我們正站在一個(gè)前所未有的節(jié)點(diǎn)上：絕大多數(shù)商業(yè)問(wèn)題，已經(jīng)不再是“做對(duì)或做錯(cuò)”，而是無(wú)數(shù)可能性的疊加；而絕大多數(shù)企業(yè)，還在用上一個(gè)時(shí)代的思維，賭下一個(gè)時(shí)代的不確定。

內(nèi)容怎么做？用戶(hù)到底要什么？產(chǎn)品會(huì)不會(huì)賣(mài)？過(guò)去靠數(shù)據(jù)、靠經(jīng)驗(yàn)、靠拍腦袋；現(xiàn)在，一個(gè)全新的能力正在出現(xiàn)——AI不止能干活，它開(kāi)始“模擬人”。這聽(tīng)起來(lái)非常有趣，你肯定想知道：

AI模擬用戶(hù)，這事兒到底靠譜嗎？

它如何成為解決復(fù)雜問(wèn)題的新工具？

它怎樣讓“用戶(hù)洞察”這件事快100倍、便宜100倍、覆蓋廣100倍？

以及，在AI能預(yù)測(cè)85%的世界里，人類(lèi)該如何活在那15%的不可預(yù)測(cè)里？

本文僅為課程的部分內(nèi)容，完整版內(nèi)容請(qǐng)到混沌APP觀看完整版。

世界的復(fù)雜性，導(dǎo)致我們需要“模擬”

現(xiàn)在，絕大多數(shù)的智能體都在幫我們干活（做銷(xiāo)售、做客服等）。而我想講一個(gè)正在越來(lái)越明顯，但是還處在比較早期的智能體形態(tài)：幫助我們更好地去了解人的智能體，英文叫 Generative Agent Simulation，就是用來(lái)“模擬”的智能體。

我們經(jīng)常會(huì)聽(tīng)到這樣的問(wèn)題：做什么內(nèi)容好？這群人需要做什么內(nèi)容？這群新興的群體可能感興趣要什么樣的東西？這些話(huà)題其實(shí)本身不存在對(duì)與錯(cuò)的答案，更多的是各種各樣的可能性。絕大多數(shù)我們遇見(jiàn)的問(wèn)題都是這種可能性問(wèn)題，這不是簡(jiǎn)單的數(shù)學(xué)題解方程的問(wèn)題。

在學(xué)術(shù)里邊，把這種問(wèn)題稱(chēng)之為叫 Wicked Problem。學(xué)者把問(wèn)題定義為兩種：第一種叫 Tame Problem（可解問(wèn)題），即那些可以被求解、被定義的，有確切答案的問(wèn)題，即使是再?gòu)?fù)雜的方程，也是有確切答案的。還有一種就是我們?cè)谏虡I(yè)里面經(jīng)常會(huì)遇見(jiàn)的，不好被定義，也無(wú)法被解決，只能暫時(shí)被改善，這種叫 Wicked Problem，也叫復(fù)雜問(wèn)題。

復(fù)雜問(wèn)題有一些特征。首先，它很難被明確定義，總好像是一個(gè)復(fù)合的東西。第二，它永遠(yuǎn)帶來(lái)新的問(wèn)題，所以沒(méi)有結(jié)束。第三，只有好壞而沒(méi)有真?zhèn)巍?/p>

同時(shí)，沒(méi)有立即獲得最終的可以測(cè)試的標(biāo)準(zhǔn)，你很難測(cè)試。每個(gè)問(wèn)題都是獨(dú)特的問(wèn)題，可以被看作其他問(wèn)題的癥狀，比如解決貧困，很有可能就會(huì)產(chǎn)生環(huán)境問(wèn)題和貧富差異問(wèn)題。問(wèn)題的存在取決于價(jià)值觀的差異，我們到底以什么為優(yōu)先。決策者沒(méi)有辦法試錯(cuò)，你一旦選了，你就只能一條道走到黑，沒(méi)有辦法再回來(lái)。

這些都是 Wicked Problem 的特征，我們?cè)诤芏嗌虡I(yè)的選擇里面就是這樣，我們只能往前走。

解決這種問(wèn)題的最通用的一種方式叫模擬。模擬的意思就是：我們建立一個(gè)沙盤(pán)，我們?nèi)プ鐾蒲?，?Scenario Planning，做不同場(chǎng)景的嘗試，來(lái)看看我們下一步應(yīng)該怎么做。

我們其實(shí)一直都在模擬。比如打一場(chǎng)仗之前、操作復(fù)雜工具之前（不是學(xué)習(xí)工具，而是模擬不同場(chǎng)景下的反應(yīng)）、以及升息降息、漲工資降工資等經(jīng)濟(jì)變化時(shí)，我們都會(huì)去模擬。

模擬的核心有一種轉(zhuǎn)變：要從想把問(wèn)題解決到變成一個(gè)更演化、更適應(yīng)的系統(tǒng)。我們不再只是期待把問(wèn)題的答案找到，而是要跟著這個(gè)問(wèn)題去往前走。系統(tǒng)模擬的目的就是不停地跟著問(wèn)題往前走，從而產(chǎn)生一種更有機(jī)、動(dòng)態(tài)的狀態(tài)。

用大模型去模擬人的主觀世界

模擬里邊有一個(gè)非常核心的步驟，就是建模。我們的大語(yǔ)言模型就是一種建模，是對(duì)主觀世界大環(huán)境的一種壓縮。

建模其實(shí)就是控制變量法，我們把一些變量暫時(shí)擱置，試圖用一種抽象的方式來(lái)描述環(huán)境和客觀現(xiàn)實(shí)。人類(lèi)科學(xué)的發(fā)展就是讓更多話(huà)題可以用建模的方式來(lái)解決，從十五、十六世紀(jì)的物理世界，到十八、十九世紀(jì)的生物、化學(xué)世界，再到20世紀(jì)用計(jì)算方法來(lái)理解社會(huì)（如復(fù)雜理論、行為經(jīng)濟(jì)學(xué)等等）。

我覺(jué)得在當(dāng)下，我們有機(jī)會(huì)用語(yǔ)言去模擬這個(gè)主觀的世界，因?yàn)榇笳Z(yǔ)言模型可以不停地講話(huà)，而語(yǔ)言是我們思維的載體。我們可以模擬內(nèi)心是怎么想、怎么選擇、怎么判斷、怎么構(gòu)思的，從而更好地幫我們理解用戶(hù)、理解同事。

也就是，有大語(yǔ)言模型以后，我們有機(jī)會(huì)用建模的方式來(lái)理解一個(gè)人的主觀世界。所以我們把這稱(chēng)之為主觀世界的建模方法。

舉一個(gè)簡(jiǎn)單的例子。如果我用大語(yǔ)言模型去閱讀《哈利·波特》，把這本書(shū)作為語(yǔ)料喂給模型，我們就能產(chǎn)生一個(gè)哈利·波特人格的AI模擬。我就可以問(wèn)他作為一個(gè)消費(fèi)者，早上是喜歡喝咖啡還是果汁。通過(guò)這樣的方式來(lái)獲得所謂用戶(hù)洞察的東西。

這個(gè)答案在書(shū)里沒(méi)有，但通過(guò)這本書(shū)作為數(shù)據(jù)源和上下文喂給大語(yǔ)言模型，模型分析后就可以通過(guò)書(shū)的信息來(lái)模擬出哈利·波特的性格選擇。這個(gè)過(guò)程就叫推理。推理就是基于上下文去做有效的下一步的猜測(cè)。因?yàn)榇笳Z(yǔ)言模型的運(yùn)行原理其實(shí)就是不停地預(yù)測(cè)下一個(gè)詞。

讓大語(yǔ)言模型模擬一個(gè)人的消費(fèi)習(xí)慣和選擇，去猜測(cè)下一步他可能會(huì)做什么，這恰恰就是大語(yǔ)言模型最擅長(zhǎng)做的事情。

AI模擬用戶(hù)的商業(yè)應(yīng)用

理論上，當(dāng)我們可以讓AI去模擬哈利·波特，明天也可以讓AI去模擬每一個(gè)人。

我們做的事情，就相當(dāng)于用這個(gè)方法做了一個(gè)產(chǎn)品Atypica。

我們通過(guò)合成數(shù)百萬(wàn)真實(shí)的社交帖子來(lái)生成消費(fèi)者智能體，模擬消費(fèi)者真實(shí)的個(gè)性、情感和決策邏輯，讓你不僅理解消費(fèi)者“想什么”，還能理解他們“如何”和“為何”做決定。擁有 Atypica，就像擁有一個(gè)強(qiáng)大的研究團(tuán)隊(duì)。

你可以分鐘級(jí)獲得研究報(bào)告，只需要提出你的商業(yè)問(wèn)題，我們的研究智能體（Research Agents）會(huì)闡明你的需求，規(guī)劃調(diào)查，掃描社交平臺(tái)。將社交聲音合成為消費(fèi)者智能體，發(fā)現(xiàn)深入的行為、價(jià)值和偏好洞察。

最后，分析智能體（Analytic Agents）將一切精煉為清晰、可操作的市場(chǎng)洞察和報(bào)告。

這個(gè)產(chǎn)品就叫 atypica.AI，它做的事情就是用大量的模擬消費(fèi)者AI，和AI研究人員進(jìn)行大量的對(duì)話(huà)，從而產(chǎn)生各種各樣的商業(yè)問(wèn)題的答案。

比如問(wèn)某個(gè)產(chǎn)品在南美會(huì)不會(huì)賣(mài)得很好，它可以自動(dòng)擬合出南美的消費(fèi)者來(lái)做測(cè)試。我們也見(jiàn)到做新能源車(chē)的公司，邀請(qǐng)一堆虛擬用戶(hù)來(lái)探討下一代MPV的產(chǎn)品概念等等。最后產(chǎn)生的階段性結(jié)果是一份非常詳實(shí)的報(bào)告和整個(gè)調(diào)研的過(guò)程。

AI模擬用戶(hù)，真的可信嗎？

這個(gè)產(chǎn)品或者說(shuō)這一套體系主要分為三個(gè)部分：第一個(gè)部分是用 AI來(lái)模擬消費(fèi)者；第二個(gè)部分是用AI來(lái)模擬進(jìn)行各種各樣的人與人的互動(dòng)訪談；第三就是AI輸出結(jié)果。

大家都會(huì)好奇AI模擬消費(fèi)者到底準(zhǔn)不準(zhǔn)？我們嘗試做了兩三年，直到今年我覺(jué)得這個(gè)想法的結(jié)果是有效的。之所以今年有這個(gè)機(jī)會(huì)，是因?yàn)槟Ｐ偷纳?jí)，我給大家舉兩個(gè)現(xiàn)在行業(yè)的科研成果。

一群斯坦福的學(xué)者在2023年做了一個(gè)虛擬小鎮(zhèn)，25個(gè)居民由AI驅(qū)動(dòng)，自發(fā)性的進(jìn)行“人與人”的互動(dòng)。后來(lái)同一個(gè)團(tuán)隊(duì)寫(xiě)了一篇論文 《Generative Agent Simulations of 1,000 People》（《用智能體來(lái)模擬1000個(gè)隨機(jī)的美國(guó)人》）。

他們用智能體采訪這些美國(guó)人約100多個(gè)問(wèn)題（2小時(shí)），積累大量故事作為語(yǔ)料，輸入給大語(yǔ)言模型作為模擬智能體的基礎(chǔ)。然后用同樣的問(wèn)題問(wèn)真人和問(wèn)智能體，最后得到答案是85%的回答可以互換，就是接近一致。

這里有一大批的科研，比如說(shuō)人機(jī)交互的、經(jīng)濟(jì)學(xué)的、社會(huì)學(xué)的，似乎都在做一件事情，就是讓大語(yǔ)言模型加上一個(gè)上下文、加上數(shù)據(jù)，能不能夠模擬扮演真人的這種隨機(jī)性。

最后我們發(fā)現(xiàn)，這是可行的?？梢酝ㄟ^(guò)上下文、提示詞、大語(yǔ)言模型本身的能力等等一系列的工程方式，能夠讓模擬的效果達(dá)到85%。

我們是怎么做的？基本方法就是：用語(yǔ)料加上大語(yǔ)言模型，然后產(chǎn)生這種生成式的人設(shè)。Atypica可以將你的訪談?dòng)涗涋D(zhuǎn)化為隨時(shí)可用的數(shù)字化消費(fèi)者（Digital Consumers）。你的語(yǔ)料進(jìn)來(lái)以后，我們還要進(jìn)行多個(gè)維度消費(fèi)者的解析，去做采訪或再去找數(shù)據(jù)，這樣才會(huì)讓這個(gè)消費(fèi)者更真實(shí)。

為什么說(shuō)數(shù)據(jù)不完全可行？舉一個(gè)例子。我的合作伙伴經(jīng)常說(shuō)：“我想通過(guò)分析社交媒體數(shù)據(jù)，進(jìn)行新品研發(fā)、競(jìng)品對(duì)比、銷(xiāo)售賣(mài)點(diǎn)提取，能不能爬取各個(gè)平臺(tái)的全量數(shù)據(jù)來(lái)分析，小紅書(shū)、抖音、微博、B站，越全越好？”

首先，爬數(shù)據(jù)合規(guī)性是問(wèn)號(hào)。第二，爬取的數(shù)據(jù)可能有延遲。第三，爬來(lái)的全量數(shù)據(jù)，99%可能是垃圾。數(shù)據(jù)分析能真的剔除99%的垃圾嗎？

那為什么大家不去最好的商店買(mǎi)東西，而去垃圾堆里撿東西呢？所以全量數(shù)據(jù)是一個(gè)偽命題。

我們經(jīng)?？偨Y(jié)：因?yàn)檫^(guò)去都是這樣，所以我們應(yīng)該這么做。世界不是線性的，歸納是謬誤。通過(guò)過(guò)去預(yù)測(cè)未來(lái)是有謬誤的。這些觀點(diǎn)來(lái)自大衛(wèi)·多伊奇的《無(wú)窮的開(kāi)始》。他認(rèn)為科學(xué)發(fā)現(xiàn)不是觀察、歸納和總結(jié)，也不是看到數(shù)據(jù)就總結(jié)、歸因、得出結(jié)論。而是問(wèn)題到猜想，猜想到批判，批判到更好的猜想。

愛(ài)因斯坦相對(duì)論、達(dá)爾文進(jìn)化論等著名猜想，都不是先有數(shù)據(jù)驗(yàn)證才想出來(lái)的，而是先有猜想，后有人驗(yàn)證，這并非自然歸納。數(shù)據(jù)歸納法在商業(yè)場(chǎng)景中常用，但可能只是“黑天鵝事件”尚未出現(xiàn)。

在AI時(shí)代，我們不應(yīng)依賴(lài)大模型、大數(shù)據(jù)，而應(yīng)依賴(lài)每個(gè)人的“大猜想”。因此，訪談（即使是AI虛擬人）很重要。洞察和猜想的源泉，在于人和人的交流產(chǎn)生的增量，而非收斂的解題式結(jié)論。

市場(chǎng)變化太快，商品迭代以月為計(jì)，而傳統(tǒng)的社媒全量數(shù)據(jù)和調(diào)研報(bào)告時(shí)效性、執(zhí)行度都堪憂(yōu)，我們不能一邊快速迭代，一邊用戶(hù)理解卻按年來(lái)算。

我們希望通過(guò)Atypica這樣的產(chǎn)品，將用戶(hù)理解的速度、成本和覆蓋面都提高100倍。每個(gè)研究過(guò)程都有一個(gè)Nerdy統(tǒng)計(jì)按鈕，有四個(gè)維度：時(shí)間（后臺(tái)10到30分鐘實(shí)時(shí)訪談并產(chǎn)出結(jié)果）、步數(shù)（交互次數(shù)）、Agent（消費(fèi)者數(shù)量）和Token（剝削的算力）。

40萬(wàn)個(gè)token大約是一杯瑞幸咖啡的價(jià)格，我們用咖啡來(lái)定價(jià)，你可以請(qǐng)AI喝一杯咖啡，它給你結(jié)論。

我們的目的不是取代傳統(tǒng)方法，而是解決原來(lái)用戶(hù)理解太貴、太慢、覆蓋面太窄的問(wèn)題，我們提供一個(gè)24小時(shí)在你身邊的用戶(hù)洞察agent。當(dāng)你要做內(nèi)容、商品、戰(zhàn)略或決定時(shí)，隨時(shí)有一個(gè)可以模擬的對(duì)象沙盤(pán)來(lái)問(wèn)問(wèn)反饋，并思考后果。

我們的產(chǎn)品在AI出海業(yè)務(wù)中發(fā)揮了真實(shí)的作用。詳情請(qǐng)看完整版課程：

啟示：AI擅長(zhǎng)推理，人類(lèi)就要反預(yù)測(cè)

第一個(gè)85分是我們的產(chǎn)品結(jié)論客戶(hù)滿(mǎn)意度打分是85分（100 分滿(mǎn)分），可能找麥肯錫做的結(jié)果也不一定有 85分。當(dāng)AI可以做85分的時(shí)候，我們的工作會(huì)發(fā)生什么樣的變化？

AI既然能做到85分，我們就讓AI做到85分，那么人做的工作是從 85 分往上做到 100 分。

我們的產(chǎn)品現(xiàn)在100分的產(chǎn)品才有機(jī)會(huì)拿出來(lái)，85分就是底線。我們應(yīng)該用好這個(gè)基礎(chǔ)，讓活去找人，不是人去找活。

第二個(gè)85是指模擬用戶(hù)的一致性是85%的概率是準(zhǔn)的。那么另外無(wú)法被預(yù)測(cè)的15%是什么？

想象你是一個(gè)復(fù)雜立體的人，AI只看到你發(fā)的朋友圈、點(diǎn)贊的視頻、寫(xiě)的郵件、搜過(guò)的問(wèn)題，把你壓縮成一個(gè)概率模型。這就是AI最底層的邏輯：壓縮，越容易壓縮就越容易被取代、被預(yù)測(cè)，越容易被預(yù)測(cè)，在AI時(shí)代就越容易被取代。

當(dāng)你越來(lái)越正常，越來(lái)越像那85%的時(shí)候，你就越容易消失，AI agent就可以取代你。

我們?cè)鴵?dān)心被誤解，現(xiàn)在要擔(dān)心的是被徹底理解，以至于再也沒(méi)有驚喜，你的存在AI學(xué)不來(lái)，總結(jié)不出來(lái)，你寫(xiě)的句子它不敢預(yù)測(cè)，做的決定它沒(méi)見(jiàn)過(guò)。

在AI時(shí)代，最需要做的就是一個(gè)難以被預(yù)測(cè)的人。

掃碼觀看完整版課程