شبیه‌سازی اجتماعی LLMها و آزمایش سیاست‌ها روی جامعه مصنوعی

به‌گزارش پیوست، مقاله AgentSociety از یک ایده ساده اما بلندپروازانه شروع می‌کند: اگر بخواهیم جامعه را بهتر بفهمیم، شاید فقط مشاهده آن کافی نباشد باید بتوانیم نسخه‌ای کوچک، قابل‌کنترل و آزمایش‌پذیر از آن بسازیم. پژوهشگران در این مقاله محیطی طراحی کرده‌اند که در آن بیش از ۱۰ هزار عامل مبتنی بر مدل زبانی زندگی روزمره، رفت‌وآمد، کار، خرید، گفت‌وگو و واکنش اجتماعی را تجربه می‌کنند.

نکته جذاب این است که این عامل‌ها فقط «شخصیت‌های متنی» نیستند. هر عامل پروفایل، وضعیت اقتصادی، روابط اجتماعی، حافظه، احساسات، نیازها و نگرش‌هایی دارد که در طول زمان تغییر می‌کنند. یعنی اگر اتفاقی برایش بیفتد، آن اتفاق فقط در یک پاسخ زبانی تمام نمی‌شود در حافظه‌اش ثبت می‌شود و می‌تواند روی تصمیم‌های بعدی او اثر بگذارد.

از نیاز و احساس تا رفتار روزمره

در AgentSociety، رفتار عامل‌ها از درون یک زنجیره ساخته می‌شود: نیاز، احساس، شناخت، برنامه و عمل. اگر عامل گرسنه باشد، ممکن است به فروشگاه یا رستوران برود. اگر نیاز اجتماعی داشته باشد، ممکن است به دوستی پیام بدهد. اگر مضطرب یا ناراحت باشد، لحن پیام‌هایش تغییر می‌کند و حتی برداشت او از رویدادها متفاوت می‌شود.

این طراحی باعث می‌شود زندگی شبیه‌سازی‌شده عامل‌ها حالت مکانیکی نداشته باشد. در نمونه «یک روز از زندگی»، عامل صبح به محل کار می‌رود، ایمیل‌ها را پاسخ می‌دهد، جلسه کاری دارد، برای خرید مواد غذایی مسیرش را تغییر می‌دهد، با دوستش ارتباط می‌گیرد، کارهای مالی انجام می‌دهد و شب به سرگرمی و خواب می‌رسد. اهمیت این بخش در جزئیات است: رفتارها جدا از هم نیستند و کار روی احساس اثر می‌گذارد، درآمد روی مصرف اثر می‌گذارد، پیام اجتماعی می‌تواند تصمیم اقتصادی یا حرکتی ایجاد کند.

جامعه‌ای فقط از آدم‌ها ساخته نشده است

در AgentSociety عامل‌ها داخل جامعه‌ای قرار دارند که از شهر، اقتصاد، شبکه اجتماعی، آب‌وهوا، قوانین و روابط انسانی ساخته شده است. هر عامل می‌تواند شغل داشته باشد، درآمد کسب کند، مالیات بدهد، خرید کند، پس‌انداز داشته باشد و تحت تاثیر قیمت کالاها یا شرایط اقتصادی تصمیم بگیرد. هم‌زمان، روابط اجتماعی نیز دائما روی رفتار آنها اثر می‌گذارد. دوستی‌ها، همکاران، ارتباطات آنلاین و حتی نزدیکی فیزیکی افراد می‌تواند مسیر گفت‌وگوها و تصمیم‌ها را تغییر دهد.

محیط نیز فقط پس‌زمینه‌ای ثابت نیست، بلکه به رفتار عامل‌ها واکنش نشان می‌دهد. اگر هوا نامناسب باشد، مسیر حرکت تغییر می‌کند، اگر بحران یا طوفانی رخ دهد، الگوی رفت‌وآمد شهر عوض می‌شود، اگر پیام‌های احساسی در شبکه اجتماعی گسترش پیدا کند، شدت واکنش‌های جمعی بالا می‌رود. حتی سیستم‌های نظارتی و الگوریتم‌های کنترل محتوا نیز بخشی از این جهان هستند و می‌توانند سرعت انتشار اطلاعات یا نحوه تعامل افراد را تغییر دهند.

همین پیوند میان ذهن عامل‌ها، شرایط محیطی و روابط اجتماعی باعث می‌شود رفتارهای جمعی پیچیده شکل بگیرد. در این جامعه مصنوعی، تصمیم‌ها فقط نتیجه منطق فردی نیستند، آنها محصول فشار اقتصادی، وضعیت روحی، شرایط شهری، شبکه دوستان و فضای رسانه‌ای هستند. به همین دلیل AgentSociety بیشتر از یک شبیه‌سازی تکنیکی به نظر می‌رسد شبیه نوعی نسخه دیجیتال از جامعه انسانی که در آن هر تغییر کوچک می‌تواند زنجیره‌ای از واکنش‌های اجتماعی ایجاد کند.

الگوهای اجتماعی که از دل گفت‌وگو بیرون می‌آیند

یکی از بخش‌های مهم مقاله، آزمایش قطبی‌شدن دیدگاه‌هاست. عامل‌ها درباره سیاست کنترل اسلحه گفت‌وگو می‌کنند و پژوهشگران می‌بینند وقتی افراد فقط با نظرات مشابه خود روبه‌رو می‌شوند، دیدگاه‌ها تندتر و دوقطبی‌تر می‌شود. در مقابل، وقتی عامل‌ها با دیدگاه‌های مخالف مواجه می‌شوند، در بسیاری از موارد مواضعشان معتدل‌تر می‌شود.

این نتیجه نشان می‌دهد در این جامعه مصنوعی، پدیده‌ای شبیه «اتاق پژواک» شکل می‌گیرد. عامل‌ها صرفا متن تولید نمی‌کنند، از تعامل اجتماعی تاثیر می‌پذیرند، نظرشان تغییر می‌کند و در سطح جمعی الگویی قابل‌مشاهده پدید می‌آید. مقاله ادعا نمی‌کند که این شبیه‌سازی جای جامعه واقعی را می‌گیرد، اما نشان می‌دهد چنین محیطی می‌تواند آزمایشگاه مفیدی برای بررسی سازوکارهای اجتماعی باشد.

آزمایش پیام‌های تحریک‌آمیز هم همین مسیر را ادامه می‌دهد. پیام‌های احساسی و ملتهب سریع‌تر پخش می‌شوند و شدت هیجانی جامعه را بالا می‌برند. وقتی سیستم روی کاربران پرانتشار مداخله می‌کند، کنترل انتشار موثرتر از حالتی است که فقط ارتباط میان دو نفر قطع شود. این یافته برای فهم مدیریت محتوا در شبکه‌های اجتماعی مهم است، هرچند باید آن را در حد شبیه‌سازی تفسیر کرد.

وقتی سیاست، بحران و شهر وارد شبیه‌سازی می‌شوند

AgentSociety فقط به گفت‌وگو محدود نیست. این مقاله اثر «درآمد پایه همگانی» را هم آزمایش می‌کند. در شبیه‌سازی، پرداخت ماهانه بدون شرط باعث افزایش مصرف و کاهش شاخص افسردگی عامل‌ها می‌شود. جالب‌تر اینکه از عامل‌ها درباره این سیاست مصاحبه می‌شود و پاسخ‌هایشان حول موضوع‌هایی مثل نیازهای ضروری، پس‌انداز، نرخ بهره و امنیت مالی می‌چرخد.

در آزمایش بحران طبیعی، عامل‌ها در برابر طوفان واکنش نشان می‌دهند. پیش از طوفان، سطح فعالیت شهری بالا می‌ماند، هنگام وقوع بحران، رفت‌وآمدها شدیدا کاهش می‌یابد، و پس از عبور بحران، الگوی حرکت به‌تدریج برمی‌گردد. این بخش نشان می‌دهد عامل‌ها فقط به گفتار حساس نیستند، محیط، آب‌وهوا، مسیر، زمان و محدودیت‌های شهری هم روی تصمیمشان اثر می‌گذارد.

در آزمایش پایداری شهری نیز پژوهشگران بررسی می‌کنند که پیام‌های زیست‌محیطی چگونه می‌توانند انتخاب حمل‌ونقل را تغییر دهند. عامل‌هایی که هنجارهای محیط‌زیستی را بیشتر درونی می‌کنند، بیشتر به سمت پیاده‌روی، دوچرخه یا حمل‌ونقل عمومی می‌روند و انتشار کربن کمتری تولید می‌کنند.

اینجا مقاله از یک نکته مهم پرده برمی‌دارد که تغییر رفتار فقط با دستور دادن رخ نمی‌دهد، وقتی پیام به حس مسئولیت شخصی و هویت فردی وصل شود، اثر قوی‌تری دارد.

وعده بزرگ، خطاهای واقعی و احتیاط لازم

AgentSociety تصویری هیجان‌انگیز از آینده علوم اجتماعی محاسباتی می‌دهد: جامعه‌ای مصنوعی که می‌توان در آن سوال پرسید، مداخله کرد، سیاست را آزمود و واکنش جمعی را دید. اما مقاله هم‌زمان نشان می‌دهد این مسیر هنوز کامل نیست. مدل اقتصادی ساده‌سازی‌هایی دارد، بازار کار، بیکاری، رقابت پیچیده کالاها و شوک‌های واقعی اقتصادی به‌طور کامل بازسازی نشده‌اند.

از سوی دیگر، عامل‌های زبانی همچنان ممکن است رفتارهای عجیب، اغراق‌آمیز یا وابسته به طراحی پرامپت داشته باشند. سرعت و کیفیت شبیه‌سازی هم به فراخوانی مدل زبانی وابسته است، یعنی گلوگاه اصلی، خود LLM است. بنابراین چنین شبیه‌سازی‌ای نباید به‌عنوان پیش‌بینی قطعی جامعه واقعی خوانده شود، بلکه باید آن را یک آزمایشگاه مصنوعی برای فهم سازوکارها دانست.

برداشت اصلی مقاله این است که وقتی هزاران عامل زبانی با حافظه، احساس، نیاز، رابطه اجتماعی، اقتصاد و شهر واقعی‌نما کنار هم قرار می‌گیرند، رفتارهایی فراتر از پاسخ‌های منفرد تولید می‌شود.

جامعه‌ای که همیشه در حال مشاهده شدن است

یکی از بخش‌های جالب AgentSociety طراحی چیزی شبیه «ناظر اجتماعی» است، سیستمی که پیام‌ها را بررسی می‌کند، بعضی محتواها را فیلتر می‌کند و حتی می‌تواند ارتباط میان عامل‌ها یا حساب برخی از آنها را محدود کند. این بخش عملا نسخه‌ای ساده‌شده از سازوکار شبکه‌های اجتماعی واقعی است، جایی که الگوریتم‌ها تصمیم می‌گیرند چه چیزی بیشتر دیده شود و چه چیزی محدود بماند.

جالب‌تر اینکه مقاله نشان می‌دهد عامل‌ها فقط به حذف محتوا واکنش نشان نمی‌دهند، بلکه خودآگاهی از وجود نظارت نیز رفتار آنها را تعدیل می‌کند. به‌نوعی، جامعه شبیه‌سازی‌شده کم‌کم یاد می‌گیرد که چه نوع رفتاری هزینه اجتماعی یا محدودیت بیشتری ایجاد می‌کند و همین موضوع روی نحوه ارتباط، انتخاب واژه‌ها و حتی تصمیم برای بازنشر اطلاعات اثر می‌گذارد.

اهمیت این ایده فقط در کنترل محتوا نیست، بلکه در این است که عامل‌ها به حضور چنین ناظری واکنش نشان می‌دهند. یعنی محیط فقط یک پس‌زمینه خاموش نیست، بخشی فعال از جامعه است که می‌تواند مسیر گفت‌وگوها، سرعت انتشار اطلاعات و حتی احساسات جمعی را تغییر دهد. مقاله نشان می‌دهد رفتار اجتماعی را نمی‌توان فقط با بررسی افراد فهمید، زیرساخت‌ها و الگوریتم‌هایی که ارتباطات را مدیریت می‌کنند نیز بخشی از رفتار جمعی هستند.

این نگاه، AgentSociety را به چیزی فراتر از یک شبیه‌سازی ساده تبدیل می‌کند. در اینجا جامعه فقط حاصل جمع افراد نیست، حاصل تعامل افراد با قوانین، محدودیت‌ها و سامانه‌هایی است که دائما آنها را شکل می‌دهند. همین موضوع باعث می‌شود شبیه‌سازی به واقعیت شبکه‌های اجتماعی امروز نزدیک‌تر شود، جایی که الگوریتم‌ها خودشان به بازیگران اجتماعی تبدیل شده‌اند.

مقیاس؛ مهم‌ترین ویژگی آزمایش

بخش زیادی از قدرت AgentSociety از تعداد عامل‌ها می‌آید. پژوهشگران فقط چند شخصیت محدود را کنار هم قرار نداده‌اند، آنها سیستمی ساخته‌اند که بیش از ۱۰ هزار عامل و میلیون‌ها تعامل را مدیریت می‌کند. این مقیاس مهم است.

در جامعه‌های کوچک، رفتارها اغلب قابل پیش‌بینی‌ترند. اما وقتی تعداد تعامل‌ها بالا می‌رود، الگوهای تازه‌ای شکل می‌گیرد: شایعه ناگهان فراگیر می‌شود، گروه‌ها قطبی می‌شوند، رفتارهای جمعی به‌صورت موجی گسترش پیدا می‌کنند یا حتی هنجارهای اجتماعی تازه به‌وجود می‌آید. مقاله بارها تاکید می‌کند که هدف فقط ساخت عامل‌های «باهوش» نبوده، هدف، مشاهده پدیده‌هایی بوده که از دل مقیاس و تراکم تعامل‌ها بیرون می‌آیند.

نکته جالب‌تر این است که پژوهشگران برای رسیدن به این مقیاس مجبور شده‌اند معماری فنی متفاوتی طراحی کنند. آنها از فناوری‌هایی شبیه سامانه‌های اینترنت اشیا استفاده کرده‌اند تا عامل‌ها بتوانند مثل انسان‌ها به هم پیام بدهند و هم‌زمان مستقل عمل کنند. این یعنی مساله فقط هوش مصنوعی نبوده، ساختن نوعی «زیرساخت اجتماعی مصنوعی» هم بوده است.

در نهایت، یکی از پیام‌های پنهان مقاله همین است. شاید در آینده، مطالعه جامعه دیگر فقط کار جامعه‌شناس‌ها یا اقتصاددان‌ها نباشد. برای ساختن چنین جهان‌هایی باید علوم اجتماعی، طراحی سیستم‌های توزیع‌شده، مدل‌های زبانی و شبیه‌سازی شهری کنار هم قرار بگیرند. AgentSociety بیشتر از آنکه فقط یک مقاله درباره AI باشد، تصویری اولیه از چیزی شبیه «آزمایشگاه دیجیتال جامعه انسانی» ارائه می‌دهد.

جمع‌بندی

AgentSociety تلاشی برای ساختن نسخه‌ای آزمایشگاهی از جامعه انسانی است و نمی‌توان گفت فقط یک پروژه فنی درباره هوش مصنوعی انجام شده است. این پژوهش نشان می‌دهد وقتی هزاران عامل زبانی با حافظه، احساس، نیاز، روابط اجتماعی و محیط واقعی‌نما کنار هم قرار می‌گیرند، رفتارهایی جمعی و پیش‌بینی‌ناپذیر از قطبی‌شدن سیاسی گرفته تا واکنش به بحران و تغییر الگوهای مصرف شکل می‌گیرد. هرچند این شبیه‌سازی هنوز فاصله زیادی با پیچیدگی واقعی جوامع انسانی دارد، اما تصویری روشن از آینده ارائه می‌دهد، آینده‌ای که در آن شاید دانشمندان، پیش از اجرای سیاست‌ها در دنیای واقعی، ابتدا آنها را روی جامعه‌ای از انسان‌های مصنوعی آزمایش کنند.

AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society