2,466
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − == 清华大学推出基于大模型的社会模拟器AgentSociety 1.0 == − − 清华大学推出基于大模型的社会模拟器AgentSociety 1.0，可精确模拟社会舆论传播、认知观点极化、公众政策响应等社会现象，推动智能社会治理和科学研究范式变革 − − '''"凡我无法创造的，我就无法真正理解。 " -- 费曼''' − − 智能时代呼啸而来，正深刻改变着人们生产、生活和学习的方式。过去几十年里，社会科学家和相关领域的研究者，一直致力于通过实证数据与模型揭示人类行为和智能社会运行的基本规律，试图找出隐藏在各种社会现象和治理痛点背后的因果机制，从而回答"是什么？为什么？如何治"等一系列问题。然而，在社会科学研究从"解释世界"向"改造世界"演进的范式转型中，研究者们始终面临着一个根本性挑战——如何突破传统实证主义方法的局限，实现对人类行为模式与社会运行规律的可计算、可干预、可预测的深度理解。正如物理学家费曼所说的那句经典名言："凡我无法创造的，我就无法真正理解。"真正的理解，不仅是观察和解释，更在于能否通过"生成式"的方式，自底而上地模拟复现人类行为的复杂模式与社会系统的运行规律，从而模拟、预测和研判智能社会治理演化路径和潜在社会风险，推动基于前瞻性实验主义智能社会治理最佳路径。 − − 正如复杂性科学先驱霍兰德所指出的："社会系统的本质在于其构成元素间的非线性涌现。"这一论断揭示了传统还原论方法在应对社会复杂性时的固有局限，也催生了"生成式社会科学"（Generative Social Science）这一研究范式的迅速崛起，该范式将社会视为复杂自适应系统，从微观层面出发，通过模拟个体的行为和互动来探索复杂社会系统的内在机制，强调通过自底向上的计算实现对社会数字孪生的构建。其中，智能体建模（Agent-Based Modeling）是目前广泛应用的一种方法，它通过构建Agent以及多Agents之间的交互关系，动态再现社会的运行状态。这种方法已被广泛应用于社会科学、政治学、经济学等领域，帮助研究者更深入地理解人类行为及社会的复杂性。 − − 尽管这一领域取得了重要进展，仍面临一个亟待解决的核心问题：这样的模拟究竟能在多大程度上真实还原现实社会的复杂性？因此，如何在保证模拟规模足够庞大以支持复杂性研究的同时，提升模拟的真实性，使其更贴近现实社会的运行逻辑，仍是亟待突破的重要方向。 − − 近日，清华大学电子系城市科学与计算中心研究团队，联合清华大学智能社会治理研究院、公共管理学院、社会科学学院等跨学科团队深度协作，充分发挥大模型智能体、真实社会环境仿真与大规模模拟加速框架的技术优势，结合智能社会治理的前沿理论与实践探索，成功构建了基于大模型的"大型社会模拟器 AgentSociety"1.0 版本，可精确模拟社会舆论传播、认知观点极化、公众政策响应等。AgentSociety从社会学第一性原理出发，以助力推动社会科学研究范式变革，推动了社会学领域从行为模拟到心智建模、从静态推演到动态共生、从实验室工具到社会基础设施的发展。具体而言，该模拟器包括： − − * 大模型驱动的社会人智能体：基于社会学理论，构建具有 "类人心智"的社会人智能体，赋予其情感、需求、动机与认知能力，并在这些心智驱动下进行复杂社会行为，如移动、就业、消费、社交互动等。 − * 真实城市社会环境：精准模拟社会人赖以生存的城市空间，重现交通、基础设施和公共资源，使智能体能在真实环境约束下交互，形成逼真的社会生态。 − * 大规模社会模拟引擎：采用异步模拟架构与Ray分布式计算框架，结合智能体分组和 MQTT 高并发通信，实现高效、可扩展的智能体交互与社会行为模拟。 − * 智能社会科学研究与治理工具箱：全面支持实验、访谈、问卷调查等一系列社会学研究方法，提供多种自动化数据分析工具，从定性研究到定量分析全面助力社会科学研究的深入开展。 − − [文章地址： https://arxiv.org/abs/2502.08691， − 官方文档：https://agentsociety.readthedocs.io/en/latest/， − GitHub链接：https://github.com/tsinghua-fib-lab/agentsociety/ ] − − [[File:AgentSociety_1.png|center|600px|thumb|图 1 AgentSociety 总览]] − （交互案例见：https://agentsociety.fiblab.net/exp/1a4c4fa5-04c1-4973-9433-b8b696f2fda0） − − 大型社会模拟器通过数字化和虚拟化的方式，使研究者能够在无需进行实际实验的情况下，模拟并观察社会现象的变化过程，显著降低了研究的风险与成本。同时，模拟器能够在不同情境下进行多维度的数据采集和实验设计，克服传统研究因受限于时间、空间和资源等因素所带来的局限。团队提供可视化交互工具和智能社会治理研究工具箱，支持实时监测、主动干预和数据收集，助力社会研究和治理实验。 − − 社会模拟器的应用不仅限于具体的社会实验，它还可以作为社会科学研究的核心方法工具，辅助开展前期研究和假设验证，辅助政策决策者和公共事务参与主体进行智能决策。研究团队可以利用其进行初步的理论构建、实验设计和政策效果评估，为后续的实证研究提供依据。这种工具的灵活性和可扩展性使得研究者能够在不同的社会情境和变量条件下，快速测试理论假设并验证其可行性，为学术研究的精准性和实用性提供有力支持。 − − 为了展示大规模社会模拟器在社会科学研究中的价值，团队开展了一系列典型社会实验，涵盖干预实验、访谈和调查问卷等方法。实验聚焦观点极化、煽动性消息传播与治理、全民基本收入（Universal Basic Income, UBI）政策和飓风冲击下的社会动态，深入探讨个体与群体行为在不同社会机制下的演化规律。基于AgentSociety的实验，有效模拟了真实世界中常见的"回音室效应"、煽动性信息具有更强的传播性和情绪引导力、UBI政策在个体消费和改善心理健康方面的效果、以及飓风冲击下的人群流动的受限与恢复，研究结果与真实世界高度一致，证明了AgentSociety作为低成本实验场地验证政策的有效性。 − − === 一、大模型驱动的社会人智能体 === − − 社会人智能体是AgentSociety的核心。团队提出的大模型驱动的社会人智能体，旨在通过结合大模型智能体技术与心理学、经济学和行为科学理论，模拟具有复杂社会行为的智能体，并通过模拟大规模智能体间及智能体与环境的交互，探索社会现象的演变和集体行为。具体而言，团队将社会人智能体设计分为三个层面：心智、心智-行为耦合和行为。 − − [[File:AgentSociety_2.png|center|600px|thumb|图 2 社会人智能体的基本构成，分为心智、心智-行为耦合和行为]] − − ==== 心智层面：构建智能体的心理认知系统 ==== − − 在心智层面，为每个智能体构建稳定的个体画像（如性格、年龄、性别）和动态的个人状态（如情感、经济状况和社会关系），以确保智能体在不同情境下展现个性化的行为模式。在此基础上，团队引入情感（Emotions）、需求（Needs）和认知（Cognition） 三大核心心理过程，共同决定智能体的决策推理、行为模式和社会适应能力。具体而言，情感反映智能体对外部刺激的即时反应，影响其短期决策和社交互动，例如在正面反馈下增强合作意愿，或在负面情境中表现出回避行为；需求是行为的内在驱动力，基于马斯洛需求层次理论，智能体在满足基本生存需求后，会逐步追求安全、社交、尊重乃至自我实现，从而塑造其长期行为轨迹和社交策略；认知决定了智能体如何理解外部世界，包括对社会事件、政策环境和群体行为的态度，这一过程不仅受其个性和过往经历影响，还会因长期社会互动不断演化。 − − ==== 心智-行为耦合：心智如何驱动智能体行为 ==== − − 智能体的行为并非随机或被动响应，而是由其情感、需求和认知共同驱动，并根据个人状态与外部环境的交互不断调整。团队基于马斯洛需求层次理论（Maslow's Hierarchy of Needs）和计划行为理论（Theory of Planned Behavior, TPB），构建从心理状态到行为执行的完整路径，使智能体的行为更符合人类的动机模式。按照马斯洛需求层次理论，智能体会优先满足生存和安全需求，在此基础上逐步追求社交等更高级目标。与此同时，基于计划行为理论，智能体在形成目标后，会结合自身认知和环境因素主动规划行动，使其行为既具适应性，又能展现长期连贯性。 − − ==== 行为层面：智能体如何展现复杂类人行为 ==== − − 在行为层面，提出的社会人智能体不仅能够执行简单行为，还能够展现多层次的复杂社会行为，包括移动、社交和经济活动。简单行为主要涵盖睡眠、饮食、娱乐和休息等基础活动，这些行为虽然不涉及复杂的决策，但对智能体的整体状态和长期行为模式至关重要。例如，睡眠不足可能影响情绪和社交意愿，而良好的饮食和娱乐体验则可能提升幸福感，进一步塑造智能体的社交和工作行为。复杂社会行为方面，智能体能够在移动、社交和经济活动中展现高度的自主智能。移动行为不仅涉及简单的地点切换，还包括出行方式选择、路径规划以及对交通环境的动态调整，使智能体的移动模式更符合现实社会的出行习惯。社交行为不仅限于基本互动，还涉及社交关系的建立、维持和演变，智能体会根据自身需求、情感状态和外部环境调整社交策略，从而形成类似人类的社交网络。经济行为方面，智能体不仅理解资源交换的基本概念，还能根据自身经济状况、市场环境和个体偏好进行工作、消费等经济决策，展现出符合社会规则的经济行为模式。 − − [[File:AgentSociety_3.png|center|600px|thumb|图 3 社会人智能体设计架构]] − − ==== 社会人智能体模拟：自主生活的一日 ==== − − 为了验证智能体的自主决策能力及其行为模式的合理性，团队模拟了社会人智能体的一日生活，观察其在移动、社交和经济活动 方面的决策和适应能力（如下表所示）。通过 24 小时的仿真，智能体在需求、情感和认知 的驱动下自主规划日常任务，并动态调整行为，以符合现实社会中的时间节奏和互动逻辑。 − − {| class="wikitable" − |+表 1 社会人智能体自主生活一日示例 − |- − ! 时间 !! 活动 !! 描述 − |- − | 06:30 || 起床 || 智能体在生物钟驱动下醒来，检查个人需求状态 − |- − | 07:00 || 早餐 || 根据饥饿状态和个人喜好选择早餐内容 − |- − | 07:30 || 上班通勤 || 基于城市交通状况和个人时间成本偏好选择出行方式 − |- − | 08:30 || 工作 || 根据工作类型执行相应任务，受个人技能和环境因素影响 − |- − | 12:00 || 午餐社交 || 与同事共进午餐，基于社交需求和情感状态进行互动 − |- − | 13:00 || 继续工作 || 处理工作任务，工作效率受上午精力消耗和午休质量影响 − |- − | 17:30 || 下班 || 完成工作，根据当日交通状况规划回家路线 − |- − | 18:30 || 购物 || 根据家庭消费需求在超市购物，受预算和个人偏好影响 − |- − | 19:30 || 晚餐 || 根据购买的食材和烹饪技能准备晚餐 − |- − | 20:30 || 家庭社交 || 与家人交流分享，情感交流深度受日间活动累积的情绪影响 − |- − | 21:30 || 休闲活动 || 根据个人兴趣和精力状态选择休闲方式 − |- − | 23:00 || 睡前准备 || 完成个人卫生活动，为次日做准备 − |- − | 23:30 || 就寝 || 睡眠质量受当日情绪积累和健康状态影响 − |} − − === 二、真实社会环境 === − − 为了让智能体的行为更加贴近现实世界，团队构建了一个 高度真实、可交互的城市社会环境，支持 移动、社交和经济活动 等核心行为的模拟。与仅依赖大模型推理不同，团队的环境 结合物理约束、社会规则和资源限制，确保智能体的行为符合现实逻辑，避免 大模型生成的"幻觉"影响。 − − 这一环境具备三大核心优势： − # 精准建模现实世界机制：融合物理约束、成本反馈和社会运行规则，让智能体在时间、资源、经济等多维度受到真实限制，使其行为更具合理性和连贯性。 − # 数据源自现实，确保行为逻辑一致：环境数据直接来源于真实世界，或基于现实社会原则构建，保证模拟结果具有现实参考价值，避免虚拟环境脱离社会规律。 − # 智能体可交互接口，支持真实决策：智能体不仅能够感知环境，还可直接与其交互，实现路径规划、社交关系演变、经济交易等动态决策，确保行为不仅是文本推理的结果，而是真实行动的模拟。 − − 此外，团队将环境划分为城市空间、社交空间和经济空间，共同构建完整、动态的社会系统，为智能体行为的模拟提供精准支撑，使其更符合人类社会的运行模式。 − − [[File:AgentSociety_4.png|center|600px|thumb|图 4 真实城市社会环境]] − − 为了验证真实城市社会环境在大规模社会模拟中的适应性和运行效率，团队进行了性能测试，评估其在不同规模的智能体数量和高并发查询场景下的表现。实验模拟了1,000、10,000、100,000 和 1,000,000 个智能体在城市、社交和经济空间内的交互，并采用典型工作日出行模式，在 8:30 早高峰启动模拟。测试过程中，团队设定查询执行比为 1:999（即每 999 次数据查询后进行 1 次环境状态更新），贴近智能体的真实交互模式，同时控制模拟进程数为 2、4、8、16 和 32。每种实验条件下，团队重复测试五次，每次持续 10 秒，并记录查询速率（QPS） 在 10^2 至 10^5 之间的变化情况。实验结果表明，即使智能体数量和查询速率显著增加，系统仍保持稳定运行，能够高效处理大规模智能体交互，为大规模社会模拟提供实时、可靠的计算支持。 − − {| class="wikitable" − |+表 2 城市社会环境性能评估 − |- − ! 智能体数量 !! 城市空间 !! 社交空间 !! 经济空间 − |- − | 1,000 || 稳定运行 || 稳定运行 || 稳定运行 − |- − | 10,000 || 稳定运行 || 稳定运行 || 稳定运行 − |- − | 100,000 || 稳定运行 || 稳定运行 || 稳定运行 − |- − | 1,000,000 || 性能降低20% || 稳定运行 || 稳定运行 − |} − − === 三、大规模社会模拟引擎与社会学研究工具箱 === − − 为了实现真实、高效地大规模社会模拟，团队构建了一个高效、可扩展、支持大规模社会人智能体并行执行的社会模拟引擎。该引擎不仅结合了LLM驱动的多智能体系统和真实城市社会环境，更在系统架构上进行了深度优化，以确保模拟结果既具备现实合理性，又能大规模、高效运行。 − − [[File:AgentSociety_5.png|center|600px|thumb|图 5 大规模社会模拟引擎]] − − 传统多智能体框架（如CAMEL、AgentScope）通常依赖严格的消息传递机制来组织智能体间的交互，以保证任务的执行顺序。然而，在现实社会中，个体的行为决策并非总是受外部输入直接驱动，而是源自个体记忆、认知状态和环境约束的自主整合。因此，团队的社会模拟引擎采用了更接近现实的异步模拟架构，让每个智能体作为独立的模拟单元，不依赖特定的执行顺序，而是通过消息系统进行信息交换，实现智能体之间的相互影响。 − − 为了提升大规模并行模拟的计算效率，团队基于Ray分布式计算框架，结合Python的asyncio机制进行异步执行，使模拟任务能够高效利用多核计算资源，并支持分布式集群扩展。同时，为了降低智能体间通信的系统开销，团队引入了智能体分组（Agent Group）机制，使多个智能体可以在单个进程中运行，从而减少进程间通信开销，提高计算效率。此外，为了实现大规模社会智能体的高并发、可靠消息传输，团队引入了MQTT通信协议，该协议广泛应用于物联网场景，具备高吞吐量和低延迟的特点，非常适用于大规模社会模拟中智能体间的信息交换。 − − 在系统架构上，团队采用模块化设计，包括共享服务层、模拟任务管理层和可选的GUI交互层。共享服务层包括LLM API接口、MQTT消息服务器、数据库存储和指标管理系统，确保模拟过程中数据传输高效、智能体行为可记录、结果可视化。模拟任务管理层则基于Ray框架，提供高效的智能体管理和任务调度能力，使得不同实验能够独立执行，同时共享计算资源，提升可扩展性和复用性。 − − 大型社会模拟器通过数字化和虚拟化的方式，使研究者能够在无需进行实际实验的情况下，模拟并观察社会现象的变化过程，显著降低了研究的风险和成本。同时模拟器能够在不同情境下进行多维度的数据采集和实验设计，解决传统研究因受限于时间、空间和资源等因素所带来的局限。团队提供可视化交互工具与社会学研究工具箱，支持实时监测、主动干预和数据收集，助力社会实验研究。 − * 实时可视化监测：直观展示社交网络、经济活动、移动轨迹 等核心变量，支持实验参数调整，精准跟踪社会演化过程。 − * 访谈（Interviews）：研究者可实时向智能体提问，获取基于记忆、当前状态和环境的回答，不影响其正常行为。 − * 调查问卷（Surveys）：支持 批量分发结构化问卷，智能体按预设规则作答，确保数据一致性，便于趋势分析。 − * 干预实验（Interventions）：提供三种行为干预方式，测试社会情境下的个体与群体响应，包括：1）智能体配置：预设性格、目标和关系，影响初始行为倾向；2）记忆操控：修改情绪和认知，观察对决策与社交互动的影响。3）外部信息干预：发送特定信息（如灾害预警）测试应急响应与传播模式。 − − 社会模拟器的应用不仅限于具体的社会实验，它还可以作为社会科学研究的核心方法工具，辅助开展前期研究和假设验证，辅助政策决策者和公共事务参与主体进行智能决策。研究团队可以利用其进行初步的理论构建、实验设计和政策效果评估，为后续的实证研究提供依据。这种工具的灵活性和可扩展性使得研究者能够在不同的社会情境和变量条件下，快速测试理论假设并验证其可行性，为学术研究的精准性和实用性提供有力保障。 − − 为了评估社会模拟引擎的扩展性和计算效率，团队进行了大规模测试，模拟不同数量的智能体，并测量系统在高并发场景下的表现。在消息通信系统方面，团队测试了 MQTT、Redis Pub/Sub 和 RabbitMQ，比较了它们的并行处理能力、吞吐量（msg/s）和辅助工具支持。实验结果显示，MQTT 和 Redis Pub/Sub 满足高吞吐需求。 − − {| class="wikitable" − |+表 3 消息系统性能评估 − |- − ! 消息系统 !! 并行处理 !! 吞吐量 (msg/s) !! 辅助工具 − |- − | MQTT || 优秀 || 10^5+ || 丰富 − |- − | Redis Pub/Sub || 良好 || 10^5+ || 中等 − |- − | RabbitMQ || 良好 || 10^4 || 丰富 − |} − − 在大规模智能体模拟方面，团队在64 核服务器上运行实验，32 核分配给模拟引擎，32 核用于智能体执行，并测试了1,000和10,000 智能体在不同进程数（8、16、32） 下的运行情况。实验测量了 总执行时间、LLM API 响应时间、模拟器 API 响应时间和令牌消耗，结果表明 Ray 分布式计算框架和智能体分组机制大幅提高了模拟效率，确保系统在 高并发负载下仍能稳定运行。 − − {| class="wikitable" − |+表 4 AgentSociety总体性能评估表 − |- − ! 智能体数量 !! 进程数 !! 总执行时间 (s) !! LLM API响应时间 (s) !! 模拟器API响应时间 (s) !! 输入令牌 !! 输出令牌 − |- − | 1,000 || 8 || 1824.6 || 1623.4 || 201.2 || 2.41M || 0.56M − |- − | 1,000 || 16 || 952.3 || 847.5 || 104.8 || 2.43M || 0.58M − |- − | 1,000 || 32 || 493.7 || 430.5 || 63.2 || 2.40M || 0.55M − |- − | 10,000 || 8 || 18023.6 || 16025.7 || 1997.9 || 24.1M || 5.52M − |- − | 10,000 || 16 || 9125.4 || 8122.6 || 1002.8 || 23.9M || 5.48M − |- − | 10,000 || 32 || 4678.5 || 4159.9 || 518.6 || 24.2M || 5.56M − |} − − 上表展示了随着智能体数量增加，系统在分布式计算下的可扩展性及性 −
无编辑摘要
== 清华大学推出基于大模型的社会模拟器AgentSociety 1.0 ==
== 清华大学推出基于大模型的社会模拟器AgentSociety 1.0 ==