當AI能推演人的主觀世界，商業決策徹底變了！

我們正站在一個前所未有的節點上：絕大多數商業問題，已經不再是“做對或做錯”，而是無數可能性的疊加；而絕大多數企業，還在用上一個時代的思維，賭下一個時代的不確定。

內容怎么做？用戶到底要什么？產品會不會賣？過去靠數據、靠經驗、靠拍腦袋；現在，一個全新的能力正在出現——AI不止能干活，它開始“模擬人”。這聽起來非常有趣，你肯定想知道：

AI模擬用戶，這事兒到底靠譜嗎？

它如何成為解決復雜問題的新工具？

它怎樣讓“用戶洞察”這件事快100倍、便宜100倍、覆蓋廣100倍？

以及，在AI能預測85%的世界里，人類該如何活在那15%的不可預測里？

本文僅為課程的部分內容，完整版內容請到混沌APP觀看完整版。

世界的復雜性，導致我們需要“模擬”

現在，絕大多數的智能體都在幫我們干活（做銷售、做客服等）。而我想講一個正在越來越明顯，但是還處在比較早期的智能體形態：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“模擬”的智能體。

我們經常會聽到這樣的問題：做什么內容好？這群人需要做什么內容？這群新興的群體可能感興趣要什么樣的東西？這些話題其實本身不存在對與錯的答案，更多的是各種各樣的可能性。絕大多數我們遇見的問題都是這種可能性問題，這不是簡單的數學題解方程的問題。

在學術里邊，把這種問題稱之為叫 Wicked Problem。學者把問題定義為兩種：第一種叫 Tame Problem（可解問題），即那些可以被求解、被定義的，有確切答案的問題，即使是再復雜的方程，也是有確切答案的。還有一種就是我們在商業里面經常會遇見的，不好被定義，也無法被解決，只能暫時被改善，這種叫 Wicked Problem，也叫復雜問題。

復雜問題有一些特征。首先，它很難被明確定義，總好像是一個復合的東西。第二，它永遠帶來新的問題，所以沒有結束。第三，只有好壞而沒有真偽。

同時，沒有立即獲得最終的可以測試的標準，你很難測試。每個問題都是獨特的問題，可以被看作其他問題的癥狀，比如解決貧困，很有可能就會產生環境問題和貧富差異問題。問題的存在取決于價值觀的差異，我們到底以什么為優先。決策者沒有辦法試錯，你一旦選了，你就只能一條道走到黑，沒有辦法再回來。

這些都是 Wicked Problem 的特征，我們在很多商業的選擇里面就是這樣，我們只能往前走。

解決這種問題的最通用的一種方式叫模擬。模擬的意思就是：我們建立一個沙盤，我們去做推演，做 Scenario Planning，做不同場景的嘗試，來看看我們下一步應該怎么做。

我們其實一直都在模擬。比如打一場仗之前、操作復雜工具之前（不是學習工具，而是模擬不同場景下的反應）、以及升息降息、漲工資降工資等經濟變化時，我們都會去模擬。

模擬的核心有一種轉變：要從想把問題解決到變成一個更演化、更適應的系統。我們不再只是期待把問題的答案找到，而是要跟著這個問題去往前走。系統模擬的目的就是不停地跟著問題往前走，從而產生一種更有機、動態的狀態。

用大模型去模擬人的主觀世界

模擬里邊有一個非常核心的步驟，就是建模。我們的大語言模型就是一種建模，是對主觀世界大環境的一種壓縮。

建模其實就是控制變量法，我們把一些變量暫時擱置，試圖用一種抽象的方式來描述環境和客觀現實。人類科學的發展就是讓更多話題可以用建模的方式來解決，從十五、十六世紀的物理世界，到十八、十九世紀的生物、化學世界，再到20世紀用計算方法來理解社會（如復雜理論、行為經濟學等等）。

我覺得在當下，我們有機會用語言去模擬這個主觀的世界，因為大語言模型可以不停地講話，而語言是我們思維的載體。我們可以模擬內心是怎么想、怎么選擇、怎么判斷、怎么構思的，從而更好地幫我們理解用戶、理解同事。

也就是，有大語言模型以后，我們有機會用建模的方式來理解一個人的主觀世界。所以我們把這稱之為主觀世界的建模方法。

舉一個簡單的例子。如果我用大語言模型去閱讀《哈利·波特》，把這本書作為語料喂給模型，我們就能產生一個哈利·波特人格的AI模擬。我就可以問他作為一個消費者，早上是喜歡喝咖啡還是果汁。通過這樣的方式來獲得所謂用戶洞察的東西。

這個答案在書里沒有，但通過這本書作為數據源和上下文喂給大語言模型，模型分析后就可以通過書的信息來模擬出哈利·波特的性格選擇。這個過程就叫推理。推理就是基于上下文去做有效的下一步的猜測。因為大語言模型的運行原理其實就是不停地預測下一個詞。

讓大語言模型模擬一個人的消費習慣和選擇，去猜測下一步他可能會做什么，這恰恰就是大語言模型最擅長做的事情。

AI模擬用戶的商業應用

理論上，當我們可以讓AI去模擬哈利·波特，明天也可以讓AI去模擬每一個人。

我們做的事情，就相當于用這個方法做了一個產品Atypica。

我們通過合成數百萬真實的社交帖子來生成消費者智能體，模擬消費者真實的個性、情感和決策邏輯，讓你不僅理解消費者“想什么”，還能理解他們“如何”和“為何”做決定。擁有 Atypica，就像擁有一個強大的研究團隊。

你可以分鐘級獲得研究報告，只需要提出你的商業問題，我們的研究智能體（Research Agents）會闡明你的需求，規劃調查，掃描社交平臺。將社交聲音合成為消費者智能體，發現深入的行為、價值和偏好洞察。

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

這個產品就叫 atypica.AI，它做的事情就是用大量的模擬消費者AI，和AI研究人員進行大量的對話，從而產生各種各樣的商業問題的答案。

比如問某個產品在南美會不會賣得很好，它可以自動擬合出南美的消費者來做測試。我們也見到做新能源車的公司，邀請一堆虛擬用戶來探討下一代MPV的產品概念等等。最后產生的階段性結果是一份非常詳實的報告和整個調研的過程。

AI模擬用戶，真的可信嗎？

這個產品或者說這一套體系主要分為三個部分：第一個部分是用 AI來模擬消費者；第二個部分是用AI來模擬進行各種各樣的人與人的互動訪談；第三就是AI輸出結果。

大家都會好奇AI模擬消費者到底準不準？我們嘗試做了兩三年，直到今年我覺得這個想法的結果是有效的。之所以今年有這個機會，是因為模型的升級，我給大家舉兩個現在行業的科研成果。

一群斯坦福的學者在2023年做了一個虛擬小鎮，25個居民由AI驅動，自發性的進行“人與人”的互動。后來同一個團隊寫了一篇論文 《Generative Agent Simulations of 1,000 People》（《用智能體來模擬1000個隨機的美國人》）。

他們用智能體采訪這些美國人約100多個問題（2小時），積累大量故事作為語料，輸入給大語言模型作為模擬智能體的基礎。然后用同樣的問題問真人和問智能體，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，比如說人機交互的、經濟學的、社會學的，似乎都在做一件事情，就是讓大語言模型加上一個上下文、加上數據，能不能夠模擬扮演真人的這種隨機性。

最后我們發現，這是可行的。可以通過上下文、提示詞、大語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到85%。

我們是怎么做的？基本方法就是：用語料加上大語言模型，然后產生這種生成式的人設。Atypica可以將你的訪談記錄轉化為隨時可用的數字化消費者（Digital Consumers）。你的語料進來以后，我們還要進行多個維度消費者的解析，去做采訪或再去找數據，這樣才會讓這個消費者更真實。

為什么說數據不完全可行？舉一個例子。我的合作伙伴經常說：“我想通過分析社交媒體數據，進行新品研發、競品對比、銷售賣點提取，能不能爬取各個平臺的全量數據來分析，小紅書、抖音、微博、B站，越全越好？”

首先，爬數據合規性是問號。第二，爬取的數據可能有延遲。第三，爬來的全量數據，99%可能是垃圾。數據分析能真的剔除99%的垃圾嗎？

那為什么大家不去最好的商店買東西，而去垃圾堆里撿東西呢？所以全量數據是一個偽命題。

我們經常總結：因為過去都是這樣，所以我們應該這么做。世界不是線性的，歸納是謬誤。通過過去預測未來是有謬誤的。這些觀點來自大衛·多伊奇的《無窮的開始》。他認為科學發現不是觀察、歸納和總結，也不是看到數據就總結、歸因、得出結論。而是問題到猜想，猜想到批判，批判到更好的猜想。

愛因斯坦相對論、達爾文進化論等著名猜想，都不是先有數據驗證才想出來的，而是先有猜想，后有人驗證，這并非自然歸納。數據歸納法在商業場景中常用，但可能只是“黑天鵝事件”尚未出現。

在AI時代，我們不應依賴大模型、大數據，而應依賴每個人的“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生的增量，而非收斂的解題式結論。

市場變化太快，商品迭代以月為計，而傳統的社媒全量數據和調研報告時效性、執行度都堪憂，我們不能一邊快速迭代，一邊用戶理解卻按年來算。

我們希望通過Atypica這樣的產品，將用戶理解的速度、成本和覆蓋面都提高100倍。每個研究過程都有一個Nerdy統計按鈕，有四個維度：時間（后臺10到30分鐘實時訪談并產出結果）、步數（交互次數）、Agent（消費者數量）和Token（剝削的算力）。

40萬個token大約是一杯瑞幸咖啡的價格，我們用咖啡來定價，你可以請AI喝一杯咖啡，它給你結論。

我們的目的不是取代傳統方法，而是解決原來用戶理解太貴、太慢、覆蓋面太窄的問題，我們提供一個24小時在你身邊的用戶洞察agent。當你要做內容、商品、戰略或決定時，隨時有一個可以模擬的對象沙盤來問問反饋，并思考后果。

我們的產品在AI出海業務中發揮了真實的作用。詳情請看完整版課程：

啟示：AI擅長推理，人類就要反預測

第一個85分是我們的產品結論客戶滿意度打分是85分（100 分滿分），可能找麥肯錫做的結果也不一定有 85分。當AI可以做85分的時候，我們的工作會發生什么樣的變化？

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。

我們的產品現在100分的產品才有機會拿出來，85分就是底線。我們應該用好這個基礎，讓活去找人，不是人去找活。

第二個85是指模擬用戶的一致性是85%的概率是準的。那么另外無法被預測的15%是什么？

想象你是一個復雜立體的人，AI只看到你發的朋友圈、點贊的視頻、寫的郵件、搜過的問題，把你壓縮成一個概率模型。這就是AI最底層的邏輯：壓縮，越容易壓縮就越容易被取代、被預測，越容易被預測，在AI時代就越容易被取代。

當你越來越正常，越來越像那85%的時候，你就越容易消失，AI agent就可以取代你。

我們曾擔心被誤解，現在要擔心的是被徹底理解，以至于再也沒有驚喜，你的存在AI學不來，總結不出來，你寫的句子它不敢預測，做的決定它沒見過。

在AI時代，最需要做的就是一個難以被預測的人。

掃碼觀看完整版課程