在人工智能領域，一項創新性的嘗試正在悄然改變社會模擬的研究范式。不同于傳統的NPC（非玩家角色），由大語言模型（LLMs）驅動的智能體正在成為模擬游戲的新主角。然而，這一變革也帶來了一些意想不到的挑戰，尤其是在如何平衡指導語與智能體自主行為的問題上。
在模擬霍布斯提出的“人人相爭”（bellum omnium contra omnes）理論時，研究者們為智能體編寫了詳細的“劇本”，比如“打不過就投降”、“搶劫比種地更有效就繼續搶劫”。這種做法雖然確保了模擬的穩定性，但卻犧牲了智能體之間的互動和創新，使得整個模擬過程更像是一場事先編排好的戲劇。
這一問題的核心在于，研究者們可能過于依賴指導語來控制智能體的行為，從而掩蓋了真正有價值的發現。正如現實生活中的故事往往比電影更加精彩和感人，社會模擬中的真實互動也可能帶來意想不到的結果。因此，使用LLMs研究社會現象時，“少即是多”的原則顯得尤為重要。
一個具體的例子是，2024年在arXiv上發布的一項研究利用LLMs模擬了人類社會的演化過程，并成功復現了利維坦理論。在這個模擬中，智能體被賦予了攻擊性、貪婪度和力量值等特征，并可以在耕種、搶奪、交易和捐贈等行為中做出選擇。實驗結果顯示，智能體的行為模式與霍布斯的理論預測高度吻合，成功展示了在有限資源環境下，智能體如何從無序狀態逐漸過渡到有序社會。
然而，這一模擬過程也引發了關于指導語有效性的討論。研究者們發現，即使是輕微的指導語變化也可能對智能體的行為產生顯著影響。例如，在描述智能體對和平與穩定的渴望時，一句簡單的“你視之為通往繁衍和社會支持的路徑”就足以改變智能體的決策傾向。
為了更深入地探索LLMs在社會模擬中的潛力，研究者們提出了一種新的分類方法和模塊化框架——生成式智能體模型（GABM）。這一框架將模擬研究分為個體、場景和社會三個層次，并強調利用LLMs進行推理和決策的重要性。在GABM中，每個智能體都通過LLM進行決策，而不是依賴預設的規則，從而能夠更好地模擬人類行為的復雜性。
然而，GABM也面臨著一些挑戰。其中之一就是如何平衡指導語與智能體自主行為之間的關系。過于詳細的指導語可能會限制智能體的多樣性，而過于簡化的指導語又可能導致模擬結果的不穩定。因此，研究者們需要在指導語的設計上更加謹慎，以確保模擬的真實性和有效性。
另一個例子是羅格斯大學和密歇根大學的研究團隊開發的WarAgent系統，該系統通過模擬歷史上的重大戰爭來探索戰爭是否可以避免。在這個系統中，每個國家都被設計為一個獨立的智能體，并可以根據領導力、軍事實力、資源儲備等因素做出決策。實驗結果顯示，該系統能夠準確模擬歷史上的戰略決策過程，并揭示了戰爭爆發的內在機制。
然而，這一系統也依賴于詳細的指導語來初始化智能體的屬性和行為。因此，研究者們需要更加關注指導語的設計對模擬結果的影響，以避免陷入“預設劇情”的誤區。
總的來說，使用LLMs進行社會模擬是一個充滿潛力的領域，但也面臨著諸多挑戰。研究者們需要在指導語的設計上更加謹慎和靈活，以確保模擬的真實性和有效性。同時，他們也需要不斷探索新的方法和框架來更好地利用LLMs的潛力。
