在人工智能领域，一项创新的模拟游戏正悄然改变着我们对社会现象的理解。在这场游戏中，传统的非玩家角色（NPC）被大语言模型（LLMs）驱动的智能体所取代，然而，一个意想不到的问题也随之浮现：这些智能体的行为变得过于冗长，仿佛被详尽的“剧本”所束缚。
这一发现引发了研究者们的深思。就像教外国朋友打麻将，事无巨细的指导虽能确保游戏的顺利进行，却也剥夺了学习和发现的乐趣。同样，在利用LLMs进行社会模拟时，过度指导可能掩盖了真实的社会动态和涌现现象。
例如，在模拟霍布斯提出的“人人相争”理论时，研究者们为智能体编写了详细的行动指南，如“打不过就投降”、“抢劫比种地更有效就继续抢劫”。这样的设定虽然确保了实验的“稳妥”，却也使得智能体的行为缺乏真实性和创新性，更像是一场预先编排的戏剧。
为了更真实地模拟社会现象，研究者们开始探索“少即是多”的原则。他们发现，过于详细的指导语往往会遮蔽有价值的发现，而真实的社会互动往往能激发出更感人、更精彩的故事。因此，当看到LLMs“发现”某种社会规律时，我们需要谨慎判断这些发现是否真实，还是仅仅反映了研究者预设的剧本。
在LLMs驱动的社会模拟中，一个显著的案例是复现利维坦理论。研究者们构建了一个包含9个智能体的模拟世界，这些智能体通过耕种、抢夺、交易或捐赠等行为来争夺有限的资源。实验结果显示，智能体的行为轨迹与霍布斯的理论预测高度吻合，最终形成了一个绝对主权者来维护社会秩序。
另一个野心勃勃的尝试是模拟历史上的重大战争。罗格斯大学和密歇根大学的研究团队开发了一款名为WarAgent的多智能体系统，通过LLMs的反事实思维来探索战争是否可以避免。实验结果显示，该系统能够准确模拟历史上的战略决策过程，并揭示了战争爆发的内在机制。
为了进一步优化LLMs在社会模拟中的应用，研究者们提出了一种新的分类方法和模块化框架——生成式智能体模型（GABM）。该模型通过LLM进行推理和决策，而不是依赖预设的规则，从而能够更真实地模拟人类行为的多样性和复杂性。
然而，GABM也面临着挑战。研究者们发现，LLMs对纯数值参数的敏感度较低，往往需要依赖丰富的文本描述来塑造智能体的行为。这引发了关于数值参数和文本描述在模拟中哪个更有效的讨论。过于详细的指导语可能会损害模拟的生态效度，使得观察到的行为模式更多地反映了研究者的预设而非智能体之间的真实互动。
因此，在设计GABM时，研究者们需要更加谨慎地选择指导语，尽量减少直接的行为指引，转而关注如何构建一个允许真实涌现现象产生的生态。只有这样，我们才能更好地探索LLMs在多智能体系统中的潜力和局限。
在一项关于流行病患者的生成性智能体模型研究中，研究者们发现，尽管智能体之间的互动看似复杂多样，但实际上却只是LLM在不同提示下的连续角色扮演。这种“伪互动”限制了模型的多样性和真实性，使得模拟结果难以反映真实社会系统的动态变化。
LLMs驱动的社会模拟为我们提供了一个全新的视角来理解和预测社会现象。然而，为了充分发挥其潜力，我们需要不断探索和优化模拟方法，确保模拟结果的真实性和有效性。
