大模型智能體擬真 | 周六直播·AI×傳播讀書會

導語

在AI快速發展的當下，AI不僅深刻影響著信息傳播的方式，也為傳播學研究帶來了全新視角和方法。基于此，集智俱樂部聯合北京師范大學許小可教授、浙江大學張子柯教授、南京大學王成軍教授、深圳大學廖好副教授共同發起，從計算敘事、智能傳播、人機傳播與傳播仿真四個板塊向來共同探索AI與傳播的前沿交叉，來深度理解傳播機制和傳播生態。

11月29日（周六）10:00將開啟讀書會第十一期，由深圳大學計算機與軟件學院在讀博士秦海明、深圳大學計算機與軟件學院長聘副教授廖好，一起分享“大模型智能體擬真”主題，本次分享核心內容是利用基于大語言模型的智能體來模擬真實的社會傳播過程，以克服傳統研究方法的局限。其方法是構建具備人類般推理與交互能力的智能體，并通過一個零代碼仿真平臺，讓研究者能用自然語言快速創建實驗、集成多源數據來構建虛擬社會。最終通過案例演示，展現該平臺如何無需編程即可觀察和驗證傳播現象，為研究提供創新工具。

分享簡介

傳播現象的研究長期面臨著一個根本性挑戰：如何在可控的實驗環境中觀察和分析真實的社會傳播過程？傳統的實驗方法受限于樣本規模、倫理約束和成本考量，而純粹的觀察研究又難以揭示傳播機制的因果關系。近年來，基于大語言模型的智能體仿真技術正在重新定義這一研究領域。相比傳統基于簡單規則的智能體，基于大語言模型的智能體具備了更接近人類的推理、記憶和社會交互能力。本主題著重分享大模型傳播智能體相關知識，同時也將分享一個專為社科研究者打造的零代碼仿真平臺，通過自然語言驅動實驗設計，集成地圖、新聞、社交媒體等多源數據，構建與現實同步的虛擬社會。演示將展示如何無需編程快速構建傳播實驗，觀察智能體在真實地理環境中的交互，并通過外部數據驗證仿真結果，為傳播學研究提供新工具。

分享大綱

1. LLM驅動的傳播智能體：智能體通過“思考-觀察-行動-記憶”建模為社會科學研究提供新的實驗范式，使其更好地模擬人類的傳播行為。

2. 自然語言驅動社會實驗室：展示通過自然語言描述實現復雜傳播場景的快速構建，降低社會科學研究者使用仿真工具的門檻。

3. 構建鏡像社會：將真實世界的地圖、新聞、社交媒體等數據源集成到仿真環境中。

主講人1

秦海明，深圳大學計算機與軟件學院在讀博士生。主要從事基于大模型的角色扮演、社會推理、智能體社會模擬等方面的研究。相關成果發表于EMNLP、IC2S2、CCCN等會議。

主講人2

廖好，深圳大學計算機與軟件學院長聘副教授，博士生導師。2015年在瑞士弗里堡大學獲哲學博士學位。主要研究方向是信息挖掘與復雜系統交叉領域，信息傳播和大模型等相關領域研究，先后主持了3項國家自然科學基金等多個縱向及微軟亞洲研究院、騰訊、百度、平安等企業合作委托科研項目，參與了國家重點研發計劃，國家自然科學基金-廣東省聯合基金等國家重點項目。申請和獲得國家發明專利六十余項。在Physics Reports、EPL、Chaos、CNSNS、ACM Trans、IP&M等重要期刊及NeurIPS、KDD、SIGMOD、WWW、ACL、EMNLP、AAAI等權威會議上發表論文。曾獲CCF-騰訊犀牛鳥卓創獎，微軟亞洲研究院鑄星計劃學者，微軟新聞集團LT-Hack Recognition Award以及深圳大學荔園優青學者。

閱讀清單

一、開創性研究與綜述文章

1. Generative Agents: Interactive Simulacra of Human Behavior (2023)

   Park, J. S., O'Brien, J. C., Cai, C. J., Ringel Morris, M., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. UIST '23: The 36th Annual ACM Symposium on User Interface Software and Technology, San Francisco, CA, USA. https://doi.org/10.1145/3586183.3606763

   這是基于大語言模型的智能體社會仿真領域的開創性研究，首次展示了具備記憶、反思和規劃能力的智能體如何在虛擬環境中產生可信的社會行為。

2. Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges (2025)

   Taillandier, P., Zucker, J. D., Grignard, A., Gaudou, B., Huynh, N. Q., & Drogoul, A. (2025). Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges. arXiv preprint arXiv:2507.19364. https://doi.org/10.48550/arXiv.2507.19364

   這篇綜述性文章系統分析了大語言模型在智能體社會仿真中的應用前景與挑戰，深入討論了行為保真度、模型校準和結果可重現性等關鍵問題。

二、傳播現象的智能體建模

1. Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures (2024)

   Li, X., Xu, Y., Zhang, Y., & Malthouse, E. C. (2024). Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures. arXiv preprint arXiv:2410.13909. https://doi.org/10.48550/arXiv.2410.13909

   這項研究專門探討了新聞傳播在不同網絡結構中的擴散模式，使用智能體仿真方法復制信息生態系統中的復雜交互過程。

2. LLM-Based Social Simulations Require a Boundary (2025)

   Wu, Z., Peng, R., Ito, T., & Xiao, C. (2025). LLM-Based Social Simulations Require a Boundary. arXiv preprint arXiv:2506.19806. https://doi.org/10.48550/arXiv.2506.19806

   這篇立場論文提出了基于大語言模型的社會仿真需要明確邊界的重要觀點，研究指出了當前技術的局限性，幫助研究者理解何時以及如何使用這類方法。

3. Generative Exaggeration in LLM Social Agents: Consistency, Bias, and Toxicity (2025)

   Nudo, J., Pandolfo, M. E., Loru, E., Samory, M., Cinelli, M., & Quattrociocchi, W. (2025). Generative Exaggeration in LLM Social Agents: Consistency, Bias, and Toxicity. arXiv preprint arXiv:2507.00657. https://doi.org/10.48550/arXiv.2507.00657

   通過分析大規模社交媒體數據，這項研究發現了智能體仿真中的"生成式夸大"現象——智能體傾向于系統性地放大某些特征，超出真實數據的基線水平，提醒傳播研究者在使用仿真結果時需要謹慎考慮其可靠性和代表性。

三、大規模仿真平臺與工具

1. AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society (2025)

   Piao, J., Yan, Y., Zhang, J., Li, N., Yan, J., Lan, X., Lu, Z., Zheng, Z., Wang, J. Y., Zhou, D., Gao, C., Xu, F., Zhang, F., Rong, K., Su, J., & Li, Y. (2025). AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society. arXiv preprint arXiv:2502.08691. https://doi.org/10.48550/arXiv.2502.08691

   AgentSociety集成了超過10,000個智能體，模擬了500萬次交互，專注于極化、信息傳播、政策效果等關鍵社會問題。該研究通過與真實世界實驗結果的對比驗證，證明了智能體仿真在社會科學研究中的有效性。

2. Modeling Earth-Scale Human-Like Societies with One Billion Agents (2025)

   Guan, H., He, J., Fan, L., Ren, Z., He, S., Yu, X., Chen, Y., Zheng, S., Liu, T. Y., & Liu, Z. (2025). Modeling Earth-Scale Human-Like Societies with One Billion Agents. arXiv preprint arXiv:2506.12078. https://doi.org/10.48550/arXiv.2506.12078

   這項研究通過十億級智能體的信任博弈和觀點傳播實驗，揭示了規模效應對社會現象涌現的影響。研究發現更大規模的仿真能夠產生更穩定和現實的涌現行為。

3. TinyTroupe: An LLM-powered Multiagent Persona Simulation Toolkit (2025)

   Salem, P., Sim, R., Olsen, C., Saxena, P., Barcelos, R., & Ding, Y. (2025). TinyTroupe: An LLM-powered Multiagent Persona Simulation Toolkit. arXiv preprint arXiv:2507.09788. https://doi.org/10.48550/arXiv.2507.09788

   這個工具包展示了如何構建具有詳細人格特征的智能體，支持多維度的個體特征定義和群體采樣機制，為傳播研究中的受眾建模和個體差異分析提供了實用的技術框架。

參與時間：2025年11月29日（周六）10:00-12:00 北京時間

報名加入社群交流

掃碼報名（可開發票）

報名鏈接：https://pattern.swarma.org/study_group/67?from=wechat

掃碼參與，加入群聊，獲取系列讀書會回看權限，加入AI×傳播社區，與社區的一線科研工作者溝通交流，共同探索AI與傳播的前沿交叉，來深度理解傳播機制和傳播生態。

視頻號直播預約：

AI×傳播讀書會

在AI快速發展的當下，AI不僅深刻影響著信息傳播的方式，也為傳播學研究帶來了全新視角和方法。基于此，集智俱樂部聯合北京師范大學許小可教授、浙江大學張子柯教授、南京大學王成軍教授、深圳大學廖好副教授共同發起，從計算敘事、智能傳播、人機傳播與傳播仿真四個板塊向來共同探索AI與傳播的前沿交叉，來深度理解傳播機制和傳播生態。讀書會自8月23日起，每周六10:00-12:00舉行，預計持續12周。

我們將探討如下核心問題：

1. 在人機共同參與的敘事生態中，敘事的生產、傳播與接受機制發生了哪些根本性變化？

2. 在復雜社交網絡環境中，如何構建智能化的信息可信度評估與虛假信息防控機制？

3. 如何運用深度學習和強化學習等智能方法，實現從個體到群體的精準化傳播影響力最大化？

4. 如何構建適應人機混合傳播網絡特征的新型研究范式，以有效解析機器行為規律和人機協同傳播機制？

5. 如何構建基于大語言模型的認知驅動型智能體仿真系統？

詳情請見：