编辑｜杜伟

进入到 2026 年，人工智能领域被一只「龙虾」（OpenClaw）硬控了。这种具备高主动性、强活人感的私人 AI 助理成为了新一代人机交互的标杆。

然而，在应用层的狂欢背后，关于「人工智能的下一个前沿」究竟在哪，业界正产生更深层的共思。

对于这个问题，我们势必会听到不一样的答案。此前，英伟达高级研究科学家 Jim Fan 认为世界建模是新一代预训练范式，大型世界模型将开启为机器人学习以及更广泛多模态 AI 奠定真实基础的元年。

今天，斯坦福大学副教授 Percy Liang 旗帜鲜明地表示，「模拟将是人工智能的下一个前沿。」同时，他还是孵化自爆火「斯坦福 AI 小镇」项目的创业公司 Simile 的联合创始人，该公司在上个月宣布完成了 1 亿美元融资，投资人包括了李飞飞、Andrej Karpathy 等众多 AI 大佬。

在他看来，迄今为止，人工智能最令人瞩目的成就都源于那些拥有清晰环境与奖励机制的领域，无论是击败李世石的围棋对决、夺得国际数学奥林匹克（IMO）金牌，还是从零开始编写完整的应用程序。在这些场景中，强化学习算法可以尝试不同的行动，并在安全的 Docker 容器中观察那些定义明确的结果。

但是，面对涉及人类的、混乱的现实世界情况时又该如何呢？在现实中，奖励机制模糊不清，风险巨大，且无法直接进行实验。这些情况恰恰是人工智能下一个重大机遇所在。

为了攻克这一难题，我们需要「模拟」社会（即将社会放入 Docker 容器中）。这意味着要建立一个能够预测在任何给定情景（真实或假设）下会发生什么的模型。如果能实现这一点，我们的能力将仅仅受限于想象力：预测未来、优化结果、回答假设性（「如果 …… 会怎样」）问题。最终，这不仅仅是为了做出更好的决策，更是为了让我们对自身和这个世界有更深刻的理解。

Percy Liang 关于模拟「社会」的一系列观点得到了很多人的认同：

在 Percy Liang 撰写的一篇博客文章中，我们看到了他及其所在公司 Simile 关于 AI 进入模拟时代的畅想、面临的挑战以及未来的发展潜力。

研究连接了可能与不可能。在预测时代，我们实现了训练通用模型以高精度分类文本和图像。在推理时代，我们正让模型具备解决挑战性数学、代码以及其他复杂的、多步骤问题的能力。但那些答案取决于大量人类长期互动所产生的涌现结果的、复杂的现实世界问题该如何解决？比如：

如果我们允许远程办公，我们组织的生产力和文化会发生怎样的变化？我们该如何为数百万学生重新设计三年级数学课程？如果医生按团队成果进行考核，临床文化会如何转变？

这些问题需要更多支持：它们需要对给定情况下将发生的事情有极其精细的理解。换句话说，它们需要我们进行模拟。

在 Simile，我们相信我们即将进入模拟时代 ——AI 的下一个前沿。模拟的核心在于对我们自身及环境的深度理解，以至于能够推演任何可以想象的「如果…… 会怎样？」的情景。

Simile 团队开创了 AI 模拟领域。我们开发了具有涌现行为的多智能体模拟、模拟了在线社交互动，并创建了能够准确代表真实个体的智能体。为了释放模拟的全部潜力，我们必须应对以下挑战：

开发人类及其环境的高保真模型：当今的语言模型并不能捕捉人类行为的细微差别。我们需要新颖的数据采集策略来获取这些潜在知识，并训练能够推导至新情景的基座模型。高效地进行大规模模拟：我们如何模拟 80 亿人一年的活动？我们必须开发多尺度模型，以便模拟整个人群随时间推移的宏观和微观动态。模拟必须建立信任：我们的模型必须对可能结果的分布产生经过校准的概率估计。在这里，模拟本身作为一个可解释的产物，与具体现实紧密相连。

模拟将开启哪些可能呢？

首先，模拟器允许我们预测未来：给定当前状态，模拟接下来会发生什么。但模拟器的功能远不止于此。模拟器是世界的因果模型。根据 Pearl 的因果层次理论，我们可以评估干预措施：如果我们做出某种决定，会发生什么？或者更具野心地说，我们可以回答反事实问题：如果我们过去实施了某种决定，结果又会如何？回答此类问题的能力不仅能实现更好的决策，还能让我们对自身和世界有更深刻的理解。

模拟时代正在开启：预测模型可以生成最优行动，但无法解释原因。推理模型可以讲述故事，但这些故事不一定基于现实。模拟为世界上最复杂的问题提供了完整的、可审计的轨迹。模拟将要发生的事情比预测该做什么更难。但我们相信，这是通往稳健超智能的真正路径。模拟位于可能与不可能的分界线上

https://www.simile.ai/blog/simulation-next-frontier

https://x.com/percyliang/status/2031392872310911430