Chunlin 的论文科普

用AI模拟社会，为什么不用大模型反而更准？

LLM 与智能体

你想模拟1000个AI智能体组成的经济社会，看看通胀和失业是什么关系。直觉上得用最强的大模型、租一堆GPU吧？但2026年8月的一项最新研究说：用几美元成本的小模型克隆，在笔记本上就能跑，宏观结果还和大模型几乎一样。

这不是天方夜谭。论文《Poor Man’s Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop》[1] 提出了一种反直觉的方法：把每个昂贵的大模型智能体，替换成一个只有2到12个参数的小模型，就能准确复现整个社会的宏观行为。

为什么廉价小模型反而能可靠地模拟AI社会？这背后藏着一个关于「宏观与微观」的深刻洞见。

一个反直觉的实验：扔硬币也能模拟出「奥肯定律」

先从一个经济学常识说起：奥肯定律——失业率和GDP增长率负相关，经济好的时候失业少，经济差的时候失业多。

之前有个叫EconAgent的研究，用大模型智能体模拟经济社会，成功复现了奥肯定律，大家都觉得这说明大模型智能体的行为很像真实人类。但这篇新论文的作者做了个恶作剧实验：他们不让智能体做任何复杂决策，就用扔硬币（伯努利随机）来决定每个人今天工不工作，结果跑出来的奥肯定律相关系数是-0.998，和用大模型跑出来的几乎一模一样 [1]。

这说明什么？奥肯定律根本不是什么「行为规律」，它就是一个会计恒等式——GDP本来就是工作人数的线性函数，只要每个人工作与否是独立的，加总起来自然会呈现出这种负相关，和决策者聪不聪明半毛钱关系都没有 [1]。

这就引出了全文的核心问题：我们花大价钱用最强的大模型去模拟社会，到底是在模拟「智能」，还是在模拟一些简单到扔硬币就能产生的宏观模式？

当然，不是所有宏观规律都是恒等式。论文里同样验证了菲利普斯曲线（通胀和失业的关系），这玩意儿扔硬币就扔不出来了，它是真实的行为信号——但即使如此，也不需要完整的大模型，一个12参数的小模型就能拟合得差不多，预测值和大模型发表结果只差0.05 [1]。

「穷人建模法」：用小模型克隆大模型的决策

这种低成本方法的核心思路叫行为克隆（behavioral cloning）：你不需要理解大模型为什么做某个决策，你只需要向大模型提问几百到几千次，记录下它在不同情境下的选择，然后用一个低参数的小模型去拟合这个输入-输出映射就行 [1]。

打个比方：你想模拟1000个消费者在不同价格下的购买行为。你不需要1000个GPT级别的智能体，你只需要向同一个大模型问几千次「如果价格是X、你的收入是Y，你会买多少？」，拿到一堆数据点，然后用一个简单的函数（比如线性回归加几个非线性项）去拟合这条决策曲线。拟合出来的这个小函数，就是你可以无限复制的「代理智能体」 [1]。

成本低到什么程度？论文里的数据：3000次决策查询只花了0.44美元，6000次也才0.67美元——也就是几块钱人民币，就能把一个大模型的决策模式「克隆」下来 [1]。之后你想模拟1000个还是100万个智能体，都只需要在笔记本上跑这些小函数，完全不需要GPU。

你可能会问：大模型的决策那么复杂，几个参数的小模型能拟合得好吗？答案是：对于宏观模拟来说，我们关心的不是单个决策的细节，而是整个群体加总后的统计行为。这就像你抛一枚不均匀的硬币，你不需要知道硬币内部的金属分布，只要知道正面朝上的概率，就能准确预测抛1000次的总正面数。

什么时候管用？「交互阶×记忆」分类表的预言

当然，不是所有场景下小代理都管用。论文提出了一个核心理论框架：「交互阶×记忆」分类法（interaction order × memory taxonomy），用来预判代理模型的误差会怎么随智能体数量N变化 [1]。

先解释两个轴：

第一个轴是交互阶，也就是每个智能体能感知到多少其他智能体的信息：

第二个轴是记忆，也就是智能体有没有历史状态：

这两个轴交叉起来，每个格子对应一种误差随N变化的趋势 [1]：

为什么会这样？你可以把它想象成测民意：如果每个人只需要知道全国平均支持率再做决定，那你只要抽样调查几千人就能估得很准，总人数越多估计越稳（平均场）；但如果人们只受邻居影响，那局部的偏差就很难被平均掉，甚至会通过社交网络放大。

论文在8个知名的LLM模拟场景上验证了这个分类表的预言，绝大多数格子的误差趋势都和理论预测对上了；仅有的两个被推翻的预测，也都能被理论定量解释，不需要额外拟合参数 [1]。

从「硅基人」到「可计算社会」：这条路走了多久

这个「穷人建模法」不是凭空冒出来的，它是过去两年LLM社会模拟领域一连串发现的自然结果。

最早在2024年，研究人员提出了「Homo Silicus（硅基人）」的概念：既然大模型是在人类文本上训练的，那它隐含地就是一个人类行为的计算模型，社会科学家可以像经济学家用「理性人」假设一样，用LLM当模拟代理人 [6]。他们复现了四个经典行为经济学实验，发现结果定性上和人类实验差不多。

但很快大家就发现了问题。2024年底的一篇研究指出，LLM模拟的质量对提示词高度敏感——稍微改改措辞，整个社会动态就变了，你很难说你模拟出来的是「真实的社会规律」还是「提示词的产物」 [7]。

2025年的研究又补了一刀：虽然LLM在总体行为上表现出和人类相似的偏差（比如低估稀有事件），但底层的学习机制完全不同——LLM有很强的近因偏差，而人类的学习方式更复杂；人类身上有的「意外触发改变」「稀有事件的波浪式近因效应」等现象，在LLM身上完全不存在 [8]。

这些发现堆在一起，就导向了一个很自然的疑问：如果我们关心的只是宏观规律，而LLM的微观行为既不稳定、又和人类有差异，那我们真的需要每个智能体都用完整的大模型吗？

《Poor Man’s Agentic Modeling》[1] 给出的答案是：很多时候不需要。你只需要把大模型当作一个「行为采样器」，用少量查询把它的决策模式蒸馏成小模型，宏观结果几乎一样——还便宜、还快、还可复现。

智能体的「记忆」到底是什么？一个更底层的问题

在分类法的两个轴里，「记忆」这个轴尤其值得深挖。因为记忆是智能体区别于简单规则的核心特征——如果一个智能体完全没记忆，那它本质上就是个输入输出函数，和扔硬币没本质区别。

但「记忆」到底是什么？我们平时说大模型有记忆、智能体有记忆，更多是一种工程上的说法：把历史对话塞进上下文、或者用向量数据库存起来。2026年8月的另一篇论文《Towards a Formal Definition of Agent Memory》[5] 第一次给智能体记忆下了一个正式的数学定义。

它的核心洞见是：记忆是一组事件的「基（basis）」，知识是这组基的「张成空间（span）」 [5]。什么意思呢？就像你不用背完整本《奥德赛》，只要记住几个关键事件，就能推导出大部分问题的答案——少记一个关键事件，就会有一批问题答不上来。记忆的好坏，本质上是一个「覆盖问题」：用有限的存储容量，最大化能回答的查询比例 [5]。

这篇论文还提出了「效用-容量前沿」的概念：同样用4条记忆，有的系统能答对90%的问题，有的只能答对75%——差的不是记忆力，是「记忆效率」，就像同样大小的行李箱，有人装得下更多东西 [5]。

回到「穷人建模法」的语境，这个形式化理论帮我们看清了：为什么有的模拟用无记忆代理就行，有的必须带记忆？关键不在于智能体「聪不聪明」，而在于要模拟的宏观行为，到底需要多大的「记忆张成空间」才能支撑。如果宏观规律只依赖当前状态，那无记忆代理就够了；如果宏观规律有路径依赖，那代理模型也得带上相应的记忆核 [1]。

当然，实际情况比这个比喻更复杂。记忆的形式化理论目前还只停留在定义层面，没有给出具体的构造算法，而且它假设每个查询只能由单条知识回答，排除了回答时的联合推理 [5]。

不是万能药：什么时候这种方法会失效？

说了这么多好处，必须泼点冷水：「穷人建模法」不是万能的，它有明确的边界。

论文自己也承认了几个关键局限 [1]：

第一，它依赖一个核心假设：宏观行为由少数集体变量主导。如果一个系统的宏观行为真的依赖于复杂的微观互动、不能被几个聚合变量捕捉，那代理模型就会失效。比如论文里提到的TwinMarket模拟，其中的价格冲击耦合机制就没被代理模型捕捉到，因为这种机制没有直接体现在智能体的决策输入里 [1]。

第二，代理模型只能捕捉你「引出」的机制。你向大模型提问的情境必须覆盖到所有相关的决策维度，如果有某个关键变量你压根没问，那拟合出来的小模型自然也不会包含这个机制。这就像你做抽样调查，如果问卷设计漏了关键问题，样本再大也没用 [1]。

第三，响应曲率会带来误差拐点。如果大模型的决策函数是高度非线性的（比如饱和响应），那么代理误差不会一直随N下降，而是会在某个临界规模N*之后达到下限，不再改善。论文里的饱和工作头实验就观测到了这个现象：N=100到3200之间，误差稳定在0.018的Jensen下限，不再下降 [1]。

还有一些更根本的开放问题：怎么自动判断一个模拟属于分类表的哪个格子？对于有复杂未引出机制的系统，代理建模的极限在哪里？蒸馏的缩放律能不能推广到其他类型的宏观可观测量？这些都还没有答案 [1]。

延伸思考：我们真的需要那么「聪明」的智能体吗？

最后，我们回到一个更根本的问题：做社会模拟，智能体越聪明，结果就越好吗？

直觉上好像是这样——但最近一系列关于LLM智能体失败模式的研究，正在动摇这个直觉。

2026年7月的一篇综合研究分析了27篇智能体评估论文，发现了一个很反直觉的现象：智能体在单个子任务上的表现很好，但一旦任务变长、变复杂，失败就会非线性累积 [3]。比如GPT-4做单条约束的旅行题可能做得很好，但把多个约束放在一起做一个多日行程，最终成功率只有0.6%——不是它不会单个步骤，而是组合起来就「顾此失彼」 [3]。

更有意思的是多智能体协作。很多人以为「三个臭皮匠顶个诸葛亮」，让多个AI分工合作会更厉害。但实测发现，多AI系统经常因为角色定义不清、信息传不对、互相假设不一致等问题，协作带来的好处还抵不上沟通开销，甚至比单个AI做得还差 [3]。2026年8月的另一篇研究对比了多个多智能体框架，发现不同框架做同一个README摘要任务，最终质量没有显著差异——反而是开发速度差很多 [4]。

甚至在科研规划这种看起来很需要「智能」的任务上，给模型加搜索工具、做成ReAct智能体，表现居然和直接提问差不多，有时还更差——因为它会搜到无关信息，把自己带偏 [2]。

这些发现拼在一起，指向一个共同的结论：智能体的「能力」和「模拟结果的可靠性」之间，不是简单的线性关系。很多时候，我们花了巨大成本去提升单个智能体的智商，但对于我们真正关心的宏观问题来说，那些额外的智力根本没用——它们要么在互动中抵消了，要么根本不影响宏观可观测量。

「穷人建模法」的真正价值，不是教我们怎么省钱，而是逼我们去问一个更本质的问题：在一个多智能体系统里，到底哪些微观细节是真正重要的？哪些只是昂贵的噪音？

如果你只记住一件事

用小模型克隆大模型来模拟社会，本质上是把统计物理学的「粗粒化」思想用到了AI智能体上：就像你不需要模拟每个水分子的量子态就能算出水的沸点，你也不需要每个智能体都有完整的大模型，就能模拟出社会的宏观规律。

参考文献

  1. Poor Man s Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop（arXiv、2026、全文精读）
  2. Idea2Plan: Exploring AI-Powered Research Planning（arXiv、2026、全文精读）
  3. Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents（arXiv、2026、全文精读）
  4. Developing LLM-based Multi-Agent Systems in Software Engineering: A Mixed-Method Experience Report（arXiv、2026、全文精读）
  5. Towards a Formal Definition of Agent Memory: Basis, Span, Optimality, and the Sequential Memory Problem（arXiv、2026、全文精读）
  6. Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?（2024、仅摘要）
  7. Sense and Sensitivity: Evaluating the simulation of social dynamics via Large Language Models（arXiv (Cornell University)、2024、仅摘要）
  8. LLM Agents Display Human Biases but Exhibit Distinct Learning Patterns（ArXiv.org、2025、仅摘要）