Simulation: the new Scaling Law — Joon Sung Park, Simile AI

June 是韓裔美國研究員，從小在波士頓長大，原本以繪畫為志，後在大學轉向科技領域。2020 年進入史丹佛攻讀博士時，正逢 GPT-3 與基礎模型興起，他與 Michael Bernstein、Percy Liang 等人展開「時光機遊戲」——想像十年後最有價值的應用是什麼？最終選定社會模擬勝過個人助理，因為真正有用的助理首先需要深入理解每個人，而這正是模擬的核心問題。

現有大型語言模型被訓練成超理性推理機器，擅長分類與生成，卻對人類行為的預測準確度只有 20-60%。June 的 Similily 另闢蹊徑：不追求模型參數的優化，而是蒐集三層結構化數據——人物故事訪談（擷取童年、創傷、人生選擇的深層故事）、觀測行為數據（交易紀錄、線上活動）、因果機制數據（隨機對照試驗，例如讓參與者在虛擬商店購物，購買真的會寄送）。關鍵洞見是語言模型缺乏「社會物理學」，尤其是人類真實生活中的深層行為，而非只是網路上表面說什麼。

2024 年底，Similily 發表重要研究論文：找來 1000 名代表美國人口的參與者，花兩小時蒐集訪談與行為數據，以此建構「數位雙胞胎」。兩週後讓參與者進行調查、經濟遊戲、人格測驗等真實行為決策，結果發現模型能以 85% 的準確度預測人的真實選擇——遠超通用 LLM 的 20-60%。這揭示了一個反直覺的設計原則：模型不需要變得比人聰明，反而要在同樣的地方犯同樣的錯。

模擬的真正價值不在預測（被動知道未來會如何），而在塑造（主動指導如何改變未來）。June 以《基地》系列科幻小說為喻：心理史學模擬預測了帝國衰退，進一步建議的第一步是「將警告帝國衰退的科學家流放到邊陲星系」——這個建議看似荒謬，卻是多層次模擬揭示的必要第一步。應用於企業時，一家電動車公司可能發現，用某種特定方式行銷電動車會提升電動車銷量，卻因改變人們對整個車隊的認知而降低整體銷售——單純優化電動車銷量的決策者會完全錯過這個全局洞見。

客戶應用從 CVS 的概念測試（新產品或訊息向合成人群測試）、Gallup 的政策評估、Deloitte 的策略分析，到 Wellfront 的 UI 與多模態產品測試。模擬讓組織能宣稱「我們諮詢過用戶」，但規模達數千至數萬人，無需騷擾真實用戶答千個問卷。長期願景更加宏大：模擬氣候變遷解決方案（多方利益相衝突的複雜決策）、民主衰退預警訊號、貨幣制度起源等「邪惡問題」(wicked problems)，甚至最終模擬全球八十億人的社會互動。June 相信這類工作終將贏得諾貝爾經濟學獎。