合成创始人：面向计算社会科学中创业验证研究的AI生成社会模拟

我们提出了一项对比性对接实验，将人类受试者访谈数据与大规模语言模型（LLM）驱动的合成人设进行对齐，以评估AI赋能模拟中的保真度、差异性和盲点。十五位早期创业创始人接受了关于其对AI驱动验证的希望与担忧的访谈，同一方案亦使用AI生成的创始人与投资人角色进行了复制。结构化的主题综合揭示了四类结果：（1）收敛主题——基于承诺的需求信号、黑箱信任障碍和效率提升在两个数据集中被一致强调；（2）部分重叠——创始人担心离群值被平均化以及真实客户验证的压力，而合成人设则突出了非理性盲点并将AI框定为心理缓冲；（3）仅人类主题——早期客户参与的关系与倡导价值以及对宏大市场（moonshot markets）的怀疑；（4）仅合成主题——放大的假阳性与创伤盲点，AI可能因忽略负面历史经验而高估采用潜力。我们将该对比框架解读为证据，表明LLM驱动的人设构成一种混合社会模拟形式：比传统基于规则的智能体更具语言表达力和适应性，但受限于缺乏生活史与关系性后果。我们认为，它们并非取代实证研究，而是作为一种互补的模拟类别发挥作用——能够扩展假设空间、加速探索性验证，并澄清计算社会科学中认知现实性的边界。