美伊谈判暂停特朗普威胁言论引发伊代表团离场抗议
题图来自：AI 生成2023 年，斯坦福和 Google 联手做了一个实验：25 个 AI 居民在一个叫 Smallville 的虚拟小镇里生活，会自己组织一场情人节派对，会相互八卦，会因为 " 没被邀请 " 而不兴奋。Generative Agents：游戏世界中的 25 个生成式智能体这个叫《Generative Agents》的项目，作者之一正是斯坦福博士生 Joon Sung Park，其时更多被看成一个好玩的技术展示——原来大模型不可是一个聊天窗口，它还能 " 饰演人 "，还能被放进一个连续运转的世界里，自己生成影象、自己做计划、自己和别人互动。论文里最出圈的一张图，就是智能体们自发在 Hobbs 咖啡馆办起情人节派对的场景——没人安排剧本，是几个 agent 自己商量、自己发邀请、自己决定要不要去。Generative Agents：智能体自发组织的情人节派对场景CMU 论文 Figure 1：应急治理人员从不信任到信任 LLM 智能体模拟的 16 个月历程已往几年，这项技术被一批研究机构从派对场景，一路带进了地铁火灾、飓风疏散、结业仪式疏散预案这类不可开玩笑的场景里�？诨仿〈笱А⑶寤笱А⑻旖虼笱А⑺固垢� HAI ……这些机构在做同一件事：让 AI 智能体不再演一场派对，而是演一场逃命。而与此同时，另一批研究者——好比阿姆斯特丹大学的盘算社会科学学者 Petter T ? rnberg ——正在从要领论根子上质疑：这些 " 演得像 " 的智能体，究竟能不可被认真。这篇文章就想把这两拨人放在一起看。逃命是决策问题，不是物理问题古板的疏散仿真是纯物理模型：给定一个空间、一群点、一个出口，用元胞自动机或者社会力模型算出人流怎么走、多久能走完。这类模型的问题是，它假设人是理性的、匀速的、只听从物理纪律的粒子——但真实灾难现场里，人会愣住、会往回跑找家人、会因为看不清出口标记而原地打转、会因为群体恐慌而相互践踏。这些恰恰是纯物理模型算不出来的工具，却是历史上大大都践踏事家乡真正致命的部分。物理模型想象的人群 vs 灾难现场真实的人群新一代仿真的思路是把系统拆成两层：" 物理层 " 继续卖力碰撞、力学这些古板盘算机图形学擅长的事，" 认知层 " 则交给大语言模型驱动的智能体，去处理判断、犹豫、恐慌、信息差池称——这套 " 物理—认知疏散架构，实质上是给虚拟人群配了一个会犹豫的 " 脑子 "，而不可是一具会跑的身体。已往一年里，至少有四组独立的研究，划分从 " 决策 "、" 身体 "、" 规模 "、" 个体精度 " 四个差别角度，往这套架构里填内容。" 物理—认知疏散 " 架构示意四个真实案例，四种做法卡内基梅隆大学：从 100 人到 13000 人的结业仪式预案这项研究由 CMU 盘算机学院的 Yuxuan Li、Sauvik Das 和 Hirokazu Shirado 三人主导，和学校应急治理团队做了一项历时 16 个月的迭代设计研究，目标是给学校真实的结业仪式疏散预案提供参考。系统经历了五轮迭代：从 100 个智能体的小规模验证，扩展到 500、3000，最终做到 13000 个智能 体——这个数字直接对应了这所学校结业仪式的真实人群规模。研究团队没有一上来就做大规模仿真，而是花了很长时间先解决 " 应急治理人员愿不肯意相信一个 AI 模拟结果 " 这个更基础的问题：论文题目里用的说法是" 从不信任到信任 " 的转变历程，这自己说明，这类系统的门槛不完全是技术门槛，也是一个组织信任建立的历程。Figure 4：真实结业仪式人群动力学与模拟结果比照论文里有一张图（对应上方 Figure 4）把真实结业仪式的人群动力学数据和模拟结果做了比照，另有一张图画出了差别疏散计划下的累积疏散进度曲线。Figure 5：差别疏散计划下的累积疏散进度曲线最终，这项为期 16 个月的相助产出了三条具体建议，已经被写进了学校真实的标准操作流程（SOP）——这是目前四个案例里，唯一一个已经从 " 论文里的 demo " 酿成 " 真被写进制度文件 " 的例子。天津大学 + 卡迪夫大学 + 清华大学：地铁火灾里的 " 身体 "这个叫 RESCUE 的系统由天津大学教授李坤（国家优青、天大智能与盘算学部三维视觉研究组卖力人）牵头，联合卡迪夫大学、清华大学团队完成，解决的是另一个问题：光有 " 会决策的脑子 " 还不敷，虚拟人还得有一具 " 物理上可信 " 的身体——推挤时释会不会真的碰到别人、摔倒姿态自不自然、差别体型的人跑起来速度是否切合真实生理数据。RESCUE 项目：个性化、物理合理、三维自适应的在线人群疏散模拟团队在项目主页上还放了一段实际的 demo 视频（imgs/demo_4201.mp4），可以看到虚拟人群在拥挤中推搡、摔倒、爬起来继续跑的连贯历程，这是目前四个案例里唯一能看到 " 动态演示 " 而不可是论文截图的一个。RESCUE 论文：24 个身体部位碰撞受力可视化团队做了一个个性化步态转换器，可以实时盘算 24 个身体部位在拥挤碰撞中的受力情况（上图），论文附带的定性比照结果和消融实验显示这套要领比已往的疏散仿真更贴近真实人群录像，团队还专门统计了差别类别人群（老人、儿童、成年人）在拥挤状态下的速度漫衍箱线图，用来验证模拟出的个体差别是否切合真实生理数据。这项事情已被盘算机视觉顶会 ICCV 2025 接收，项目代码和主页已经果真。清华大学：把智能体放进一整座都会如果说前两个案例是 " 事件级 " 的模拟，清华大学电子工程系李勇教授团队做的 AgentSociety 做的是 " 都会级 "：论文 16 位作者名单里，Jinghua Piao、Yuwei Yan 等为配合一作，李勇是通讯作者。论文摘要里写的数字是，给凌驾一万个智能体生成完整的社会生活，累计爆发了 500 万次互动。AgentSociety 论文 Figure 2：总体框架图这套系统被用来跑过好几组社会实验，其中一组专门模拟飓风等外部攻击下的都会反应，另外几组则用来看社交媒体上极端信息流传、无条件基本收入这类政策变量如何影响一整座虚拟都会的行为漫衍。这意味着，同一套底层技术，既能拿来算一场结业仪式怎么疏散，也能拿来算一场飓风来了以后一整座都会会不会乱——从简单场馆到整座都会，验证难度是指数级上升的，这也是后面 T ? rnberg 那波质疑最主要针对的规模区间。AgentSociety 论文 Figure 10：大规模社会模拟引擎系统架构斯坦福：AI 两全能有多像你前三个案例都在解决 " 怎么让一群虚拟人看起来像真人在逃命 "，斯坦福 HAI 这项由博士生 Joon Sung Park 主导的研究问的是更基础的问题：AI 两全究竟能在多洪流平上准确预测一个具体真人会怎么做决定。团队招募了 1052 名具有全美代表性的受试者，先做两小时深度访谈，再结合社会视察量表（GSS）、五因素人格测试、五种行为经济学博弈实验，最后比较 AI 生成的 " 数字两全 " 和真人自己两周后重新作答的结果有多接近。结论是：结合访谈和问卷数据的智能体，复现真人自己两周后重复作答的准确率抵达 0.86，比纯粹依赖人口统计学变量的古板要领明显更准，也明显减少了按政治立场、种族、性别分组时的预测偏差。Park 在斯坦福 HAI 的采访中说得很直接：" 这些语言模型其实是在饰演它刚刚采访过的那个人。"（The language model is trying to role-play as the person it just interviewed.）他认为访谈数据比纯粹的人口统计标签更要害，因为 " 访谈数据的利益在于，它包括了每个人的奇特之处，语言模型因此不会那么频繁地做出基于种族的笼统概括 "。他也把这项研究的野心说得很明白：" 我确实认为，现在有许多社会问题我们没能很好解决，而这个测试平台可以让它们变得更容易应对，气候变革、疫情政策这类 ' 棘手问题 ' 都需要极其庞大的计划和条件推演。" 这项研究的价值在于，它给 " AI 两全究竟有多可信 " 这个问题提供了一个可以量化的基准线，而这条基准线，正是前面几个逃生仿真系统能不可被信任的地基。泼冷水的人：验证才是真正的难题如果只听这四组研究者的说法，这项技术的生长轨� ；嵯缘靡斐Ｋ忱� 100 人到 13000 人，从简单场馆到一整座都会，准确率还能量化到 86%。但阿姆斯特丹大学盘算社会科学副教授 Petter T ? rnberg 和相助者 Maik Larooij 在一篇题为《大语言模型解决了基于智能体建模的问题吗？》的批评性综述里，给这条乐观叙事泼了一盆冷水。他们论文摘要里的原话是："We argue that there are reasons to believe that LLMs will exacerbate rather than resolve the long-standing challenges of ABMs. The black-box nature of LLMs moreover limit their usefulness for disentangling complex emergent causal mechanisms."—— Larooij & T ? rnberg, arXiv:2504.03274他们提出的第一个问题是黑箱性质：" 大语言模型从基础上是黑箱模型……险些不可能确定为什么某个特定输入会爆发某个特定输出。" 更麻烦的是，同样的输入在差别次运行里可能给出差别的输出，这直接威胁到科学研究最看重的可复现性。第二个问题是偏差与刻板化：" 模型经常过失地表征群体及其特征，经常体现出夸张的刻板印象 "。第三个问题是幻觉和漫衍外场景下的失控：" 在历史上没有先例的场景中，模型行为可能变得不稳定 " ——而灾难现场，恰恰经常是 " 历史上没有先例的场景 "。T ? rnberg 团队给出的焦点诊断是："验证仍然是焦点挑战 "，并且 " 加入大语言模型，恶化而非解决了这个问题 "（"the addition of LLMs exacerbates rather than resolves this issue"）。他们认为，目前许多研究依赖的是 " 外貌效度或者只是松散关联底层机制的结果指标 "，这让这类模型 " 占据了一个模糊不清的要领论位置 " ——听起来很像科学，但既不完全是古板的基于规则的仿真，也不是被充分验证过的统计模型。这个批评并非无的放矢。就连专门做 " 数字两全 " 验证的斯坦福团队，也在论文里认可自己的要领保存局限 ；另一项研究疫苗犹豫政策模拟的论文里，作者们同样明确写道 " 这项早期探索不旨在提供确定的政策指导 "，并且发明差别大模型之间的体现差别巨大，部分模型的偏差能凌驾 20%，这背后正是 " 预训练数据偏差 " 在作祟� ；痪浠八�，连身处这个领域内部、真心想把这件事做成的研究者，也在论文的角落里，写下了和 T ? rnberg 遥相呼应的保存意见。三层商业价值把这四类研究串起来看，能看出一条清晰的商业化路径，一共三层，危害随层级依次升高：第一层 · 应急治理 SaaS 工具：把 CMU 那样耗时 16 个月的定制研究，做成学校、体育场馆、地铁站可以直接挪用的标准化预案生成效劳。第二层 · 都会数字孪生行为层：AgentSociety 这类都会级模拟可以让数字孪生从 " 看得见的建筑物理模型 " 升级成 " 算得出人会怎么反应的社会模型 "。第三层 · 包管危害订价：如果一套系统能相瞄准确地模拟出某个场馆在特定人群密度下的伤亡概率漫衍，这自己就是一种可以被包管精算模型直接使用的数据。但凭据 T ? rnberg 的批评，这三层商业化里，越往后危害越大：SaaS 化的预案生成工具，蜕化了大不了是建议不敷好 ；但如果包管公司真的把一个尚未被