研究人员构建了一个可用于反复进行实验的虚拟世界

在2010年美国中期选举当天，研究人员针对6100万Facebook用户进行了一项大规模实验。一些用户收到了投票提醒和查找投票地点的链接；另一些用户除了看到同一条信息之外，信息中还显示了他们已投票的朋友的头像。这一社交信息在动员投票方面效果显著，成功促使了34万人前往投票站投票。

这项研究有力地佐证了在线社交网络如何对人们的行为产生影响，堪称一个极具影响力的案例。但这只是个一次性的实验。“2010年的选举只会发生一次。” 斯坦福商学院运营、信息和技术专业的博士生Sadegh Shirani说道，“它永远也不会再发生。”

由于其性质，大型社会实验往往很难重复进行，因此无法用来测试新的假设或研究不同的条件。首先，进行这样的实验成本高昂，而且有些问题在不引发伦理担忧的情况下也很难进行研究。

Shirani和斯坦福商学院运营、信息和技术教授Mohsen Bayati想知道，他们是否可以创建一个能够随心所欲进行各种行为实验的虚拟世界。在一项新的研究中，他们开发了一个逼真的虚拟环境，其中包含2万个由人工智能驱动的数字“代理人”，这些代理人能够模拟社交网络中的人类行为。

研究人员向这些智能体展示了曾在2010年Facebook实验中使用过的信息。他们发现，他们的虚拟环境总体上复制了早期研究的结果：提及社交关系的信息比一般的资讯信息更能提高投票率。但是，看到社交信息的影响比实际实验中观察到的效果要强得多。

Shirani表示，这一结果表明，虚拟环境“抓住了大方向，但却遗漏了很多细节”。尽管如此，这个虚拟环境仍然可以帮助研究人员广泛测试不同干预措施的有效性。“你可以进行一些在现实世界中永远无法进行的实验。” Bayati说道。“你可以体验两次人生。”

人工智能代理人网络

为了创建这个虚拟环境，Shirani和Bayati首先收集了2万人的美国人口普查数据，包括年龄、性别、职业、教育程度和婚姻状况等详细信息。每个用户画像都被分配给一个独特的数字代理人。

你可以进行一些在现实世界中永远无法进行的实验。
— Mohsen Bayati

接下来，研究人员从一项在2012年进行的关于真实Twitter用户网络的研究中获取数据，并将每个数字代理人随机映射到网络节点上。他们使用大语言模型来完善和扩展每个用户的个人资料，补充诸如兴趣、政治立场和投票倾向等细节。

然后，研究人员进行了30轮模拟实验，每一轮代表选举前的一天。在每一轮中，这些数字代理人都会在一个类似Facebook的社交网络上进行互动。他们向大语言模型发出查询，以决定自己的行为，同时考虑他们的个人信息和“个性”。例如，数字代理人可以创建关于选举或其他主题的新帖子，这些帖子会出现在其他数字代理人的新闻源中；或者他们可以根据看到的内容关注其他用户或改变他们的投票意向。

Shirani和Bayati运行了多个不同版本的模拟实验。在一些版本中，所有数字代理人都看到了鼓励投票的信息；在另一些版本中，他们看到了社交信息；而在有一些版本中，他们根本没有看到任何信息。

看到社交信息直接使数字代理人的投票率平均提高了3.9%，而信息类消息并没有产生太大影响。这一结果与2010年Facebook实验的结果大体吻合。不过，在之前的实验中，这种效果要弱得多；社交信息仅使投票率提高了约0.4%。

研究模拟人生

Shirani表示，模拟实验之所以可能产生更显著的效果，部分原因在于虚拟智能体会“完全专注于它们所看到的内容”，而现实生活中的人们则更容易被社交媒体上的其他海量信息分散注意力。“我或许看到了那条消息，但紧接着又看到了朋友发的关于今晚足球赛的帖子，然后就完全忘记了那条关于选举的消息。”

他和Bayati还测量了消息的间接网络效应，即它如何影响那些没有直接看到帖子但看到了朋友相关帖子的用户。在模拟实验中，这种效应比之前Facebook实验中估计的要小得多。Shirani推测，这可能是因为“人们在现实世界的社交网络中拥有更深层次的联系”。例如，“如果我看到我妻子投票，这对我的影响就很大。”

Bayati设想，大型语言模型驱动的智能体可以用于许多领域的研究，从材料科学到医疗保健，前提是研究人员要了解它们的局限性并谨慎解释结果。例如，研究人员可以进行数千次虚拟实验，以确定有前景的新材料候选方案，然后在实验室中验证这些候选方案。

“每个人都听说过‘人工智能有价值’，” Bayati说，“但这是一个非常具体的例子，让我们看到了它的价值所在。”