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

內(nèi)容怎么做？用戶到底要什么？產(chǎn)品會不會賣？過去靠數(shù)據(jù)、靠經(jīng)驗、靠拍腦袋；現(xiàn)在，一個全新的能力正在出現(xiàn)——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(fù)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(yù)測85%的世界里，人類該如何活在那15%的不可預(yù)測里？

本文僅為課程的部分內(nèi)容，完整版內(nèi)容請到混沌APP觀看完整版。

世界的復(fù)雜性，導(dǎo)致我們需要“模擬”

現(xiàn)在，絕大多數(shù)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(tài)：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(jīng)常會聽到這樣的問題：做什么內(nèi)容好？這群人需要做什么內(nèi)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(shù)我們遇見的問題都是這種可能性問題，這不是簡單的數(shù)學(xué)題解方程的問題。

在學(xué)術(shù)里邊，把這種問題稱之為叫 Wicked Problem。學(xué)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(fù)雜的方程，也是有確切答案的。還有一種就是我們在商業(yè)里面經(jīng)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(fù)雜問題。

復(fù)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(fù)合的東西。第二，它永遠(yuǎn)帶來新的問題，所以沒有結(jié)束。第三，只有好壞而沒有真?zhèn)巍?/p>

同時，沒有立即獲得最終的可以測試的標(biāo)準(zhǔn)，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(chǎn)生環(huán)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(yōu)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(yè)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?nèi)プ鐾蒲荩?Scenario Planning，做不同場景的嘗試，來看看我們下一步應(yīng)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(fù)雜工具之前（不是學(xué)習(xí)工具，而是模擬不同場景下的反應(yīng)）、以及升息降息、漲工資降工資等經(jīng)濟(jì)變化時，我們都會去模擬。

模擬的核心有一種轉(zhuǎn)變：要從想把問題解決到變成一個更演化、更適應(yīng)的系統(tǒng)。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(tǒng)模擬的目的就是不停地跟著問題往前走，從而產(chǎn)生一種更有機(jī)、動態(tài)的狀態(tài)。

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(huán)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(huán)境和客觀現(xiàn)實。人類科學(xué)的發(fā)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(jì)的物理世界，到十八、十九世紀(jì)的生物、化學(xué)世界，再到20世紀(jì)用計算方法來理解社會（如復(fù)雜理論、行為經(jīng)濟(jì)學(xué)等等）。

我覺得在當(dāng)下，我們有機(jī)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(nèi)心是怎么想、怎么選擇、怎么判斷、怎么構(gòu)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(jī)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(chǎn)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(shù)據(jù)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(yù)測下一個詞。

讓大語言模型模擬一個人的消費習(xí)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(yè)應(yīng)用

理論上，當(dāng)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(dāng)于用這個方法做了一個產(chǎn)品Atypica。

我們通過合成數(shù)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(qiáng)大的研究團(tuán)隊。

你可以分鐘級獲得研究報告，只需要提出你的商業(yè)問題，我們的研究智能體（Research Agents）會闡明你的需求，規(guī)劃調(diào)查，掃描社交平臺。將社交聲音合成為消費者智能體，發(fā)現(xiàn)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(chǎn)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(jìn)行大量的對話，從而產(chǎn)生各種各樣的商業(yè)問題的答案。

比如問某個產(chǎn)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(chǎn)品概念等等。最后產(chǎn)生的階段性結(jié)果是一份非常詳實的報告和整個調(diào)研的過程。

AI模擬用戶，真的可信嗎？

這個產(chǎn)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(jìn)行各種各樣的人與人的互動訪談；第三就是AI輸出結(jié)果。

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

一群斯坦福的學(xué)者在2023年做了一個虛擬小鎮(zhèn)，25個居民由AI驅(qū)動，自發(fā)性的進(jìn)行“人與人”的互動。后來同一個團(tuán)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(jī)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(chǔ)。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(jī)交互的、經(jīng)濟(jì)學(xué)的、社會學(xué)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(shù)據(jù)，能不能夠模擬扮演真人的這種隨機(jī)性。

最后我們發(fā)現(xiàn)，這是可行的?？梢酝ㄟ^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(dá)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(chǎn)生這種生成式的人設(shè)。Atypica可以將你的訪談記錄轉(zhuǎn)化為隨時可用的數(shù)字化消費者（Digital Consumers）。你的語料進(jìn)來以后，我們還要進(jìn)行多個維度消費者的解析，去做采訪或再去找數(shù)據(jù)，這樣才會讓這個消費者更真實。

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

首先，爬數(shù)據(jù)合規(guī)性是問號。第二，爬取的數(shù)據(jù)可能有延遲。第三，爬來的全量數(shù)據(jù)，99%可能是垃圾。數(shù)據(jù)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(shù)據(jù)是一個偽命題。

我們經(jīng)?？偨Y(jié)：因為過去都是這樣，所以我們應(yīng)該這么做。世界不是線性的，歸納是謬誤。通過過去預(yù)測未來是有謬誤的。這些觀點來自大衛(wèi)·多伊奇的《無窮的開始》。他認(rèn)為科學(xué)發(fā)現(xiàn)不是觀察、歸納和總結(jié)，也不是看到數(shù)據(jù)就總結(jié)、歸因、得出結(jié)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(dá)爾文進(jìn)化論等著名猜想，都不是先有數(shù)據(jù)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(shù)據(jù)歸納法在商業(yè)場景中常用，但可能只是“黑天鵝事件”尚未出現(xiàn)。

在AI時代，我們不應(yīng)依賴大模型、大數(shù)據(jù)，而應(yīng)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(chǎn)生的增量，而非收斂的解題式結(jié)論。

市場變化太快，商品迭代以月為計，而傳統(tǒng)的社媒全量數(shù)據(jù)和調(diào)研報告時效性、執(zhí)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(chǎn)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(tǒng)計按鈕，有四個維度：時間（后臺10到30分鐘實時訪談并產(chǎn)出結(jié)果）、步數(shù)（交互次數(shù)）、Agent（消費者數(shù)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(jié)論。

我們的目的不是取代傳統(tǒng)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(dāng)你要做內(nèi)容、商品、戰(zhàn)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(chǎn)品在AI出海業(yè)務(wù)中發(fā)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(yù)測

第一個85分是我們的產(chǎn)品結(jié)論客戶滿意度打分是85分（100 分滿分），可能找麥肯錫做的結(jié)果也不一定有 85分。當(dāng)AI可以做85分的時候，我們的工作會發(fā)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(chǎn)品現(xiàn)在100分的產(chǎn)品才有機(jī)會拿出來，85分就是底線。我們應(yīng)該用好這個基礎(chǔ)，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(zhǔn)的。那么另外無法被預(yù)測的15%是什么？

想象你是一個復(fù)雜立體的人，AI只看到你發(fā)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(yù)測，越容易被預(yù)測，在AI時代就越容易被取代。

當(dāng)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(dān)心被誤解，現(xiàn)在要擔(dān)心的是被徹底理解，以至于再也沒有驚喜，你的存在AI學(xué)不來，總結(jié)不出來，你寫的句子它不敢預(yù)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(yù)測的人。

掃碼觀看完整版課程