剑桥华人博士融资535万美元：打造AI平行世界，让人类决策告别盲目猜测

你有没有想过，也许我们终于找到了预测人类行为的方法？我们常常在发布产品、投放广告或者制定政策时，心中都有一个巨大的问号：人们会如何反应？这种不确定性让无数商业决策变成了昂贵的赌博。但如果告诉你，现在有一家公司能够在真实世界之外，创建一个完整的人工社会来测试任何想法，你会相信吗？这不是科幻小说的情节，而是刚刚获得 535 万美元融资的 Artificial Societies 正在实现的现实。

这家由剑桥大学行为科学背景的 James He 和 Patrick Sharpe 创立的公司，声称能够通过 AI 模拟整个人类社会的互动模式。他们不是在构建另一个聊天机器人或者内容生成工具，而是在尝试解决一个困扰人类社会数千年的根本问题：如何准确预测群体行为。

这种技术的潜在影响范围超出了我最初的想象。从营销活动的效果预测，到产品发布的市场反应，再到政策制定的社会影响评估，几乎所有涉及人类群体行为的决策都可能因此而改变。这家公司的融资背景也印证了投资界对这种技术的看好：Point72 Ventures 领投了 250 万英镑的种子轮，Kindred Capital VC 领投了此前的预种子轮，参与方还包括 Y Combinator、Pioneer Fund、Ventures Together 等知名机构，以及来自 Sequoia Capital Scout、Figma、Prolific 和 Google DeepMind 的天使投资人。这样的投资者阵容说明，他们看到的不仅是一个有趣的技术实验，而是一个可能重塑多个行业的商业机会。

AI 模拟社会的工作原理

要理解 Artificial Societies 的创新之处，我们需要从他们解决问题的方式开始。传统的市场研究依靠问卷调查、焦点小组或者历史数据分析，这些方法不仅成本高昂、耗时很长，而且往往无法准确预测真实的群体行为。人们在被问及如何反应时说的话，和他们在真实情况下的实际行为，经常存在巨大差异。我们都知道那种尴尬的经历：精心策划的营销活动在市场上遭遇冷遇，明明在焦点小组测试中反响很好的产品却销售惨淡。

Artificial Societies 的方法截然不同。他们首先收集目标人群在数字平台上的真实行为数据，比如在 LinkedIn 上发布了什么内容、点赞了什么帖子、评论了什么话题等等。然后，他们使用这些行为数据创建出对应的 AI 人格模型，每个模型都能够模拟一个真实个体的行为模式和反应倾向。这些 AI 人格不是简单的统计模型，而是能够像真实用户一样思考和反应的智能体。他们会根据个人偏好、过往行为和社交网络位置来做出决策，就像真实的人类一样。

但真正的魔法在于社交网络的模拟。Artificial Societies 不仅创建了个体的 AI 人格，还构建了这些人格之间的社交关系网络。在他们的可视化系统中，每个点代表一个真实的人，而连接这些点的线条则表示人与人之间的互动关系。这种网络结构至关重要，因为信息在社交媒体上的传播往往依赖于人际关系的连锁反应。一个帖子之所以能够病毒式传播，不是因为它本身有多好，而是因为它能够激发人们之间的互动和转发。

当你想测试一条内容时，系统会模拟这条内容如何在整个社交网络中传播。每个 AI 人格都会根据自己的特点决定是否关注、点赞、评论或分享这条内容。如果一个人格选择了分享，那么这条内容就会传播到它的社交网络中，影响更多的人格。这种连锁反应会在整个模拟社会中展开，最终产生一个关于内容表现的预测结果。令人印象深刻的是，这种模拟的准确率已经达到了 83%，而如果让 ChatGPT 做同样的预测，准确率只有 17%。

更令人兴奋的是，因为这是一个完全的模拟环境，他们可以同时运行数百个平行实验。想象一下，你可以为同一个营销活动创建 100 个不同的版本，然后在模拟环境中同时测试它们的效果，找出表现最好的那个版本。这就像拥有了一个时间机器，让你能够在不承担真实世界风险的情况下，看到不同决策的潜在结果。对于那些动辄花费数百万美元的营销活动来说，这种预测能力的价值是巨大的。

从 LinkedIn 测试到更广阔的应用场景

James He 在 Y Combinator 的演示中分享了一个生动的例子，完美展现了这种技术的实用性。他的合作伙伴 Matt 需要在 LinkedIn 上发布一个活动公告，但不知道如何撰写才能获得最好的互动效果。传统做法是凭直觉写一个版本，发布后听天由命。但 Artificial Societies 为 Matt 构建了一个包含他整个 LinkedIn 网络的模拟环境，在这个环境中测试不同版本的帖子内容。

在这个模拟的 LinkedIn 网络中，每个与 Matt 有互动的真实用户都被转化为了相应的 AI 人格。这些 AI 人格基于真实用户的历史行为数据，能够模拟他们看到 Matt 帖子后的真实反应：是会忽略、点赞、评论，还是分享给自己的网络。通过这种方式，Matt 可以在实际发布前就看到帖子可能获得的反响，并根据模拟结果调整内容，直到找到最佳版本。

这个例子看似简单，但背后体现的思维方式是革命性的。我们第一次能够在不承担任何实际成本的情况下，测试我们的想法在真实社会环境中的表现。这就像拥有了一个社会实验室，你可以在其中安全地进行各种测试，而不用担心失败的后果。

James He 和他的团队显然意识到这种技术的更广泛应用潜力。他们不仅模拟了个人的 LinkedIn 网络，还构建了投资人网络的模拟系统，用来测试如何撰写 Y Combinator 申请书和如何向投资者推销他们的创业公司。考虑到他们成功通过了 Y Combinator 并获得了 535 万美元融资，这种方法显然是有效的。他们甚至模拟了整个 Y Combinator Winter 2025 批次的创始人群体，用来测试什么样的编程工具可能在这个群体中火起来。

让我感到惊讶的是，连 Anthropic 也开始使用他们的平台来测试如何向 Y Combinator 创始人销售 Anthropic 的 AI 服务积分。这表明，即使是 AI 领域的领先公司，也认识到了人工社会模拟技术的价值。当技术公司开始使用 AI 来预测其他技术创始人的行为时，我们正在见证一种全新的商业智能形式的诞生。

但我认为最有趣的应用场景还没有完全展开。James He 在采访中提到，他们看到了将这种技术应用于政策制定的巨大潜力。想象一下，政府在推出一项新政策之前，可以在人工社会中模拟这项政策对不同人群的影响，预测可能的反对声音、支持程度和潜在的意外后果。这种能力可能会彻底改变公共政策的制定过程，让政策更加科学、更加精准，也更能获得公众支持。

从商业应用的角度看，我认为这种技术对于那些需要大规模用户互动的行业特别有价值。比如媒体公司可以预测不同内容的传播效果，社交平台可以测试新功能的用户接受度，电商公司可以模拟促销活动的效果，甚至政治组织也可以预测不同信息策略的影响。每一个需要理解和影响群体行为的行业，都可能从这种技术中受益。

技术背后的科学基础

作为一个对技术细节感兴趣的人，我深挖了 Artificial Societies 的技术实现方式。他们的方法建立在行为科学和 AI 技术的交叉点上，这种跨学科的结合正是他们能够取得突破的关键。创始人 James He 和 Patrick Sharpe 都有行为科学的研究背景，这让他们深刻理解人类行为的复杂性和社会互动的微妙之处。

他们的技术核心是什么他们称之为"AI 人格"的系统。这些不是简单的聊天机器人，而是基于大量真实行为数据训练出来的复杂模型，能够模拟特定个体的思维模式、价值观、兴趣偏好和行为倾向。每个 AI 人格都是独一无二的，反映了它所代表的真实个体的特征。这种个性化的程度让模拟结果更加准确，因为它考虑了人与人之间的差异，而不是将所有人视为同质化的群体。

但仅有个体模拟是不够的，社会互动的复杂性在于人与人之间的相互影响。Artificial Societies 构建了一个动态的社交网络模型，能够模拟信息如何在网络中传播、观点如何被塑造、以及群体意见如何形成。这种网络效应的模拟非常重要，因为在现实中，人们的行为很少是孤立的，而是受到社交环境的强烈影响。一个人是否会分享某条内容，不仅取决于他个人的喜好，还取决于他的朋友们对这条内容的反应，以及他在社交网络中的地位和角色。

我特别感兴趣的是他们的数据收集和处理方式。他们通过分析用户在 LinkedIn 等平台上的公开行为，包括发布的内容、点赞的帖子、评论的话题等，来构建每个人的行为档案。这种方法的优势在于，它基于真实的行为数据，而不是自我报告的偏好或意图。人们可能会在调查中说他们喜欢某种类型的内容，但他们的实际点击和分享行为却可能完全不同。通过观察真实行为，Artificial Societies 能够构建更准确的预测模型。

从技术架构的角度看，这个系统的复杂度是惊人的。James He 提到他们在剑桥时曾经"将 33,000 个 AI 聊天机器人拼接在一起，观看它们构建数字社会"。这种规模的模拟需要大量的计算资源和精心设计的算法，以确保每个 AI 人格都能够独立运行，同时又能与其他人格进行复杂的互动。这不仅是一个技术挑战，也是一个工程挑战，因为系统需要在合理的时间内处理数千甚至数万个并行的模拟过程。

让我印象深刻的是他们对验证和改进的重视。他们选择从社交媒体开始，正是因为这个领域可以快速获得反馈。你可以在模拟环境中预测一个 LinkedIn 帖子会获得多少互动，然后几小时或几天后就能看到真实结果，从而验证模拟的准确性。这种快速反馈循环让他们能够不断改进模型，就像 James He 所说的"带有社会反馈的强化学习"。通过数千名用户在过去几个月中的使用，他们积累了大量的验证数据，不断提高预测的准确性。

重新定义市场研究和商业决策

在我看来，Artificial Societies 正在做的事情，可能会彻底重新定义市场研究这个行业。传统的市场研究方法存在诸多局限性：问卷调查受到社会期望偏见的影响，焦点小组的规模太小难以代表真实市场，而历史数据分析则无法预测未来的变化。这些方法不仅成本高昂，而且往往需要数周甚至数月的时间才能得出结论。更糟糕的是，当你终于得到研究结果时，市场环境可能已经发生了变化，让这些结论失去了时效性。

Artificial Societies 的方法解决了这些传统问题。他们可以在几分钟内完成原本需要数周的调查工作，成本只是传统方法的一小部分。更重要的是，他们可以测试任何想法，无论这个想法多么新颖或者实验性。你不需要担心会"浪费"真实用户的时间或者影响品牌形象，因为所有测试都在模拟环境中进行。这种无风险的测试环境，让企业能够更大胆地尝试创新想法，而不用担心失败的后果。

我认为这种技术对于内容创作者和营销人员来说特别有价值。以往，他们只能凭借经验和直觉来判断什么样的内容会受欢迎，这种不确定性让内容创作变成了一种艺术而非科学。但有了人工社会模拟，他们可以在发布前就测试不同版本的内容，找出最有可能获得好反响的版本。这不仅提高了成功率，也让内容创作变得更加高效和精准。

对于产品开发来说，这种技术的意义更加深远。产品经理可以在开发阶段就测试不同的产品概念、功能设计或者用户界面，预测用户的接受度和使用模式。这样可以大大降低产品失败的风险，避免在错误的方向上投入大量资源。想象一下，如果每个产品团队都能够在开发前就知道用户会如何反应，那么产品开发的成功率将会显著提高。

我也思考了这种技术对于初创公司的特殊价值。对于资源有限的初创公司来说，每一个决策都可能影响公司的生死存亡。传统的市场研究方法对他们来说往往太昂贵、太耗时，因此很多初创公司只能凭借创始人的直觉来做决策。但 Artificial Societies 提供了一种可负担的替代方案，让小公司也能够获得大公司级别的市场洞察能力。James He 自己就是一个很好的例子，他们用自己的技术来优化融资过程，最终成功获得了投资。

从更宏观的角度看，这种技术可能会改变我们对市场风险的理解。传统上，推出新产品或新服务总是伴随着不确定性，企业必须在有限的信息基础上做出重大决策。但如果我们能够准确预测市场反应，那么很多原本看起来冒险的决策就变得相对安全了。这可能会鼓励更多的创新和实验，因为失败的成本大大降低了。

当然，这也引发了一些有趣的哲学问题。如果我们能够准确预测人类的群体行为，这对自由意志和个人选择意味着什么？这种技术是否会被用来操纵公众意见？这些都是需要认真考虑的问题。但我认为，就像任何强大的技术一样，关键在于如何使用它。如果用得得当，它可以帮助创建更好的产品、更有效的沟通和更明智的决策。

技术挑战与发展潜力

尽管 Artificial Societies 已经取得了令人印象深刻的成果，但我也看到了一些技术挑战和发展空间。首先是数据质量和覆盖范围的问题。目前他们主要依靠 LinkedIn 等平台的公开数据来构建 AI 人格，但这种数据可能存在偏见或者不够全面。LinkedIn 上的行为模式可能无法完全代表一个人在其他环境中的行为，特别是在涉及购买决策或政治观点等更私人领域时。

我注意到，在他们的演示中，观众提出了一个很关键的问题：LinkedIn 上只有大约 1% 的用户会积极评论和发帖，其余 99% 的人主要是被动观看。这种"沉默的大多数"现象在所有社交平台上都存在，如何准确模拟这些较少表达观点的用户，是一个重要的技术挑战。James He 的回应是，他们专注于模拟那些实际会与内容互动的用户，因为这些用户才是信息传播的关键节点。这种方法有其合理性，但也意味着模拟结果可能低估了被动用户的影响。

另一个挑战是模拟的时间尺度问题。在社交媒体领域，他们可以在几小时或几天内验证预测的准确性，这让模型能够快速迭代和改进。但如果要将这种技术应用到产品开发或政策制定等需要更长时间才能看到结果的领域，如何验证和改进模型就成了一个更复杂的问题。James He 也承认了这一点，他们之所以从社交媒体开始，正是因为它提供了最快的反馈循环。

我认为数据隐私也是一个需要仔细考虑的问题。虽然 Artificial Societies 声称只使用公开数据，但随着模拟变得越来越精确，这些 AI 人格可能会揭露真实用户的一些隐私信息。如何在提供准确预测的同时保护用户隐私，是这类技术必须面对的伦理挑战。

从技术发展的角度看，我相信这只是一个开始。随着大语言模型技术的进步和计算能力的提升，人工社会模拟的规模和精确度都会继续提高。我可以想象未来的版本能够模拟更大规模的社会群体，处理更复杂的互动模式，甚至预测长期的社会趋势。这种技术可能会成为政府、企业和研究机构的标准工具，就像今天的数据分析软件一样普及。

从商业模式的角度看，我觉得 Artificial Societies 找到了一个很好的切入点。他们从个人用户的 LinkedIn 优化需求开始，这是一个相对简单、风险较低的应用场景，让他们能够验证技术可行性并获得用户反馈。同时，他们也在与企业客户合作，测试更复杂的商业应用。这种从简单到复杂、从个人到企业的发展路径，是很多成功技术公司都采用过的策略。

对未来商业决策的深远影响

我经常思考一个问题：如果我们真的能够准确预测人类的群体行为，商业世界会变成什么样子？Artificial Societies 的技术让我们第一次看到了这种可能性的轮廓。想象一下，当每一个营销活动、每一次产品发布、每一项政策改变都能够在实施前就被准确预测其效果时，我们的决策过程将会如何改变？

我认为最直接的影响是风险管理方式的改变。在商业环境中，很多决策之所以困难，是因为我们无法准确预测结果。这种不确定性让企业不得不采取保守策略，或者承担巨大的风险。但如果有了准确的预测能力，企业就可以更加大胆地尝试创新，因为他们知道哪些想法有成功的可能性。这可能会加速创新的步伐，让市场变得更加活跃和多样化。

对于营销行业来说，这种技术的影响可能是颠覆性的。目前的营销决策很大程度上依赖于创意直觉、历史经验和有限的测试数据。但 Artificial Societies 的技术让营销变得更像一门精确科学。营销人员可以测试无数种不同的信息策略、视觉设计和传播渠道，然后选择最有效的组合。这不仅会提高营销活动的成功率，也会让营销投资的回报更加可预测。

我也看到了这种技术对于媒体和内容行业的巨大潜力。内容创作者一直在努力理解什么样的内容会受到观众喜爱，但这个过程往往充满了试错和不确定性。有了人工社会模拟，内容创作者可以在发布前就测试不同的内容概念、标题、格式和传播策略。这不仅会提高内容的质量和影响力，也会让内容创作变得更加高效。

从更深层次看，这种技术可能会改变我们对消费者洞察的理解。传统的消费者研究试图通过调查和观察来理解消费者的需求和行为，但这种方法往往滞后且不够准确。Artificial Societies 的方法则是通过模拟来预测消费者的未来行为，这是一种更加前瞻性的方法。企业不再需要被动地响应市场变化，而是可以主动地塑造市场反应。

我想到了一个更具想象力的应用场景：产品迭代的预测性优化。目前，产品团队通过 A/B 测试来优化产品功能，但这个过程往往很慢，而且只能测试有限的变量组合。如果有了人工社会模拟，产品团队可以同时测试数百种不同的产品配置，快速找到最优解。这种能力可能会加速产品迭代的速度，让产品更快地达到最佳状态。

对于初创公司来说，这种技术的价值更加明显。初创公司通常资源有限，无法承受太多失败的成本。传统上，他们只能通过最小可行产品（MVP）来测试市场反应，但这种方法仍然需要投入大量的开发资源。有了人工社会模拟，初创公司可以在开发产品之前就测试产品概念，只有当模拟显示产品有成功可能性时，才投入资源进行实际开发。这种预测性的产品开发方法，可能会大大提高初创公司的成功率。

创业故事背后的深层思考

让我特别感动的是 James He 在 LinkedIn 上分享的个人故事。他写道："当我 14 岁离开家乡到海外开始新生活时，目标只是生存，其他一切都是奢侈品。那时候，创业对我来说还是科幻小说。"这段话让我想到了很多移民创业者的经历，他们往往带着与众不同的视角和强烈的动机来解决问题。

James He 能够在剑桥大学深入研究人类行为建模，然后将这种学术研究转化为实际的商业解决方案，这本身就是一个很有启发性的故事。我认为这种从纯学术研究到商业应用的转化，正是当今 AI 时代最有价值的创新模式之一。很多突破性的技术都源于深层的科学研究，但只有当这些研究能够解决真实世界的问题时，它们才能产生真正的影响。

他们的融资过程也很有意思。James He 提到，作为首次创业的创始人，融资环境并不容易导航，但他们使用自己的技术来模拟投资过程，这让他们在向风险投资人推销时"相当有准备"。这种"狗粮测试"（dogfooding）的方法不仅证明了技术的实用性，也展现了创始人对自己产品的信心。如果连创始人都不愿意使用自己的产品，投资人怎么会相信这个产品有市场价值呢？

从更广阔的视角看，Artificial Societies 的成功也反映了当前 AI 投资领域的一些趋势。投资人不再只是寻找通用的 AI 工具，而是更加关注那些能够解决特定行业痛点的专业化 AI 应用。Point72 Ventures 选择领投这轮融资，说明他们看到了人工社会模拟技术在金融和投资领域的应用潜力。毕竟，预测市场行为正是金融行业的核心需求之一。

我也注意到，Artificial Societies 的发展时间线非常紧凑：2024 年底创立，2025 年 1 月加入 Y Combinator，3 月发布首个演示，8 月就完成了种子轮融资并推出了公开产品。这种发展速度在传统的企业软件领域几乎是不可能的，但在 AI 时代，这种快速迭代和验证的模式正在变得越来越常见。

让我印象深刻的是他们对使命的表述："也许，只是也许，我们能够帮助人类多做一些实验，找到我们的黄金路径。"这种表述体现了一种技术乐观主义的态度，相信技术可以帮助人类做出更好的决策，找到更好的解决方案。这种使命感不仅会激励团队，也会吸引那些同样相信技术可以改善世界的投资人和合作伙伴。

文章来自于微信公众号“深思圈”，作者是“Leo”。