天津大學(xué)薛霄團(tuán)隊：從仿真到解釋：計算實驗框架下的社會模擬器演化

導(dǎo)語

如何用計算實驗揭開復(fù)雜社會系統(tǒng)的“因果黑箱”？本文從涌現(xiàn)現(xiàn)象出發(fā)，系統(tǒng)梳理復(fù)雜性的六大來源，并提出將復(fù)雜性形式化為低概率因果事件鏈的新視角。通過區(qū)分橫向/縱向、正向/反向因果，文章構(gòu)建“ABM + 實驗”的計算實驗框架，打通微觀機(jī)制與宏觀效應(yīng)的分析路徑，形成“描述–解釋–預(yù)測”一體化研究范式。以O(shè)2O外賣平臺為例，借助LLM驅(qū)動的多主體仿真，成功識別“騎手內(nèi)卷”的生成邏輯與關(guān)鍵杠桿，展現(xiàn)計算實驗在平臺治理中的強(qiáng)大解釋力與決策價值。

本篇論文一作薛霄教授為發(fā)起人，報名讀書會加入Agent建模與仿真的前沿探索之旅。

關(guān)鍵詞：Agent仿真、社會模擬器、計算實驗、復(fù)雜系統(tǒng)因果

ZM丨作者

AI Agent與智能服務(wù)實驗室-TJU丨來源

選自：薛霄 著. 《復(fù)雜系統(tǒng)的計算實驗方法-從Agent Simulation到Social Simulator》，科學(xué)出版社，2025年12月. ISBN：978-7-03-083607-6

1. 摘要

本文圍繞“如何用計算實驗理解與解釋復(fù)雜社會系統(tǒng)的因果機(jī)制”展開。首先從涌現(xiàn)現(xiàn)象入手，梳理復(fù)雜性產(chǎn)生的主要來源，包括規(guī)模與結(jié)構(gòu)、多源噪聲、系統(tǒng)開放性、智能主體的學(xué)習(xí)與有限理性、強(qiáng)非線性以及不確定性與模糊性，并基于事件函數(shù)與西蒙適應(yīng)理論，將系統(tǒng)復(fù)雜性的涌現(xiàn)形式化為低概率的順序因果事件組合。隨后，文章區(qū)分橫向因果（依賴性因果）與縱向因果（生成性因果），以及正向因果（干預(yù)效應(yīng)）與反向因果（機(jī)制解釋），提出計算實驗作為連接兩類因果分析的橋梁：一方面利用 ABM 在人工社會中重構(gòu)微觀交互過程，另一方面通過“多重世界”的反事實實驗估計宏觀因果效應(yīng)。為此，文中構(gòu)建了“計算實驗 = ABM + 實驗”的方法框架和“描述–解釋–預(yù)測”一體化設(shè)計框架，并給出三層因果分析結(jié)構(gòu)：觀察分析、干預(yù)分析與機(jī)制分析 。最后以 O2O 外賣平臺為例，構(gòu)建基于雙層學(xué)習(xí)演化的多主體實驗系統(tǒng)，通過 LLM 驅(qū)動的 Policy Agent 與 Worker Agent 交互，量化并識別“騎手內(nèi)卷”的涌現(xiàn)模式、關(guān)鍵影響因素及其生成機(jī)制，驗證計算實驗在復(fù)雜平臺治理問題中的解釋與決策支持能力。

2. 系統(tǒng)的復(fù)雜性理論

復(fù)雜性目前沒有統(tǒng)一定義，不同層次的現(xiàn)實（物理、生物、社會、意識）各有不同的復(fù)雜性，不能互相替代。本節(jié)從成因出發(fā)做一個分類概述，再重點討論結(jié)構(gòu)復(fù)雜性和分布復(fù)雜性，相關(guān)形式化公式主要參考 Cioffi-Revilla的著作《Introduction to Computational Social Science》。

1.復(fù)雜系統(tǒng)的涌現(xiàn)現(xiàn)象

要理解復(fù)雜系統(tǒng)中的因果機(jī)制，先要認(rèn)識涌現(xiàn)現(xiàn)象。約亨·弗洛姆把涌現(xiàn)分為四類，如圖1所示：

（1）簡單涌現(xiàn)：它涉及單向、自下而上的因果關(guān)系，通常表現(xiàn)為基本的統(tǒng)計特征；

（2）弱涌現(xiàn)：反映了自上而下的因果關(guān)系，即個體行為受到集體規(guī)則的影響，進(jìn)而形成集體智力的表達(dá)；

（3）多重涌現(xiàn)：捕捉到了不同因果層之間互動的復(fù)雜性，體現(xiàn)了多層次因果關(guān)系的相互作用；

（4）強(qiáng)涌現(xiàn)：微觀—中觀—宏觀多層次因果統(tǒng)一在一起。

圖1：弗羅姆的涌現(xiàn)分類

理解這些類型的涌現(xiàn)對于復(fù)雜系統(tǒng)中的因果推理至關(guān)重要。雖然宏觀層面的現(xiàn)象源于微觀層面的機(jī)制，但它們可以有效地替代因果推理中微觀層面的描述，這是因果涌現(xiàn)的核心現(xiàn)象。宏觀層面的行為描述更直觀，而微觀層面則包含了系統(tǒng)的所有復(fù)雜細(xì)節(jié)。然而，微觀層面的因果關(guān)系如何與宏觀層面的因果關(guān)系相聯(lián)系，仍然是一個有待充分探索的問題，需要解決以下挑戰(zhàn)：

挑戰(zhàn) 1：多重影響因素和復(fù)雜性的相互關(guān)系

復(fù)雜系統(tǒng)內(nèi)存在多源噪聲（環(huán)境擾動、內(nèi)部波動、人為誤差），掩蓋了真實因果結(jié)構(gòu)。

源于系統(tǒng)規(guī)模的復(fù)雜性：系統(tǒng)組件的數(shù)量代表系統(tǒng)的規(guī)模大小。

源于系統(tǒng)結(jié)構(gòu)的復(fù)雜性：系統(tǒng)組件的多樣性和差異性造成了相互關(guān)系的多樣性和差異性，這是系統(tǒng)復(fù)雜性產(chǎn)生的根本原因。

源于開放性（環(huán)境）的復(fù)雜性：封閉系統(tǒng)沒有復(fù)雜性，復(fù)雜性必定出現(xiàn)于開放系統(tǒng)。開放性也是復(fù)雜性產(chǎn)生的重要原因，系統(tǒng)與環(huán)境相互作用的復(fù)雜性是系統(tǒng)復(fù)雜性的重要表現(xiàn)。

挑戰(zhàn) 2：Agent的學(xué)習(xí)和適應(yīng)性，增加了因果識別的復(fù)雜性

源于主動性、能動性的復(fù)雜性：在簡單系統(tǒng)中，作用者與被作用者、原因與結(jié)果界限分明。但在復(fù)雜系統(tǒng)中，不同組成個體之間、系統(tǒng)與環(huán)境之間互為因果，相互作用。

源于個體智能的復(fù)雜性：由非智能個體構(gòu)成的系統(tǒng)，即使通過自組織產(chǎn)生復(fù)雜性，通常也是較為初步的、低級的。這種復(fù)雜性總有辦法解決，屬于初級復(fù)雜性。由智能個體所構(gòu)成的系統(tǒng)（如圣塔菲研究的CAS）能夠辨識環(huán)境、預(yù)測未來、從經(jīng)驗中學(xué)習(xí)，進(jìn)而形成良好的行為規(guī)則，使自身發(fā)生適應(yīng)性變化，因而必定是復(fù)雜的。個體的智能程度越高，系統(tǒng)的復(fù)雜性也越高。

源于人類理性的復(fù)雜性：以人作為構(gòu)成要素的系統(tǒng)，其行為必須考慮人的理性因素所起的作用。尤其在競爭性系統(tǒng)中，博弈者的理性（智慧、謀略等）是產(chǎn)生復(fù)雜性的重要來源。

挑戰(zhàn) 3：從微觀到宏觀層面的涌現(xiàn)，掩蓋了潛在的微觀機(jī)制

源于非線性的復(fù)雜性：事物發(fā)展變化的終極原因是相互作用，但相互作用有線性和非線性之分。線性意味著單一、均勻、不變，不具備產(chǎn)生復(fù)雜性的條件。非線性意味著無窮的多樣性、差異性、可變性、非均勻性、奇異性、創(chuàng)新性。非線性自身包含極大的差異性。弱非線性仍不可能產(chǎn)生復(fù)雜性，只是作為擾動因素，可用線性模型加微擾的方法有效描述。只有強(qiáng)非線性，才可能產(chǎn)生復(fù)雜性。

源于不確定性的復(fù)雜性：隨機(jī)性是一種重要的不確定性。平穩(wěn)隨機(jī)過程屬于簡單系統(tǒng)，非平穩(wěn)過程才可能出現(xiàn)復(fù)雜性。生命系統(tǒng)、社會系統(tǒng)的組成個體具有智能性，個體之間具有復(fù)雜的相互作用，僅靠大數(shù)定律和概率統(tǒng)計方法并不能揭示其本質(zhì)特征。另一種重要的不確定性是模糊性，它既是復(fù)雜性的來源，又是復(fù)雜性的表現(xiàn)或結(jié)果。

2.系統(tǒng)復(fù)雜性理論：解釋

理論的基本任務(wù)是解釋現(xiàn)象——用因果敘事把前因（誘因）與后果（影響）鏈接起來。系統(tǒng)復(fù)雜性理論關(guān)注：在給定事實和數(shù)據(jù)下，如何用因果關(guān)系解釋“復(fù)雜性是怎么出現(xiàn)的”，如表1所示。

表1：系統(tǒng)復(fù)雜性的相關(guān)概念定義

在形式上，事件函數(shù)可以很詳細(xì)地表示出精確因果邏輯，解釋如何產(chǎn)生綜合事件。但是，存在哪些事件函數(shù)?不同事件函數(shù)如何解釋綜合事件的發(fā)生？如何根據(jù)事件函數(shù)確定綜合事件發(fā)生的概率？為了回答這些問題及其他類似問題，就必須在微觀水平上查看系統(tǒng)復(fù)雜性的邏輯，根據(jù)順序邏輯和條件邏輯辨識兩種因果解釋模式。根據(jù)西蒙理論的概念和假設(shè)（環(huán)境復(fù)雜性、目標(biāo)尋求行為、有限理性、適應(yīng)性、近乎可分解性），前向因果邏輯的順序樹可用于適應(yīng)過程和復(fù)雜度的模型創(chuàng)建。圖2的模型提供了關(guān)于西蒙理論的一階表征。主要結(jié)果為Ω空間內(nèi)的各種結(jié)果均可通過組合產(chǎn)生。尤其，系統(tǒng)復(fù)雜性C的出現(xiàn)最少需要四種必要的順序狀況，具有顯著的低概率；否則就無法成功出現(xiàn)。其他結(jié)果（失敗E、E*和E**）發(fā)生概率相對較高，因此總體發(fā)生的概率更高。

圖2:西蒙適應(yīng)理論和系統(tǒng)復(fù)雜性涌現(xiàn)的前進(jìn)順序因果邏輯樹

3. 復(fù)雜系統(tǒng)的因果推理

傳統(tǒng)社會科學(xué)多依賴統(tǒng)計模型來識別“變量之間的關(guān)系”，強(qiáng)調(diào)“橫向因果”（變量間關(guān)聯(lián)），但難以呈現(xiàn)“從微觀到宏觀”的生成過程。因此，ABM提供了一種工具，可以明確模擬可能導(dǎo)致特定依賴關(guān)系的因果機(jī)制（縱向意義上）。但是，ABM在生成數(shù)據(jù)和論據(jù)方面可能不那么有力，無法說服特定受眾相信ABM真實反映了現(xiàn)實世界中的相關(guān)機(jī)制。因此，本節(jié)將梳理ABM與因果推理的相關(guān)工作，希望闡明二者之間的關(guān)系。

1.橫向因果與縱向因果

Casini和Manzo借鑒了Hall的分類體系，將因果理論分為橫向因果（因果推斷）和縱向因果（因果解釋）兩類。在橫向視角下，因果機(jī)制被解釋為一組變量的網(wǎng)絡(luò)，原因變量通過一系列變量的中介作用而影響結(jié)果變量。在縱向視角下，因果機(jī)制被設(shè)想為一個“復(fù)雜系統(tǒng)”，某一個體的行為（或?qū)傩缘母淖儯┠軌蛞l(fā)其他個體的某種行為（或?qū)傩缘母淖儯椅⒂^個體之間的相互作用能夠觸發(fā)系統(tǒng)層面現(xiàn)象或行為的產(chǎn)生，如圖3所示。

橫向因果主要用于宏觀層面，屬于“依賴性因果觀點”，討論的是關(guān)聯(lián)性視角下的因果關(guān)系，其目的是發(fā)現(xiàn)和界定兩個（或兩種）事件、現(xiàn)象、變量之間是否存在“原因”和“結(jié)果”的關(guān)系，并評估“原因”對于“結(jié)果”的因果效應(yīng)。縱向因果屬于“生成性因果性觀點”，旨在分析“原因”是如何（通過什么樣的路徑，受到什么樣的調(diào)節(jié)，經(jīng)歷了何種過程）造成“結(jié)果”的，重在揭示從原因到結(jié)果的復(fù)雜路徑與過程。對于復(fù)雜系統(tǒng)，我們往往需要還原涌現(xiàn)現(xiàn)象產(chǎn)生的過程才能把握因果機(jī)制。

圖3：因果關(guān)系研究的抽象框架

橫向因果和縱向因果都存在不可替代的優(yōu)點和不可避免的缺陷。橫向因果能夠通過分析數(shù)據(jù)進(jìn)行反事實的驗證，但不能體現(xiàn)原因?qū)е陆Y(jié)果的過程；縱向因果能夠展示原因?qū)е陆Y(jié)果的過程，但難以得到現(xiàn)實數(shù)據(jù)的驗證。橫向因果對縱向因果的實驗設(shè)計可以提供方向性指導(dǎo)。這種實驗設(shè)計既能夠在關(guān)聯(lián)性的因果關(guān)系中體現(xiàn)出生成性，也能保證因果機(jī)制的穩(wěn)定性和可驗證性。縱向因果可以為橫向因果提供機(jī)制性解釋。也就是說，橫向因果分析的論斷可以通過實驗進(jìn)行推演，捕獲因果結(jié)構(gòu)中的時間依賴性和非線性，從而為系統(tǒng)范圍內(nèi)的涌現(xiàn)現(xiàn)象提供一個可能的解釋。

2.正向因果與反向因果

Gelman 區(qū)分了兩種提問方式：

（1）正向因果：問“如果我們做 X，會發(fā)生什么？”，這是關(guān)注干預(yù)的效果；

（2）反向因果：問“是什么導(dǎo)致了 Y？”，這是從結(jié)果回溯原因集合。

在前一種情況下，人們關(guān)注一個特定的現(xiàn)象（例如教育），并希望確定其存在、不存在或變化的后果（例如對生育率的影響）。而在后一種情況下，人們觀察到一個給定的結(jié)果，并事后想追溯可能導(dǎo)致該結(jié)果發(fā)生的各種現(xiàn)象。潛在結(jié)果方法正是統(tǒng)計學(xué)家和許多經(jīng)濟(jì)學(xué)家用來處理“正向”或因果效應(yīng)問題的框架，而實驗被視為解決這種類型因果推斷問題的典型方法。

但在確定了“X 的確對 Y 有效”之后，還要回答一個反向因果問題：“為什么這個干預(yù)有效？”，這就進(jìn)入因果解釋層面，需要構(gòu)造一個可能原因集，嘗試打開“一階因果依賴”的黑箱：它是否依賴于特定環(huán)境？隨時間推移，效應(yīng)會不會衰減或反向？

Goldthorpe 進(jìn)一步指出，因果關(guān)系可以從三種角度解釋：

（1）穩(wěn)健依賴：控制一組變量 Z后，X 仍然顯著影響 Y。屬于正向因果的研究范式。研究者基于由調(diào)查、普查、線上爬取等方式獲得的結(jié)構(gòu)化與非結(jié)構(gòu)化的（靜態(tài)的）觀察數(shù)據(jù)，求解自變量X與因變量Y之間的反事實關(guān)聯(lián)關(guān)系f；

（2）結(jié)果操縱：通過干預(yù) X觀察 Y的變化，也是正向因果的研究范式。研究者在進(jìn)行因果推論時所采用的是縱向與橫向相結(jié)合的因果視角。在縱向視角的研究中，以控制組作為對比基準(zhǔn)，對實驗組的研究對象進(jìn)行某種干預(yù)，觀察當(dāng)改變X時Y如何變化，并與X不變的情況作對比，這樣就可以對X和Y之間的因果關(guān)系做出推斷。

（3）生成過程：構(gòu)建一個生成機(jī)制，說明“怎樣一步一步生成這個結(jié)果”，屬于反向因果的研究范式。這一范式采用的是縱向的、生成性的視角，主要采用多主體建模（Agent-based Modeling）為工具。其中Y表示所要解釋的社會現(xiàn)象，X表示若干個主體，主體具有不同的屬性，rule表示主體的行動以及與其他主體的互動規(guī)則，可以通過模擬來展示微觀互動是如何涌現(xiàn)出特定的宏觀現(xiàn)象。

縱觀這些視角，計算實驗最大的優(yōu)勢在于：可以同時支撐“結(jié)果操縱”（正向因果）與“生成過程”（反向因果意義上的機(jī)制解釋）。

4. 計算實驗與因果分析

1.計算實驗=ABM+實驗

針對ABM在因果推斷領(lǐng)域所面臨的挑戰(zhàn)，王飛躍老師2004年系統(tǒng)化地提出ACP方法的基本思想、概念和方法，強(qiáng)調(diào)人工系統(tǒng)與實際系統(tǒng)之間的循環(huán)反饋關(guān)系。計算實驗方法是ABM的一種改進(jìn)擴(kuò)展，不僅僅是把ABM簡單地作為一種仿真工具，而是把它作為“自主生長培育”實際系統(tǒng)替代版本的“人工社會實驗室”，可以進(jìn)行各類有關(guān)系統(tǒng)行為和決策分析的“反事實實驗”。一方面，計算實驗采用ABM來強(qiáng)調(diào)垂直因果，關(guān)注現(xiàn)象的成因、形成過程，賦予ABM所生成的跨層次關(guān)聯(lián)信息（微觀機(jī)制與宏觀涌現(xiàn)之間的聯(lián)系）以因果意義。另一方面，計算實驗“利用反事實算法構(gòu)建多重世界”來強(qiáng)調(diào)水平因果，通過實驗機(jī)制在模型參數(shù)與宏觀涌現(xiàn)之間建立起概率關(guān)系，揭示系統(tǒng)內(nèi)部的模式和規(guī)律， 為實際系統(tǒng)運行的可能情況提供“借鑒”、“預(yù)估”和“引導(dǎo)”。由于實驗機(jī)制所依據(jù)的虛擬基礎(chǔ)，即Agent的屬性、行為和本地環(huán)境，是其現(xiàn)實世界對應(yīng)物的翻版。因此，不同分析層面之間建立的概率關(guān)系可以被視為現(xiàn)實世界中跨分析層面的反事實聯(lián)系。

計算實驗屬于“生成式解釋”的研究路徑，即通過探求那些可以展示出社會現(xiàn)象如何產(chǎn)生的機(jī)制來進(jìn)行溯因。傳統(tǒng)歸納解釋運用統(tǒng)計方法從數(shù)據(jù)得出一般規(guī)律，這些一般規(guī)律用于處理數(shù)據(jù)并且獨立于數(shù)據(jù)。但是生成解釋是運用微觀交互規(guī)則得出宏觀涌現(xiàn)結(jié)構(gòu)，也就是說一般規(guī)律必然依賴于生成它們的基礎(chǔ)。故而，生成式解釋在方法論上提供了這樣一種理念:“我們?nèi)绾沃馈笔恰拔覀兪欠裰馈钡幕A(chǔ)，這種連通性恰恰是歸納和演繹所缺乏的。生成解釋不同于傳統(tǒng)的演繹或歸納路徑，將傳統(tǒng)均衡分析所忽視的個體差異、局部性互動、規(guī)則的演變放在了討論核心。如圖4所示，計算實驗方法是一個“實驗+推演”的機(jī)制探尋動態(tài)模式，包含以下四個核心步驟。

圖4：計算實驗的過程模型

（1）想定準(zhǔn)備：計算實驗的第一步就是想定準(zhǔn)備，人工社會模型只有被證明與實際場景符合，才可以用于計算實驗。

（2）實驗設(shè)計：計算實驗采用復(fù)雜系統(tǒng)研究的“多重世界”觀點，即實驗結(jié)果被視為一種可能的“現(xiàn)實”，其行為與現(xiàn)實“不同”但“等價”。實驗設(shè)計是遵循實驗方法論的，包含初始規(guī)則的設(shè)置、模型的檢驗和選擇，要么重現(xiàn)一些真實世界的設(shè)置或象，要么構(gòu)建和觀察可能的世界。

（3）方案推演：計算實驗方案推演是演繹的，是指從Agent的初始配置推導(dǎo)出宏觀規(guī)則的演算過程。ABM 特別適用于生成式推演，其路徑在于將生成過程轉(zhuǎn)換為基于Agent的計算模型，通過計算仿真揭示宏觀規(guī)則的微觀生成機(jī)制。

（4）溯因分析：從機(jī)制的觀點來看，社會現(xiàn)象以及變量之間的相關(guān)性和持續(xù)共變并不能解釋社會現(xiàn)象，而需要用一系列引發(fā)現(xiàn)象變化的Agent及其行為來解釋。

2.計算實驗的設(shè)計框架

與傳統(tǒng)的研究路徑相比，計算實驗方法通過生成式推演和生成式實驗，為整合描述性模型、解釋性模型和預(yù)測性模型提供了一條獨特的途徑。其核心思想并非依賴宏觀層面的社會規(guī)律來解釋社會現(xiàn)象或識別統(tǒng)計相關(guān)因素，而是著重探索社會現(xiàn)象生成的機(jī)制。如圖5所示，基于計算實驗設(shè)計的綜合建模框架包括三個模塊：①描述模塊（圖5上方），用于識別系統(tǒng)動態(tài)運行中的影響因素與響應(yīng)變量；②解釋模塊（圖5兩側(cè)），基于析因?qū)嶒炘O(shè)計，觀察人工社會在干預(yù)（如新策略、參數(shù)變化）條件下的行為；③預(yù)測模塊（圖5下方），通過構(gòu)建元模型，深化對人工社會演化的理解。具體如下：

圖5：計算實驗設(shè)計的總體框架

（1）描述模塊:確定影響因素和響應(yīng)變量：計算實驗利用計算機(jī)模擬技術(shù)來解決復(fù)雜社會系統(tǒng)的生成性解釋問題：異構(gòu)Agent的分布式局部交互如何自下而上地生成給定的（宏觀）規(guī)則？生成性問題是“如何”而非“為什么”，其答案在于將生成性過程置于基于Agent的人工社會之中。人工社會遵循“簡單一致性”原則，為現(xiàn)實復(fù)雜系統(tǒng)提供了整體性描述。一般而言，需重點關(guān)注的影響因素可以歸為幾種情況：① 環(huán)境突變導(dǎo)致系統(tǒng)發(fā)生變化，尤其是重大擾動導(dǎo)致的變化；② Agent之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)引發(fā)的系統(tǒng)變化，例如全連接圖、隨機(jī)圖、無標(biāo)度網(wǎng)絡(luò)、小世界網(wǎng)絡(luò)等；③ 干預(yù)策略作用下的系統(tǒng)變化，這在社會系統(tǒng)中尤為常見；④ Agent的種類、屬性、行為等發(fā)生變化，如果系統(tǒng)具有開放性特征，必然有一些新的Agent出現(xiàn)，它們的出現(xiàn)會導(dǎo)致系統(tǒng)發(fā)生變化；⑤ 系統(tǒng)噪聲導(dǎo)致系統(tǒng)發(fā)生變化；⑥ 其他情況。如前所述，不僅需關(guān)注宏觀涌現(xiàn)現(xiàn)象，更要追溯其背后的成因與可能性，并在此基礎(chǔ)上開展實驗。

（2）解釋模塊：析因?qū)嶒炘O(shè)計：實驗過程通常可以形象地看作是一個轉(zhuǎn)化過程：從多個輸入的組合到具有一個或多個可觀察響應(yīng)變量的輸出。實驗設(shè)計的目的是：① 通過計算實驗確定影響系統(tǒng)輸出的因素集合；② 通過計算實驗確定最有效的可控因素ui，使輸出結(jié)果更接近理想水平；③ 通過計算實驗確定可控因素ui的集合，以最小化不可控因素或事件vi對系統(tǒng)的影響。揭示輸入和輸出之間規(guī)律的最基本方法是分析人員或?qū)＜抑笇?dǎo)的手動模型探索。它往往會產(chǎn)生偏差，可能會遺漏一些“有趣”的輸入空間未被探索。因此，需要找到一種更系統(tǒng)的方法來發(fā)現(xiàn)輸入和輸出之間的關(guān)系：① 對于具有確定性元素和有限值域的物理系統(tǒng)，通常采用經(jīng)典實驗設(shè)計方法（例如隨機(jī)抽樣、全因子和部分因子設(shè)計以及中心復(fù)合設(shè)計）和現(xiàn)代實驗設(shè)計方法（例如組篩選設(shè)計、空間填充設(shè)計）作為工具；② 對于具有眾多不確定因素和隨機(jī)值空間的復(fù)雜社會系統(tǒng)，蒙特卡洛方法和重采樣方法起著重要作用。與傳統(tǒng)實驗相比，計算實驗設(shè)計具有以下幾個特點：① 所有的實驗因子易于改變，因而可以設(shè)計含有眾多因子和水平的實驗；② 可以在更大的實驗域內(nèi)探索盡可能多的有價值信息；③ 可以使用偽隨機(jī)數(shù)并且實驗可控，因此不需要考慮隨機(jī)化和區(qū)組化；④更加關(guān)注序貫設(shè)計，即根據(jù)上一步的實驗結(jié)果有針對性地設(shè)計下一步的實驗點，進(jìn)而可以有效地縮小樣本規(guī)模、避免過采樣，有助于提高實驗效率。

（3）預(yù)測模塊：人工社會的元模型：在收集輸入和輸出數(shù)據(jù)后，可以進(jìn)行深入分析以提取支配這些關(guān)系的潛在規(guī)則。這種分析的主要目的就是提高預(yù)測和控制這些關(guān)系的有效能力。通過將元模型的預(yù)測與人工社會的演化結(jié)果進(jìn)行比較，可以有效地驗證元模型預(yù)測結(jié)果的準(zhǔn)確性和可靠性。此外，通過將優(yōu)化技術(shù)（例如精確或啟發(fā)式方法）與元模型技術(shù)相結(jié)合，它提供了一種可能的途徑來尋找特定的輸入?yún)?shù)組合，能夠使人工社會模型的輸出最大化或最小化。

3.計算實驗的分析框架

理解復(fù)雜系統(tǒng)中的因果機(jī)制，既需要識別“因果效應(yīng)”本身，也需要解釋“因果過程”背后的機(jī)制。計算實驗方法正是連接這兩類因果分析的橋梁。通過模擬“人工社會”的運行過程，計算實驗不僅能夠預(yù)測變量之間的因果效應(yīng)（正向因果），也能通過追蹤模擬軌跡和反事實路徑，探究潛在的因果機(jī)制（反向因果）。

圖6：計算實驗的因果推理框架

圖6給出了計算實驗的分析框架，闡述了如何使用計算實驗來分析人工社會中的世界模型。整個框架從三個層面進(jìn)行實驗分析：① 第一層是association（what is？），即給定某個變量，出現(xiàn)結(jié)果的概率是多少。②第二層是intervention（what if？），即如果做了什么，結(jié)果會怎么樣？ ③第三層是mechanism（how is?），即如果這個原因?qū)е铝私Y(jié)果，過程是什么？下面，將探討在框架的每個層次上使用的具體技術(shù)和方法。

（1）觀察分析（聯(lián)系必然與偶然）：觀察分析的核心觀點承認(rèn)事件未來結(jié)果及實現(xiàn)路徑的高度不確定性，具體表現(xiàn)為社會系統(tǒng)的演化具有多重可能性，并受到初始條件及外部因素的影響。觀察分析聚焦于社會系統(tǒng)演化路徑的可能性空間建模，識別出社會系統(tǒng)可能經(jīng)歷的所有狀態(tài)及其發(fā)生的概率分布。這一過程強(qiáng)調(diào)事件演化的不確定性，并通過情景演化數(shù)據(jù)揭示社會系統(tǒng)演化的隨機(jī)性與不確定性。

（2）干預(yù)分析（聯(lián)系前因與后果）：干預(yù)分析以隨機(jī)對照實驗為手段，通過比較不同“假設(shè)”場景中系統(tǒng)演化軌跡的差異，觀察原因變量的改變?nèi)绾我鸾Y(jié)果變量的變化，從而挖掘出變量之間穩(wěn)健的結(jié)構(gòu)因果模型。干預(yù)分析主要包括如下要素：① 實驗組/對照組：某個場景采取干預(yù)措施A；對照場景不采取干預(yù)措施A；然后觀察兩個場景演化結(jié)果的差別，是否因為做了A而出現(xiàn)B。② 樣本一致性：實驗場景和對照場景的設(shè)置完全一樣，證明是干預(yù)措施造成了結(jié)果的差異，而不是其他因素。③ 隨機(jī)抽樣/隨機(jī)分組：實驗場景的初始參數(shù)設(shè)定可以在參數(shù)取值范圍內(nèi)隨機(jī)抽取。通過對照組和實驗組平行運行，最后可以采用平均實驗效果（ATE）來量化干預(yù)措施對系統(tǒng)的影響。

（3）機(jī)制分析（聯(lián)系微觀與宏觀）：這一層次不僅關(guān)注客觀世界模型，還重點分析Agent的主觀世界模型。其中Y表示所要解釋的社會現(xiàn)象，X表示若干個主體，主體具有不同的屬性，rule表示Agent的世界模型（World Model），揭示Agent在決策、博弈或行動時的內(nèi)在認(rèn)知結(jié)構(gòu)及其思維路徑。機(jī)制分析認(rèn)為，Agent采取的行動和Agent的互動是宏觀現(xiàn)象產(chǎn)生的原因，而機(jī)制性解釋給出了Agent的行動和互動是如何“一步一步”導(dǎo)致特定現(xiàn)象產(chǎn)生。Agent內(nèi)部的世界模型類似于“打開黑盒，變成白盒”的過程，通過分析主體行為軌跡與思維鏈條，來理解微觀層面上的個體如何導(dǎo)致宏觀層面上的涌現(xiàn)現(xiàn)象。這里，LLM是一種非常強(qiáng)大的工具，能夠幫助獲取Agent的推理邏輯與行為意圖。

5. 案例研究

隨著移動互聯(lián)網(wǎng)和共享經(jīng)濟(jì)的發(fā)展，O2O (Online to Offline) 服務(wù)生態(tài)系統(tǒng)成為一種新型服務(wù)要素集成模式，使得“數(shù)字控制下的勞動秩序”成為可能，雖然極大地提升了勞動效率，但是也催生出了一系列社會問題，本案例計劃采用“治理策略+計算實驗”方法，對于互聯(lián)網(wǎng)O2O服務(wù)生態(tài)進(jìn)行研究，挖掘“平臺經(jīng)濟(jì)”背后的運行規(guī)律，并探索如何設(shè)計有效的治理策略來兼顧效率與公平。

1. 實驗場景與建模

基于博弈調(diào)控思路，我們構(gòu)建了一種基于雙層學(xué)習(xí)演化框架的實驗系統(tǒng)。其具體結(jié)構(gòu)如圖7所示，雙層學(xué)習(xí)演化框架包括 “內(nèi)部”循環(huán)和“外部”循環(huán)。Policy Agent表示平臺模塊，可以根據(jù)系統(tǒng)指標(biāo)不斷調(diào)整策略以優(yōu)化系統(tǒng)效能，既要兼顧個體利益，同時又要保證系統(tǒng)平穩(wěn)發(fā)展；實驗系統(tǒng)中的Worker Agent則表示騎手主體，具有主觀能動性，可以通過學(xué)習(xí)來調(diào)整自身行為以最大化個體效能。在平臺算法和實驗系統(tǒng)之間有一個雙層學(xué)習(xí)演化的循環(huán)反饋過程：在當(dāng)前治理策略影響下，Worker Agent經(jīng)過學(xué)習(xí)演化會影響系統(tǒng)效能指標(biāo)；Policy Agent根據(jù)指標(biāo)變化來學(xué)習(xí)調(diào)整治理策略，進(jìn)而影響Worker Agent的認(rèn)知與行為；最終，經(jīng)過反復(fù)迭代循環(huán)，達(dá)到一種動態(tài)平衡狀態(tài)。

圖7：基于雙層學(xué)習(xí)演化的治理策略調(diào)優(yōu)框架

表2給出了具體配送場景與計算實驗系統(tǒng)的映射關(guān)系。

表2：現(xiàn)實世界與計算實驗系統(tǒng)之間的映射關(guān)系

2. 實驗?zāi)繕?biāo)與設(shè)置

本研究旨在探討O2O實驗平臺中騎手Agent的內(nèi)卷現(xiàn)象，實驗?zāi)繕?biāo)有三個：① RQ1：能否觀察發(fā)現(xiàn)系統(tǒng)中涌現(xiàn)的現(xiàn)象？② RQ2：能否干預(yù)系統(tǒng)涌現(xiàn)的影響因素？③ RQ3：能否分析涌現(xiàn)出現(xiàn)的根本原因以解釋社會模擬中的涌現(xiàn)機(jī)制？

所有實驗中的LLM均使用本地部署的 DeepSeek-R1-Distill-Qwen-32B-FP8-Dynamic 模型完成，并且溫度參數(shù)設(shè)置為 0 以確保實驗的可重復(fù)性。在實驗環(huán)境中，我們構(gòu)建了一個包含五種Agent類型的多Agent系統(tǒng)：商家、送貨員、客戶、政府和平臺。我們?yōu)楸狙芯吭O(shè)立了100名騎手Agent。物理環(huán)境是一個基于網(wǎng)格的地圖，模擬一個有10個商業(yè)區(qū)的虛擬城市。騎手Agent的獎勵功能旨在平衡多個目標(biāo)，包括最小化工作時間，最大化完成訂單的數(shù)量，以及降低勞動力成本。這些目標(biāo)的權(quán)重也有所不同，以反映不同的決策優(yōu)先事項。騎手Agent通過大型語言模型（LLMs）擁有智能，允許它們自主學(xué)習(xí)和決策。這些決策包括選擇商業(yè)區(qū)、挑選訂單和執(zhí)行隨機(jī)游走策略。在模擬過程中，這10個Agent不斷地與環(huán)境交互。模擬運行時長3600步，這代表著一個月的周期。

為確保實驗的真實性和有效性，實驗將來自Zomato平臺的真實世界數(shù)據(jù)（包含多個城市的外賣訂單數(shù)據(jù)），對跨多個城市的外賣訂單進(jìn)行了模擬系統(tǒng)的基準(zhǔn)測試。關(guān)鍵比較指標(biāo)包括騎手每日的平均有效工作時長，以及工作時長與訂單量之間的關(guān)系。圖7-10(b) 比較了真實數(shù)據(jù)集和系統(tǒng)模擬中騎手的每日平均有效工作時長，即配送訂單所花費的時間，不包括等待等活動的時間。結(jié)果顯示，模擬得到的平均工作時長為 4.05 小時，與真實觀測值 4.02 小時高度一致，平均絕對誤差（MAE）為 0.05 小時，均方根誤差（RMSE）為 0.06 小時，均表明偏差極小。此外，皮爾遜相關(guān)系數(shù) r = 0.98 顯示模擬值與實際值之間具有很強(qiáng)的線性相關(guān)性。這些結(jié)果共同表明，所提出的模型在重現(xiàn)真實世界工作時長分布方面具有準(zhǔn)確性和可靠性。圖7-10(c) 展示了騎手Agent的工作時長與接單總數(shù)之間的關(guān)系，一般工作時長越長，接到的訂單就越多。灰色的點代表 1320 名真實騎手的數(shù)據(jù)，而橙色的點則對應(yīng)模擬中的100 個騎手Agent的數(shù)據(jù)。模擬數(shù)據(jù)與真實數(shù)據(jù)之間的高度相似性驗證了該實驗設(shè)置的準(zhǔn)確性和可靠性。

圖8：計算實驗系統(tǒng)與現(xiàn)實世界的數(shù)據(jù)集的比較

2. 實驗?zāi)繕?biāo)與設(shè)置

實驗分析共包含三個層次：① 觀察分析，基于內(nèi)卷指數(shù)識別潛在的內(nèi)卷現(xiàn)象，并對騎手Agent在30天內(nèi)的行為軌跡進(jìn)行分析；②干預(yù)分析，實施三種平臺調(diào)控策略：智能水平調(diào)節(jié)、交互模式優(yōu)化以及訂單數(shù)量控制；③ 機(jī)制分析，分析Agent意圖與行為之間的內(nèi)在聯(lián)系，深入闡釋系統(tǒng)涌現(xiàn)現(xiàn)象。

觀察分析（RQ1）：

本研究采納了重復(fù)實驗方法，為了排除偶然因素的干擾，在相同的參數(shù)條件下進(jìn)行了十次實驗。如圖9所示，圖9(a)表示內(nèi)卷水平的實驗分布，在模擬的高度競爭環(huán)境下，有75%的實驗結(jié)果顯示出高度內(nèi)卷狀態(tài)，表明內(nèi)卷效應(yīng)的高度一致性；圖9(b)展示各實驗類型的內(nèi)卷程度隨時間的變化，不同類型的實驗均表現(xiàn)出內(nèi)卷程度隨時間推移而上升，并最終趨于平穩(wěn)；同時，一次實驗結(jié)果表現(xiàn)出低度內(nèi)卷，差異較大，該例外可歸因于三類偶然擾動：初始騎手空間分布的臨時最優(yōu)、路徑規(guī)劃算法中偽隨機(jī)擾動導(dǎo)致的臨時最優(yōu)路徑生成，以及訂單被分配至低密度區(qū)域所致的競爭減少。

圖9：實驗內(nèi)卷程度分析

如圖10所示，針對高內(nèi)卷程度的實驗，分析了騎手Agent的活動范圍隨時間的變化情況。圖中顏色深淺表示騎手的分布狀況，騎手Agent由隨機(jī)分布逐步演化為向商店、用戶等位置聚集。這一過程反映了騎手的內(nèi)卷現(xiàn)象。

圖10：騎手 Agent 活動范圍的熱力圖

干預(yù)分析（RQ2）：

針對內(nèi)卷現(xiàn)象，這個階段構(gòu)建并開展了三個因素干預(yù)實驗，旨在揭示其內(nèi)在作用機(jī)制。實驗主要圍繞三個核心變量對內(nèi)卷現(xiàn)象的影響路徑展開探討，包括智能水平調(diào)節(jié)（因素A）、交互方式轉(zhuǎn)變（因素B）以及訂單數(shù)量變動（因素C）。

實驗結(jié)果如圖 11(a) 所示的箱型圖可視化分析，在“智能水平調(diào)節(jié)”維度上，高、中、低智能組在內(nèi)卷程度方面未表現(xiàn)出顯著的統(tǒng)計差異，其對應(yīng)的內(nèi)卷指數(shù)均處于高度內(nèi)卷區(qū)間（68.87–72.09）。這一結(jié)果表明，在當(dāng)前實驗設(shè)定下，智能水平的提升對緩解系統(tǒng)內(nèi)卷效應(yīng)的作用較為有限。如圖11(b) 所示，“交互方式”（因素B）所引發(fā)的系統(tǒng)行為表現(xiàn)出明顯的異質(zhì)性特征。引入新型交互機(jī)制后，實驗組在不同交互強(qiáng)度下的內(nèi)卷程度顯著上升，從70.42增加至84.79，表明交互程度的提升在某種程度上加劇了系統(tǒng)內(nèi)卷。如圖11(c) 所示，訂單數(shù)量的變化（因素C）亦對內(nèi)卷程度產(chǎn)生顯著影響。隨著訂單數(shù)量的持續(xù)增加，內(nèi)卷指數(shù)由80.32逐步下降至24.76，實現(xiàn)了從高度內(nèi)卷向低度內(nèi)卷的轉(zhuǎn)變，進(jìn)一步驗證了資源充足性（即訂單量）在系統(tǒng)有序運行與內(nèi)卷緩解中的關(guān)鍵調(diào)節(jié)作用。進(jìn)一步分析影響因素與內(nèi)卷程度的變化，如圖11(d)所示，最終通過線性相關(guān)計算的結(jié)構(gòu)方程模型揭示了交互方式變化和訂單量是影響實驗結(jié)果的兩個最關(guān)鍵因素，其標(biāo)準(zhǔn)化路徑系數(shù)分別為 0.45 和 0.50。

圖11：干預(yù)分析的結(jié)果

機(jī)制分析（RQ3）：

通過對騎手Agent意圖序列的聚類分析（如圖12(a-c)所示），實驗識別出多個具有代表性的意圖類型，且隨時間演化，聚類結(jié)構(gòu)由初始的單一形態(tài)逐步演化為多樣化的多簇分布。進(jìn)一步，對系統(tǒng)時序演化過程中進(jìn)行的相關(guān)性分析表明，在對內(nèi)卷現(xiàn)象產(chǎn)生影響方面，行為和意圖之間存在著相關(guān)性。如圖12(d-f)所示：商區(qū)更換、接單等因素對于風(fēng)險規(guī)避、焦慮等意圖的影響更大（相關(guān)性更高），同時隨著時間變化逐漸加大。如圖7-13紅色框選區(qū)域所示，這兩類意圖亦與“商區(qū)選擇”和“工時延長”等典型內(nèi)卷行為高度相關(guān)，尤其是風(fēng)險規(guī)避意圖，在區(qū)域選擇與工作時長方面的相關(guān)系數(shù)分別達(dá)到0.40和0.45，進(jìn)一步表明個體意圖在內(nèi)卷行為形成中的關(guān)鍵作用。

如圖12(g) 所示，采用基于桑基圖的流動可視化方法對細(xì)粒度的行為轉(zhuǎn)變進(jìn)行了追蹤。在為期30天的觀察窗口中，騎手Agent的決策意圖經(jīng)歷了三個階段：最初為遵循規(guī)則階段，約在第15天出現(xiàn)以焦慮驅(qū)動的行為上升（占比提升至 24%），最終則以風(fēng)險規(guī)避決策為主導(dǎo)（達(dá) 64%）。與此相對應(yīng)，行為模式從“以休息為主”轉(zhuǎn)變?yōu)椤胺e極搶單”，最終趨于“風(fēng)險規(guī)避”模式。

為揭示這些模式背后的關(guān)鍵機(jī)制，評估了三種干預(yù)情境。在“增強(qiáng)交互”情境下（圖12(h)），所有Agent趨于選擇風(fēng)險規(guī)避路徑；在“提升智能”情境下（圖12(i)），風(fēng)險規(guī)避意圖占比進(jìn)一步上升，表明更強(qiáng)的認(rèn)知能力強(qiáng)化了謹(jǐn)慎決策；而在“提高訂單密度”情境中（圖 12(k)），風(fēng)險意識型Agent比例下降至 61%，說明更重的工作負(fù)荷降低了對風(fēng)險的敏感性。這些結(jié)果表明，交互動態(tài)與環(huán)境壓力共同驅(qū)動內(nèi)卷現(xiàn)象的發(fā)展。

基于三個層次的分析，得出以下結(jié)論：① 通過觀察分析可知，O2O系統(tǒng)中Agent的效能指標(biāo)逐漸呈現(xiàn)內(nèi)卷的現(xiàn)象，Agent的行為在時間推移中表現(xiàn)出日益趨同的趨勢。② 通過干預(yù)分析可知，在焦慮主導(dǎo)階段及時引入如訂單平衡機(jī)制等調(diào)控策略，能夠有效緩解過度競爭，提升系統(tǒng)整體性能與穩(wěn)定性。③ 通過機(jī)制分析可知，“訂單稀缺與焦慮擴(kuò)散通過激發(fā)風(fēng)險規(guī)避意圖，進(jìn)而促使跨區(qū)搶單、延長工作時長等競爭性行為，從而驅(qū)動騎手內(nèi)卷。

圖12：干預(yù)分析的結(jié)果

6. 結(jié)語

本文的中心工作，是在“復(fù)雜性–因果性–計算實驗”之間搭建一套統(tǒng)一的方法論通道：在理論層面，將復(fù)雜性視為由智能主體博弈和適應(yīng)所觸發(fā)的低概率綜合事件，用事件函數(shù)與順序因果邏輯樹刻畫“復(fù)雜性如何涌現(xiàn)”；在方法層面，通過橫向與縱向、正向與反向因果的區(qū)分，明確統(tǒng)計因果與生成性因果的分工與互補(bǔ)關(guān)系，并提出“ABM +實驗”的計算實驗框架，形成觀察–干預(yù)–機(jī)制三層分析結(jié)構(gòu)；在技術(shù)層面，給出“想定準(zhǔn)備–實驗設(shè)計–方案推演–溯因分析”以及“描述–解釋–預(yù)測”的計算實驗流程，強(qiáng)調(diào)利用人工社會持續(xù)生成數(shù)據(jù)、構(gòu)建元模型與世界模型；在應(yīng)用層面，通過 O2O 平臺騎手內(nèi)卷案例表明：在資源約束與平臺策略共同作用下，系統(tǒng)會自發(fā)進(jìn)入“高效但高壓”的內(nèi)卷均衡；提升個體智能并不能自動緩解內(nèi)卷，而訂單總量與交互結(jié)構(gòu)等宏觀條件才是關(guān)鍵調(diào)控杠桿。

整體來看，本文將復(fù)雜系統(tǒng)研究從“以相關(guān)性分析為主的統(tǒng)計描述范式”推進(jìn)到“以可生成機(jī)制為基礎(chǔ)的因果解釋范式”，為今后在社會治理、戰(zhàn)略博弈、服務(wù)生態(tài)、災(zāi)害應(yīng)急、無人蜂群等應(yīng)用場景中開展具備可解釋性、可干預(yù)性與可預(yù)測性的計算實驗提供了系統(tǒng)化的方法基礎(chǔ)。

「大模型時代下的Agent建模與仿真」讀書會

集智俱樂部聯(lián)合山東工商學(xué)院副教授高德華、天津大學(xué)教授薛霄、北京師范大學(xué)教授張江、國防科技大學(xué)博士研究生曾利共同發(fā)起。讀書會自2025年7月8日開始，每周二晚上7:30-9:30進(jìn)行，現(xiàn)讀書會已結(jié)束，支持查看課程回放。掃碼加入Agent建模與仿真的前沿探索之旅，一起共學(xué)、共創(chuàng)、共建、共享「大模型時代下的Agent建模與仿真」社區(qū)，共同暢想大模型時代人工社會的未來圖景！

核心問題

Agent建模與仿真是什么，核心技術(shù)發(fā)生了怎樣的演變？

大模型時代，Agent建模與仿真會給復(fù)雜系統(tǒng)理論帶來哪些突破？

大模型如何賦能Agent實現(xiàn)自主思考與動態(tài)適應(yīng)？

大模型驅(qū)動的Agent交互會涌現(xiàn)出什么新型的社會現(xiàn)象？

Agent建模與仿真如何改變金融、心理、管理、軍事等領(lǐng)域的研究范式？

你將收獲

梳理Agent建模與仿真的歷史發(fā)展脈絡(luò)與方法論；

掌握一套理解、分析、控制、預(yù)測復(fù)雜系統(tǒng)的計算實驗框架；

掌握基于多主體強(qiáng)化學(xué)習(xí)的復(fù)雜系統(tǒng)優(yōu)化方法；

領(lǐng)略領(lǐng)域前沿學(xué)者的研究體系與科研路徑。

詳情請見：

1.

2.

3.

4.

5.

6.