中国研究人员开发了一个名为 Light Society 的框架，能够模拟超过十亿个 AI 代理组成的社会，每个代理都配有真实的人口统计档案，并能够表现出类人的社会行为。该项目在提交至 arXiv 的论文中进行了描述，相比此前的基于代理模拟，约提升了 100 倍；过去这类模拟通常因计算约束而在约 1000 万个代理左右达到上限。随着中国继续在国家科技战略下优先推进大规模 AI 研究，这项工作也反映出其持续向学术计算基础设施和先进模型开发投入资源。

十亿级模拟背后的技术架构

研究团队由中国多所顶尖学术机构的研究人员组成：包括中国科学技术大学、清华大学和复旦大学。首席研究人员 Haoxiang Guan 和 Tie-Yan Liu 围绕两项核心技术创新构建了 Light Society，使十亿级模拟成为可能。

第一项是 mixture-of-models 引擎，它将认知工作负载分散到多种 AI 模型类型上，而不是把每个代理的决策都路由到单一的大型语言模型。第二项创新涉及知识蒸馏的替代模型——即训练更小、更快的模型去复制更大、更复杂模型的行为。二者结合，使该框架能够在不需要通常会让十亿级代理模拟变得不切实际的计算资源的情况下，维持真实的行为保真度。

每个模拟代理都使用来自世界价值观调查的真实档案进行实例化，具体来自这项长期全球研究项目的 Wave 7。该调查涵盖了数十个国家的信念、价值观和人口特征，为每个模拟个体提供了有基础的身份，而不是随机分配的身份。

文明尺度上的信任博弈

研究人员进行了两项旗舰实验来展示 Light Society 的能力。第一项是一系列信任博弈，这是行为经济学中的经典设置，参与者需要决定向陌生人发送多少资金，同时知道对方可以选择回报或直接保留这笔钱。将这一实验扩展到十亿节点网络后，可以揭示在较小规模模拟中无法出现的合作与背叛模式。

第二项实验聚焦于观点扩散，本质上是对思想、信念和情绪如何在大规模社交网络中传播进行建模。原始材料明确指出，Light Society 可用于测试影响公众舆论的方法。

这与早期模拟有何不同

基于代理的建模已经存在数十年。研究人员曾用它来研究交通模式、疾病传播和市场行为。但从历史上看，这些模型依赖的是遵循预设脚本的简单规则型代理。

将大型语言模型整合进基于代理的模拟，是相对较新的发展。由 LLM 驱动的代理能够进行更细致的决策、适应新情境，并产生涌现行为。早期基于 LLM 的社会模拟在计算成本变得不可承受之前，规模大约止步于 1000 万个代理。Light Society 的架构选择，尤其是替代模型方法，使这一上限实际上被突破了两个数量级。

研究人员将该框架定位为支持地球尺度的“in silico”实验，传达出一种雄心勃勃的愿景：把模拟作为理解人类文明本身的实验室。