AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society
作者: Jinghua Piao, Yuwei Yan, Jun Zhang, Nian Li, Junbo Yan, Xiaochong Lan, Zhihong Lu, Zhiheng Zheng, Jing Yi Wang, Di Zhou, Chen Gao, Fengli Xu, Fang Zhang, Ke Rong, Jun Su, Yong Li
分类: cs.SI, cs.AI
发布日期: 2025-02-12
💡 一句话要点
AgentSociety：大规模LLM驱动的生成式Agent模拟，促进对人类行为和社会理解
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 社会模拟 生成式Agent 大型语言模型 计算社会科学 社会行为 Agent交互 社会环境 大规模模拟
📋 核心要点
- 传统社会科学研究依赖成本高昂且后勤复杂的实验，难以大规模、可重复地研究复杂社会动态。
- AgentSociety利用LLM驱动的Agent和社会环境，构建大规模社会模拟器，旨在以计算方式研究社会问题。
- 通过模拟超过1万个Agent的500万次互动，AgentSociety验证了其在模拟社会现象和支持社会科学研究方面的潜力。
📝 摘要（中文）
本文提出了AgentSociety，一个大规模社会模拟器，它集成了LLM驱动的Agent、真实的社会环境和一个强大的大规模模拟引擎。基于此模拟器，我们为超过1万个Agent生成了社会生活，模拟了他们之间以及他们与环境之间的500万次互动。此外，我们探索了AgentSociety作为计算社会实验平台潜力，重点关注四个关键社会问题：极化、煽动性信息的传播、普遍基本收入政策的影响以及飓风等外部冲击的影响。这四个问题作为评估AgentSociety对典型研究方法（如调查、访谈和干预）支持的宝贵案例，并用于调查社会问题的模式、原因和潜在机制。AgentSociety的结果与真实实验结果之间的一致性不仅证明了其捕捉人类行为及其潜在机制的能力，也强调了其作为社会科学家和政策制定者的重要平台的潜力。
🔬 方法详解
问题定义：现有社会科学研究方法在研究复杂社会动态时面临成本高、可扩展性差等问题。传统实验难以模拟大规模社会互动，且难以控制实验条件。此外，理解人类行为和社会现象的潜在机制仍然是一个挑战。
核心思路：利用大型语言模型（LLMs）驱动的生成式Agent，构建一个大规模、可控的社会模拟环境。通过模拟Agent之间的互动以及Agent与环境的互动，研究社会现象的模式、原因和潜在机制。这种自下而上的模拟方法可以替代传统的实验方法，提供更具可扩展性和可重复性的研究手段。
技术框架：AgentSociety包含三个主要组成部分：LLM驱动的Agent、真实的社会环境和一个大规模模拟引擎。LLM驱动的Agent负责模拟个体的行为和决策；社会环境提供Agent互动的场所和资源；模拟引擎负责协调Agent的行动，记录Agent之间的互动，并提供数据分析工具。整体流程包括：定义社会环境，创建和初始化Agent，运行模拟，收集和分析数据。
关键创新：AgentSociety的关键创新在于其集成了LLM驱动的Agent、真实的社会环境和大规模模拟引擎。与以往的社会模拟方法相比，AgentSociety能够模拟更复杂的Agent行为和社会互动，并提供更丰富的数据分析工具。此外，AgentSociety还提供了一个可扩展的平台，可以用于研究各种社会问题。
关键设计：Agent的行为由LLM控制，LLM接收Agent的当前状态、环境信息以及其他Agent的信息作为输入，并输出Agent的行动。Agent的行动包括移动、交流、交易等。Agent的决策过程可以根据不同的社会问题进行定制。例如，在研究极化问题时，可以设置Agent对不同观点的接受程度；在研究普遍基本收入政策的影响时，可以设置Agent的收入水平和消费行为。
🖼️ 关键图片
📊 实验亮点
AgentSociety模拟了超过1万个Agent的500万次互动，并在四个关键社会问题上进行了实验：极化、煽动性信息的传播、普遍基本收入政策的影响以及飓风等外部冲击的影响。实验结果与真实世界实验结果高度一致，验证了AgentSociety捕捉人类行为及其潜在机制的能力。例如，在极化实验中，AgentSociety成功模拟了群体极化现象，并揭示了信息茧房对极化的影响。
🎯 应用场景
AgentSociety可应用于社会科学研究、政策制定和社会风险评估等领域。研究者可以利用该平台研究社会极化、虚假信息传播、经济政策影响等问题。政策制定者可以利用该平台评估政策的潜在影响，并制定更有效的政策。此外，AgentSociety还可以用于预测社会风险，例如自然灾害和社会动荡。
📄 摘要（原文）
Understanding human behavior and society is a central focus in social sciences, with the rise of generative social science marking a significant paradigmatic shift. By leveraging bottom-up simulations, it replaces costly and logistically challenging traditional experiments with scalable, replicable, and systematic computational approaches for studying complex social dynamics. Recent advances in large language models (LLMs) have further transformed this research paradigm, enabling the creation of human-like generative social agents and realistic simulacra of society. In this paper, we propose AgentSociety, a large-scale social simulator that integrates LLM-driven agents, a realistic societal environment, and a powerful large-scale simulation engine. Based on the proposed simulator, we generate social lives for over 10k agents, simulating their 5 million interactions both among agents and between agents and their environment. Furthermore, we explore the potential of AgentSociety as a testbed for computational social experiments, focusing on four key social issues: polarization, the spread of inflammatory messages, the effects of universal basic income policies, and the impact of external shocks such as hurricanes. These four issues serve as valuable cases for assessing AgentSociety's support for typical research methods -- such as surveys, interviews, and interventions -- as well as for investigating the patterns, causes, and underlying mechanisms of social issues. The alignment between AgentSociety's outcomes and real-world experimental results not only demonstrates its ability to capture human behaviors and their underlying mechanisms, but also underscores its potential as an important platform for social scientists and policymakers.