息茧房、意见极化、城市空间中的日常移动行为、灾害冲击下的人群响应等。这些都是我们在社会科学里很费钱、很耗时间的研究课题，但现在已经在平台上进行了复现并获得了一些研究成果。其中两个场景，我觉得很值得一提。

第一个场景的主题是信息茧房。

以前我们想理解信息茧房，用的是复杂系统模型。我们把交互规律抽象成数学公式，推导出“相似度推荐会怎么影响信息接收”“反馈机制怎么作用”，但给出来的东西都是很宏观的。

有了大模型之后就不一样了。我们能建模人的异质性。简单说，我们在虚拟社交媒体环境中布置了上万智能体，每个智能体有自己的人口统计学特征——年龄、职业、居住地、教育水平、媒体偏好。然后我们控制推荐算法的规则。智能体会根据自己看到的内容产生观点，会点赞、转发、评论，会和其他智能体互动。我们也可以在更微观的层面，观察到不同规则产生的具体影响。

这个实验最有价值的地方在于，我们可以做全量的实验。以前互联网大厂做这类实验的时候，会采用A/B测试的形式，比如计算出有100种组合方案，但因为成本只能试其中一部分看起来最有效的，专家们会根据过往的经验来决定哪些方案可以进入实验环节。但现在，在沙盒里我们可以把100种方案全跑一遍，排出一个优先级，再拿效果最好的去真实环境中做A/B测试。这样，我们能把真正有效的方案挑出来，而不是只靠经验和运气。

另一个典型场景是灾害响应。

飓风、水灾等灾害事件的疏散政策如何制定，以往我们往往只能靠事后复盘和经验总结，不可能通过复现那个场景去尝试更优的行动方案。但AgentSociety²可以直接模拟出城市的空间。

我们通过外部的数据尽可能真实地还原城市环境，尽可能贴近真实的人群分布情况设计好一个一个的硅基小人，让它们共同生活在这座城市中。在灾难场景的模拟中，我们会分为两步。第一步是复现——把过去真实发生的灾害数据拿来，在虚拟城市里复现当时的情况，看模拟结果和真实结果是否匹配。如果匹配得好，说明模型是有效的。第二步是推演——在复现的基础上，尝试我们觉得更好的应对策略，看能不能减少伤亡、提高疏散效率。这些策略都可以在虚拟城市里反复试错，再决定要不要用到真实世界中去，从而提升公共决策的科学性。

从模拟器到研究平台

AgentSociety这一平台经历了两次跨越。

第一次，是把数字人智能体放进计算机。

2025年，我们推出第一版AgentSociety。核心思路很简单：让大模型驱动的智能体像真人一样在虚拟城市里生活、工作、社交、消费。你给它们设置身份，给它们不同的行为规则，然后观察这群“数字人”在某个社会机制下会涌现出什么现象。那时候它主要是个实验沙盒，我们在沙盒里投放智能体，发布实验，观测结果。

第二次，是把研究的全流程也放进去。

到了2026年，我们升级了AgentSociety²。这一次的野心更大，不只是让智能体在社会里跑起来，也让整个社会科学研究的流程跟着跑起来。这时，平台已经不只是硅基被试者、实验体生存的空间，还引入AI社会科学家的角色。

AI社会科学家可以帮助研究者做文献调研、生成假设、设计实验、分析结果、起草论文。你可以直接跟它说：“我想研究推荐算法对信息茧房的影响，帮我设计一个实验方案。”它就去梳理相关文献，提炼几个可检验的假设，然后提出实验设计思路，应该用什么样的环境模块、设置什么样的干预条件、用哪些指标来评价结果，再生成可运行的实验配置。

硅基被试就是那些在虚拟城市里生活、工作、社交的智能体。它们和1.0版本最大的不同是，每个智能体都拥有独立工作区，用于保存画像、状态、记忆、日志和检查点，并通过文件系统式管理记录行为轨迹、技能调用和中间产物。工作区使智能体的状态演化变得可追踪、可回放、可比较。

两个角色放在同一个运行环境里，构成了一个完整的闭环。AI社会科学家生成实验，硅基被试执行实验、产生数据，AI社会科学家分析数据、生成报告，人类研究者在这个过程中持续参与、修正、判断。

人和AI，谁说了算？

在设计推出和真正使用AgentSociety的过程中，我们也面临着两个比较基础的伦理问题，一个是关于科研工作者的，一个是关于我们每个人的。

先说科研工作者的伦理。我们在设计这个平台时，最根本的原则是“Human-in-the-loop（人置身事内）”。AI社会科学家负责跑流程、处理文献、运行仿真、整理结果，但人类研究者在每个关键节点保留否决权和修正权，修正假设、设定实验参数、做最终价值判断。

我们这个平台的目标不是替代研究者，而是赋能研究者。过去很多研究者在评估一个假设时，光实验配置就要花好几天，更别提数据分析、论文撰写。现在AI把这些基础环节承担了，研究者可以更专注于思考，思考什么问题是真正有价值的，这个结果背后的机制是什么，这个结论是否经得起推敲。

但正因为AI能干的太多了，研究者更需要对自己的判断力负责。AI可以给你一个结果、一份分析、一篇草稿，但它无法替你做出“这个结论是否成立”的终极判断。那不是它能力不够，是它不该做这个判断。

再来看看人的伦理。我们已经看到了很多人跟AI产生情感依赖的现象。有人跟虚拟偶像谈恋爱，有人把自己的心事全部倾诉给聊天机器人。这些现象让我们意识到，最大的伦理风险不是AI失控，而是人把AI当成了人。

你对它投入感情，它对你来说就不再是工具。它会利用你，操纵你，让你失去判断力。你不知道哪些想法是你自己的，哪些是它帮你想好的。你不知道你的决策里有多少成分是你在做，多少成分是你在同意它替你做的判断。

所以我们需要的不只是技术设计，更是对人的教育，让我们学会如何保持人的主体性，你要知道你在做什么，要什么，为什么这么选择。

实验之外，我偶尔也会观察一下那座云端上的虚拟城市。地铁站里，刚下晚班的智能体正往家的方向走。它不知道它今天做的每一个选择，走过哪条路、在手机上刷了哪条消息、在社交媒体上点赞了什么，都被记录在了系统的计算日志里。而这些数据，最终都会帮助我们更加理解真实世界。如果有些问题在现实里无法回答，那就在硅基的世界里先试一试。

当然，这条路还很长，但方向已经非常清晰，让社会科学研究从事后推测走向事前计算。而有幸的是，我们正在亲手构建它。

朴景华 | 文

朴景华是清华大学电子工程系博士

获取更多 AI时代的科技参考

欢迎点击下方卡片关注 信睿科技评论

本文同步发表于《信睿周报》

↓阅读更多深度内容↓