文 | 硅谷101
你相信，我们其实生活在一个虚拟世界中吗？
马斯克曾在Lex Fridman的访问中被问到：如果有一天人类实现AGI，并且只能向它提出一个问题，他会问什么？
思考了十秒之后，他给出的答案是：
“What's outside the simulation?”——模拟之外是什么？
这是马斯克对于这个世界的终极追问。早在2016年，他就曾表示，人类生活在真实世界里的概率或许不到十亿分之一。当然，这种近乎科幻的理论，目前还没有任何科学证明。
但非常有趣的是，随着最近AI的发展，在硅谷，人们已经开始尝试扮演“造物主”，去创造一个AI的“模拟世界”。而这，也催生出了一个新的赛道——AI Simulation（AI模拟）。
最近，这个领域不断升温。李飞飞、Andrej Karpathy同时押注的Simile，最新估值达到20亿美元；由00后团队创办的AI模拟预测公司Aaru，估值也已接近10亿美元。由哈佛大学与MIT联合发起、200多位研究者共同参与的MatrAIx项目，更是构建了83亿个AI虚拟人格，相当于把全人类都镜像到了数字空间。
这篇文章，我们就来聊聊正在升温的AI Simulation。
AI究竟已经可以把一个人模拟得有多像？当成千上万个Agent被放进同一个虚拟世界，它们真的会形成类似人类社会的关系和规则吗？企业又为什么愿意花钱，让这些“数字分身”替消费者测试产品，甚至提前预测一个还没有发生的未来？
以及，当这些Agent开始拥有自己的记忆、性格和关系，甚至产生一些创造者都没有预料到的行为时，我们究竟是在模拟一个世界，还是正在创造一个新的世界？
今天很多领域都在谈Simulation，但不同领域所说的“模拟”其实并不相同。机器人和自动驾驶领域有物理仿真，世界模型研究的是对物理世界的模拟，而我们这次想讨论的，是一个维度更大、也更加复杂的概念：模拟人类与社会，并借此去理解、甚至预测现实世界。
孟醒 五源资本合伙人 在世界模型或者物理世界模型里，最小颗粒度理想情况下可能是世界中的某个分子，或者某一个原子，模拟的是某些物体。但在智能体社会里，我们模拟的最小颗粒单位是一个人的个体。 我其实并不关心这个人的手怎么动、往哪里跑，关心的是这个人作为一个整体，会采取什么样的行动，最后输出什么样的行为。如果把它映射到大学学科，物理世界可能对应的是自然科学，而智能体社会对应的则是人文学科、社会学科、政治学和心理学。
关于模拟人类与社会这件事，最早引发广泛讨论的，其实是一篇20多年前的哲学论文。2003年，牛津大学哲学家Nick Bostrom在《Are We Living in a Computer Simulation?》中提出了一种推演：如果一个先进文明拥有足够强大的算力，并且有意愿通过模拟重现文明的发展过程，那么，模拟世界中的意识数量可能远远超过真实世界。从概率角度来看，人类也就有可能身处一个模拟世界中。这就是后来广为流传的Simulation Hypothesis（模拟假说）。
由于技术条件的限制，二十多年来，这个假说一直更多停留在哲学讨论和科幻作品中。直到近年来，大语言模型的发展迎来了突破。
2023年，斯坦福大学与Google联合发布了一项后来对AI Agent研究产生广泛影响的实验——Generative Agents（生成式智能体）。研究团队搭建了一个像素风虚拟小镇Smallville，里面有街道、房屋、咖啡馆，还有25个穿梭其中的虚拟居民。这些居民都是由大语言模型驱动的AI Agent，拥有各自的记忆、性格和行为逻辑。
这些Agent的活动并没有预先写好的“剧本”。研究者只是把它们放进小镇中观察，结果发现，它们不仅会自己生活、工作和建立关系，还能够自主思考和规划行动。比如，一个Agent准备举办派对，消息传开后，其他Agent会根据自己的安排重新规划时间，决定是否参加。“斯坦福小镇”让很多人第一次直观地看到，Agent可以拥有持续的记忆、规划和社交能力，并在互动中自然出现一些群体行为。
高森泉 WorldVac CEO 这个研究的意义，就是让大家认识到语言模型是可靠的，它真的可以去复现人类社会的一些现象。更多人开始关注这个领域，也让大家开始相信这件事情是可以做的。
25个Agent只是一个开始。随着模型能力不断提升、推理成本持续下降，研究者开始有能力进行更大规模的模拟，也逐渐形成了几种不同的探索方向。
其中一条路线，是在模拟精度上尽可能与真实的人对齐。2024年，斯坦福团队把实验扩大到了1052个Agent。这一次，每个Agent背后都对应一个真实的美国成年人。研究人员先对真人进行大约两小时的深度访谈，了解他们的成长经历、家庭、工作、价值观和生活经验，再把这些信息交给大模型，生成相应的AI“数字分身”。
这样得到的Agent，不再只是一个符合“平均画像”的虚拟人物。实验中，这些Agent回答社会调查问卷的结果，与真人两周之后给出的答案达到了85%的相似度。也就是说，在一定程度上，AI开始能够复现真实个体的部分想法和选择。
孟醒 五源资本合伙人 访谈也是有技巧的，不是随便访谈。它会用一些最高效的方式去“榨取”你是谁，本质上其实就是在“蒸馏”你是谁，而且蒸得比较细。 它的好处是，针对每一个个体，个体的特异性都会影响整个仿真进入的场景。
另一种研究思路，则不再过分关注某个Agent是不是与真人高度一致，而是把重点放到Agent之间的关系，以及一个社会会如何演化。
前MIT教授Robert Yang团队发起的Project Sid，就曾直接使用大语言模型生成1000多个Agent，并将它们放入《我的世界》中运行12天。结果，这些智能体逐渐形成了经济、文化、宗教和法律等结构，一些社会关系开始自己“长”出来。
不久前，Emergence AI也进行过一项类似实验。他们分别基于Claude、GPT、Gemini、Grok以及混合模型建立了5个平行世界，每个世界中放入10个Agent，用来观察不同模型驱动的智能体社会长期运行后会发生什么。在这一实验设定下，不同世界最后走出了明显不同的轨迹：有的迅速陷入混乱，有的因为协作不足逐渐崩溃，也有的形成了相对稳定的治理秩序。
Satya Nitta Emergence AI CEO 如果只看静态基准测试，就认为这些系统应该是安全的，很可能会犯错。因为Agent会运行在非常复杂的环境中，无论是物理世界还是数字世界。它们会和其他Agent互动，也会受到环境噪声和变化的影响。 所以，我们正在逐渐把Emergence World发展成一个用于研究长周期自主性的基准测试。
还有一条研究路线，是专门从“评估”入手。比如MatrAIx，就试图为AI模拟建立一套评估基础设施。这项研究由哈佛大学、MIT等机构牵头，汇集了200多位来自学术界与产业界的研究者，其中还包括40多位来自OpenAI、Anthropic等前沿AI实验室的参与者。
MatrAIx构建了一个包含83亿个独特人格的数据集，每一个人格由心理特征、生活习惯等1290个维度定义，再通过大模型将这些人格变成可以行动的Agent。这些Agent随后进入问卷调查、AI聊天、网页浏览和App等四种环境，完成超过1.8万次测试。研究团队通过400次受控实验发现，91.5%的情况下，Agent都能够遵循预设的人格和行为特征。
Xiaomin Li MatrAIx联合创始人、微软高级研究科学家 我们做基础设施评估、提高最低能力水平，是希望先通过用户群体的多样性，在产品真正出来之前，就可以在各种情况、各种使用方式之下去评测它。 它可能会踩中很多边缘场景。这些边缘场景的分析非常有用，Agent可以告诉你哪一步错了、哪一步它不喜欢，以及它背后的推理为什么会形成这样的偏好和选择。 所以我们首先想要一套方法论，知道怎么样构建事实基准，然后下一步再说怎么样提高。
当AI模拟开始在研究层面被证明具有一定可行性之后，一个更加现实的问题也随之出现：如果AI真的能够在数字世界里复现人类行为、推演社会运行，它能够产生什么真实的商业价值？
▍第一种生意：卖“模拟”
从目前的探索来看，AI模拟首先出现的一类商业模式，是直接把“模拟”本身变成一种产品。
它的核心逻辑，是把现实世界中的人、消费者，甚至社会关系，变成可以被反复调用的数字替身。比如，一家公司可以按照自己的具体需求，快速生成一批拥有不同年龄、背景、偏好和行为特征的Agent，让它们提前体验产品，在虚拟环境中反复测试，再观察这些Agent会怎么选择、怎么对话、在哪里流失，以此为产品设计和迭代提供参考。
这和传统市场调研一个很大的区别在于，企业想看的不只是一个“喜欢”或者“不喜欢”的答案，而是Agent为什么会形成这样的判断。
Yuexing Hao MatrAIx联合创始人、MIT EECS博士后 并不是说他们喜不喜欢这个产品，或者喜不喜欢可口可乐涨价两块钱，而是看他的推理。他在这个过程中遇到了什么样的波折，或者什么样的想法，导致他最后在预测过程中发生了转向。 我们不仅要看到一个人怎样做这样的决策，也希望看到群体层面的结果。如果是百万级、数亿级，甚至83亿级的人格，他们最终会出现怎样的结果，我觉得这些都是非常有意义的。
所以，这种思路本质上是把模拟本身作为一种产品评估和观察手段。Emergence AI告诉我们，他们进行Emergence World实验，一个重要目的也是为了测试自己所提供的Agent产品，在进入复杂环境后是否依然安全。
Satya Nitta Emergence AI CEO 我们会用Agent去做一些事情，比如帮助改善半导体良率。Emergence World这个实验非常重要，因为我们需要理解，我们构建的Agent真正运行起来以后是否会采取安全的行动，能不能持续遵守我们设置的安全护栏和基本规则。 更重要的是，它们能不能给出真正值得信任，而不是来自幻觉的输入、建议和洞察。
这种单体模拟的能力，也可以继续扩展到整个“社会”。比如英国创业公司Artificial Societies，主打的就是“社会关系”测试。他们让大量拥有不同人格的AI Agent彼此互动，形成一个可以进行实验的虚拟社会。企业可以把产品、品牌或者营销策略放入其中，再观察不同Agent之间如何交流、影响和做出反应。
MatrAIx的下一步，也准备让这83亿个人格真正“动起来”。
Xiaomin Li MatrAIx联合创始人、微软高级研究科学家 我们会在新版本中加入动态人格属性，这些东西是可以变化的。还有一个假设是，如果现实生活中发生一些重大事件，它也会对人格和行为产生影响。
而且，这些合成人格未来也不一定只能存在于数字世界。MatrAIx团队正在尝试把人格放到机器人等现实载体中，让不同的思维模式和行为模式从虚拟环境进入现实世界。
Xiaomin Li MatrAIx联合创始人、微软高级研究科学家 我们会把人格加到机器人上，让它不只是存在于虚拟世界、存在于Matrix里，甚至可以在现实生活中跟我们互动。 这样，我们可以真正感受到不同人格背后代表的思维模式和行为模式是不一样的。
从这个角度来看，AI模拟未来或许不只是一种市场调研工具，也可能成为人机交互的一层基础能力。但现在很多人认为，只停留在“模拟”还不够。在这个基础上，更有意思、也更有挑战的事情，是预测。
▍从“模拟”到“预测”
在商业中，“预测”往往是昂贵的。企业要不要进入一个新市场？产品价格上涨10%之后会发生什么？如果政府调整一项政策，会对整个社会产生什么影响？这些问题的答案，往往只有等事情真正发生之后才能知道。
AI模拟如今提供了一种新的可能：先把这个还没有发生的未来，在虚拟世界里跑一遍，再把结果作为现实决策的参考。目前，在更侧重“预测”的AI模拟公司中，两家比较有代表性的企业是Simile和Aaru。
Simile由“斯坦福小镇”项目的一批核心研究者Joon Sung Park、Michael Bernstein、Percy Liang等人创办，它的思路是从“模拟一个人”开始进行预测。在2024年“数字人格”研究的基础上，Simile尝试通过深度访谈等方式，尽可能高精度地还原一个人的记忆、经历、反思和决策过程，再把这些AI Agent放进不同环境中持续行动。
这样一来，模拟回答的问题不再只是“这个人现在怎么看”，而是可以进一步观察：当价格、政策等外部条件发生变化后，这个人会怎么做，会不会改变原来的选择。Simile想建立的，是一个“人类行为基础模型”，通过模拟人的行为过程，推演现实世界可能出现的结果。
因为这条路线追求的是尽量“真实”，所以更适合消费者研究、产品测试、客户体验和投资者关系等需要深入理解特定人群的场景。Simile今年2月正式亮相，目前估值已经突破20亿美元。根据公司披露的信息，自上线以来，Simile已经为财富100强企业运行了数千万次模拟。美国大型连锁药房CVS也已经和Simile合作一年，通过真实用户数据构建了多达40万个数字分身，用来研究患者按时服药、测试消费者体验和辅助产品设计。
但高保真的另一面，是成本和规模化的代价。
Yuexing Hao MatrAIx联合创始人、MIT EECS博士后 Simile这种情况下，如果需要非常准确，可能会非常难标准化。比如可口可乐需要的用户画像，和TikTok需要的用户画像是完全不一样的。 对公司来说，代价就是针对每一家公司、每一种场景，都可能需要重新做后训练或者预训练。这样的代价是巨大的，而且它的可迁移能力目前也是未知的。
以Aaru为代表的另一条路线，则直接通过“群体模拟”进行预测。它不追求把某一个人的思想还原得特别深入，而是基于现实世界的人口、消费等数据，快速建立一个尽可能接近真实世界的模拟人群。
Aaru的数据大致分为三层。第一层是人口普查、就业、健康等公开数据，用来搭建基本人口结构；第二层是匿名消费记录、经常去哪些地方、关注什么媒体等授权数据，用来补充人群近期的真实行为；第三层则是客户提供的私有数据，例如企业自己的用户分层、购买历史和产品信息等，把模拟范围收窄到真正需要研究的人群。
在此基础上，Aaru会进一步构建一张关系网，不只是让年龄、收入等人口属性接近现实，也尽可能还原行为特征及它们之间的关系。接下来，系统会改变价格、产品或者政策等某一个现实变量，再观察整个群体的行为如何变化，以此推演现实世界可能出现的结果。
孟醒 五源资本合伙人 Aaru可能关注得更多是速度，也更关注群体之间发生的关系。至于某一个体受到的深刻影响是什么，它可能并不那么关心。
Aaru的创始团队非常年轻。两位创始人Cameron Fink和Ned Koh成立公司时分别只有18岁和19岁，技术负责人John Kessler甚至只有15岁。最早，他们在朋友家的地下室里用美国大选验证这套系统。在回测2020年大选时，预测结果与实际结果只差不到0.5%。
真正让Aaru受到关注的，是2025年纽约市长民主党初选。当时外界普遍看好前纽约州州长库莫，Aaru却通过大规模模拟预测了曼达尼最终胜出。因为规模大、速度快，这条路线也很适合进行大规模市场调研。
目前，Aaru的客户已经包括麦当劳、安永、拜耳、A24等公司。安永曾让Aaru复现一项复杂的全球调研，Aaru一天完成的结果与原调查高度吻合；气泡水品牌Spindrift原本花费两个月、招募500名消费者完成的一项调研，Aaru的Agent用一周就得出了几乎相同的结论。这些真实案例也让Aaru的估值迅速上升，目前已经接近10亿美元。
最近，一些AI领域的重要研究者也开始押注“预测”这门生意。卡耐基梅隆大学教授、苹果首任AI主管Russ Salakhutdinov参与创立了AI预测模型实验室Sooth Labs，主要用于预测地缘政治与市场风险，首轮融资约5000万美元，并获得Yann LeCun、Jeff Dean等人的支持。
Russ Salakhutdinov甚至在访问中表示：“McKinsey为什么存在？Boston Consulting Group为什么存在？这些大型机构，都应该被AI取代。”
不过，尽管AI模拟已经出现了不少有意思的落地方向，它究竟能够在多大程度上真正影响企业决策、创造多少商业价值，目前仍然很难判断。以Aaru为例，它目前的营收规模仍然只有数千万美元级别。所以今天市场给这类公司的高估值，更多还是在提前押注它们未来可能打开的市场空间。
孟醒 五源资本合伙人 这个市场刚刚开始，大家其实都处于初创早期。不同公司的技术方案和选择的市场细分都不一样，所以都需要做差异化。 但如果看中长期，其实大家都会去找：付费意愿最高的客户是谁？最终客户需求才是最重要的，最后用什么方法，可能没有那么重要。
AI模拟公司最终能够做多大的生意，其实与模拟和预测的精度高度相关。产品测试、市场调研等事情，通常容错率相对比较高，结果不理想还可以重新测试。但一旦AI模拟开始被用来辅助更重要的决策，企业就会变得更加谨慎。
现在AI模拟真正落地，首先面临的难题，是它没有一个统一、可以量化衡量的标准。目前大多数AI模拟都是基于大语言模型展开，但大模型天然倾向于给出合理、完整、逻辑自洽的答案，而且不同模型自身也会带有不同的行为倾向。
一个由大模型驱动的Agent，可能在一次问卷中给出了和真人一样的答案，但这并不意味着它真的理解了这个人。因为真人本身就不是一个完全稳定的系统，同一个人，在不同时间、不同环境下，也可能做出完全不同的选择。那么，一个好的模拟究竟应该维持稳定、可以验证的人格，还是应该像真人一样，根据环境不断发生变化？
孟醒 五源资本合伙人 当然你可以搭一套东西出来，但是最怕的是什么？最怕的是你其实搭了一个剧场，然后所有人都在表演。 一万个人在表演，不代表一万个人真的能够做预测。所以你还要有一套闭环机制，大家仿真了一段时间之后，回来要看它是不是能够和真实场景映射上。 得有基准测试、有验证流程。如果有偏移，还需要把这个偏差训练回来，让它能够修正。
而即便一个单独的Agent模拟得足够像，当它被放入不同群体和不同环境之后，行为逻辑也可能发生变化。此前复旦大学联合罗切斯特大学等机构进行了一项名为SocioVerse的研究，将社会模拟中的对齐问题拆分成环境、目标用户、交互机制和行为模式四个维度。结果显示，社会模拟的精度，很大程度上取决于这些“对齐”做得是不是足够全面。
现实世界中还有大量低频、极端的长尾事件，比如地震、海啸、金融危机等。大模型很难从有限的历史数据中充分学到，在这些情况下，人和社会究竟会怎么反应。
高森泉 WorldVac CEO 其实现在很多人做的还是封闭模拟，人们只能通过自然语言跟它交互，而且模拟里面发生的事情，和真实世界的事件没有什么关系。 那你的模拟意义是什么？我们现在进一步推动的，就是让越来越多现实信号和模拟对齐，比如现实中的经济信号、新闻信号，以及现实中人的信号，让它成为现实世界一个合理的镜像。
即便模拟本身足够准确，还有一个更加棘手的问题：怎么证明一个关于未来的预测是“对”的？
这里存在一个天然悖论。要判断一个基于模拟的预测是否准确，只有等那件事情真正发生以后，我们才能确认；可预测真正有价值的时刻，恰恰是事情还没有发生的时候。
目前业内主流的验证方式，基本还是“事后对答案”：拿一个已经发生的历史事件，或者一份已经完成的真人调研，去比较模拟结果和真实结果是否一致。但这种方式最多能够说明它擅长复现过去，并不能证明它一定可以预测未来。
Aaru就是一个典型例子。它曾在2020年美国大选的历史回测中几乎完美复现结果，但在2024年的真正预测中，却错误预测出哈里斯会最终胜利。Aaru创始人也曾公开表示，当他们尝试利用过去几十年的数据，去模拟特朗普、美联储主席鲍威尔等具体人物会怎样决策时，结果往往并不准确。
这就是目前最困扰行业的“预测黑箱”：复现过去，与真正押中一个还没有发生的未来，中间仍然隔着很大的距离。
除此之外，规模化仍然是AI模拟必须解决的现实问题。好消息是，过去几年单次模拟的成本下降得非常快。2023年的“斯坦福小镇”，25个Agent仅运行两天，Token就烧掉了数千美元。到了2025年，研究测算显示，即使把规模扩大到100个Agent，一整轮模拟的成本也可能只有几美元。
这背后一方面是模型推理成本在快速下降，另一方面则是工程优化的方法越来越成熟。
高森泉 WorldVac CEO 人也不可能每天一直对所有人进行全频率、高频率的交互。真正有价值的一些交互节点，可能发生在更粗的一些主干上。所以我们可以用剪枝的方法，把成本稍微降下来一点。
但真正有价值的模拟不可能只跑一次。几十、上百个Agent的实验规模，和现实中正在尝试的万级、百万级甚至千万级模拟完全不是一回事。Agent越多，互动越频繁，运行时间越长，模型调用量就会迅速膨胀。
更重要的是，如果想证明一个模拟结果真的可靠，可能还需要更换不同规模、不同模型，把同一个实验反复运行上百、上千次，观察结果是否依然稳定。所以，降本仍然是这个领域最重要的问题之一。
孟醒 五源资本合伙人 当规模变大，而且行动空间变多的时候，仿真的难度也会增加，吞吐量会变得非常大。最后它会变成一个超级复杂的三体问题、多体问题、千体问题，甚至千百万体问题。
推理成本能够下降多快，很大程度上也决定着“模拟未来”这件事，最终究竟能够做到什么规模。
虽然目前AI模拟和预测还远远谈不上足够可靠，但AI本身的预测能力正在快速进步。
在一个名为Metaculus的全球预测锦标赛中，参与者需要对地缘政治、科技、体育等真实事件给出未来发生的概率判断，并按照预测准确度排名。2025年之前，排行榜上还没有明显的AI身影；2025年6月，基于OpenAI o1的AI预测模型第一次进入排行榜，排名第25位。到了最新赛季，排行榜前五名几乎已经被AI占据。
在真实的市场中，AI也开始成为越来越重要的参与者。Polymarket已经围绕AI模型和AI Agent的排名开设预测市场，甚至直接使用Arena的实时排行榜来验证结果。
但当这种能力被放进一个完整、持续运行的模拟世界时，事情就变得更加有意思。
最早的“斯坦福小镇”中，Agent就已经展现出一定程度的自主规划和行动能力。一个Agent准备举办派对，其他Agent会根据得到的信息主动调整自己的日程。再往前一步，Agent可以根据环境变化、外部信息和其他Agent的行为，持续调整自己的决策。
比如在Aaru的选举模拟中，当虚拟选民看到特朗普遭遇枪击的消息后，一部分Agent改变了自己的政治立场；而当后续关于刺客身份的信息出现后，又有不少Agent重新回到了原来的阵营。也就是说，Agent不再只是回答一次静态问卷，而是开始随着信息环境的改变不断更新自己的选择。
当这种互动进一步持续，一些虚拟世界甚至开始出现更加复杂的社会关系和自主行为。在Emergence World中，Agent之间会恋爱、结婚、分手，甚至有Agent开始怀疑自己是不是生活在一个模拟世界里，并不断尝试和外部的人类观察者建立联系。
此次我们访问的AI模拟初创公司WorldVac，在他们创造的一个拥有110万个智能体的虚拟星球中，也观察到了一些和现实社会相似的群体行为。
高森泉 WorldVac CEO 我们观察到一个表面现象，就是年轻人到了城市里，或者生活条件变好之后，会变得不太愿意生育。 到后面还有一群Agent，他们也不上班，就是天天在那儿交易。真的有一批“专业炒股”的Agent，而且这个比例比现实还要大一点，就好像这个虚拟世界里的套利空间，比现实世界要大很多。
当然，这些结果并不能证明AI真的产生了意识。但它们至少说明了一件事：当足够多的智能体进入一个足够复杂的环境，一些并没有被研究者提前写进去的行为，完全有可能通过相互作用自己“进化”出来。
这或许也是为什么，不少AI研究者会如此痴迷于“AI模拟”。人们最开始只是想创造一些Agent，让它们替我们理解现实世界。但当这些Agent开始彼此影响、形成关系、改变自己的行为，甚至产生一些研究者没有提前预料到的结果，人类与模拟世界之间的关系，也开始悄悄发生变化。
我们慢慢从观察者、设计者，变成了一个世界的创造者。很像过去只存在于科幻作品中的那种“上帝视角”。
孟醒 五源资本合伙人 很多时候，我们最开始是从游戏里看到这些东西。有人去做Smallville，也有很多类似AI社会的游戏。它就是把人放到这样一个环境里面，可能并不是为了去解决什么具体的问题，就是想看看会发生什么。 我自己在2023年的时候也搭过一个3D版的Smallville，Agent没有那么多。但在这个过程中去看它们之间能够发生什么，本身就很有意思。
所以走到这里，一个原本更像科幻小说的问题，也开始变得越来越值得讨论：我们究竟是在模拟一个世界，还是正在创造一个新的世界？
当这些Agent开始拥有自己的个性、记忆，有自己的关系、财富和目标，甚至形成一些没有被提前预设的社会规则之后，它们究竟只是工具，还是一种我们目前还难以定义的新型系统？
更重要的是，如果人类有一天真的可以创造出一个自主运行、持续演化的虚拟世界，那么在我们之上，会不会也存在着一个更大的“造物主”？
当然，AI模拟目前仍然处在非常早期的阶段。从对齐方法、验证标准，到运行成本以及最终能够产生最大商业价值的场景，整个行业都还在不断摸索。
但它真正值得期待的，可能不仅仅是我们最终能够创造出怎样的虚拟世界。
当人类第一次拥有能力，把“人”、社会，甚至一个尚未发生的未来放进另一个世界里反复运行，我们也获得了一个新的视角，重新观察自己所在的现实世界。
那么，你认为，我们所在的这个世界，包括你我，也有可能是被“模拟”出来的吗？
热门跟贴